Скачать 433.45 Kb.
|
Алгоритм 1. 1. Определяются локальные экстремумы (максимумы) гидроакустических сигналов. 2. Выделяются объекты в окрестности найденных максимумов. Выделенные в пункте 1 экстремумы представляют собой опорные точки, которые служат для построения области объектов. Выделенные в этой области объекты в дальнейшем обрабатываются посредством алгоритма обнаружения целевых объектов. 3. Определяются характеристики объектов для сравнения с эталонными значениями. 3.1. Размеры объекта в посылках HorzSize и VertSize, где HorzSize – размер объекта по оси OX, VertSize – размер объекта по оси OY; 3.2. Отношение размера области объекта по горизонтали к размеру по вертикали HorzVertRatio, HorzVertRatio = HorzSize/VertSize; 3.3. ObjEnvRatio – отношение суммы амплитуд области объекта к сумме амплитуд его окружения в прилегающей контурной полосе малого размера («объект/окружение») , где l – индекс точки объекта, – сумма амплитуд k-го объекта, – сумма амплитуд окружения k-го объекта; 3.4. Гладкость (равномерность) поверхности объекта, характеризуемая отношением pk, равным разности суммы максимумов и суммы минимумов на k-м объекте, деленным на сумму максимумов, – , где – сумма амплитуд выделенных максимумов k-го объекта, – сумма амплитуд выделенных минимумов k-го объекта, (чем ближе к нулю pk, тем более гладко отражает звук поверхность k-го объекта). 4. Из общего множества объектов путем сравнения характеристик объектов с эталонными значениями выделяется подмножество объектов, включающее искомые. Помимо характеристик, представленных для примера в п. 3, вычисляется полный набор из нескольких десятков (в зависимости от типа целевых объектов) характеристик. В полном виде набор представлен в рассматриваемой главе и в диссертационном приложении к этой главе. В качестве эталонных выбираются характеристики, устойчивые к малым изменениям объекта. Используя различные наборы эталонных характеристик можно выделять малоразмерные заиленные объекты, трубы, дно и др. Следует учитывать разброс величин эталонных характеристик, поэтому их числовые границы расширены в обе стороны (расширение задается оператором при настройке системы). Целевые объекты, как отмечалось, идентифицируются по соответствию границам эталонных характеристик. Возможна некоторая избыточность количества характеристик, не приводящая к потере искомой информации. Совокупность границ используемых числовых характеристик допустимо интерпретировать как объемную фигуру в многомерном пространстве, где размерность равна числу характеристик. Попадание в объем фигуры проверяется сравнением с ее границами. Если в качестве интегральной характеристики использовать расстояние от центра объема фигуры (в программной реализации используется квадрат расстояния), то с ее помощью определяется порядок дальнейшей идентификации целевых объектов. При этом необходимо выполнить приведение к единому масштабу, поскольку числовые значения характеристик имеют большой разброс. Приведение к единому масштабу выполняется по соотношению , где – i-я характеристика k-го объекта, – приведенная к единому масштабу i-я характеристика k-го объекта, – нижняя граница i-й характеристики объекта, – верхняя граница i-й характеристики объекта. Интегральная характеристика: , где – квадрат расстояния до центра характеристик для k-го объекта. При необходимости можно ввести веса учитываемых характеристик, однако в данной работе все характеристики имели одинаковый вес. По окончании работы идентифицирующего алгоритма остаются один или несколько целевых объектов, если они истинны, или не остается ни одного, если целевой объект в реальности отсутствовал.
Путем вариации входных параметров можно идентифицировать целевые объекты различного вида и различных классов. Кроме того, можно выделить и исключить область «второго отражения» (с текущим набором параметров при нулевой области поглощения по горизонтали). Полный список характеристик, а также программная реализация изложенного метода, выполненная в Delphi, без сокращений (около 220 стр.), даны в приложении к главе 2. На рис. 6 иллюстрируется отображение последовательных этапов выделения и идентификации целевого объекта, выполненных с помощью методов данной главы. В главе на представленных наборах исходных данных при различных настройках на основе сортировки показана идентифицируемость различных целевых объектов, включая рельеф дна, малоразмерные искусственные объекты в водном слое, протяженные искусственные объекты в водном слое или на дне водоема, заиленные малоразмерные объекты, углубленные в дно в условиях помех. Выполнен численный и программный эксперимент, подтверждающий правильность идентификации объектов по оцифрованным гидроакустическим сигналам. В третьей главе описывается применение алгоритмов главы 1 для выделения объектов на оцифрованных изображениях неравномерной яркости и низкого качества, а также для выделения контуров. Предлагается, помимо того, фильтрация помех при выделении объектов рассматриваемого вида на разработанной ранее основе. Выполнена модификация алгоритмов, изложенных в главе 1, для нахождения корней действительной функции двух действительных переменных. Рис. 7. Фрагмент изображения текста плохого качества Выбор данной предметной области для применения алгоритмов главы 1 обусловлен тем, что при обработке изображений низкого качества предлагаемые методы обнаруживают новые возможности, которые затруднительно обеспечить с помощью известных методов. В условиях неравномерной яркости и размытости изображения в главе 3 производится выделение образов букв посредством модифицированного алгоритма заливки с затравкой и алгоритма линейной заливки с использованием адаптивного порога. Полученные объекты переводятся в графический формат, после чего выполняется их обработка по программе FineReader 6.0. Выполнено сравнение результатов такой комплексной обработки изображений с результатами обработки исходного изображения непосредственно по программе FineReader 6.0, что обнаружило сравнительное преимущество предложенного подхода. При этом преимущество распознавания оказалось достигнутым за счет того, что из изображений низкого качества с помощью разработанных методов априори выделялись объекты, которые затем обрабатывались известным способом. Пример изображения текста низкого качества с градиентным изменением яркости фона и текста приведен на рис. 7. Для таких изображений не существует общей функции принадлежности, требуемой в рамках применения методов главы 1, потому функция принадлежности должна учитывать порог по отдельности для каждого объекта. Для иллюстрации возможностей обоих предложенных алгоритмов это изображение обрабатывается модифицированным алгоритмом заливки с затравкой с использованием конкретной функции принадлежности, приведенной выше при изложении содержания главы 1. Это же изображение обрабатывается линейной заливкой с использованием адаптивного порога. Полученные объекты в обоих случаях переводятся в графический формат. Исходное изображение и оба восстановленных изображения поступают на вход программы FineReader 6.0. Сравнение результатов показывает преимущество использования предварительного выделения объектов разработанными методами. На рис. 8 результат обработки изображения, представленного на рис. 7, непосредственно по программе FineReader 6.0 – без предварительного выделения объектов предложенными методами.
Результаты распознавания неравномерны: более контрастная часть изображения распознана удовлетворительно, менее контрастная фактически остается нераспознанной.
На рис. 9 приводится то же изображение, обработанное с помощью предложенной модификации метода заливки с затравкой без применения процедуры фильтрации помех. Аналогичное и более заметное улучшение можно получить на основе предложенного создания списка выделенных объектов (линейной заливки) с использованием адаптивного порога (рис. 10). После дополнительного удаления помех на основе соответственной им малой разницы между минимальной и максимальной амплитудой восстановленное изображение подается на распознавание на вход программы FineReader 6.0. Результат распознавания представлен на рис. 9.
Очевидно, восстановленное изображение значительно улучшено. В главе приводится результат распознавания, полученного с использованием метода линейной заливки, после удаления помех результаты сравнимы с распознаванием по методу модифицированной заливки с затравкой и значительно лучше, чем распознавание непосредственно исходного изображения. В главе даны, помимо того, примеры обработки изображения с качеством, более низким, чем на рис. 7, – после трехкратного пропуска через фильтр «размытие». При попытке распознавания такого изображения с помощью программы FineReader 6.0 изображение автоматически переворачивается, результат не имеет ничего общего с исходным текстом. Обработка по методу модифицированной заливки с затравкой для такого изображения также дала неудовлетворительный результат. В то же время применение модифицированного алгоритма линейной заливки с использованием адаптивного порога привело к распознаванию с некоторым количеством ошибок, однако существенно лучшим, чем распознавание необработанного изображения. Таким образом, предложенная модификация метода линейной заливки с применением адаптивного порога позволяет улучшать качество обработки размытого изображения низкого качества. При помощи соответственно сконструированной функции принадлежности вместо самих объектов можно выделить внешние или внутренние контуры объектов. В общем случае можно сначала выполнить выделение объектов, а затем их контуров, при этом каждый контур (внешний или внутренний) связан (в списке) с конкретным объектом. С целью ускорения контуры можно идентифицировать без предварительного выделения объектов, но в этом случае выделенные контуры могут терять связь с объектами. Функция принадлежности для внутренних контуров объектов записывается в виде: // Внутренний контур Function FKont8InObj(var StrFlObj:TArPix; Y, X: LongInt ) : LongInt; var fOut: LongInt; begin fOut := -1; if (StrFlObj[Y,X]-1) >= 0 then begin // окружение объекта //внутри if ((StrFlObj[Y-1,X-1]-1) < 0)or((StrFlObj[Y-1,X]-1) < 0)or ((StrFlObj[Y-1,X+1]-1) < 0)or((StrFlObj[Y ,X-1]-1) < 0)or ((StrFlObj[Y ,X+1]-1) < 0)or((StrFlObj[Y+1,X-1]-1) < 0)or ((StrFlObj[Y+1,X]-1) < 0)or((StrFlObj[Y+1,X+1]-1) < 0) then fOut := StrFlObj[Y,X]-1; end; FKont8InObj := fOut; end; Результат выделения контуров внутри изображенного на рис. 7 объекта после его троекратного размытия приводится на рис. 12. Рис. 12. Пример выделения внутренних контуров без выделения объектов В главе 3 дано описание и пример локализации корней действительной функции двух действительных переменных с помощью линейной заливки. Время выполнения предложенных алгоритмов сравнивалось с временем работы программы Delphi FloodFill. Программа FloodFill только заменяет цвет затравки и совпадающие цвета, прилегающие к затравке, на другой, указанный пользователем цвет. FloodFill не составляет список точек объекта, не обрабатывает поглощаемую часть рисунка, не выделяет контур. Поэтому для сравнения времени обработки использовались двухцветные рисунки, состоящие из изображений объектов и фона. С целью сравнения быстродействия для модифицированного алгоритма заливки с затравкой была построена такая функция принадлежности, которая не выделяла контур. Изображения объектов в данном случае имеют одинаковый цвет и яркость, затравкой может служить любая точка объекта. В связи с этим сортировка не выполнялась. Тестирующая программа перебирала точки изображения и при нахождении затравки производила заливку. Фрагмент одного из тестовых изображений приведен на рис. 13.
Для алгоритма линейной заливки при сравнении не требовалось никакой модификации. В табл. 1 приведено сравнение времени работы предложенных алгоритмов с алгоритмом заливки с затравкой, встроенным в систему Delphi (FloodFill). Таблица 1 Время обработки данных с помощью модификации алгоритмов заливки с затравкой, линейной заливки и заливки с затравкой Delphi 7 (FloodFill)
Из табл. 1 видно, что линейная заливка меньше зависит от числа и вида выделяемых объектов по сравнению с алгоритмами заливки с затравкой. Линейная заливка во всех случаях оказалась быстрее известного алгоритма заливки с затравкой. Для объектов простого вида программа Delphi FloodFill работает быстрее, чем предложенный модифицированный алгоритм заливки с затравкой. Таким образом, в главе 3 завершается изложение и примеры применения основного подхода диссертационной работы. Суть этого подхода заключается в создании обобщенного выражения отношения между объектами конкретной предметной области, в последующем применении к ним сортировки в данном отношении и в выделении на этой основе экстремальных свойств объектов. Эти свойства используются для создания адаптивного порога и признаков на его основе для конструктивного выделения объектов сравнительно общего вида в условиях помех. В заключении обобщаются основные результаты диссертационной работы, характеризуется их научная новизна, отмечается практическая значимость проведенных исследований. |
Разработка и исследование алгоритмов распознавания изображений на... | Доклад ронжина Андрея Леонидовича по диссертационной работе «Разработка... «Разработка адаптивного метода робастного понимания слитной речи на основе интегральной обработки данных», представленной на соискание... | ||
Разработка и исследование моделей поведения динамических объектов... Специальность: 05. 13. 18 – Математическое моделирование, численные методы и комплексы программ | Разработка и исследование методов определения видимости полигонов... Целью диссертации является разработка метода, который бы позволил отрисовывать сцены, геометрическая сложность которых, в настоящее... | ||
Разработка и исследование интегрированных алгоритмов размещения элементов... Специальности: 05. 13. 12 – Системы автоматизации проектирования, 05. 13. 17 – Теоретические основы информатики | Разработка и исследование распределенной подсистемы конструкторского... Работа выполнена в Технологическом институте Южного федерального университета в г. Таганроге | ||
Программа bde administrator 28 Обязательной является разработка вопросов системного анализа объектов проектирования, оптимизации и выбора наилучших вариантов решений,... | Тема: «Системы распознавания текста» Цели урока Цели урока: дать учащимся представление об orc – программах распознавания текста, познакомиться с возможностями данных программ | ||
Разработка методов и аппаратурных средств лазерно-информационной... | Разработка методов и средств анализа и диагностирования объектов... | ||
Отчет о научно-исследовательской работе «Разработка методов и средств... «Разработка методов и средств информационной поддержки образовательных процессов с применением перспективных технологий передачи... | Урока информатики по теме «Табличные базы данных». (Открытый урок.) Данный урок «База данных. Системы управления базами данных» является первым уроком по теме «Технологии хранения, поиска и сортировки... | ||
Исследование и разработка бионических методов и алгоритмов для решения задач транспортного типа | Рефераты №3 (2012 г.) Разработка, исследование и реализация методов совершенствования теплообменных аппаратов турбоустановок | ||
Проекта Разработка моделей социальных явлений с помощью методов интеллектуального анализа данных | Исследование методов информационной защиты баз данных в социально-экономической сфере Казанский национальный исследовательский технический университет им. А. Н. Туполева |