Диссертация (1152160), страница 41
Текст из файла (страница 41)
Был проведен регрессионный анализ для получениякоэффициентов { ai }, целью которого было получение максимального соответствия оценки PQS и субъективной экспертной оценки. Полученные значения коэффициентов таковы: 1a =5,797; 2a =0,035; 3a =0,044; 4a =0,01; 5a =0,132;6a =0,135.Реализация алгоритма объективной оценки изображений MS-SSIM проводилась с использованием метода оценки качества изображений SSIM, основанного на сравнении эталонного и реального изображения по трем характеристикам: яркость, контрастность и структура.Оценка SSIM должна удовлетворять следующим условиям.1) Симметрия: S(x, y) = S( y, x) .2) Диапазон: S(x, y) Є [0;1].3) S(x, y) =1 тогда и только тогда, когда x = y , т.е. когда изображенияидентичны.Использование метода SSIM показало, что с его помощью возможноучитывать детали изображения при разных разрешениях.
Получая на входе эталонное и реальное изображения, система многократно (в общем случае M раз)применяет фильтр низких частот и децимацию (обработку сигналов) изображения в два раза, вычисляя каждый раз функцию сравнения контраста и функциюсравнения структуры. Функция сравнения яркости вычисляется только в масштабе M .Были проведены исследования и модификации алгоритмов объективнойоценки качества изображения, результатом которых стал количественный пока-255затель, с помощью которого можно прогнозировать воспринимаемое качествоизображения.Предлагаемая методика решения задачи состоит из следующих этапов:1) исследование и реализация алгоритмов объективной оценки изображений PQS (Picture Quality Scale) и MS-SSIM (Multi-scale Structural Similarity);2) создание модифицированного алгоритма, проведение экспериментов сиспользованием тестовых изображений, анализ полученных результатов.4.2.4.
Блок - схема алгоритма принятия решения на соответствие цветамуки эталонному значениюНа рисунке 4.9 представлена блок - схема алгоритма принятия решенияна соответствие цвета муки эталонному значению.Рисунок 4.9. Блок - схема алгоритма принятия решения на соответствие цветамуки эталонному значениюДо включения данного модуля необходимо подготовить эталонные цветамуки разных сортов.
Такие изображения будут храниться в базе данныхИЭСКК. Из произведенной с помощью ЦВК видеозаписи выбирается видео-256кадр, который математически обрабатывается и определяется необходимое эталонное значение цвета муки исследуемого сорта.Полученная информация заносится в базу данных (БД). Во время рабочего режима после поступления информации с ЦВК каждый кадр проводимой видеосъѐмки, если имеется необходимость, может быть подвергнут математической обработке (описанной выше), с целью повышения четкости изображенияграниц визуальных объектов. Анализируется цветовая гамма муки, поэтомуизображение объема перерабатываемой информации переводится на цветной.Для уменьшения объема обрабатываемой информации из матрицы изображения выделяется область, содержащая необходимое изображение объектауправления – линии производства муки.
В данном алгоритме выделяется изображение участка производства муки, полученного после измельчения. Послеэтого определяются все векторы, содержащие непересекающиеся границы объектов, найденных на изображении. Из этих векторов выделяется вектор границмуки и формируется бинарное изображение на заданном интервале от х1 до х2,из которой вычитается полученное подобным образом эталонное изображениецвета. Если имеется отклонение больше нормы, то на дисплее отражаются результаты контроля и из БЗ для оператора появляется необходимая инструкциядействия. Если отклонение цвета равна нулю, то никаких действий не происходит. После этого интеллектуальная СКЗ ожидает поступление следующей порции информации.Поскольку известна информация об эталонном цвете муки разных сортовпри производстве этой продукции, то при четком выполнении технологическихопераций и соблюдении всех рецептурных компонентов возможно выдвинутьгипотезу: цвет муки при соблюдении всех требований, предъявляемых к процессу, будет соответствовать эталонному значению.
Если же продукт не соответствует установленным нормам по цвету, то его необходимо забраковать.4.2.5. Модель системы обработки визуальной информации257На рисунке 4.10 представлена построенная модель системы обработки визуальной информации. На вход поступает I > 1 видеопотоков, из которых выделяются последовательности кадров (фреймов) фиксированной размерности(still-to-still recognition) [21, 22]. Далее каждый фрейм подается на вход банкадетекторов интересующих объектов. При этом результат детектирования объектов из одного входного канала может быть использован в качестве вспомогательного входа детекторов из другого канала. Выделенные объекты поступаютна вход последовательно соединенным модулям предварительной обработки,сегментации, извлечения признаков и принятия решений.видео канал 1видео канал IРисунок 4.10.
Модель системы обработки визуальной информацииВыходы всех модулей принятия решений объединяются в блоке комбинирования решений для получения единого описания наблюдаемых объектов.Здесь могут применяться традиционное количество однородных сегментов, накоторые разбивается объект с использованием принципа максимальной апосте-258риорной вероятности [21].
Результат классификации для текущих фреймов вместе со списком детектированных объектов используется в блоке адаптации, вкотором для каждого объекта из текущего фрейма находится ближайший (всмысле некоторой меры близости) объект из предыдущего фрейма [22]. Еслитакой объект не был найден в течение некоторого достаточно продолжительного времени, он удаляется из списка. Список ближайших к выделенным объектам эталонов подаются на вход блока управления для автоматической обработки, оперативного оповещения лица, принимающего решения и т.п.
Заметим, чтодля описанной схемы возможно изменение решения (адаптация) задачи классификации при появлении новых фреймов для одного объекта, если решениепринимается в режиме реального времени. Качество применяемых методовклассификации с точки зрения ЦВК (4.40) контролируется в модуле оценкиэффективности, выход которого, в общем случае, позволяет изменить применяемые в остальных модулях алгоритмы (или, более часто, их параметры) для достижения наилучшего качества решения.Чаще всего вход системы (рисунок4.10) состоит только из I=1 видеоканала.Предложенная модель системы обработки визуальной информации былареализована в виде ПКМВ (программа классификаии муки по различным сортам на видео) [21] в среде Qt Creator на языке C++ 11. Структурная схема системы представлена на рисунке 4.11.Здесь поддерживается три источника визуальной информации: видеокамера (встроенная ЦВК), видеофайл avi и файл изображения jpeg/png.
Блоки,ограниченные штриховой линией выполнены в виде соответствующих программных модулей и составляют ПКМВ. Изображение с выбранного источникавизуальной информации поступает на вход блока ввода данных, где осуществляется обнаружение анализируемых объектов (выделение кадров муки из видео).259Рисунок 4.11 Структурная схема ПКМВВ зависимости от режима блок ввода данных либо записывает изображение в базу данных (если режим ввода используется для ее создания/изменения),либо подает обработанное изображение на вход блока обработки данных, в котором осуществляется предварительная обработка, сегментация и выделениепризнаков.
Далее вычисленные гистограммы ориентированных градиентов поступают на вход блока классификации, где осуществляется посегментный анализ однородности и распознавание с помощью иерархического трехпороговогометода. Для обработки видеоданных результаты классификации каждого кадракомбинируются. Блок визуализации результатов осуществляет извлечение данных из базы данных, соответствующих требуемому критерию, и отображает ихв виде, удобном для пользователя. Информация, содержащаяся в базе данных,может быть как непосредственно считана блоком визуализации, так и поступать в него через блок обработки.4.2.6.
Техническое обеспечение системы компьютерного зренияТиповая система компьютерного зрения состоит из одной или несколькихфото- или цифровых видеокамер (ЦВК), системы передачи данных в компьютер и системы обработки данных (компьютер).Основным элементом СКЗ является ЦВК, которая предназначена длясбора информации о цвете исследуемого пищевого продукта.260Электронное зрение, например, цифровая видеокамера (ЦВК) обладаеттой особенностью, что может работать как в режиме реального времени, так и в"отсроченном" режиме: в частности, когда в массиве видеоизображений система поиска находит искомую видеозапись какого-либо изображения.Для традиционных СКЗ можно выделить типичные функции [126]:- Получение изображений.
Цифровые изображения могут получаться от одногоили нескольких датчиков изображения.- Предварительная обработка. В зависимости от используемого в дальнейшемметода обработки изображения должны удовлетворять некоторым условиям.Для этого их могут корректировать: удалять шум, вносимый датчиком; масштабировать; изменять контрастность.- Выделение деталей. Детали изображения различного уровня сложности выделяются из видеоданных: линии, границы контуры.- Детектирование/Сегментация: на определѐнном этапе обработки принимаетсярешение о том, какие точки или участки изображения являются важными длядальнейшей обработки.- Высокоуровневая обработка: локализация участка изображения, в которомпредположительно находится интересуемый объект.При создании СКЗ особое внимание уделяется выбору ЦВК.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
