ВЫДЕЛЕНИЕ ПРЯМОЛИНЕЙНЫХ СЕГМЕНТОВ КРОМОК НА РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЯХ

1 2 3

---

СОДЕРЖАНИЕ

Введение
1. Исследование методов и алгоритмов распознавания изображений в радиотехнических системах
1.1. Основные понятия и общая классификация
1.2. Строение радиотехнической системы наблюдения
1.3. Требования к алгоритмам машинного зрения
2. Обзор методов описания изображений
2.1. Основные понятия
2.2. Представление моделей при зрительном восприятии образов
2.3. Классифицирование моделей изображений
2.3.1. По методам представления и обработки изображений
2.3.2. По методу дескриптивного подхода к обработке изображений
2.4. Признаковое описание изображений
2.4.1. Понятие «признак изображения»
2.4.2. Существующие алгоритмы выделения признако
2.5. Прямолинейные сегменты, как важный признак объектов на изображениях
2.5.1. Проблема выделения и группирования линейных признаков в настоящее время
2.5.2. Алгоритмы Кэнни и Хафа для выделения прямолинейных сегментов кромок
2.5.3. Применение метода объединения пикселей (детектор Рендела) для выделения прямолинейных сегментов кромок
3. Выделение прямолинейных сегментов кромок на радиолокационных изображениях
4. Сравнение и результаты предложенного метода и других методов выделения кромок объектов
4.1. Исследование применения различных способов выделения прямолинейных сегментов кромок к тестовому изображению
4.2. Исследование применения различных способов выделения прямолинейных сегментов кромок к реальному радиолокационному изображению
4.2.3 Сравнение основных алгоритмов и результаты разработки
5. Специальные вопросы обеспечения безопасности
5.1. Эргономика рабочего места
5.1.1. Правильная организация рабочего места
5.1.2. Требования к выбору рабочего оборудования
5.1.3. Правильное рабочее положение за компьютером
5.1.4. Оценка освещения и окружающей атмосферы
5.1.5. Гимнастика для устранения усталости и негативных последствий от работы с компьютером
5.2. Анализ эргономики интерфейса программного пакета
5.3. Вывод по разделу
ЛИТЕРАТУРА

 

ВВЕДЕНИЕ

В последнее время использование цифровых видеоустройств с высоким разрешением существенно приблизило информативность искусственных зрительных устройств к соответствующим характеристикам человеческого глаза. Аппаратные возможности, которые предоставляются новейшими достижениями электронно-вычислительной техники, достаточно высоки. На данный момент возникает необходимость решить задачу — разработки алгоритмов машинного зрения, а также «понимания» изображений.

Если говорить о методах и алгоритмах обнаружения сложных объектов, то одной из главных проблем, отличающих методы обработки изображений от хорошо изученной теории обработки сигналов, является разработка методов обнаружения объектов, которые слабо чувствительны к различным типам изменчивости. Такими конкретными типами изменчивости являются радиометрические искажения, а также различные типы искажений, которые не сводятся к вероятностным моделям. На пути их решения были предложены как огромный набор эвристических алгоритмов для обнаружения объектов определенного типа, так и ряд подходов с большей общностью: методы обнаружения корреляции, преобразование Хафа, детектор угла Харриса, детектор Мореля-Ренделя. Значительный вклад в разработку методов и алгоритмов обработки изображений и компьютерного зрения применительно к обсуждаемым проблемам обнаружения внесли работы Л.П. Ярославского, В.К. Злобина, В.Л. Левшина, Р. Харлика, Э. Дэвиса, Р. Неватия, Э. Дикманса, В. Фёрстнера и многие другие. Однако, несмотря на достигнутые результаты, проблемы выделения и обнаружения сложно структурированных объектов на моноскопических изображениях развиты слабо. 

ГЛАВА 1. ИССЛЕДОВАНИЕ МЕТОДОВ И АЛГОРИТМОВ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ В РАДИОТЕХНИЧЕСКИХ СИСТЕМАХ

1.1. Основные понятия и общая классификация

Термины «радиотехника» или «радиолокация» обычно подчеркивают особенность информационных систем, в которых электромагнитные волны радиодиапазона переносят в себе информацию между разнесенными в пространстве точками. Структурная схема любой радиотехнической системы показана на рисунке 1.1.

Рисунок 1.1 – Структурная схема радиотехнической системы

 

Радиотехнические системы можно разделить следующим образом:

• системы передачи информации;
• системы извлечения информация;
• системы уничтожения информации;
• системы радиоуправления;

В свою очередь, каждую из этих групп делят на разновидности, которые различаются функциональным назначением. Таким образом, среди систем передающих информацию выделяются системы (одноканальные, многоканальные, радиорелейные или через искусственные спутники Земли, телеметрия, передача команд, радиовещание и телевидение.

Системы извлечения информации включают в себя системы радионавигации и радиолокации, системы радиоастрономии, разведки радиооборудования противника. Системы уничтожения информации находят применение там, где требуется создать условия, при которых работа вражеских радиотехнических систем невозможна. Системы радиоуправления используются для управления какого-либо оборудования посредством радиосигналов [1]. Далее будет затронут конкретный класс радиотехнических систем – радиотехнические системы наблюдения.

 

1.2. Строение радиотехнической системы наблюдения

С помощью радиотехнических систем наблюдения получают радиолокационные изображения. На рисунке. 1.2 показана структурная схема радиотехнической системы наблюдения.

Регистрирующее устройство состоит из нескольких частей:

• Объектив — служит для фокусировки нужной обзорной области на светочувствительную матрицу или антенну для приема отраженных волн от объектов.
• Предварительный усилитель — служит для усиления сигналов до требуемого уровня для нормальной работы АЦП.
• Аналогово-цифровой преобразователь — преобразует аналоговый сигнал в цифровой.

После этого сигнал отправляется в устройство для обработки изображения. При обработке изображения производятся операции сегментации, выделения и распознавания объектов. После всех преобразований информация выходит в виде кодированной последовательности параметров, которые необходимы для работы последующих устройств.

 

Рисунок. 1.2 — Структурная схема радиотехнической системы наблюдения

1.3. Требования к алгоритмам машинного зрения

В последнее время использование цифровых видеоустройств с высоким разрешением существенно приблизило информативность искусственных зрительных устройств к соответствующим характеристикам человеческого глаза. Аппаратные возможности, которые предоставляются новейшими достижениями электронно-вычислительной техники, достаточно высоки. На данный момент возникает необходимость решить задачу — разработки алгоритмов машинного зрения, а также «понимания» изображений [2].

Разработка отдельных систем машинного зрения, например, систем зрения беспилотных летательных аппаратов, имеют следующие особенности.

• при разработке систем машинного зрения нужно решать не обобщённую задачу автоматизированного понимания изображения какой-либо сцены, а гораздо более конкретную и узкую. Чаще всего данная задача сводится к обнаружению и определению на изображении определённого набора объектов заранее известных типов, которые своим присутствием могут повлиять на формирование управления.
• к алгоритмам обработки изображений в системах машинного зрения предъявляются особые требования, которые связаны с конкретными характеристиками разрабатываемой или уже разработанной системы управления.

В зависимости от особенностей конкретной задачи, система автоматизированного управления предъявляет к подсистеме анализа изображений некоторые требования: устойчивость, локализация и вычислительная реализуемость. Одна из основных проблем, отличающих область обработки изображений, например, от теории обработки сигналов, заключается в создании методов обнаружения объектов, слабо чувствительных к разнообразным видам изменчивости, которые характерны только для изображений, таким как различные типы искажений оптических сенсоров, блики, затенения, загораживания и ракурсные искажения и пр. Существенный рост возможностей подсистем машинного зрения летательных аппаратов достигается при совместном использовании датчиков различной физической природы. Эффективность конечного решения задачи управления будет напрямую зависеть от используемого набора датчиков, их параметров, от характера алгоритмов обработки и объединения информации.

Рассмотрим требования к методам и алгоритмам машинного зрения в радиотехнических системах на примере алгоритмов обнаружения объектов на изображениях.

• устойчивость.
• локализация.
• вычислительная реализуемость.

 

Устойчивость. Алгоритмы машинного зрения обычно отрабатываются на математических моделях таких целей, которые могут быть получены с помощью ЭВМ. Этот способ считается наиболее быстрым и позволяет отрабатывать алгоритмы на объектах, реальные изображения которых отсутствуют. Разрабатываемые алгоритмы должны работать не только на моделях, но и на существующих изображениях. Факторы, которые влияют на качество реальных изображений от датчиков и соответственно на вероятность обнаружения и распознавания объектов на этих изображениях, очень изменчивы и трудно определяемы.

Перечислим эти факторы более подробно:

• шумовые эффекты – могут возникать из множества источников, например, шумы сенсоров приемной и передающей техники, собственные шумы усилительной техники, аналогово-цифровых преобразователей, нехватка света и прочие;
• многообразие объектов их соотношения, разнообразная структура, дефектность и другие;
• эффекты наложения одних объектов на другие, например, облака на снимке местности со спутников;
• эффекты резкого перепада яркости, наложение теней и бликов, особенно в динамических сценах;
• неточность фокуса или ошибочный ракурс;
• Ограничения компьютерных средств хранения и анализа изображений, также сбои в обрабатывающих программах.

Анализ данных факторов показывает, что полное математическое описание практически невозможно — вероятностное, геометрическое и другие;

При создании реальных алгоритмов в данный момент существует необходимость проверять эффективность работы построенных алгоритмов на огромном количестве изображений, содержащих все возможные неблагоприятные ситуации, а также на шумовых моделях изображений с известными характеристиками[3].

 

Точность. Обнаружение в практических задачах всегда связано с процедурой поиска объекта. Именно реализация этой процедуры обычно связана с большим количеством вычислений. Все это значительно увеличивает время, нужное для расчетов. Поэтому актуальной задачей становится поиск новых алгоритмов обнаружения.

Исходя из вышесказанного, второе качество, которым должны обладать алгоритмы обнаружения — это точная локализация. Это значит, что необходимо не только обнаружить объект, а также точно указать его положение в нужной системе координат. Аналитическая модель искажения может отсутствовать,  а в сравнении со своей эталонной моделью геометрическая структура объекта может оказаться заметно искажена. При аналитически известной с точностью до параметров геометрии искажений, точная локализация – это положение определённой характерной точки объекта и знание о параметрах геометрии искажения (углах поворота, элементах проективного преобразования и т. д.). Однако существуют ошибки локализации, которые стоит разделить на две группы — нормальные и аномальные ошибки.

Нормальная ошибка — это правильная локализация объекта с некоторой неточностью. Для больших габаритных объектов, позиционные нормальные ошибки могут быть значительно меньше элемента изображения и будут уменьшаться с размером объекта. В этом случае принято говорить о возможности субпиксельной локализации и субпиксельных измерениях. Это особенно важно для задач стереообнаружения, так как при малых параллаксах 3D-объектов субпиксельная локализация самым существенным образом определяет точность их пространственного положения.

Аномальная ошибка — к аномальным ошибкам следует отнести ситуацию перепутывания объектов или возникновение артефактов, что связано с фатальными количественными ошибками позиционирования или просто ложным обнаружением. Требования по исключению или ограничению уровня аномальных ошибок составляют очень важную часть требований к алгоритмам обнаружения[4].

 

Вычислительная реализуемость. Несмотря на колоссальный прогресс вычислительной техники и создание обширной специализированной процессорной базы для обработки изображений, для основной массы бортовых приложений реального времени характеристики вычислителей и их свойства все ещё далеки от желаемых. Даже в случае реализации простейших алгоритмов оконной фильтрации изображения с минимальной апертурой 3Х3 элемента, объём вычислений составляет десятки операций на точку изображения. При обработке более высокого уровня необходимый объём вычислений колеблется в пределах от сотен до тысяч операций на пиксель. Если размер анализируемого изображения 1000Х1000 элементов, что не является чем-то необычным для современных видеодатчиков, мы получим оценку количества потребных вычислений порядка нескольких гигабайтов операций на кадр. Между тем для приложений реального времени необходимо выполнять эти вычисления в темпе кадровой развёртки (не менее 25 кадров в секунду), что приводит к оценке быстродействия около 50 Гфлопс/с. Таким образом, вычислительная реализуемость алгоритмов машинного зрения по-прежнему относится к числу наиболее важных факторов, учитываемых при их разработке [5].

ГЛАВА 2.ОБЗОР МЕТОДОВ ОПИСАНИЯ ИЗОБРАЖЕНИЙ

Важный вопрос в проблеме сравнения и распознавания изображений — выбор способа описания интересующих объектов. Описание должно быть таким, чтобы было возможно применить к нему алгоритм сравнения и распознавания. Преобладающее большинство алгоритмов сравнения и распознавания изображений, служат для работы с признаковыми описаниями или моделями изображений [6]. При описании изображения в виде набора признаков информация, содержащаяся в изображении, отчасти теряется. Чтобы в полной мере использовать при анализе изображений содержащуюся в них информацию, необходимо преодолеть противоречие между природой изображения и методами извлечения информации из изображений, основанными на использовании символьных моделей изображений. Необходимо, чтобы анализ и распознавание изображений опирались на преобразования, зависящие от синтаксической и семантической информации, содержащейся в изображении.

Модели и признаки, которые используются для анализа изображений, как и методы выделения признаков, сильно зависят от поставленной задачи, от датчика и от типа сцен на изображениях.

2.1. Основные понятия

 

Проведём классифицирование и сравнение методов описания изображения и представления информации, содержащейся в изображении, которая необходима для выделения и распознавания объектов на изображениях.

Модель изображения — это совокупность данных, по которым можно однозначно построить изображение, и совокупность методов — операций, с помощью которых можно сформировать и модифицировать эту модель. Для построения модели изображения используют различные математические объекты, в том числе признаки и дескрипторы изображений, логические функции, графы, деревья, последовательности преобразований изображений и др. Чаще используются числовые признаки.

Числовой признак изображения – это переменная, определяющая числовую характеристику свойств изображения, например, геометрических, яркостных, структурных или пространственных.

Типовым описанием изображения при помощи числовых признаков является набор математических элементов (например, чисел, векторов, матриц), которые содержат определённую информацию об изображении, представленную в виде числа и/или набора чисел, и допускаемых алгоритмом распознавания, используемым для решения задачи. Необходимо добавить, что типовое описание изображения может содержать как частичную информацию (в случае, когда информации недостаточно для восстановления первоначального изображения из его описания), так и полную (с помощью которой можно восстановить первоначальное изображение).

Свойства признака изображения могут определяться как свойствами самого изображения, так и способом извлечения его признаков. Признак модели – есть параметр модели изображения, поэтому тип допустимого пространства признаков, разброс значений признака и методы сравнения их значений существенно зависят от данной модели изображения. При этом типы алгоритмов распознавания связаны с используемыми типами признаков, так как признаки являются входной информацией алгоритмов распознавания. Следовательно, допустимость применяемых методов распознавания изображений напрямую связана с построенной моделью изображения.

 

2.2. Представление моделей при зрительном восприятии образов

 

Считается, что распознавание человеком зрительно знакомых объектов основывается на сравнении увиденных в данный момент объектов с теми образами, что откладываются у него в памяти в течение жизни. Поскольку увиденный объект не всегда сохраняется в памяти в точно таком виде, в каком он наблюдается человеком, возникает неопределённость в сравнении объекта и его изображения. Во многих психологических теориях распознавания образов предлагается следующее решение данной проблемы. В долговременной памяти сохраняется множество зрительных образов объектов и связанная с ними информация. Данная информация хранится в виде определённого представления объекта в виде его модели, отражающей свойства, характерные для данного объекта во всех его представлениях. При распознавании начальное изображение, полученное на сетчатке глаза перестраивается в тот же формат, в котором хранится информация в долгосрочной памяти, и далее в памяти человека выбирается модель, наиболее похожая на изначальное изображение. Считается, что человеческий мозг оперирует четырьмя основными моделями:

• основанные на сравнении эталонов
• основанные на наборе признаков
• основанные на преобразовании Фурье
• структурные модели.

Охарактеризуем их более подробно.

 

Модели, основанные на сравнении эталонов. В этом классе модель изображения представляется точной копией изображения, которое поступает на сетчатку. Полученные модели сохраняются в долгосрочной памяти и при получении нового изображения, происходит сравнение имеющейся модели с новым образцом. Происходит оценка сходства изображений, и на основании этой оценки, делается вывод какая именно модель была на сетчатке глаза. В роли меры сходства обычно используется отношение совпадающих точек к несовпадающим и данное отношение сравнивается с пороговым условием.

 

Модели, основанные на наборе признаков. Эта модель является описанием геометрических особенностей изображения, представленным с помощью вектора признаков, характеризующего особенности входного изображения. Такими признаками могут быть горизонтальные и вертикальные прямые, кривые, соединения в виде «T», «Y» и т.д. Существуют специальные методы выделения каждого отдельного признака на входном изображении, независимо от его местоположения. После использования всех методов получается вектор признаков, который составляют значения, характеризующие частоту появлений каждого признака на начальном изображении. В памяти сохраняется перечень всех возможных признаков, которые находятся на изображении, и вектор признаков, соответствующий исходному изображению. Каждому признаку можно поставить в соответствие некоторый вес с тем, чтобы признаки, инвариантные относительно функций преобразования изображения, оказывали существенное влияние на сопоставление моделей изображений.

В процессе сопоставления получившийся вектор признаков сравнивается с теми, что хранятся в памяти, с учетом весов, приписанных каждому признаку. Мера близости может быть определена различными способами, например, количество совпадающих признаков, квадратичная разность между элементами векторов и др. Модель, наиболее близкая к исходной модели в смысле заданной меры близости, ставится ей в соответствие.

 

Модели, основанные на преобразовании Фурье. При работе с вопросом человеческого зрительного восприятия, учёные посчитали этот класс моделей более похожим на то, что происходит в мозге человека, где образ любого объекта описывается преобразованием Фурье. Основными плюсами этого описания является отделённость информации об объекте от информации о деталях объекта.

 

Структурные модели. Структурное описание представляет собой набор информации: утверждения с аргументами, соответствующими частям объекта, или сцены, и свойства аргумента, которые соответствуют свойствам частей и пространственным взаимоотношениям между ними. Структурное описание представляется в виде графа, с вершинами, соответствующими частям объекта и их свойствам, а ребра, соединяющие вершины, соответствуют пространственным отношениям. Изучение процессов головного мозга, восприятия и обработки информации, полученной зрительно, не достигло необходимого уровня для создания алгоритмов распознавания, похожих в реализации на процессы распознавания в головном мозге. Поэтому алгоритмы обработки изображений приходится основывать на описаниях. Большое количество алгоритмов обработки изображений, предназначены для работы только с признаковыми описаниями или моделями изображений.

 

2.3. Классифицирование моделей изображений

2.3.1 По методам представления и обработки изображений

 

Все изображения условно поделены на подвиды, всего их четыре. Далее рассмотрим их подробнее [7].

 

Тоновые и цветные изображения. Данный вид включает в себя обычные растровые изображения. Они представляют точную копию изображений, полученных с видеоустройства и состоят из пикселей, значение каждого из которых равняется уровню яркости в данной точке.

 

Бинарные изображения. К этому виду относятся изображения, каждый пиксель которого может представлять только один из двух цветов. Значение каждого пикселя кодируются, как 0 и 1. Изображение может быть как цветным, так и чёрно-белым. Различие между цветными и представляемыми в нескольких цветах изображениями неопределенно. Такие различия имеют значение только тогда, когда используется внутреннее машинное представление изображений.

 

Кривые и линии. Как правило к этому виду относятся контуры областей и графики. Чаще всего это последовательности точек, которые представлены через их координаты (x и y). Данная методика представления малоэффективна, также как и методика использования разностей значений координату рядом стоящих точек. Наиболее действенным находят метод представления с помощью цепных кодов. Применение данных кодов значительно уменьшает требования к ресурсам для кодирования данных изображений.

 

Точки и многоугольники. Изображения данного вида строятся из множества отдельных точек. Эти точки значительно удалены друг от друга, что для работы с ними нельзя использовать цепные коды. Таким образом, применяют матрицы, содержащие координаты нужных точек. Объединение точек линиями (кривыми или прямыми) позволит отобразить изображение в виде множества многоугольников. Изображения этого вида удобно представить через разность координат. В этой ситуации мы учитываем специфику алгоритма обработки изображения. Так же особое внимание уделяется формату начальных значений алгоритмов и особенности изображения.

 

2.3.2. По методу дескриптивного подхода к обработке изображений

 

Основными средствами достижения цели являются формализация и систематизация описаний, презентаций и процедур анализа изображений. Предметом описательной теории распознавания является изучение внутренней структуры изображений в зависимости от тех операций, с помощью которых изображение может быть построено из моделей и объектов более простой природы, то есть из изображений и преобразований, определенных на классах эквивалентности изображения моделей, а также преобразований и выводов представлений изображений. В описательном подходе к анализу и распознаванию изображений различают четыре класса моделей, с помощью которых можно представить изображение: матричные модели, параметрические модели, абстрактные модели и процедурные модели. Могут быть и другие представления, но наиболее полезные модели данных имеют четыре класса [8].

 

Матричные модели. Этот класс включает в себя фактическое изображение, например, цифровое изображение можно рассматривать как представление модели аналогового изображения, то есть цифровую матрицу. Представление изображения в виде этой модели позволяет применять хорошо разработанный математический аппарат для работы с матрицами, в том числе выполнять различные операции над изображениями (сложение, вычитание, свертки).

 

Признаковые модели. Этот класс моделей изображений включает в себя описание изображений с использованием некоторых числовых характеристик, например, в форме вектора признаков. Представление изображения в качестве такой модели позволяет применять методы распознавания к изображениям и решать проблемы распознавания изображений в два этапа — построение модели изображения и применение алгоритмов распознавания к полученной модели.

 

Абстрактные модели. Абстрактная модель — это модель, которая отражает общие характеристики сцены в изображении. Это включает, прежде всего, нематричные методы представления:

— векторная графика (изображения не хранятся попиксельно, но описываются уравнениями их составных кривых);

— описание изображения с указанием расположения основных признаков, объектов и связей между ними;

— представление изображений в виде древовидных структур;

— представление изображений в виде логических функций, в частности в виде дизъюнктивных нормальных форм.

 

Процедурные модели. Этот вид состоит из процедурных моделей, то есть моделей, которые могут быть представлены в виде последовательности преобразований изображений. Процедурные модели отражают процесс преобразования одного изображения в другое. Следует отметить, что из исходной формы изображения (аналога) можно перейти к модели любого типа, которая его представляет. Переход от одной модели к другой, иногда чрезвычайно сложный и дает смешанные результаты. Например, чтобы точно восстановить цифровое изображение из его параметрической модели, необходимо, чтобы вектор признаков имел достаточное количество координат. Конечно, при количестве координат, равном количеству пикселей изображения, возможно полное восстановление, но в этом случае смысл введения параметрической модели теряется.

 

2.4. Признаковое описание изображений

 

В приведенных выше классификациях моделей, в более или менее явном виде, характеристики изображений разделены на отдельные классы. При классификации моделей, в соответствии с методами представления и обработки изображений, отмечается, что «тональные и цветные изображения» часто описываются не матрицей уровней яркости пикселей, а более сложными структурами, например, векторами признаков. В классификации моделей, выделенных в описательном подходе к анализу и распознаванию изображений, выделены «атрибутные модели», соответствующие описанию характерного изображения. Становится очевидным, что описания характеристик широко используются при классификации моделей изображений.

Более того, описания характеристик изображений позволяют использовать разработанное устройство для распознавания изображений вместо разработки специальных методов для осуществления этих задач. Таким образом, использование модели атрибутов становится существенным элементом процесса распознавания изображений.

Следует отметить, что различные признаки могут использоваться в качестве элементов описания признаков (как можно видеть из упомянутых классов, где описаны различные признаки). Понимание важности этапа выбора признаков при решении задач анализа и распознавания изображений предполагает необходимость учета существующей классификации признаков изображений. Выбрать такие функции, которые соответствовали бы требованиям к алгоритмам компьютерного зрения, используемым в радиотехнических системах, а именно требованиям устойчивости, точности и вычислительной реализуемости.

 

2.4.1. Понятие «признак изображения»

 

Первоначальной проблемой, с которой сталкиваются авторы работ над признаками, является определение понятия признаков изображения. Существует четыре наиболее правильных способа определения признака изображения:

1. Признак – интересная точка на изображении.
2. Признак — непроизводный элемент.
3. Признак — числовая характеристика.
4. Признак — элемент допустимого пространства.

Во многих прикладных работах особенность изображения определяется как «интересная точка на изображении», то есть точка, обладающая свойствами, необходимыми для решения проблемы [9, 10]. Например, в [10] дано следующее определение: признак представляет собой интересующую точку изображения, такую ​​как точка пересечения двух линий. Пересечения формы «X», «Y» и «T» используются для распознавания отпечатков рук. При распознавании лиц авторы сами устанавливают «признаки» (например, точки углов рта и носа), а затем на новых изображениях обнаруживаются те же «признаки» [9]. В [11] аналогичное понятие признака используется как часть изображения, которая интересна с точки зрения восприятия. Такие признаки также называются: «точки интереса изображения» или «характерные черты изображения».

Наиболее важные требования к функциям, используемым для решения проблемы распознавания изображений, можно сформулировать следующим образом, признак должен:

1. Содержать информацию, которая учитывает характеристики объекта, чтобы облегчить правильную классификацию объектов.
2. Позволять обработку алгоритмом распознавания изображения, то есть иметь формат, приемлемый для выбранного алгоритма распознавания.
3. Позволять строить модель изображения.
4. Быть входящим в минимальный набор функций (или модель изображения), отражая специфику объекта, который будет распознаваться в конкретной задаче. В некоторых случаях предъявляется требование инвариантности признаков к преобразованиям и деформациям изображений.

 

2.4.2. Существующие алгоритмы выделения признаков

 

В последнее время последовательность процессов обработки изображений рассматривается в соответствии с так называемой парадигмой Марра [12]. Эта парадигма, предложенная Д. Марром на основе длительного изучения механизмов зрительного восприятия, гласит, что обработка изображений опирается на несколько последовательных уровней восходящей информационной линии. Обработка должна проводиться на модульной основе с помощью следующих шагов:

1. Предварительная обработка изображения: выравнивание яркостной гистограммы, фильтрация, шумоподавление, бинаризация изображения, преобразование цветного изображения в полутоновое и т.д.
2. Первичная сегментация изображения для выбора объектов и областей интереса для решения задачи, применение алгоритмов предварительной обработки к выделенным областям изображения;
3. Выделение элементов изображения и построение модели или адекватное описание признаковых характеристик исходного изображения.

Уровни обработки, связанные с этими этапами, обычно называют обработкой нижнего уровня, среднего уровня и высокого уровня соответственно. В то время алгоритмы обработки низкого уровня (фильтрация шума, гистограммная обработка) могут считаться хорошо разработанными и тщательно изученными, а алгоритмы среднего уровня (сегментация) продолжают оставаться центральной областью применения исследовательских усилий. В последние годы был достигнут значительный прогресс в решении проблем сравнения точек и фрагментов изображения [13], выделения признаков внутри мелких фрагментов [14]. 3D позиционирование точки [15], что подразумевает соответствующее моделирование и калибровку датчиков и их комбинации. Подборка простых яркостно-геометрических структур типа «точка», «ребро», «пятно», «прямая линия», «угол» [16, 17]. Эти «первичные» характеристики изображения, называемые характерными особенностями, также играют основную роль в составлении геометрических моделей яркости объектов и разработке устойчивых алгоритмов их выбора. На рисунке 2.1 показана классификация признаков, которые могут быть на изображении.

Признаки на изображениях имеют следующие типы характеристик:

1. Положение: концы сегмента, центр сегмента, центр тяжести области, вершины многоугольников.
2. Геометрические характеристики: ориентация, длина, кривизна, площадь, периметр, ширина линии, минимальный и максимальный диаметр области, ось симметрии, количество и расположение особых точек и т. д.
3. Радиометрические характеристики: контраст, статистика распределения яркости, автокорреляция.
4. Текстурные характеристики: матрица смежности, индекс однородности, энергия, энтропия, статистика градиента текстуры, результаты текстурной фильтрации, моменты.
5. Топологические характеристики: связность, соседство, общие точки, пересечение, параллелизм, перекрытие, включение.
6. Цветовые / мультизональные характеристики: вектор атрибутов для каждого канала.
7. Динамические характеристики: атрибуты статичных и динамичных объектов.
8. Временные характеристики: функции изменения той или иной характеристики во времени.

 

Рисунок 2.1– Классификация признаков

 

Выбор конкретных признаков и их характеристик для построения алгоритмов обнаружения должен основываться на следующих основных критериях:

1. Присутствие / плотность: наличие этих функций на всех используемых изображениях, достаточная плотность функций, чтобы покрыть интересующую область.
2. Редкость / уникальность: редкость специфических признаков на изображении, уникальность признаков в окрестности.
3. Инвариантность / устойчивость: устойчивость к геометрическим и радиометрическим искажениям, нечувствительность к шуму.
4. Локализация: способность точно локализовать.
5. Интерпретация: способность быстро распознавать и интерпретировать.
6. Скорость: время, чтобы выбрать этот класс признаков из начального изображения.

При работе с реальными изображениями перечисленные критерии противоречивы. Следовательно, конкретный выбор функций и их атрибутов зависит от доступной вычислительной мощности и от минимально необходимой устойчивости описания объектной модели в терминах признаков. Методы обработки высокого уровня, связанные с самим «пониманием изображения», все еще находятся на начальной стадии разработки и по-прежнему представляют многие нерешенные проблемы. Конечно, перспектива создания будущих поколений интеллектуальных систем управления в основном зависит от дальнейшей разработки этого конкретного набора алгоритмов. Если говорить о методах и алгоритмах обнаружения сложных объектов, то одной из главных проблем, отличающих методы обработки изображений от хорошо изученной теории обработки сигналов, является разработка методов обнаружения объектов, которые слабо чувствительны к различным типам изменчивости. Такими конкретными типами изменчивости являются радиометрические искажения, а также различные типы искажений, которые не сводятся к вероятностным моделям. На пути их решения были предложены как огромный набор эвристических алгоритмов для обнаружения объектов определенного типа, так и ряд подходов с большей общностью: методы обнаружения корреляции [18], преобразование Хафа [19], детектор угла Харриса [20], детектор Мореля-Ренделя [21]. Значительный вклад в разработку методов и алгоритмов обработки изображений и компьютерного зрения применительно к обсуждаемым проблемам обнаружения внесли работы Л.П. Ярославского, В.К. Злобина, В.Л. Левшина, Р. Харлика, Э. Дэвиса, Р. Неватия, Э. Дикманса, В. Фёрстнера и многие другие. Однако, несмотря на достигнутые результаты, проблемы выделения и обнаружения сложно структурированных объектов на моноскопических изображениях развиты слабо.

2.5 Прямолинейные сегменты, как важный признак объектов на изображениях

Резкие изменения яркости являются важными простейшими признаками, поскольку они часто определяют контуры изображаемых объектов [22, 23]. Локальные изменения в значениях яркости называют перепадами. В одномерном случае перепады характеризуются высотой, углом наклона и координатой центра склона (см рис 2.2).

Рисунок. 2.2 — Перепад яркости

Перепад существует, если угол наклона и высота больше определенного порога. Для двумерного случая также важна перепада относительно оси x. Идеальный дифференциальный детектор при обработке областей изображения должен указывать на наличие перепада в одной точке, расположенной в центре склона. В двумерном случае различия яркости могут иметь разную конфигурацию, но локально все они просты. Прямолинейные границы — это постоянные свойства объектов на изображениях, изменения типа сенсора и условий съемки, а также важная функция описания объектов на изображениях. Прямые линии можно различить на подавляющем большинстве изображений, и их можно описать только координатами двух точек. Когда прямая линия смешивается или вращается, ее координаты могут быть легко пересчитаны без потери точности. Используя только прямые линии, можно составить довольно информативное описание изображения. Количество строк, необходимых для описания изображения, обычно невелико и поэтому может обрабатываться с высокой скоростью — количество строк во много раз меньше, чем количество пикселей, из которых состоят границы.

---

1 2 3