Применение теоретико-информационного подхода для сегментации изображений 231 Применение теоретико-информационного подхода для сегментации изображений ∗ Д. М. Мурашов d_murashov@mail.ru ФИЦ «Информатика и управление» РАН, Россия, г. Москва, ул. Вавилова, 44/2 Рассматривается задача разработки метода обеспечения наилучшего качества сегмен- тации цифровых изображений. Метод ориентирован на применение модифицированного суперпиксельного алгоритма сегментации. В известных работах для оценки качества сег- ментации использовался «взвешенный показатель недостоверности», вычисляемый через значения нормализованной взаимной информации цветовых каналов входного и сегменти- рованного изображений. Зависимость показателя недостоверности от параметра алгорит- ма сегментации монотонна, что потребовало обучения алгоритма и разработки итерацион- ной процедуры выбора параметра. В данной работе в качестве критерия для оптимизации качества сегментации предлагается применять меру избыточности информации. Такой критерий обеспечивает лучший результат с точки зрения визуального восприятия. По- казано, что предложенный способ построения меры избыточности позволил получить экстремальные свойства. Эксперимент, проведенный на изображениях из базы Berkeley Segmentation Dataset, подтвердил, что сегментированное изображение, соответствующее минимуму меры избыточности, дает минимальное различие по теоретико-информацион- ной мере при сравнении с исходным изображением. Кроме того, выбранный с помощью предложенного критерия вариант сегментации дает наибольшее сходство с эталонами, имеющимися в базе. Ключевые слова: сегментация изображений; теоретико-информационная модель; ме- ра избыточности; суперпиксельный алгоритм DOI: 10.21469/22233792.2.2.08 1 Введение Рассматривается задача разработки метода обеспечения наилучшего качества сегмен- тации цифровых изображений и определения соответствующего параметра модифициро- ванного суперпиксельного алгоритма SLIC (Simple Linear Iterative Clustering) [1, 2]. В работе [3] под сегментацией понимается процесс разделения изображения, пред- ставляемого как область Ω, на n непересекающихся связных подобластей (сегментов) Ω 1 , Ω 2 , ..., Ω n , элементы которых схожи по какому-либо признаку и отличаются от эле- ментов соседних областей. Строгое определение сегментации дано в работе [4]. При сег- ментации изображений возникает проблема выбора параметров применяемых алгоритмов. Параметры выбираются исходя из наилучшего качества сегментации. При этом для раз- ных задач анализа изображений выбирается свой критерий качества. Это может быть визуальная оценка эксперта или какой-либо количественный показатель. В исследовани- ях по сегментации результат обычно сравнивается с изображением, сегментированным экспертом и принятым в качестве эталона [5,6]. Возможно наличие нескольких эталонов, принятых разными экспертами. * Работа выполнена при финансовой поддержке РФФИ, проекты №15-07-09324 и №15-07-07516. Машинное обучение и анализ данных, 2016. Том 2, № 2.