Разработка и исследование методов распознавания объектов в массивах оцифрованных данных на основе адаптивного порога и схем сортировки

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. а б в Рис. 6. Пример обработки файла входных сигналов а - необработанный сигнал; б - выделенные объекты; в - целевой объект 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. up позволяет выполнять \,-копирование или создание образа жесткого диска. Easy CD/DVD Recor-, *ит для записи компакт-дис­ков. CD-ROM Emulator помогает запу­скать программы (преимущественно игры), ленящиеся скопировать все необходимые файлы на жесткий диск и вынуждающие постояннп при) ин.пп.ныи CD в дисководе. Разу­меется, все эти утилиты работают под управлением Windows, которую можно установить за дополни н.чп. ную плату, как и прочие программные иные опции В придачу вам полагаюп новая сумка для транспортировки и ' мышка цвета «стеле» (матовая темно-серая). гаться с новым GMA900. Особенно озадачило о к тем более что в комплект входит г o-VideoHaRCA. а внутри стоит большая ди< .щеомоста (возмо-бы не 1 на, хватило бы места для ИЛИ ХОТЯ <абыть обо i для тех. крышкой Рис. 8. Распознавание исходного изображения программой FineReader 6.0 Результаты распознавания неравномерны: более контрастная часть изображения распознана удовлетворительно, менее контрастная фактически остается нераспознанной. Рис. 9. Обработка изображения методом заливки с затравкой до удаления шумов Рис. 10. Обработка изображения методом линейной заливки с учетом адаптивного порога до удаления шумов 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. Up позволяет выполнять резервное копирование или создание образа жесткого диска. Easy CD/DVD Recor­der служит для записи компакт-дис­ков, CO-ROM Emulator помогает запу­скать программы (преимущественно игры), ленящиеся скопировать все необходимые файлы на жесткий диск и вынуждающие постоянно держать оригинальный СО в дисководе. Разу­меется, все эти утилиты работают под управлением Windows, которую можно установить за дополнитель­ную плату, как и П[ючие программные и аппаратные опции. В придачу вам полагаются нейло­новая сумка для транспортировки и полноразморная оптическая мышка цвета «стеле» (матовая темно-серая). гаться с новым GMA900. Особенно озадачило отсутствие интерфейса S-Video, тем более что в комплект входит перех дникс5-\ЛйеонаПСА, а внутри стоит большая дискретная плата видеомоста (возможно, если бы не такое раст чительство про­странства, хватило бы места для беспроводного адаптера или хотя бы разъема для его последующей установки). Если забыть обо всех недочетах, ноутбук будет интересен для тех, : кто не боится делать модерниза­цию: под одной общей крышкой спрятаны все компоненты*- от про-цессора до батарейки CMOS-памя- Рис. 11. Распознавание изображения, обработанного по методу модифицированной заливки с затравкой программой FineReader 6.0. 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. Рис. 13. Фрагмент тестового изображения. Ниже строки повторяются (всего 58 строк). 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) Рисунок для заливки линейная заливка для 4-связных объектов линейная заливка для 8-связных объектов модифицированный алгоритм заливки с затравкой для 4-связных объектов модифицированный алгоритм заливки с затравкой для 8-связных объектов заливка с затравкой Delphi 7 (FloodFill) Компьютер – AMD Athlon(tm) 64X2 Dual 4200+, 2.00 Гб ОЗУ рис. 13 (701х960) 35996 объектов за 31 мс. 4734 объектов за 47 мс. 35996 объектов за 63 мс. 4734 объектов за 63 мс. 453 мс. рис. 13 негатив (701х960) 4589 объектов за 94 мс. 25 объектов за 63 мс. 4589 объектов за 234 мс. 25 объектов за 250 мс. 547 мс. рис. (гл. 3) (800х1170) 6404 объектов за 78 мс. 6300 объектов за 78 мс. 6404 объектов за 109 мс. 6300 объектов за 109 мс. 109 мс. рис. (гл. 3) негатив (800х1170) 3161 объектов за 93 мс. 3161 объектов за 93 мс. 3161 объектов за 281 мс. 3135 объектов за 313 мс. 578 мс. рис. 9 без помех (486х1361) 974 объектов за 16 мс. 950 объектов за 31 мс. 974 объектов за 47 мс. 950 объектов за 62 мс. 31 мс. рис. 12 (486х1361) 9493 объектов за 15 мс. 7860 объектов за 31 мс. 9493 объектов за 47 мс. 7860 объектов за 62 мс. 141 мс. Компьютер – Intel(R) Pentium(R)D CPU 3.4 GHz 1.00 ГБ ОЗУ рис. 13. (701х960) 35996 объектов за 31 мс. 4734 объектов за 46 мс. 35996 объектов за 47 мс. 4734 объектов за 63 мс. 578 мс. рис. 13 негатив (701х960) 4589 объектов за 94 мс. 25 объектов за 63 мс. 4589 объектов за 156 мс. 25 объектов за 157 мс. 390 мс. рис. (гл. 3) (800х1170) 6404 объектов за 46 мс. 6300 объектов за 62 мс. 6404 объектов за 78 мс. 6300 объектов за 78 мс. 172 мс. рис. (гл. 3) негатив (800х1170) 3161 объектов за 78 мс. 3135 объектов за 79 мс. 3161 объектов за 187 мс. 3135 объектов за 188 мс. 375 мс. рис. 9 без помех (486х1361) 974 объектов за 16 мс. 950 объектов за 16 мс. 974 объектов за 47 мс. 950 объектов за 47 мс. 31 мс. рис. 12 (486х1361) 9493 объектов за 31 мс. 7860 объектов за 32 мс. 9493 объектов за 32 мс. 7860 объектов за 47 мс. 156 мс. 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.

Похожие:

	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