3.3.2 Предобработка эталонных изображений
Эталонные изображения в таких системах могут быть получены предварительной съёмкой аналогичных объектов.
Каждый из классов задаётся с помощью прямого указания его членов [3]. Данный подход обычно используют только в том случае, если полная априорная информация о всех возможных объектах распознавания доступна. Осуществляется сравнение попадающих в систему образов с изначально заданными описаниями представителей классов и относящихся к тому же классу, которому принадлежат наиболее схожие с ними образцы [20].
При обосновании допустимых диапазонов необходимо учитывать два фактора, связанные с размером изображения и влияющие на эффективность процедур определения класса подвижных транспортных наземных объектов. Во-первых, имеет место потеря информации в случаях маленького масштаба искомого объекта из-за дискретного представления цифровых изображений. Поэтому момент времени, после которого возможно начало регистрации, должен назначаться при достаточном приближении ЛА к объекту. С другой стороны, ограничение связано с тем, что регистрация объекта должна быть завершена на некотором расстоянии от него, за время преодоления которого объект должен быть распознан.
3.3.3 Программная архитектура системы компьютерного зрения
Диаграмма классов программы приведена на рисунке 19. Рассмотрим назначение основных классов.
Класс, реализующий алгоритм подсчета количества образов из базы данных на выбранном изображении. Принцип работы данного класса состоит в следующем: задается базовое изображение, которое анализируется при помощи метода SURF, результатом работы которого является множество характеристических точек. После, данное множество точек кластеризуется при помощи алгоритма FOREL.
После, точки каждого кластера сравниваются с точками изображений хранящихся в базе данных, и делается вывод о том, является ли данный кластер схожим с образом БД и производится подсчет результатов.
Класс TResponseLayer выполняет вспомогательную функцию, которая заключается в хранении всех имеющихся фильтров, и результатов их применения. Фильтры имеют свой размер и масштаб. Так как поиск особых точек выполняется в различных масштабах фильтров, то реализация данного класса позволяет упростить способ хранения результатов.
Класс IPoint – осуществляет хранение информации об особых точках. Один экземпляр класса IPoint представляет собой одно описание особой точки. Данный класс описывает такие характеристики особой точки, как координат, масштаб, дескриптор точки, и т.д. Итогом работы метода SURF является список дескрипторов особых точек. В классе TFastHessian осуществляется заполнение списка особыми точками, а класс TSurf служит для вычисления дескрипторов особых точек.
Класс, реализующий алгоритм идентификации транспортных средств при помощи базы данных образов и алгоритма SURF (таблица 4).
Класс, используемый для хранения результатов классификации (таблица 5).
Класс, выполняющий визуализацию результатов работы алгоритма SURF (таблица 6).
Таблица 4 — Класс «TAnalyser»
| Property Summary | |
| public TBitmap | BaseImage Базовое изображение |
| public TStringList | BaseImagePoint Характеристические точки исходного изображения |
| public TStringList | ClassificationHistory История классификации |
| public uSearchInfo.TSearchInfo | ClassificationResult Результат классификации |
| public Integer | InitSample Метод установки значения параметра SURF (начальное значение) |
| public Integer | Intervals Параметр алгоритма SURF (интервалы) |
| public Integer | Octaves Параметр алгоритма SURF (октавы) |
| public Extended | Tresh Параметр алгоритма SURF (шум) |
| Constructor Summary | |
| Create(Connection: TADOConnection) Конструкторкласса. | |
Таблица 5 — Класс «TSearchInfo»
| Field Summary | ||
| public Integer | ClassID Идентификатор класса | |
| public Cardinal | ComputationTime Время вычисления (мс) | |
| public TStringList | Matches Список сходных точек | |
| public Integer | ObjectID Идентификатор объекта | |
| public TStringList | Points Список точек изображения | |
| public Integer | Similarity Степень сходства | |
| Constructor Summary | ||
| Create() Конструктор класса. | ||
| Method Summary | ||
| public Sub | Destroy() Деструктор класса. | |
Таблица 6 Класс «TPainter»
| Property Summary | ||
| public Boolean | PaintNumbers Флаг, который определяет факт отображения чисел около характеристических точек | |
| public Integer | Scale Масштаб | |
| public TPointPairKind | VisiblePoint Флаг определяющий точку, выводимую на изображение (из пары) | |
| Constructor Summary | ||
| Create() Конструктор класса | ||
| Method Summary | ||
| public Sub | Destroy() Деструктор класса | |
| public Sub | DrawPoints(Source: TPicture; Dest: TPicture; Points: TStringList) Методотрисовкиточек | |
3.4 Описание работы программы
После запуска программы пользователь получает ее главную экранную форму (рисунок 20).
После этого необходимо загрузить наборы эталонных изображений, которые должны быть использованы в ее работе (рисунок 21).
Для добавления данных необходимо ввести название и эталонное изображение (рисунок 22).
После чего осуществляется загрузка файла с изображениями с для их подсчета (рисунок 23).
Программа показывает выделение характерных точек (рисунок 24):
И предоставляет отчет о посчитанном количестве (рисунок 25).
Листинг программных модулей приведен в Приложении.
ЗАКЛЮЧЕНИЕ
Специфика создания конкретных систем технического зрения выражается следующими главными особенностями. Во-первых, при проектировании подсистем информационного обеспечения, требуется решать не общую проблематику автоматического понимания изображения произвольной сцены, а более определённую и узкую задачу проблемно-ориентированного представления изображения. Зачастую эта задача сводится к нахождению и выявлению на изображении отдельного набора объектов известных заранее типов, наличие которых влияет на построение управления. Во-вторых, к алгоритмам анализа изображений в подсистемах информационного обеспечения выдвигаются специальные требования, связанные с определенными характеристиками и назначением создаваемой или уже существующей среды управления.
В рамках специфики конкретной задачи, система автоматического управления запрашивает у подсистемы анализа изображений такие параметры, как локализация, робастность и вычислительная реализуемость в пределах указанной аппаратной архитектуры. При этом одна из главных проблем, отличающих область обработки изображений, к примеру, от теории обработки сигналов, состоит в проектировании методов нахождения объектов, плохо реагирующих на разнообразные виды изменчивости, характерные только для изображений, например: искажения оптических сенсоров, блики, тени, загораживания, искажения формы, расфокусировка, шум.
Важно также понимать, что существенное увеличение возможностей подсистем технического зрения достигается при совместном применении датчиков различной физической природы (ДРФП). Финальная эффективность такого решения задачи управления целиком зависит как от применяемого набора и параметров датчиков, так и от алгоритмов обработки и комплексирования данных.
Алгоритмы технического зрения часто проверяются на математических моделях характерных целей, получаемых искусственным путём с помощью ЭВМ. Этот метод можно назвать самым быстрым, также он дает возможность отрабатывать алгоритмы в отношении объектов, реальные изображения которых недоступны. Но разрабатываемые алгоритмы должны уметь работать не только на модельных, но и на вполне реальных изображениях. При этом каждый, кто создавал алгоритмы обработки реальных изображений, прекрасно знает, какими неопределенными и изменчивыми могут быть факторы, отвечающие за качество реальных изображений от датчиков и соответственно, все это влияет на степень обнаружения и распознавания объектов на данных изображениях.
Укажем данные факторы:
- Шум — имеют несколько видов источников возникновения, к числу которых относят несовершенство сенсоров принимающей аппаратуры и устройства оцифровки изображений, сложные условия съёмки, малая освещенность и ряд других;
- Сложный текстурированный фон, на котором нужно обнаружить объекты, к примеру, нахождение штриховой наклейки на газетной странице и т. п.;
- Загораживание (заслонение) одних объектов другими, обычно, не определённой заранее формы, к примеру — облако на космофотоснимке и т. п., другие загораживающие помехи;
- Изменяющие оптические эффекты в виде расфокусировок, а также ракурсных искажений и др.;
- Резкая смена освещения, тень, блики, особенно в динамичных сценах;
- Изменяемость и разнообразность самих объектов обнаружения — переменная структура (штрих-код), временные перемены формы, дефекты, вегетационные циклы для растений и т. п.;
- Изменение среды между сенсорами и объектами съемки — осадки, пыль, туман, дым, искусственные помехи и т.д.;
- Рассинхрон в записи и обработка данных в динамических задачах обнаружения, связанная с нехваткой средств сохранения и анализа изображений — наиболее критичны для приложений с малым временем реакции системы нахождения объектов; сюда относятся также сбои в компьютерном ПО для обработки.
По итогам выполненной работы делаем несколько выводов. Исходя из проведенного исследования, различные алгоритмы включают свои плюсы и минусы, поэтому все алгоритмы имеют персональную область использования.
В рамках проведенной работы были решены следующие задачи:
- Изучены имеющиеся алгоритмы распознавания изображений. Отражены их положительные и отрицательные стороны;
- Изучены методы эффективного практического внедрения алгоритмов нахождения объектов на изображениях;
- Описано исследование некоторых алгоритмов поиска объектов на 2D-изображениях;
- Применена часть алгоритмов: алгоритм SURF и алгоритм сравнения с эталонной моделью.
Данная выпускная квалификационная работа не может осветить все возможные аспекты, которые могут быть связаны с такой большой областью исследований, как поиск и распознание объектов на изображениях, по причине ее обширности. Не затрагивались такие темы как: повышение устойчивости методов к аффинным преобразованиям, улучшение качества распознания на зашумленных изображениях, пространственный поиск и распознание объектов и многие другие, данные темы слишком объемны и чтобы полностью отобразить их в одной работе и каждая из них заслуживает отдельной.
Таким образом, цель работы выполнена. Практическая значимость исследования заключается в возможности использования разработанного программного обеспечения на практике.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ
- Березин С.А., Березин Б.А., Начальный курс С и С++, М., Диалог-МИФИ, 2017 г., 288 с.
- Брайан У. Керниган, Деннис М. Ритчи, Язык программирования C, М., Вильямс, 2017 г, 288 с.
- Брайан У. Керниган, Роб Пайк, Практика программирования, М., Вильямс, 2017 г., 288 с.
- Бунаков П.А., Лопатин А. В, Практикум по решению задач на ЭВМ в среде Delphi. Учебное пособие, М., Инфра-М, 2018 г, 304 с.
- Васильев Р.А, Калянов Г.А., Левочкина Г.А.,Стратегическое управление информационными системами, М, Интернет-университет информационных технологий, Бином. Лаборатория знаний, 2017 г, 512 с.
- Вон Вернон, Реализация методов предметно-ориентированного проектирования, М, Вильямс, 2017 г, 688 с.
- Восстановление изображений, различие и оценка параметров объекта, М, LAP Lambert Academic Publishing, 2013, 76 с.
- Гольштейн Е.А., Юдин Д.А., Специальные направления в линейном программировании, М, Красанд, Editorial URSS, 2018 г, 526 с.
- Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений
- Грацианова Т.А., Программирование в примерах и задачах, М., Лаборатория знаний, 2018 г, 368 с.
- Дунаев А., Использование теории графов для распознавания образов, М, Издательский дом Университета «Синергия», 2017, 145 с.
- Иванова Г.А., Технология программирования, М, КноРус, 2018 г, 336 с.
- Исаев Г.А, Теоретико-методологические основы качества информационных систем, М. Инфра-М, 2018 г. 258 с.
- Л. Рубанов, П. Чочиа, Рафаэль Гонсалес, Ричард Вудс, Цифровая обработка изображений, М, Техносфера, 2012 , 1104 с.
- Распределенные вычисления и ГРИД-технологии в науке и образовании. Труды 5-й международной конференции Дубна, 16-21 июля 2012 г., Под редакцией: Т. А. Стриж Дубна: Объединенный институт ядерных исследований, 2012.
- Старовойтов В.В., Голуб Ю.И. Цифровые изображения: от получения до обработки, Минск: ОИПИ НАН Беларуси, 2014. — 202 с.
- Стенли Б. Липпман, Жози Лажойе, Барбара Э. Му, Язык программирования C++. Базовый курс, М, Вильямс, 2017 г, 1120 с.
- Техническое зрение в системах управления мобильными объектами, Труды научно-технической конференции-семинара / под ред. Р.Р. Назирова. – М.: Механика, управление и автоматика, 2011. – 328 с.
- Уильям Гибсон, Распознавание образов, М, Азбука, Азбука-Аттикус, 2017, 384 с.
- Ягольников С.А., Александр Храмичев, Александр Катулев, Цифровая обработка 2D слабоконтрастных изображений, формируемых оптико-электронным прибором в сложных фоновых условиях. Обнаружение, распознавание, сопровождение динамических объектов, М, Радиотехника, 2018, 4-8 с.