Анализ и распознавание изображений фигур в применении к информационно-измерительным системам
С самого зарождения науки визуальное наблюдение является неотъемлемой частью исследований. Способ регистрации наблюдений играет важную роль в успехе данного процесса. Изобретение фотоаппарата открыло новые возможности для исследователей. Появилась возможность получения в короткое время большого объема информации в виде изображения. Поскольку вручную стало невозможным справиться с обработкой… Читать ещё >
Содержание
- ГЛАВА 1. Постановки задач
- ГЛАВА 2. Распознавание классов изображений, отличающихся мелким сдвигом
- 2. 1. Модель класса изображений, отличающихся мелким 23 сдвигом
- 2. 2. Цилиндрические решающие правила
- 2. 3. Цилиндрические решающие правила. Задача обучения. 26 Статистическая постановка
- 2. 4. Цилиндрические решающие правила. Задача обучения. 28 Минимаксный подход
- 2. 5. Экспериментальная верификация. Цилиндрические 29 решающие правила
- 2. 6. Эллипсоидные решающие правила
- 2. 7. Задача обучения. Эллипсоидные решающие правила. 34 Минимаксный подход
- 2. 8. Оценка параметров нормального закона при помощи 36 ' эллипсоида минимального объема
- 2. 9. Экспериментальная верификация. Эллипсоидные 39 решающие правила
- 2. 10. Построение цилиндрического решающего правила в 40 условиях конкуренции
- 2. 11. Построение решающего правила для распознавания 42 нормальных законов, имеющих одинаковые математические ожидания и разные ковариационные матрицы
- 2. 12. Определение границы при помощи цилиндрического 44 решающего правила
- 2. 13. Основные результаты и комментарии
- Глава 3. Измерения, использующие решетку, состоящую из эллипсов
- 3. 1. Особенности использования эллипсоидной решетки в 49 измерениях
- 3. 2. Основные предположения и основные элементы метода 51 распознавания эллипсоидной решетки
- 3. 3. Задача квантования изображения как задача определения 52 параметров смеси распределений. (Параметрический подход)
- 3. 4. Обратная схема решения задачи квантования
- 3. 5. Непараметрические методы решения задачи квантования. 59 Критерий Ван Ризена
- 3. 6. Использование гистограммы распределения яркости 62 изображения для вычисления порога квантования
- 3. 7. Локализация и определение границ эллипсов
- 3. 8. Распознавание эллипсов
- 3. 9. Основные результаты и комментарии
- ГЛАВА 4. Распознавание изображений эллипсов и арок окружностей на основе линейных симметрий с
- приложением в импеданс-анализе свойств материалов и эллипсометрии
- 4. 1. Структура метода и основные предположения
- 4. 2. Методы выделения края изображения. Динамическое 81 программирование
- 4. 3. Методы выделения края изображения. Нелинейная 90 фильтрация
Анализ и распознавание изображений фигур в применении к информационно-измерительным системам (реферат, курсовая, диплом, контрольная)
С самого зарождения науки визуальное наблюдение является неотъемлемой частью исследований. Способ регистрации наблюдений играет важную роль в успехе данного процесса. Изобретение фотоаппарата открыло новые возможности для исследователей. Появилась возможность получения в короткое время большого объема информации в виде изображения. Поскольку вручную стало невозможным справиться с обработкой больших объемов информации, стали развиваться автоматическая обработка и анализ изображений. Большой прогресс в видео и компьютерной области, создание большого количества программ для использования и преобразования изображений сделали доступным видео технологию для исследователей и инженеров. Системы распознавания изображений в настоящее время являются составной частью производственной и научной деятельности. Трудно назвать отрасли, где не было бы обоснованным применение таких систем, но в некоторых областях науки и техники распознавание образов имеет особое значение. К таким отраслям относятся автоматизация технологических процессов, робототехника, метеорология, медицинская и техническая диагностики, биология, микробиология и многие другие.
Из натурального стремления человека расширить свои физические возможности возникает необходимость создать технологию, способную наблюдать подобно человеку, а также видеть то, что недоступно человеческому глазу. Если раньше развитие технологии было направлено на выполнение тяжелой физической работы, то в настоящее время необходимость использования огромного объема информации требует технологическую опору, способную производить анализ и принимать решения. Например, для предсказания погоды с приемлемой точностью требуется анализ информации состояния атмосферы всей планеты, которую получают спутники, расположенные в различных частях света. Только самые мощные компьютеры с тысячами параллельно работающими процессорами способны выполнить такую объемную работу. Несмотря на все растущие возможности компьютера, как в быстроте, так и в объеме памяти в области анализа и принятия решения компьютерная техника еще не способна заменить эксперта, а только служит его опорой. В этой связи анализ и обработка изображений, как уже отмечалось выше, играет особую роль в системах автоматического и полуавтоматического принятия решений. Подтверждением этих слов является то, что большое количество научных журналов отдают свои страницы публикациям, связанным с компьютерным видением. Это означает также и то, что количество задач, возникающих в анализе изображений, существенно превосходит количество решенных задач. Если раньше больше внимания уделялось таким вопросам как распознавание и анализ отдельных изображений, построению эталонов, то сейчас больше внимания уделяется таким вопросам как улучшение качества изображения, сжатие информации, содержащейся в изображении, анализу и описанию сцен и как следствие более компактному описанию изображения.
Таким образом, стали возникать измерительные системы, в которых одним из элементов стал компьютер, предназначенный для обработки и анализа изображений.
В начале становления распознавания образов как науки В. А. Ковалевским было вьщелено два направления развития распознавания образов.
Первое направление было названо эвристическим. Для него характерно, прежде всего, изучение процессов распознавания образов у живых существ и на основе этого построение технических средств и математических моделей для решения задач распознавания. С этой точки зрения распознавание образов является составной частью такого направления как искусственный интеллект.
Второе направление было определено как математическое или научное, для которого характерна разработка математических методов описания классов и на их основе построение оптимальных процедур распознавания. Это направление использует в основном математические средства, такие как математическая статистика, оптимальные решения, методы математического программирования, теорию случайных процессов и полей, математическую лингвистику.
Следует согласиться с тем, что эта классификация актуальна и в наше время. Предлагаемая работа относится ко второму направлению исследований.
Поскольку решаемые в диссертации задачи в основном относятся к задачам предобработки, то в диссертации под изображением понимается матрица, элементы которой, соответствуют яркости полутонового, в некоторой терминологии черно — белого, изображения для соответствующих клеток сетчатки или пикселов.
Работа посвящена решению ряда практических задач, связанных, прежде всего, с физическими измерениями, методами обработки и анализа изображений. К этим задачам относятся:
Задачи, связанные с синтезом нелинейных решающих правил, возникающих при распознавании классов изображений, отличающихся мелким сдвигом, т. е. сдвигом на расстояние меньшее, чем клетка сетчатки. Прежде всего, — это распознавание печатных текстов. Кроме этого, исследуемые решающие правила могут быть использованы в качестве ядра системы, распознающей классы изображений, различающиеся не только мелким сдвигом, но и поворотом и масштабом. Например, при ответе на часто возникающий вопрос о наличии определенного типа изображений в сцене. 9
Задачи, связанные с локализацией и аналитическим описанием изображений, напоминающих эллипсы. Такие задачи возникают при описании напряжений в неоднородном материале, находящемся под воздействием нагрузок как динамического, так и статического характера, микробиологии при распознавании клеток с определенными геометрическими характеристиками, при неразрушающем контроле для обнаружения и описания полостей в материале, а также в эллипсометрии. Определение параметров округлённых фигур используется при восстановлении трёхмерных изображений, в современных методах медицинской и технической диагностики, таких как, например, магнитный резонанс.
Описание кривых, состоящих из дуг окружностей. Такие кривые подлежат распознаванию в импеданс — анализе. Импеданс — анализ является одним из методов, применяемых в медицине, биологии, а также при изучении материалов.
Диссертация состоит из четырех глав, введения и заключения. Основные результаты диссертации опубликованы в работах и доложены на конференциях с опубликованием тезисов [102- 110].
В совместных работах автору принадлежит, как правило, решение задачи и компьютерная реализация.
4.8 Основные результаты и комментарии.
К основным результатам главы относятся:
• технология получения нелинейных фильтров и процедур для распознавания края, проведенные эксперименты на модельных и реальных примерах позволяют утверждать, что наиболее пригодными является процедура, сочетающая локальный линейный фильтр со структурным описанием сигнала и Ьфильтр;
• распознавание фигур, похожих на эллипсы по скелетным линиям, как в сложных, так и простых сценах, предлагаемый метод отличается простотой реализации и высокой надежностью;
• распознавание кривых, состоящих из арок окружностей, основой методики послужило преобразование Хо, которое использовалось как средство кластеризации выборки, а не как средство
131 вычисления параметров кривой, что позволило сократить размерность пространства признаков- • Предлагаемые технологии обработки данных вошли в комплекс измерительных систем, предназначенных для импедансспектроскопии и эллипсометрии.
Заключение
В заключении приведем лишь основные результаты работы, которые являются новыми. К основным результатам диссертации относятся следующие:
Предложен метод распознавания классов, составленных из фигур, отличающихся мелким сдвигом, использующий новые решающие правила, названные в работе цилиндрическими и эллипсоидными. Для них предложены новые алгоритмы обучения.
Предложен метод сегментации изображений с использованием гистограммы распределения яркости и критерия Ван Ризена, надёжно работающий на зашумленных изображениях, реализованный в виде экономной рекуррентной процедуры, что выгодно отличает его от традиционных итерационных методов, оптимизирующих тот или иной критерий.
Предложены методы распознавания фигур, похожих на эллипсы, с применением критерия минимальной площади и по линейным симметриям с использованием преобразования Хо, позволяющий распознавать фигуры при наличии шума и в сложных сценах. Отличительной особенностью применения преобразования Хо является то, что преобразование используется скорее как средство кластеризации выборки, чем как средство оценки параметров.
Предложены новые методы распознавания края, использующие Ь-статистики, обобщающие медианный фильтр, фильтры с нелинейной коррекцией и технологию нечётких множеств, соединённую со стохастическими грамматиками.
Список литературы
- Алберт А., Регрессия, псевдоинверсия и рекуррентное оценивание, М, Наука, 1977, 224 с.
- Андерсон Т., Статистический анализ временных рядов, М, Мир, 1976, 1976,755 с.
- Ахмед Н., Pao К., Ортогональные преобразования при обработке цифровых сигналов, М, Связь, 1980, 248 с.
- Банвенист А., Обзор перспективных методов обнаружения изменений, там же, с 62−76.
- Бассвиль М., Двумодельный подход для обнаружения изменений в АР -процессах в реальном масштабе времени, там же, с 131 158.
- Бассвиль М., Обнаружение скачкообразных изменений среднего значения сигнала. Обобщение на аддитивные изменения в моделях пространства состояний, в сб. «Обнаружение изменения свойств сигналов и динамических систем», М, Мир, 1989, с 16−27.
- Белман Р., Введение в теорию матриц, М, Наука, 1976, 351 с.
- Белман Р., Заде Л., Принятие решений в расплывчатых условиях, Сб. Вопросы анализа и процедуры принятия решений, Мир, 1976, с. 172 215.
- Белявский Г. И., Оптимальный пороговый фильтр для идентификации резких изменений сигнала, в сб. «Вопросы технической диагностики», Ростов на — Дону, 1980, с 72 — 76.
- Белявский Г. И., О применении разложения Карунена Лоэва к построению эталонов для читающих автоматов, там же, с. 59 — 66.
- И.Белявский Г. И., Обнаружение момента изменения сигнала как задача распознавания нормальных законов с одинаковыми математическими ожиданиями, Воронежская зимняя математическая школа, Воронеж.
- Н.Белявский Г. И., Синтез оптимального линейного решающего правила для определения момента разладки, Всероссийская школа коллоквиум по стохастическим методам анализа и смежным вопросам, М, ТВП, 1995.
- Вапник В.Н., Червоненкис, А .Я., Теория распознавания образов, М, Наука, 1974,415 с.
- Ватанабе С., Разложение Карунена Лоэва и факторный анализ, в сб. «Автоматический анализ сложных изображений», М, Мир, 1969.
- Вилски A.C., Обнаружение резких изменений в динамических системах, в сб. «Обнаружение изменения свойств сигналов и динамических систем, М, Мир, 1989, с. 29−43.
- Даджион Д., Мерсеро Р., Цифровая обработка многомерных сигналов, М, Мир, 1988, 488 с.
- Де Гроот М., Оптимальные статистические решения, М, Мир, 1974, 491 с.
- Демьянов В.Ф., Малоземов В. Н., Введение в минимакс, М, Наука, 1972, с 368.
- Дуда Р., Харт П., Распознавание образов и анализ сцен, М, Мир, 1976, 568 с.
- Ермольев Ю.М., Методы стохастического программирования, М, Наука, 1976, 239 с.23.3агоруйко Н.Г., Методы распознавания и их применения, М, Советское радио, 1972, 206 с.
- Заде Л.А., Понятие лингвистической переменной и его применение к принятию приближенных решений, М, Мир, 1976, 165 с.
- Заде Л.А., Размытые множества и их применение в распознавании образов, в сб. «Классификация и кластер», М, Мир, 1980, с. 208 247.
- Киселев Н.В., Методы построения систем распознавания и классификации негауссовских сигналов, Ленинградский университет, 1986, 186 с.
- Ковалевский В.А., Методы оптимальных решений в распознавании изображений, М, Наука, 1976, с. 23 6
- Кофман А., Введение в теорию нечетких множеств, М, Радио и связь, 1982,432 с.
- Леман Э., Поверка статистических гипотез, М, Наука, 1979, 408 с.
- Леман Э., Теория точечного оценивания, М, Наука, 1991, 448 с.
- Марпл С., Цифровой спектральный анализ и его приложения, 1990, 584 с.
- Мелихов А.Н., Берштейн Л. С., Конечные четкие и расплывчатые множества, Таганрог, ТРТИ, 1980, 191 с.
- Минский М., Пейперт С., Персептроны, М, Мир, 1973, с. 75−81.
- Розенфельд А., Распознавание и обработка изображений, М, Мир, 1972, 230 с.
- Фу К., Структурные методы в распознавании образов, М, Мир, 1977, 319 с.
- Ширяев А.Н., Статистический последовательный анализ, М, Наука, 1969, 231с.
- Шлезингер М.И., Взаимосвязь обучения и самообучения, в распознавании образов, Кибернетика, 2, 1968, с. 42 57.
- Шлезингер М.И., Математические средства обработки изображений, Киев, Наукова думка, 1989,198 с.
- Шор Н., Задачи минимизации матричных функций и недифференцируемая оптимизация, 2, 1995, с 113 138.
- Эндрюс Г., Применение вычислительных машин для обработки изображений, М, Энергия, 1977, 351 с.41 .Ярославский Л. П., Введение в цифровую обработку изображений, 1979, 312 с.
- Agrawal R., Shevgaonkar R., Sahasrabudhe S., A fresh looks at the Hough transform, Pat. Rec. Let., 17, 1996, pp. 1065 1068.
- Alparone L., Garzelli A., Decimated geometric filter for edge preserving smoothing of non — white noise, Pat. Rec. Let., 19, 1998, pp. 89 — 96.
- Ballard D., Generalizing the Hough transform to detect arbitrary shapes, Pat. Rec. Let., 19, 1981, pp. Ill 122.
- Barnes E., An algorithm for separating patterns by ellipsoids, SIAM J. Alg. and Disc. Math., 6, 1982.
- Bernd J., Digital Image Processing. Concepts, Algorithms and Scientific Applications. 4th edition, 1997.
- Bezdek J., Pattern recognition with Fuzzy Objective Function Algorithms, Plenum, New York.
- Boukamp В., Immittance data of electrochemical systems, pp. 31 43
- Biernacki C., Celeus G., Govaert G., An improvement of the NEC criterion for assessing the number of clusters in a mixture model. Pattern recognition letters 20, 1999, pp. 267−272.
- Chun Та Ho, Ling — Hwei Chen, A high — speed algorithm for line detection, Pat. Rec. Let. 17, 1996, pp. 467 — 473.
- Cui Y., Weng J., Reynolds H., Estimation of ellipse parameters using optimal minimum variance estimator, Pat. Rec. Let., 17, 1996, pp 309 316.
- Canny J., A computational approach to edge detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, 8, 1986, pp. 679 698.
- Dave R. N., Bhaswan K., Adaptive fuzzy с shells clustering and detection of ellipses, IEEE Trans. Neural Networks 3, 1992, pp. 643 — 662.
- Daily, J.W., Riley, W.F. Experimental Stress Analysis, McGraw Hill International Editions, NY, 1991.
- De Backer S., Scheunders P., A competitive elliptical clustering algorithm. Pattern recognition letters 20,1999, pp. 1141−1147.
- Duda R., Hart P., Use the Hough transform to detect lines and curves in pictures, Comm. ACM, 15, 1972, pp. 11 15.
- E1 Fallah A., Ford G., On mean curvature diffusion on nonlinear image filtering, Pat. Rec. Let., 19, 1998, pp. 433 — 437.
- Fan J., Notes on Poisson distribution based minimum error thresholding, Pat. Rec. Let., 19, 1998, pp. 425 — 431.
- Gath I., Dan H., Fuzzy clustering ring-shaped clusters. Pattern recognition letters 16, 1995, pp. 727−741.
- Ho C., Chen L., A fast ellipse/circle detector using geometric symmetry, Pattern Recognition, 1995, 28(1), pp. 117−124.
- Hu Z., Ma S., Uniform line parameterization, Pat. Rec. Let., 17, 1996, pp. 503 -507.
- Jianiping F., Rong W., Liming Zh., Dingjia X., Fuxi G., Image sequence segmentation based on 2D temporal entropic thresholding. Pattern recognition letters 17, 1996, pp. 1101−1107.
- Jansing E., Albert Th., Chenoveth D., Two dimensional entropic segmentation, Pat. Rec. Let., 20, 1999, pp. 329 — 336.
- Khaled S. Al-Sultan, Maroof Khan M. Computational experience on four algorithms for the hard clustering problem. Pattern recognition letters 17, 1996, pp. 295−308.
- Kittler J., Illingworth J., Minimum error thresholding, Pat. Rec. Let., 19, 1986, pp. 41−47.
- Kurita T., Otsu N., Maximum likelihood thresholding based on population mixed models, Pat. Rec. Let., 19, 1998, pp 237 246.
- Lei Y., Wong K., Ellipse detection based on symmetry, Pat. Rec. Let, 20, 1999, pp. 41 -47.
- Levitt T., Domain independent object description and decomposition, Proceeding AAAI-84, 207−211.
- Marr D., Hildreth E. Theory of edge detection, Computer vision, IEEE, Los Alamitos, CA, 1991, pp. 77 107.
- McLaughlin R., Randomized Hough Transform: Improved ellipse detection comparison, Pat. Rec. Let., 19, 1998, pp. 299 305.
- McDonnel M., Box filtering techniques, Computer Graphics and image processing, 17(3), 1981, pp 65−70.
- Nair P., Saunders A., Hough transform based ellipse detection algorithm, Pat. Rec. Let., 17, 1996, pp. 777 784.
- Nagao M., Matsuyama T, A structural analysis of complex aerial photographs, Plenum Press, New York, 1980.
- Park R. H., Yoon K., Choi W., Eight — point discrete Hartley transform as an edge operator and its interpretation in the frequency domain, Pat. Rec. Let., 19, 1998, pp. 569 -574.
- Peng-Yeng Yin. Algorithms for straight line fitting using ?-means. Pattern recognition letters 19, 31−41, 1998.
- Pham D., Prince J., An adaptive C means algorithm for image segmentation in the presence inhomogeneities, Pat. Rec. Let., 20, 1999, pp. 57 — 68.
- Pham T., Yan H., An effective algorithm for the segmentation of digital plane curves The isoparametric formulation, Pat. Rec. Let., 19, 1998, pp. 171 -176.
- Pitas I., Venetsanopoulos, Nonlinear order statistic filters for image filtering and edge detection, signal processing, 1986, 10(10), pp. 573−584.
- Rezaee R., Lelieveldt B., Reiber J., A new cluster validity index for the fuzzy c mean, Pat. Rec. Let., 19, 1998, pj) 237 — 246.
- Risse T., Hough transform for line recognition: Complexity of evidence accumulation and cluster detection, Comput. Vision Graphics Image process, 46, 1989, pp. 327−345.
- Rosin P., Analyzing error of fit function for ellipses, Pat. Rec. Let., 17, 1996, pp. 1461 1470.
- Rosin P., Ellipse fitting by accumulation five point fits, Pat. Rec. Let., 14, 1993, pp. 661 -669.
- Rosin P., A note on the least squares fitting of ellipses, Pat. Rec. Let., 14, 1993, pp. 799−808.
- Ser P., Siu W., Memory compression for straight-line recognition using the Hough transform, Pat. Rec. Let., 16, 1995, pp 133 145.
- Shankar B., Murthy C., Pal S., A new gray level based Hough transform for region extraction: An application to IRS image, Pat. Rec. Let., 19, 1998, pp. 197−204.
- Shen L., Song X., Iguchi M., Yamamonto F., A metod for recognizing particle images, Pattern Recognition Letters 21(2000), pp. 21−30.
- Shor N., Berezovsski O., «New algorithms for constructing optimal circumscribed and inscribed ellipsoids, Optim. Methods Software, Vol.1, 1992, pp. 283−289.
- Sonka M., Hlavac V., Boyle R., Image Processing, Analysis, and Machine Vision, PWS Publishing, 1999, 770 p.
- Starink J., Localization of circular objects, Pat. Rec. Let., 14, 1993, pp 895 -905.
- Tyans S., Median Filtering, deterministic properties, In T S Huang, editor, Two-Dimencional Didital Signal Processing, volume II, Springer Verlag, Berlin, 1981.
- Van Ryzin J. (1977), Classification and clustering, Acad. Press, Inc., NY, 1997
- Wang D., Vagnucci A., Gradient inverse weighting smoothing schema and the evaluation of its performance, Computer Graphics and Image Processing, 1981,15
- Wen W., Xia A., Verifying edges for visual inspection purposes, Pat. Rec. Let, 20, 1999, pp 237−246.
- Wepner W, Huggins R, Ann. Rev, Mater. Sci, 8,1978.
- Yang J, Xiabo Li, Boundary detection using mathematical morphology, Pat. Rec. Let, 16, 1995, pp 237−246.
- Yin P, Algorithms for straight line fitting using k means, Pat. Rec. Let, 19, 1998, pp 31 -41.
- Yuen S, Shape from contour using symmetries, Proceeding of de First European Conference on Computer Vision, Antibes, France, 1990, pp. 437 453
- Yuen P. C, Feng G. C. A novel method for parameter estimation of digital arc. Pattern recognition letters 17, 1996, pp. 929−938,
- Zahid N, Abouelala O, Limouri M, Essaid A Unsupervised fuzzy clustering. Pattern recognition letters 20, 1999, pp. 123−129.
- Beliavski G, Bulenkova E, Localization of elliptic objects. The proceeding of Mexican-Hungarian workshop on factory automation and materials sciences. 9−11 March, 1999, pp. 210 223.
- Castaneda-Miranda A, Bulenkova E, Beliavski, Castano V. Automatic optical alignment by numerical ellipse fitting. Optik 111, No. 5,, 2000, pp. 189−194.
- Beliavski G, Bulenkova E, An Image Processing Using Ellipse Pattern Grids, The proceeding of ASSEN99, 23−25 August, Seoul, Korea, 1999, pp. 197−202.141
- Белявский Г., Буленкова Е., Синтез линейно-квадратичного решающего правила в изолированной постановке. Обозрение прикладной и промышленной математики, т.5, вып. 2, М. 1998, с. 201 -202.
- Белявский Г., Буленкова Е., Описание изображения, состоящего из эллипсов. Материалы конференции по применению прикладной математики и компьютерных технологий, Кисловодск, 1999, с. 18−19.
- Белявский Г., Буленкова Е., Об оценке параметров нормального закона эллипсоидом минимального объёма. Известия вузов. Естественные Науки, СКНЦ, 3, 1999, с. 43 48.
- Белявский Г., Буленкова Е., Применение преобразования Хо для распознавания эллипсов. Обозрение прикладной и промышленной математики, т 6, вып. 1, М. 1999. с. 118 121.
- Белявский Г., Буленкова Е., Применение преобразования Хо для локализации циклических объектов, в сб. научных трудов 5-го Всероссийского симпозиума «Математическое моделирование и компьютерные технологии», Кисловодск, 20 000, с 29 31.
- Белявский Г., Буленкова Е., Нелинейная фильтрация сигналов, Обозрение прикладной и промышленной математики, т 2, вып. 2, М. 2000. с. 475−476.