14 мая 2016г.
В последнее время наблюдается бурное развитие систем технического зрения, заключающееся в том, что все больше и больше различных задач, выполнявшихся ранее непосредственно людьми, сегодня решаются с использованием автоматизированных систем. К таким задачам относятся, например, фотосъемка автомобилей, превышающих скорость и распознавание их номерных знаков или обнаружение различных сигналов на изображениях [6].
Следует отметить, что качественное решение указанных задач зависит от эффективности алгоритмов, применяемых в автоматизированных системах. При этом исследование эффективности на этапе проектирования и разработки часто целесообразно выполнять не для реальных сигналов, а для их моделей [2,3,5]. В работе [3] предлагается для реализации моделей случайных полей использовать авторегрессионные и дважды стохастические модели. Последние, в общем, позволяют производить более адекватное описание реальных изображений благодаря неоднородности модели. При этом для авторегрессионных моделей достаточно хорошо разработан математический аппарат, позволяющий производить их фильтрацию [4].
В данной работе основное внимание уделяется этапу распознавания объектов на изображениях и программной реализации такого алгоритма. Важным замечанием для разрабатываемого программного комплекса является тот факт, что до этапа распознавания объектов, т.е. точного определения на основе заданной классификации, необходимо выполнить бинаризацию изображений. Самым простым способом бинаризации является построение гистограммы изображения и разделения всех яркостей, присутствующих на изображении, на две области. При этом границей может быть выбран максимум гистограммы или же среднее значение яркости.
Рассмотрим еще один способ получения бинарного изображения. Пусть для формирования случайного поля используется дискретная дважды стохастическая модель [2]:
Таким образом, корреляционные параметры в выражении (2) представляют собой бинарное случайное поле. Действительно, элементы каждого из полей в (2) могут принимать только два значения, поэтому
их бинаризация посредством преобразования одних значений в минимальное значение яркости (Y=0), а других - в максимальное (Y=255) не вызывает
сложностей.
Однако основным изображением является реализация модели (1). Поэтому важно произвести его сегментацию [1]. Стоит отметить, что сегментация по яркости в данном случае должна быть заменена сегментацией по корреляционным параметрам, так как именно в результате такой сегментации в идеале должно получиться двухуровневое изображение, основанное на выражении (2). Очевидно, что приближение к двум, а не четырем уровням, будет отчетливее, если областиI1 - J1
, а также I2 - J 2 попарно совпадают. Другими словами,бинаризация с приведением к минимальному и максимальному уровню яркости случайных полей (2) приводит к одинаковому результату.
Таким образом, при выполнении указанных условий получаем сегментированную модель (1), в которой элементы xij могут принимать одно из двух значений. Для создания большей контрастности между объектом и фоном необходимо, чтобы эти значения соответствовали минимальной и максимальной яркости.
Когда объект, описываемый сигналом высокого уровня в области изображения, представлен на изображении до сегментации, может быть использован метод бинаризации на основе гистограммы. Действительно, будем считать, что объект занимает не больше половины изображения, а фон представляет собой дважды стохастическую модель. Тогда при большом уровне сигнала отделение фона от объекта делением гистограммы будет простым и эффективным способом.
Для реализации алгоритмов
распознавания
были выбраны квадратные и круглые объекты. При этом необходимо было сначала обнаружить область объекта и его центр на основе бинарного изображения, а потом с помощью коэффициента заполнения (d = 1 для квадрата, d = p / 4 объекту. для круга) отнести его к тому или иному
Следует отметить, что для учета погрешности алгоритмов сегментации и бинаризации использовались уточняющие
коэффициенты, когда d был между 1 и p / 4 с использованием порога принималось решение о
том, к какому классу отнести объект.
Для реализации такого распознавания была написана программа на языке Visual Basic. При этом использовались возможности цифровой обработки изображений пакета Matlab [7]. Реализация алгоритмов распознавания на основе коэффициента заполнения выполнялась согласно процедурам, предложенным в [8].
На Рисунках 1 - 3 представлены результаты работы программы в различных условиях.
Из Рисунка 1 видно, что точная бинаризация при выбранном методе распознавания дает абсолютный результат. Все круги распознаны как круги, а квадраты - как квадраты.
Из рисунка 2 видно, что точность обнаружения всей
области фигур позволяет оптимально распознавать их принадлежность. При этом ввод дополнительной фигуры, значительно отличающейся
по
форме от круга и квадрата, не приводит к появлению ложного распознавания.
Рисунок 3 позволяет сделать вывод о том, что сильное повреждение объекта фоном, приводящее к неверной бинаризации, является большим затруднением для правильной классификации. Незначительные потери сигнала не влияют на точность его классификации.
Список литературы
1.
Андриянов Н. А., Дементьев В. Е. Сегментация дважды стохастических моделей изображений // Сборник докладов 4-й всероссийской конференции (с международным участием) "Радиоэлектронные средства получения, обработки и визуализации информации (РСПОВИ-2014)". Н. Новгород: РНТОРЭС им. А. С. Попова, 2014.
2.
Андриянов Н.А. Дискретные дважды стохастические авторегрессионные модели случайных полей // Современные проблемы проектирования, производства и эксплуатации радиотехнических систем. 2014. № 1 (9). С. 69-72.
3.
Андриянов Н.А. Программа имитации обычных и смешанных случайных полей // Современные тенденции в науке, технике, образовании. Сборник научных трудов по материалам Международной научно- практической конференции: в 3-х частях. 2016. С. 38-40.
4.
Андриянов Н.А., Васильев К.К., Дементьев В.Е. Разработка программного комплекса для решения задач фильтрации случайных полей // Современные тенденции в науке, технике, образовании. Сборник научных трудов по материалам Международной научно-практической конференции: в 3-х частях. 2016. С. 40-41.
5.
Васильев К.К. Математическое моделирование систем связи. Учебное пособие по дисциплине "Математическое моделирование каналов и систем телекоммуникаций"
для студентов специальностей 21040665 "Сети связи и системы коммутации" и 21040465 "Многоканальные телекоммуникационные системы" /
К. К. Васильев,
М. Н. Служивый; Федеральное агентство по образованию, Гос. образовательное учреждение высш. проф. образования Ульяновский гос. технический ун-т. Ульяновск, 2008.
6.
Васильев К.К., Дементьев В.Е., Андриянов Н.А. Исследование точности обнаружения и распознавания сигналов простейших геометрических форм на фоне дважды стохастической модели // Вопросы радиоэлектроники. Серия: Техника телевидения. 2015. № 6 (23). С. 67-71.
7. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB: пер. с англ. – М.: Техносфера, 2006. – 616 с
8.
Журавель И. М. Краткий курс теории обработки изображений (Электронный ресурс). Режим доступа: http://matlab.exponenta.ru/imageprocess/book2/58.php
