Анисимов Б.В., Курганов В.Д., Злобин В.К. - Распознование и цифровая обработка изображений (1033973), страница 51
Текст из файла (страница 51)
' ° ' 1 1 ° ° ° ° ° '! ' 3 ' ° 13 :а 1 ° 1 ' ° ' 1 1 ° 3 1 ° ° ° а ° ° ° 1 ° °, ° ° ° 3 ° а ' 1 ° ° ° ° ' 1 ! 3 ° ° ! 1 3 3 ° ° ° 1 ° ! ° 3 ° ° ° ! ° ' ° Ф > ° 3 ° ° 1 °: 3 ° а) хга )го 100 00 00 еп г,.и цп , гпП 1.» 00 пп Й Фп и пп 00 хга 0 гп Рис. 6.9. Пример»Ь иллюстрируюшие разделиюшие свойства соответственно признаков кз и кз(а), «, и «» (0) Для выбора К"', Ка ' находится распределение К, аналогичное р (Р»), для участка некотоРых размеров, существенную часть которого занимает выделяемая структура, и фиксируются значение К„ отвечающие минимумам полученного распределения, ближайшим к моде последнего.
Недостатки этого алгоритма в следующем. Во-первых, условие К Е [К,"', К,'Ч может иметь место не только для элементов выделяемой структуры, но и других структур. Отсеять последние элементы можно, например, анализируя текстуру их окрестностей, но это в алгоритме отсутствует. Во-вторых, этому алгоритму в большей степени, чем алгоритму, излагаемому ниже, свойственна"зависимость от условий съемки и состояния природы.
Таким образом, если говорить о сколько-нибудь эффективном частичном дешифрировании, то необходимо анализировать фрагменты существенно ббльших размеров и использовать ббльшее число соответствующих признаков. Определенное представление о разделяющих свойствах признаков, описанных выше, дают рисунки, где показаны проекции примерных границ областей, образуемых в пространстве ох,фхзфхза представляющими интерес структурами, на плоскости охгфхзф (рис. 6.9, а) и ох»фхзф (рис.
6.9, б). Эти признаки могут быть использованы для дешифрирования. Соответствующая методика заключается в следующем. 224 имеющчм сложный полимодальный характер. Для упрощения им были поставлены в соответствие равномерные законы с диапазонами изменения 0 ( хзф < 127, 0 ( хзф ( 30, — 5 ( х,ф ( О. Простейший подход частичного дешифрированйя, называемый иногда разбиением снимка и помощью квантования, может осуществляться в случае, когда фрагмент включает в себя лишь один элемент изображения и используется только признак х,ф. При этом обработка снимка сводится к сравнению кода К оптической плотности каждого его элемента с некоторыми пороговыми значениями К„"', К„'ю и, например, замене К, О, если Ко Ю [К,',", К„'ю).
Предположим, что в памяти СЦОИ зафиксированы те или иные сведения о распределениях ды (х,ф) (1, 1 = 1, 2, 3, 4). Организуем программными средствами просмотр снимка размером Фз х Ф[ элементов апертурой размером 1, Х 1[ элементов, перемещая ее в плоскости снимка с шагами Лхю Лу, вдоль координатных осей о,х„о,у, (для повышения точности определения границ выделяемых структур возможно Лх, < 1„Луг ( 1[). В каждом положении апертуры примем решение об отнесении соответствующего ей фрагмента снимка к одному из классов, используя для этого, например, критерий аидеального наблюдателя».
При этом признаки будем считать независимыми, а априорные вероятности классов — равными (в некоторых случаях для оценки упомянутых вероятностей можно использовать сведения о распределении обьектов представляющих интерес классов по исследу- '6' емой территории). Процессы обучения и принятия сБинм шя решения можно организовать и на детерминированной основе, распро- рию З.1ц результат аыделенни ЭВМ стравив, например, методику, из- лесного массива но одной из метоложенную в [17), на случай пересе- дии частичного дешифриооааиин чения классов. Обучение здесь заключается в построении для каждого класса в пространстве признаков минимального числа гипеРэллипсоидов, включающих в себя все реализации учебной выборки, относящиеся к этому классу, но не содержащих реализаций любого другого класса, исключая принадлежащие области пересечения упомянутых классов (последняя определяется как область, в которой расстояния между реализациями рассматриваемых классов меньше некоторой заранее фиксиРованной величины).
Результатом обучения будет множество параметров, характеризующих эти гиперэллипсоиды, оси которых можно выбрать параллельными соответствующим осям пространства признаков. Принятие решения в такой постановке сводится к определению гиперэллипсоидов, которым предъявленная реализация принадлежит.
Результаты использования рассмотренных методик частичного дешифрирования можно представить в виде условного изображения на АЦПУ или в виде условного снимка, синтезированного в масштабе исходного (рис. 6.10, где показано условное изображение некоторого лесного массива, выделенного машиной в пРоцессе дешифрирования одного из снимков земной поверхности. Одновременно подсчитывались площади и другие характеристики выделенных структур). Время дешифрирования существенно зависит от значений Ф„Ф[, 1„1[, Лхю Кум и при Жз = У[ = 180 мм, 1, = Ьх, = 60 элементов, 1[ = Лу, = = 64 элемента оно составило около 2 ч; при Лх, = 30 элементов, Лу, — — 32 элемента — 4 ч. При этом примерно 40% времени затрачивалось на обмен информации мекгду ОП и ВП, 10% — на принятие решения и формирование условного изображения, остальное — на вычисление значений признаков (в целях экономии времени при Лхз = 1, Лу, = 1[ распределение р (1д1), отвечающее новому положению апер- 235 хге гго г;и Ф ~гб гбб 11 ОО бб ~ ФФО гз хз„ О ЮО ОО бО «О гб О Рис.
6хь Примеры, иллюстрирующие разделяющие свойства соотзетстзенно признаков х, и хз(а), х, и хз (О) Для выбора Каг', Ка ' находится распределение К„, аналогичное р (Йз), для участка некоторых размеров, существенную часть которого занимает выделяемая структура, и фиксируются значение Кто отвечающие минимумам полученного распределения, ближайшим к моде последнего. Недостатки этого алгоритма в следующем. Во-первых, условие К, Е [К"', Кпю[ может иметь место не только длЯ элементов выделаемой структуры, но и других структур, Отсеять последние элементы можно, например, анализируя текстуру их окрестностей, но это в алгоритме отсутствует. Во-вторых, этому алгоритму в большей степени, чем алгоритму, излагаемому ниже, свойственна-зависимость от условий съемки и состояния природы.
Таким образом, если говорить о сколько-нибудь эффективном частичном дешифрировании, то необходимо анализировать фрагменты существенно ббльших размеров и использовать ббльшее число соответствующих признаков. Определенное представление о разделяющих свойствах признаков, описанных выше, дают рисунки, где показаны проекции примерных границ областей, образуемых в пространстве охгфхзфхзе представляющими интерес структурами, на плоскости охгфхзф (рис.
6.9, а) и ох,фхзф (рис. 6,9, б). Эти признаки могут быть использованы для дешифрирования. Соответствующая методика заключается в следующем. 934 имеющчм сложный полимодальный характер. Для упрощения им были поставлены в соответствие равномерные законы с диапазонами изменения 0<х,4<127, 0<хзф<30, — 6<х,4<0. Простейшйй подход частичного дешифрированйя, называемый иногда разбиением снимка О помощью каангпованил, может осущесгвляться в случае, когда фрагмент включает в себя лишь один элемент изображения и используется только признак х,ф.
При этом обработка снимка сводится к сравнению кода К оптической плотности каждого его элемента с некоторыми пороговыми значениями К,">, К„'" и, например, замене К, О, если Ки ф [К„"', К,'"[. П редположим, что в памяти СЦОИ зафиксированы те или иные сведения о распределениях ды (х,ф) (1, 1 = 1, 2, 3, 4). Организ) ем программными средствами просмотр снимка размером А[, Х Фг элементов апертурой размером 1, Х 11 элементов, перемещая ее в плоскости снимка с шагами Лхм Луг вдоль координатных осей о,х„о,у, (для повышения точности определения границ выделяемых структур возможно Лх, < 1„Лу, < 1[).
В каждом положении апертуры примем решение об отнесении соответствующего ей фрагмента снимка к одному из классов, используя для этого, например, критерий «идеального наблюдателяз. При этом признаки будем считать независимыми, а априорные вероятности классон — равными (в некоторых случаях для оценки упомянутых вероятностей можно использовать сведения о распределении объектов представля- ,ф: ющих интерес классов по исследу- ф [ф емой территории). Процессы обучении и принятия е[[[[ ав и а[[[ решения можно организовать и на детерминированной основе, распро- Р„с, 630 Результат выделения ЭВМ странив, например, методику, из- лесного массива но одной из метоложенную в [17[, на случай пересе- дик частичного дещнфрярозаиия чения классов.
Обучение здесь заключается в построении для каждого класса в пространстве признаков минимального числа гиперзллипсоидов, включающих в себя все реализации учебной выборки, относящиеся к этому классу, но не содержащих реализаций любого другого класса, исключая принадлежащие области пересечения упомянутых классов (последняя определяется как область, в которой расстояния между реализациями рассматриваемых классов меньше некоторой заранее фиксированной величины). (ф 'ф Результатом обучения будет множество параметров, характеризующих эти гиперэллипсоиды, оси которых можно выбрать параллельными соответствующим осям пространства признаков, Принятие решения в такой постановке сводится к определению гиперэллипсоидов, которым предъявленная реализация принадлежит.
Результаты использования рассмотренных методик частичного дешифрирования можно представить в виде условного изображения на АЦПУ или в виде условного снимка, синтезированного в масштабе исходного (рис. 6.10, где показано условное изображение некоторого лесного массива, выделенного машиной в процессе дешифрирования одного из снимков земной поверхности. Одновременно подсчитывались площади и другие характеристики выделенных структур). Время дешифрирования существенно зависит от значений А[„гч'[, 1,, 11, Лх,, Лу,, и при Лгз = гч'[ = 180 мм, 1, = Лх, = 60 элементов, 11 — — Лу, = = 64 элемента оно составило около 2 ч; при Лх, = 30 элементов, Лу = 32 элемента — 4 ч.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
