ВЫДЕЛЕНИЕ ПРЯМОЛИНЕЙНЫХ СЕГМЕНТОВ КРОМОК НА РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЯХ. ЧАСТЬ 3

1 2 3

---

ГЛАВА 3. ВЫДЕЛЕНИЕ ПРЯМОЛИНЕЙНЫХ СЕГМЕНТОВ КРОМОК НА РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЯХ

3.1 Описание реализации предлагаемого метода

 

Структурная схема предлагаемого алгоритма выделения прямолинейных сегментов кромок на радиолокационных изображениях изображена на рисунке 3.1.

Рисунок 3.1 – Структурная схема предлагаемого алгоритма

 

Следующим шагом производится выделение границ. Сперва необходимо выделить точки границ. Для этого используются дифференцирующие операторы первого порядка. После применения таких операторов все точки изображения преобразуются в значения производных данной точки – градиент. Точки с ненулевым значением производной считаются точками границы. Двумерные производные содержат в себе информацию как об интенсивности границ, так и об их ориентации. Оператор дифференцирования двумерного изображения в определённой точке с координатами (x, y) — это вектор (3.4)по определению.

В случае дискретного сигнала, предполагается использование дискретного приближения. Стандартное решение, широко используемое на практике, — это вычисление градиента с использованием оператора Собела или Прювитта размером 3х3. При использовании оператора, имеющего размеры 2X2 (оператор Робертса), получаются ненадежные результаты из-за высокой чувствительности к шумовой составляющей. Более крупные операторы (5X5) делают линии толще, в результате чего разрешающая способность теряется, но так как они имеют большую устойчивость к шуму и естественному разрыву границ их использование также может быть оправдано. В данной работе применяется оператор Прювита, представляющий из себя окно фильтра 3х3. С помощью этого оператора вычисляется первая производная и при этом учитываются направления выделяемых линий. Всего используется 8 окон с шагом в 45 градусов, их направления 0, 45, 90 и т.д.

Следующим шагом для выделения линий кромок производится свёртка градиентного изображения(фильтрация), с помощью фиксированного банка отдельно созданных фильтров. Данные фильтры пространственно ориентированны и настроены в скользящем, локальном окне, и каждый из них имеет собственное направление. Шаг поворота данных фильтров 3 градуса. Начальный фильтр имеет горизонтальное направление 0 градусов он выглядит так, как показано на рисунке 3.5.

Рисунок 3.5 – Начальный вид фильтра

 

Далее с помощью поворота с определённым, выше указанным шагом,данного фильтра в начальном виде, получаются все остальные фильтры. На рисунке 3.6 показан банк разработанных фильтров, применяемых при выполнении поставленной задачи. Всего имеется 60 фильтров в наборе, каждый из них повёрнут относительно предыдущего на 3 градуса.

 

Рисунок 3.6 – Банк фильтров

 

Применяя последовательную свёртку градиентного изображения с окнами фильтров, производим фильтрацию выделяющихся линий по всем направлениям. Все градиентные изображения фильтруются в своём секторе. Выбор сектора зависит от направления взятия градиента (см рис 3.7).

 

Рисунок 3.7 – Выбор секторов для фильтрации

 

Таким образом, к примеру, градиентg1(i, j)проходит обработку в угловом диапазоне от 23 градусов до 338 градусов (направление отсчёта по часовой стрелке), соответствующем окнам фильтров, сконфигурированному в угловом диапазоне от 23 градусов до -22 градусов. Градиентg6(i, j)проходит обработку в угловом диапазоне от 248 градусов до 203 градусов, соответствующих оконному фильтру, сконфигурированному в диапазоне углов от-113 градусов до -158 градусов . Градиент обрабатывается в диапазоне углов, соответствующих оконному фильтру, сконфигурированному в диапазоне углов. Фильтрацию осуществляют по формуле (3.6):

(3.6)

где k – номер градиентного изображения, a – угол направления фильтра.

 

При каждом угле фильтрации мы ищем максимальное значение в отфильтрованном изображении   и заносим данное значение, и угол поворота в массив.

Следующим шагом будет нахождение максимума в массиве значений m. Далее извлекаем соответствующий данному максимуму угол из массива углов, следствием этого будет получение предварительной оценки направления границы, которая дала на выходе фильтра самый сильный отклик.

После этого проверяется поровое условиеTF> (Mmax)•tF, где Mmax – граница значения, которое накопит фильтр при выполнении условия, что граница включает единичный скачок и имеет длину не меньшую длины фильтра.

Следующий шаг ­– нахождение значения Mmax. На рисунке 3.8 показан вертикальный перепад яркости.

Рисунок 3.8 – Вертикальный перепад яркости.

 

Идеальная вертикальная граница представляет из себя резкий перепад по яркости:

График данного перепада показан на рисунке 3.9.

Рисунок 3.9 – График перепада яркости

 

На рисунке 3.10 показан график перепада после сглаживания по 3.3.

 

Рисунок 3.10 – Сглаженный перепад

 

На следующем рисунке 3.11 показан график перепада после дифференцирования с помощью 3.5

 

Рисунок 3.11 – Дифференцированный перепад

 

Фильтр, который производит свёртку по 3.6 может накопить Mmax = 1,64•17=27,9при условии размера маски [17х17].

Следующая задача в данном алгоритме выделить профиль градиента и получить оценку координат начальных и конечных точек линий кромок. Фильтр помещается под необходимым углом и обрабатывается соответствующий градиент. Находятся координаты максимума – строки и столбцы и . Берётся профиль градиента , под углом  и идущий через координаты и . Берем профиль в соседней верхней и нижней строке с координатами +1 и –1 соответственно. Чтобы получить профиль, используется изображение включающее прямые линии, проходящие через координаты , +1, -1 под углом . После этого изображение с прямыми линиями сворачивается с градиентным, и мы получаем профиль в три строки.

Чтобы оценить начальную и конечную точки, максимальный коэффициент оценивается по общему градиенту  в пределах максимальной оценочной области, поскольку на изображении, подвергнутом фильтрации, координата максимума может не соответствовать координате максимума на градиенте. Локальное максимальное значение ищется в пределах максимальной области оценки.

Выбирается область оценки максимума, равная стороне фильтрующего окна, в этом конкретном случае размер стороны окна 17, следовательно максимальная область оценки также равна 17. От значения локального максимума рассчитывается пороговое значение по градиенту:TG = MG•tG, где tG — значение порогового коэффициента 1>tG>0 .Пока импульс больше значения порога, осуществляется отсчёт от точки до  начальной точки  и вправо до конечной точки . Весь процесс можно увидеть на рисунке 3.12.

Важно заметить, что величина суммарного градиента в точке может оказаться ниже порога TG (см рис 3.13). В таком случае отсчёт начинается от в сторону до момента, пока не будет превышен уровень порога TG, та точка, в которой фиксируется момент превышения порога, становиться точкой начала . А точка, в которой превышение порога заканчивается, фиксируется как точка конца .

 

Рисунок 3.12 – Оценка точек начала и конца

 

Рисунок 3.13 – Провал градиента

 

Следующий шаг – это селекция границ по направлению. В процессе определения угла может появиться угловая ошибка из-за: 1) Конечного размера фильтрующей маски. 2) Дискретности настроек угла наклона фильтра. На рисунке 3.10 изображено градиентное представление наклонной границы, вблизи окна граничного фильтра, он представляет собой прямую линию, и максимум будет находиться под углом 0 градусов. Следствием этого будет неточность определения угла ошибки.

 

Рисунок 3.14 – Угол ошибки

 

Оценка угловой погрешности реализовывается с помощью корректировки области выбора профиля градиента кромки в пределах +6 градусов и -6 градусов, считая от угла фильтра, при этом используется шаг 0.25 градусов. На каждом шагу корректировки фиксируется параметр длины линии lвдоль порога TGи сумма градиента кромки по всей длинеl. На рисунке 3.15 изображены графики профилей по углам 6, 3, 0, -3, -6.  На рисунке 3.16 на верхнем графике показана зависимость расчетной длины кромкиl от угла поворота ar.

Накопление градиента происходит суммированием на каждом шаге поворота ar значения кромки по всей расчетной длине границы, следовательно угловая ошибка будет соответственна углу, при котором значение накопленного градиента будет наибольшей.

 

Угол оценённый для кромки, изображённой на рисунке 3.14, показан на рисунке 3.16 на нижнем графике.

Оценённый угол кромки с поправкой:

Получаются координаты начальной и конечной точек линии под углом А и рассчитываются координаты вдоль осиy.

Рисунок 3.15 – Графики подстройки профиля

 

Рисунок 3.16 Селекция кромки по направлению

 

Следующим шагом необходимо удалить сегмент кромки на градиентах. Это необходимо для того, чтобы при последующем выполнении алгоритма координаты максимума снова не указали на неё. По этому формируется изображение единиц D(i, j) и нулей в удаляющей области. На градиенте анализируется ширина выделенной кромки на всех дискретных участках её длины l начиная от  заканчивая . И учитывая порог
TGD = MG•tGD определяем координаты ,  .

Изображение с предполагаемой удаляемой кромкой попиксельно свёртывается с градиентным изображением, на котором был зафиксирован максимум, и с k+1и k-1градиентами. На других градиентных изображениях выделяемая кромка сильно ослабляется.

На рисунке 3.17 показано изображение с выделенной кромкой. А на рисунке 3.18 показан градиент с удалённой выделенной кромкой.

 

Рисунок 3.17 – Выделенный фрагмент.

 

Рисунок 3.18 – Выделенная кромка удалена.

 

Далее весь алгоритм повторяется для второй кромки и для последующих. Последовательность обнаружения и выделения зависит от интенсивности кромок. В первую очередь алгоритм выделяет самые интенсивные и большие по длине кромки.

За счёт использования накопления профилей градиентов в три строки и фильтра, который оценивает положение и угол кромок, алгоритм может работать даже при небольших отношения с/ш.

ГЛАВА 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

Сравнение производится с помощью тестового полутонового изображения с наложенным белым шумом с известным значением отношения сигнала и шума. (см рис 4.1).

 

Рисунок 4.1 – Тестовое изображение

 

На изображении объекты расположены по 10 штук в каждом из 10 рядов. Значения сигнал/шум от самого яркого до самого зашумлённого: 11.6, 9.30, 8.14, 6.98, 5.81, 4.65, 3.49, 2.32, 1.16, 0.58.

Критерием сравнения принято количество выделенных границ в зависимости от зашумлённости изображения.

Характеристики шума: мат ожидание mx = 0,5, СКО σ = 1, диапазон изменения яркости от 0 до 1.

Далее приведено изображение после использования детектора Кенни (см рис 4.2). А далее преобразование Хафа – на рисунке 4.3.

Рисунок 4.2 – Применение детектора Кенни

 

Рисунок 4.3 – Применение преобразования Хафа

 

Далее на рисунке 4.4 показан результат применения детектора Рендела на тестовом изображении.

В итоге можно сделать вывод, что детектор Кенни и преобразование Хафа имеют свои недостатки. Так алгоритм Кенни, например, рисует дрожащие линии при выделении объектов, а применение преобразования Хафа к результату детектора Кенни приводит к разрушению цельных линий, вместо чего мы видим набор коротких отрезков.

Рисунок 4.4 – Результат применения детектора Рендела.

 

Более интересны результаты применения детектора Рендела, но он так же имеет свои недостатки, например, теряется цельность выделенного объекта, из за потери точек пересечения выделенных сегментов.

На рисунке 4.5 показан результат применения предложенного метода.

 

Рисунок 4.5 – Результат применения предложенного метода

 

Из рисунка 4.5 можно увидеть, что данный метод в отличие от выше перечисленных выделяет кромки без потери точек пересечения прямолинейных сегментов, что позволит в дальнейшем выделить объекты точнее.

На следующем рисунке 4.6 изображён график зависимости количества выделенных кромок от отношения сигнал/шум на тестовом изображении (на данном графике сравнивается предложенный метод и детектор Рендела, так как он даёт результаты сравнительно лучше остальных перечисленных алгоритмов).

Рисунок 4. 6 – Зависимость кол-ва выделенных границ от отношения сигнал шум.

На рисунке 4.6 ряд 1 – это обозначение работы предложенного алгоритма; ряд 2 – работа детектора Рендела. 

4.2. Исследование применения различных способов выделения прямолинейных сегментов кромок к реальному радиолокационному изображению

 

Применим все выше использованные методы к реальному радиолокационному изображению.

На рисунке 4.7 показано начальное изображение без обработки.

 

Рисунок 4.7 – Исходное изображение

 

На расунке 4.8 показано изображение, которое является результатом обработки детектором Кенни, после чего для выделения границ по полученным контурам на обработанное изображение применяется преобразование Хафа на рисунке 4.9. И на рисунке 4.10 показаны результаты применения на исходное изображение детектора Рендела.

 

Рисунок 4.8 – Применение детектора Кенни

 

Рисунок 4.9 – Применение преобразования Хафа

 

Рисунок 4.10 – Применение детектора Рендела

Рисунок 4.11 – Применение предложенного метода

 

На рисунке 4.9 видно, что как и на тестовом изображении комбинация алгоритмов Кенни и Хафа не дают эффективного результата, так как контуры детектором Кенни выделяются ступенчатой, дрожащей линией, что не позволяет преобразованию Хафа получить цельные линии, вместо этого получается набор маленьких отрезков. Также на рисунке 4.10 можно увидеть, что детектор Рендела теряет множество кромок и точек пересечений выделенных отрезков. На рисунке 4.11 присутствует много лишних неточных отрезков, но также отчётливо присутствуют структуры выделенные линиями, которые имеют точки пересечения, что позволяет выделить на изображении  объекты.

4.2.3 Сравнение основных алгоритмов и результаты разработки.

Предложенный алгоритм, в сравнении с существующим алгоритмом, который был взят за основу создания предложенного метода, даёт идентичный результат по точности выполнения заданной задачи. Но при этом за счёт усовершенствования этапа фильтрации линейных сегментов кромок, даёт более быстрый результат выполнения программы. Так же за счёт замены процедуры вращения градиентного изображения, при фильтрации линейных сегментов кромок на фильтрацию неподвижного изображения с помощью фиксированного набора фильтров (см рис 3.6), предложенный алгоритм позволяет гораздо быстрее работать с изображениями более крупного разрешения. На рисунке 4.12 показано сравнение результатов обработки изображения с помощью существующего алгоритма и предложенного  алгоритма, результат получился идентичный.

ГЛАВА 5. CПEЦИAЛЬНЫE ВОПPОCЫ ОБECПEЧEНИЯ БEЗОПACНОCТИ

 

Данная выпускная квалификационная работа заключается в разработке метода выделения прямолинейных сегментов кромок на радиолокационных изображениях. Исследования и разработка проводились путем моделирования алгоритмов в среде MATLAB. С целью сделать работу в данной программной среде максимально продуктивной, удобной и понятной необходимо соответствие интерфейса программы MATLAB ГОСТу 9241. Разработка программных алгоритмов подразумевает использование персонального компьютера (ПЭВМ).

В современном мире использование ПЭВМ уже является частью повседневной жизни практически каждого человека. Специалисты области программирования вынуждены использовать компьютер на протяжении длительных отрезков времени в процессе работы. Неприятные ощущения и дискомфорт в пояснице возникают из-за неправильного положения спины, сутулости, неправильного положения ног, проще говоря, из-за нарушения требований эргономики рабочего места. Проблемы со зрением могут возникать из-за несоответствующей яркости экрана и неудобного интерфейса программы. Чтобы избежать негативного влияния времени, проведённого за работой на здоровье, необходимо знать о правильном расположении рабочего места за компьютером и о соответствии интерфейса MATLAB требованиям ГОСТ 9241.

5.1. Эргономика рабочего места

 

Оценка осуществляется в соответствии с ГОСТ ИСО 14738- 2007 «Безопасность машин. Антропометрические требования при проектировании рабочих мест машин», СанПиН 2.2.2.542-96 «гигиенические требования к видеодисплейным терминалам, персональным электронно-вычислительным машинам и организации работ» и с СанПиН 2.2.2/2.4.1340-03 «Гигиенические требования к персональным электронно-вычислительным машинам и организации работы»

5.1.1 Правильная организация рабочего места.

 

1. Устанавливать монитор желательно в углу комнаты в развернутом его задней панелью к стене положении. В помещении, где работают несколько человек, при размещении рабочих мест с ПЭВМ расстояние между рабочими столами с видеомониторами (в направлении тыла поверхности одного видеомонитора и экрана другого видеомонитора) должно быть не менее 2,0 м, а расстояние между боковыми поверхностями видеомониторов — не менее 1,2 м. Ни в коем случае нельзя ставить компьютеры друг против друга. Так же нельзя оставлять монитор включенным на длительное время. Требуется заземлить ПК.
2. При работе за компьютером должно быть соблюдено расстояние до экрана монитора не менее 50 — 70 см (см рис 5.1).

Рисунок 5.1 –правильная организация рабочего места

 

Основными мероприятиями для того, чтобы избежать утомления являются: правильная организация рабочего места, ограничение продолжительности работы с компьютером в соответствии с категорией пользователя и характером выполняемой им работы; для профессиональных пользователей — обязательные плановые перерывы, во время которых рекомендуется выполнение специальной гимнастики для глаз; в учебных заведениях — подключение к компьютерам таймеров, для нормирования времени работы.

3. Рабочее место должно быть комфортным и иметь достаточное освещение, лучи света не должны мешать глазам. Монитор лучше расположить дальше, чем при обычном чтении. Верхняя граница экрана должна располагаться на уровне глаз. Если работа производится с текстами на бумаге, листы следует расположить ближе к экрану, чтобы избежать лишних движений шеей и глазами при переводе взгляда. Освещение необходимо создать таким образом, чтобы на экране не было бликов. Следует применять современные лампы, для получения оптимального освещения.  Лучшие цвета для отделки рабочего помещения — белый, лимонно-желтый и салатный.
4. Экран компьютера собирает пыль, поэтому необходимо регулярно протирать его антистатической жидкостью или использовать специальные салфетки, так как спирт может испортить антибликовое покрытие.
5. Следует выбирать удобную мебель для работы за компьютером, так как это обеспечит удобство положения рук, ног и спины. Под столом нужно обеспечить достаточное пространство для того, чтобы при усталости была возможность вытянуть ноги; а кресло должно быть «компьютерным»- вращающимся, с регулятором высоты, подлокотниками и удобной спинкой, с полумягким нескользящим покрытием. При необходимости под спину можно подложить подушку для профилактики пояснично-крестцового остеохондроза. В положении сидя ступни ног должны располагаться на полу, бедро — параллельно полу, спина прямая. Наглядные пример стола и всех необходимых размеров показаны на рисунке 5.2.

Рисунок 5.2 – Компьютерное рабочее место и нормы размеров

Конструкция кресла/стула должна соответствовать ряду требований:

• ширина и глубина сиденья должна быть не менее 400 мм;
• сиденье должно иметь закругленный передний край;
• регулировка высоты сиденья должна свободно производиться в пределах 400 — 550 мм так же должна предусматриваться регулирующийся угол наклона вперед до 15 град, назад до 5 град.;
• высота спинки должна быть не менее 320 мм, ширина — не менее 380 мм и радиус кривизны горизонтальной плоскости — 400 мм;
• регулируемое расстояние спинки от переднего края сиденья в пределах 260 — 400 мм;
• наличие стационарных подлокотников не менее 250 мм в длину и 50 — 70 мм в ширину;
• наличие регулировки подлокотников по высоте 230 мм и внутреннего расстояния между подлокотниками в пределах 350 — 500 мм.

Спинка офисного стула/кресла является опорой для поясничного и нижней половины грудного отдела позвоночника. Небольшая выпуклость в нижней части спинки придаёт фиксацию средних поясничных позвонков в правильном, с точки зрения физиологии, положении. Важно, чтобы у спинки была возможность регулировки наклона. По ходу работы важен регулярный отдых, так как в однообразной позе глаза, шея и спина будут постоянно перегружаться и, как следствие, уставать. Поэтому следует осуществлять такие перерывы по несколько минут ежечасно.

5.1.2. Требования к выбору рабочего оборудования

 

Для уменьшения нагрузки на глаза следует использовать антибликовое покрытие для экрана. Оно улучшает видимость экрана путём уменьшения влияния бликовых пятен. В данное время нет научных доказательств, которые подтвердили, что длительная работа за компьютером наносит постоянный ущерб глазам, но длительное нахождение за компьютером может чрезмерно напрягать глаза. Часто многие прибегают к использованию ноутбуков. Малые размеры клавиатуры чреваты стесненными позами пальцев и рук, что приводит к быстрой усталости, если устройство используется в течение длительных отрезков времени. Рекомендуется использовать полноразмерную стационарную USB-клавиатуру, если работать приходится на портативном компьютере.

5.1.3. Правильное рабочее положение за компьютером

 

Результатом длительного нахождения в неправильном и неудобном рабочем положении может быть развитие поясничного остеохондроза с синдромом люмбоишиалгии, грыжи позвоночного диска, Грыжи Шморля. Помимо дистрофических явлений в позвоночнике, развиваются невропатии лучевого, локтевого, срединного нерва, что может проявляться в виде туннельного синдрома, синдрома хронической усталости, шейного остеохондроза с развитием синдрома цервикалгии, развития сколиоза высоких степеней, невропатии плечевого сплетения, синдрома передней лестничной мышцы, сильной приверженности к развитию миозитов поперечной мускулатуры спины, нарушение мышечного корсета спины. Эти недуги в свою очередь приводят к развитию внутренних болезней со стороны сердечно-сосудистой системы в виде пароксизмальных тахиаритмий, фибрилляции предсердий, эктопических желудочковых ритмов, развитию острого коронарного синдрома, что вкупе с имеющимися у человека нарушениями неврологического аппарата и проявлениями болевого корешкового синдрома на разных уровнях позвоночника — затрудняет дифференциальную диагностику наиболее опасных состояний. При работе за компьютером пользователю необходимо сесть в естественную позу в расслабленном состоянии. Не стоит забывать, что нужно менять положение осанки или менять вид деятельности (с сидячей работы на положение стоя). При работе с компьютерной мышкой пользователю желательно: избегать чрезмерного сжимания мыши или нажатия кнопок с большими усилиями, также не стоит сгибать запястья вбок или вперед. На рисунке 5.3 приведено правильное расположение руки при работе с мышью.

Рисунок 5.3 ­­– Правильное положение руки на компьютерной мыши

 

5.1.4. Оценка освещения и окружающей атмосферы

 

Освещение рабочего места — это одно из важнейших мероприятий. Не рекомендуется долго держать зрительные органы в условиях высокой яркости или повышенной затемненности. Если пользователь вынужден корректировать зрение за счет очков или глазных линз, в таком случае эти приспособления приобретают характер предметов личной гигиены и их использование должно осуществляться в соответствии с принципами асептики. Правильное освещение рабочего места исполняется следующим образом: Разрабатывается проект, в соответствии с нормами, далее данный проект согласуется со специальными учреждениями. После чего приобретаются материалы, проводятся работы по монтажу. Заключительным шагом выполняется контрольный замер освещенности.

Хотя уровень зашумлённости не представляет никакой опасности для здоровья, при работе он может прерывать деятельность, за счёт отвлекающего или раздражающего фактора. Доступен ряд мер контроля: шумную деятельность стоит запланировать на то время, когда вокруг мало людей;  необходимо установить тихое оборудование для офисного использования; поддерживать оборудование в чистоте и быстро сообщать о проблемах; • переместить громкое оборудование вдали от людей; щит, перегородка, или покрытие громкого оборудования будут неплохим решением данной проблемы; также стоит установить акустические шумоизоляторы для стен, перегородок, потолка и пола; поместить оборудование на подставки из вибропоглащающего материала; 

5.1.5. Гимнастика для устранения усталости и негативных последствий от работы с компьютером

Во время паузы в работе следует взять в привычку выполнение упражнений для здоровья. Данные упражнения могут предотвратить раннюю усталость. Упражнения нужно повторять определённое количество раз. Ниже приведены упражнения, рекомендуемые для отдыха. Упражнения для глаз заключаются в следующем: держите тело и голову в вертикальном положении. Поверните глаза, чтобы посмотреть на потолок, затем поверните, чтобы посмотреть на пол; медленно повернуть глаза влево и вправо, чтобы посмотреть на объекты с двух сторон; повернуть глаза, чтобы посмотреть объекты в правом верхнем направлении, а затем в правом нижнем направлении. Повторить для левого верхнего и левого нижних направлений. Наглядно упражнения показаны на рисунке5.4.

Рисунок 5.4 – Гимнастика для глаз

 

Упражнения для кистей и пальцев показаны на рисунке 5.5.

Рисунок 5.5 – Гимнастика для кистей и запястий

На рисунке 5.6 показан комплекс упражнений для спины, шеи, плечевых суставов, суставов рук и поясничного отдела позвоночника.

Рисунок 5.6 – Комплекс упражнений

 

5.2 Анализ эргономики интерфейса программного пакета MATLab

Любое программное обеспечение должно быть удобным и понятным в использовании. Данная проблема решается эргономикой интерфейса той или иной программы. В данном конкретном случае речь пойдёт о программном пакете MATLAB. Большое внимание должно быть уделено простоте и очевидности интерфейса при разработке приложений. Далее будет осуществлен анализ соответствия интерфейса программы MATLab требованиям ГОСТ 9241. В соответствии с данными требованиями, интерфейс используемой программы должен обладать доступностью. Все графические элементы, вкладки и строки меню интерфейса MATLab содержат подписи и соответствуют требованиям стандарта ИСО 9241-171 (см рис 5.7).

Рисунок 5.7 – Интерфейс главной рабочей площадки

Ввод информации в интерфейс программы осуществляется в основном при помощи клавиатуры. Выполнение программы, написанной в MATLab, может быть осуществлено при помощи клавиши F5, а остановлено при сочетании клавиш Ctrl+C

Интерфейс MATLab оснащён такими визуальными элементами как:

CurrentFolder – вспомогательный элемент для осуществления навигации по основным системным дискам и папкам рабочего компьютера. Так же в этом окне отображается содержимое рабочей папки и вся нужная информация описания (см рис 5.8).

Рисунок 5.8 –– Вид окна Current Folder

Меню –используется для навигации в основном окне программы (см рис 5.9).

Рисунок 5.9 – Вид меню

CommandWindow – в данном окне пользователь имеет непосредственную связь с разрабатываемым или исследуемым программным модулем посредству ввода команд. Так же в этом окне отображаются ошибки и присутствуют ссылки к ним. (см рис 5.10).

Рисунок 5.10 – Вид командного окна

 

Также кроме приведенных визуальных элементов программа оснащена справочной информацией по командам и управлению ими. Данный раздел программы можно вызвать с помощью нажатия клавиши F1. Все кнопки в вкладках меню подписаны, что упрощает работу с данной программой. При работе с уже смоделированным алгоритмом, программное оснащение позволяет редактировать код в окне редактора, при этом никак не задевая уже запущенную программу. Следовательно, можно сделать вывод, что интерфейс программыMATLab соответствует требованиям ГОСТ 9241.

Вывод по разделу

На сегодняшний день компьютер является вынужденной необходимостью в жизни практически любого человека. Он используется для разных целей целей, таких как работа, обучение, общение, развлечения и многих других. Следовательно, из этого можно сделать вывод, что полностью обезопасить себя и своё здоровье от компьютерного воздействия невозможно. Единственные способ уменьшить влияние от использования — это соблюдать правила работы с ПЭВМ, эргономику рабочего места и интерфейса программ с которыми напрямую работает пользователь, а также выполнять упражнения в перерывах между работой на ПЭВМ.

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Основы радиотехнических систем : учебное пособие / Ю.Т. Зырянов, О.А. Белоусов, П.А. Федюнин. – Тамбов : Изд-во ФГБОУВПО «ТГТУ», 2011. – 144 с.
2. Техническое зрение в системах управления мобильными объектами2010: Труды научно-технической конференции-семинара. Вып. 4 / Подред. Р.Р. Назирова.— М. : КДУ, 2011.
3. Вики / Техническое зрение / http://wiki.technicalvision.ru/Робастность
4. Вики / Техническое зрение / http://wiki.technicalvision.ru/Точность
5. Вики / Техническое зрение / http://wiki.technicalvision.ru/index.php/Вычислительная_Реализуемость
6. Корябкина И. В. Эффективные способы и средства описания изображений в задачах распознавания образов: дис. канд. тех. наук, М., 2006. С. 9-26.
7. Pavlidis T. Algorithms for Graphics and Image Processing // Computer Science Press, Rockville, MD, 1982.
8. Гуревич И. Б., ЯшинаВ. В. Описательные алгебры изображений с одним кольцом // Распознавание образов и анализ изображений: достижения в математической теории и приложениях.- 2003. — Вып. 13, № 4., Стр. 579-599.
9. Гото Т., Магненат-Талманн Н. Извлечение черт лица для быстрого трехмерного моделирования лица // Обработка сигналов: передача изображений. — Том 17, 2002. — С. 243-259.
10. Nyongesa H. 0., Al-Khayatt S., Mohamed S. M., Mahmoud M. Fast Robust Fingerint Feature Extraction and Classification: Journal of Intelligent and Robotic Systems, Vol. 40, 2004, P.103-112.
11. Лью Д. Х., Лам К. М., Чан Л. С. Освещение инвариантным распознаванием лиц. Распознавание образов, Вып. 38,2005г, стр. 1705-1716.
12. Марр Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов. — М., Радио и связь, 1987. — 400 с.
13. Гримсон В.Е.Л. Распознавание объектов компьютером: роль геометрических ограничений.,1990г.
14. Грюн А., Бальцавиас Е. Геометрически ограниченное сопоставление нескольких фотографий // Переиздание– 1988г.
15. Грюн А., Балцавиас Е. Адаптивная корреляция наименьших квадратов с геометрическими ограничениями // Переиздание – 1985г.
16. Burns J., Hanson A., Riseman E. Extracting straight lines // IEEE Trans. On Patt. Analysis and Machine Intel. — 1986. — V. 8, № 4.
17. Canny J. A computational approach to edge detection // IEEE Trans. Pattern Anal. Mach. Intell. — 1986. — № 8. — P. 679-698.
18. Ярославский Л. П. Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику. — М., Радио и связь, 1987. — С. 296.
19. Хаф П.В.С. Методы и средства распознавания сложных паттернов. Патент США 3069654, 1962.
20. Harris C., Stephens M. A combined corner and edge detector // Proc. 4th Alvey Vis Conf, 147—151, 1988.
21. Von Gioi R. Grompone, Jakubovich J., Morel J-M., Randall G. LSD: A Line Segment Detector // IEEE Trans. — 2010. -Vol. PAMI-32. N 4. — P. 722–732
22. Третьяк Е., Баринова О., Кохли П., Лемпицкий В. Разбор геометрических изображений в искусственной среде // Комп. Видение. 2011.
23. Джин Х., Дэвис С.Х. Автоматизированное извлечение зданий из спутниковых изображений высокого разрешения в городских районах с использованием структурной, контекстной и спектральной информации // EURASIPJ. «Прикладная обработка сигналов». 2005 Том. 14. С. 2196 — 2206.
24. Oneshko A., Volkov V., Germer R., Oralov D. Straight Edge Extraction and Localization on Noisy Images: Proc. IEEE East-West Design&Test Symposium (EWDTS’10). Sept 17-20, St.Petersburg, Russia, 2010. P. 267-270.
25. Fu Z., Sun Z. An algorithm of straight line features matching on aerial imagery Arch. Photogrammetry. — 2008. — Vol. XXXVII. Pt. B3b. — P. 97–102.
26. Von Gioi R. Grompone, Jakubovich J., Morel J-M., Randall G. LSD: A Line Segment Detector // IEEE Trans. — 2010. -Vol. PAMI-32. N 4. — P. 722–732
27. Medioni G., Nevatia R. Matching images using linear features//IEEE Trans. 1984. Vol. PAMI-6. P. 675–685.
28. Бергевин Р., Бернье Ж.-Ф. Обнаружение неожиданных многокомпонентных объектов по сегментным контурным картам // Распознавание образов. Ноябрь 2009. Том. 42. Выпуск 11. С. 2403–2420.
29. Мореельс П., Перона П. Оценка характеристик детекторов и дескрипторов на основе трехмерных объектов // Компьютерное зрение. Июль 2007. Том. 73. № 3. С. 263–284.
30. Tuytelaars T., Mikolajczyk K. Local Invariant Feature Detectors: A Survey // Computer Graphics and Vision. 2007. Vol. 3. N 3. P. 177–280.

---

1 2 3