Анисимов Б.В., Курганов В.Д., Злобин В.К. - Распознование и цифровая обработка изображений (1033973), страница 10
Текст из файла (страница 10)
ОСОБЕННОСТИ ЦИФРОВОИ ОБРАБОТКИ ПРОЕКЦИИ ПРОСТРАНСТВЕННЫХ ОБЪЕКТОВ Задача автоматического распознавания (отнесения к одному из зачранее определенных классов) пространственного объекта по его одной ' ли нескольким проекциям (изображениям), полученным с помощью чдекоторой системы наблюдения, может иметь место при изучении фауВы океанов на больших глубинах, функционировании роботов-манипуьляторов, дешифрировании аэрокосмических снимков и т. п. Следует различать две ее постановки. В первой постановке задачи автоматического распознавания под ассом понимается то или иное множество различных объектов.
В этом еелучае визуальной информацией об объектах не ограничиваются (да'же если онн имеют специфические геометрические формы), поскольку 'рбъединеиие в тот или иной класс различных объектов может иногда :;:носить весьма абстрактный характер. Все это позволяет отнести задачу автоматической классификации пространственных объектов по их 'плоским изображениям к сложным задачам комплексного типа.
Одна'ко будем предполагать, что упомянутая абстракция визуально реали;:зуется в виде наличия или отсутствия у объектов, относящихся к од';ному и тому же классу, специфических деталей, что, безусловно, также ;часто встречается на практике. В связи с этим необходим анализ прочйкции объекта в процессе распознавания, т. е. выделение всех ее одно- -'„связных контуров, а также объединение последних или нх частей с 'целью реконструкции (синтеза) проекций специфических деталей, .
идентификация которых предшествует классификации. Реализация '" .подобного подхода к распознаванию пространственных объектов наи( «более целесообразна при структурно-лингвистическом методе распоз- '~"мавания образов. Полезно здесь также и использование результатов '~»'- стереофотограмметрии. Во второй постановке задачи автоматического распознавания под .':.'.классом понимается множество всех возможных проекций объекта, :.''' соответствующего этому классу. В этом случае задача распознавания ,".заключается в отождествлении наблюдаемого объекта с одним из за,,' ранее известных. Если предположить, что объекты имеют различные ' "геометрические формы, то для решения поставленной задачи достаточно "только зрительной информации о них.
Такая постановка имеет само' стоятельное практическое значение. Будем называть задачу распознавания пространственных объектов в первой постановке задачей класси4икаиии, а во второй постановке— 41 задачей идентификации. Ниже в основном рассматриваетсй задайй идентификации. Поэтому рассмотрим относящиеся к ней вопросы несколько подробнее. Вероятностный подход крещению задачи идентификации.
Полнота и точность восприятия объекта определяются способом наблюдения и разрешающей способностью средств наблюдения. Однако высококачественное описание проекции объекта не всегда требуется для идентификации. Необходимо лишь выделение такого ограниченного числа некоторых ее признаков (параметров), при котором обеспечивается заданная надежность распознавания. В геометрической интерпретации каждой проекции соответствует точка п-мерного (и — число признаков) выборочного пространства, вдоль осей которого отложены значения признаков, отвечающие этой проекции.
Это пространство назовем пространством празнаюи. Т г д 7 В представляющих практический инте- рес случаях классы по выбранным признаРис. 2.Е Схема автомата кам пересекаются. В этой ситуации детерндеитифинации: минированные алгоритмы идентификации воспринимающее у™стройстве, 'приводят к необходимости частых «пере-  — блок предварительной обработки проекции; е едок спРосов» (повторных наблюдений), что не измерения признаков; 6-блок Всвтда ВОЗМОЖНО И жЕЛатЕЛЬИО. В тО жЕ принятия решения; 6 — резун ид фикац; у — время многомерные распределения вероятправнльная идентификация; в — обучающее устройство ностей, соответствующие различным клас- сам и определенным условиям наблюдения, могут в значительной степени отличаться друг от друга. В этом случае вероятностные методы распознавания дают больший эффект. Одновременно возникают возможности учета стоимостей ошибок разного рода, априорных вероятностей классов и т.
п. Поэтому основное внимание уделим в основном вероятностным алгоритмам идентификации. Схема автомата идентификации объектов приведена на рис. 2.1. Обучение в случае вероятностной процедуры распознавания обычно сводится к восстановлению плотностей Распределения классов. Функции блока 8 выполняет в основном человек.
Ключ в режиме обучения замкнут; в режиме нормальной эксплуатации — разомкнут, Таким образом, исследование задачи идентификации объектов сводится к анализу вопросов, связанных с вводом проекции объекта в автомат идентификации, ее предварительной обработкой (фильтрация помех, выделение контуров, нормализация проекции), выбором эффективной системы признаков, восстановлением плотностей распределения классов, поиском оптимальных в некотором смысле алгоритмов принятия решения и разработкой рекомендаций по выбору основных параметров распознающего автомата. При этом надо учитывать следующее: а) необходимость идентификации трехмерных тел, наблюдаемых в случайных ракурсах (методы распознавания таких объектов,за исключением некоторых частных случаев, разработаны недостаточно); б) многоальтернативность исходной ситуации, что приводит к необходимости использования для идентификации большого числа признаков, а также усложняет процедуру принятия решения; в) сложность, а иногда и большая стоимость натурных эксперименв по распознаванию пространственных объектов, что требует выполния большого объема работ по изготовлению макетов и моделировапроцесса их идентификации на ЭВМ.
ВЗ. ФИЛЬТРАЦИЯ ПЛОСКИХ ИЗОБРАЖЕНИИ ПРОСТРАНСТВЕННЫХ 'т' ОБЪЕКТОВ '- Необходимость учета влияния помех связана с возможностью повления в поле зрения системы наблюдения посторонних объектов (наимер, объектов точечного характера) и наличием шумов воспринищего устройства. Всякая методика учета помех должна быть адектна реальной ситуации, принятой концепции распознавания, исполь' емым для этого признакам и т. п. Например, процедура оценки влияия помех посредством введения некоторого случайного разброса зна' ний признаков'в ряде случаев ведет к появлению дополнительных по, ешностей, трудно поддающихся учету. Поэтому целесообразен учет смех уже на уровне абсолютного описания изображений.
При этом оцесс введения шумов при моделировании алгоритмов фильтрации ' Необходимость такого моделирования связана с трудностью постановки ветствукицих натурных экспериментов) может заключаться в слеующем: анализируется каждый элемент матрицы изображения и с аранее задаваемой вероятностью рп его состояние изменяется иа про,'тивоположное. Такой метод введения помех удобен для реализации на ВМ и позволяет описать уровень шумов только одним параметром величиной р„ выраженной в процентах).
Примеры изображений, исаженных помехами, приведены на рис. 2.2. Качество же фильтрации ко определяется коэффициентом Р = М,/Мф (где М, — число эле'ментов в кадре, искаженном помехами, не совпадающих с соответствую;щими элементамн эталонного (исходного) изображения; Мф — число элементов отфильтрованного изображения, не совпадающих с соответ::ствующими элементами эталонного). Анизотропная фильтрация, Наибольшее применение для простран:, ':ственной фильтрации изображений получила анизоупропная филыпра,~ву(ци. Дискретная интерпретация последнего приводит к соотношению маЛ ма/й аО=Л ~ ~ц'~ ~ц ', а+ Г+ ти й — Ч, (2.1) ц", "т= — зу,!й и= — п тй и "-"'; Где ан — элемент матрицы отфильтрованного изображения, находя.»;--.»цийся на пересечении Г-й строки и 1-го столбца; а«+о, г+» — элемент ':,:,матрицы изображения, искаженного помехами, расположенный на .',;пересечении (»+ т)-й строки и ()+ $)-го столбца; нт„з — элемент ",~„-'.апертуры, представляющей собой матрицу размером ту', х У, (У„ ~.",:"как правило, является нечетным числом), находящийся на пересече.': нии т-й строки и $-го столбца; т) — порог фильтрации, являющийся ( О, если х ц О; " Константой; Л вЂ” пороговая функция, равная Л (х) = 1« 11, если х~~ О.
43 Ь сз м ! мюэ 0,440 ~ 0,070 ~ 0,000 0,080 0,270 О,7О 0,005 О,ООО О,!50 1,ОО 0,020 0,020 О,О6О О, 100 1,25 0,045 О,О6О 0,030 44 Для полной фильтрации матрицу изображения следует симметрично дополнить элементами, равными нулю, так чтобы результирующий размер ее оказался равным (Ж + А7а) Х (М+ А7,) элементов (й7 — размер изображения в элементах). При ш,1 = сопз1 имеет место алгоРитм усреднения (см. (2)). Кроме того, если фильтруется многоградационное Рл=Э Ж Р„=Э% Этапопы Рис. 2.2. Изображения, искаженные помехами изображение, то следует ввести множество порогов (мощность множества равна числу градаций яркости) и присваивать элементу аы значение, соответствующее максимальному порогу, который превышает сумма в правой части уравнения (2.1).
Анизотропная фильтрация ослабляет влияние отдельных пятен, не относящихся к силуэту объекта, и пробелов в силуэте. Показано, что она обеспечивает эффективную фильтрацию изображений, искаженных аддитивным нормальным шумом. Обнаружена также похожая процедура фильтрации в зрительной системе некоторых высших живот- ных ~' Качество фильтрации возрастает с уве- ением размера изображения й(а. Однако и этом пропорционально У,' Растет и 'вемя, затрачиваемое на нее. Обычно разр апертуры выбирается равным 5х5 ентов (табл. 2.1), что обеспечивает хо- з х з г У 14 ь4 ь' ь~з ее качество н завершение процесса ьз ь1 ь'е ' льтРации изобРажений за пРиемлемое ьз' ыз ьз з7з ьз емя.
Элементы в, з апертуры определяютея обычно исходя из нормального дву' рного некоррелированного кругового распределения, максшиум рого совпадает с ее центром. Такое распределение можно рлхарактернзовать только средним квадратичным отклонением и,. распределение должным образом" усекается и аппрокснмирует- и ~з л„1з я так, чтобы веса были нормированы, т. е.
Х Х ш,1 = 1, Чем Ма1 ~ мазе )яеньше а„тем больший вес придается центральному элементу апертуры. Так, прн а, ( 0,3 вес центрального элемента ш, = 1, веса периферийных элементов пзе = вз = 0 и эффект фильтрации отсутствует. При и -е. со и нормировании весов имеет место алгоритм ус- а еднения, а прн отсутствии нормирования — полное стирание изобра- :;жениЯ. АпеРтУРы с оа ( 1,0 назь1ваютсЯ Узкими апеРтУРами, а апеР- ры с а, 1,0 — широкими апертурами. Обычно используются набо'фы Я"з (1 = 1, 2, ..., 6) весов, каждому из которых отвечают три раз'личных значения и7 (7'=1, 2, 3) этих весов, данные в табл.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
