ФОРМИРОВАНИЕ ПРИЗНАКОВ КОНТУРОВ ИЗОБРАЖЕНИЙ ОБЪЕКТОВ СТРУКТУРНЫМ МЕТОДОМ

FORMING FEATURES OF THE CONTOURS OF IMAGES OF OBJECTS BY THE STRUCTURAL METHOD

Nikolay Korsunov

doctor of tech. Sciences, Professor, Belgorod State National Research University,

Russia, Belgorod

Sergey Bobenko

Postgraduate Student, Department of Mathematical and Software Information Systems, Belgorod State National Research University,

Russia, Belgorod

Alexey Titov

Candidate of Technical Sciences, Associate Professor, Belgorod State National Research University,

Russia, Belgorod

На современном этапе развития информационных технологий проблема распознавания образов приобрела важное значение, вследствие необходимости обработки поступающих сообщений в звуковой, зрительной, рукописной, печатной и других формах. Под образом будем понимать описание любого объекта как представителя соответствующего класса образов, представляющая некоторую категорию, определяемую рядом свойств общих для всех объектов [1]. В этом случае задача распознавания состоит в отнесении объекта по некоторым признакам к одному из априори задаваемых классов изображения объектов. Уникальной характеристикой объекта является контур, позволяющий идентифицировать объект. Существующий мощный математический аппарат контурного анализа эффективен лишь при идеальных условиях и в реальных условиях обработки изображений не даст достоверных результатов [2].

В задачах распознавания наиболее эффективными методами являются методы машинного обучения и принятия решений. В этой группе методов можно выделить методы выделения признаков, среди которых наиболее применяемыми являются метод выделения признаков с использованием тестов и структурный метод. Метод выделения признаков с использованием тестов нашел широкое применение в нейронных сетях, обучаемых на множестве примеров [3]. Его суть заключается в представлении контура двоичным вектором, который получается путем копирования узлов двухмерной сетки нулями и единицами, в зависимости от близости точек изображения к узлам сетки. Однако данный метод имеет ряд недостатков. В частности, он зависит от выбора начальной компоненты вектора, а также от топологии объекта при получении изображения. Кроме того, длина вектора может быть слишком большой, что может затруднять дальнейшую обработку данных. Еще одним недостатком метода является отсутствие общего метода формирования тестов. В идеале, совокупность использованных тестов должна различать все допустимые образы из разных классов.

В области анализа объектов используется структурный подход, который основывается на информации, описывающей структуру объекта и его характерных признаков. Эти признаки позволяют выявить различия между классами объектов, а синтаксический анализ композиции признаков позволяет более детально изучить структуру звукового типа объекта в виде цепочки непроизводных элементов.

Одним из способов выделения непроизводных элементов является использование характерных участков кривой представляющих контур объекта. Такие признаки могут быть выражены в виде отрезков прямых, которые соединяют соседние точки двумерной сетки. Также для кодировки признаков может использоваться аппроксимирующая кривая в сегменте объекта. Для обозначения таких непроизводных элементов используются символы алфавита и операции, позволяющие описать цепочки производящих элементов.

В современной науке используется подход к описанию контуров на основе принципа подобия между контурами, что позволяет задать непроизводные элементы контура через их площадь и параметры, а также производить их численное интегрирование. Такие характеристики и методы вычислений являются универсальными и применимы для описания любой внешней оболочки объекта. Классификация таких контуров осуществляется с помощью уравнения подобия, которое определяет степень их сходства:

                                                                                             (1)

где:  – площади и периметры контуров;

 – коэффициент подобия.

Однако, при численном интегрировании с постоянным шагом накапливаются ошибки, что приводит к неточностям в вычислении периметров. Для решения данной проблемы, вместо численного интегрирования, используется сегментация разделяющей области задания контура на части и выделение линий контура в каждом сегменте, отделяющих фон от изображения объекта. Алгоритм нахождения кусочно-линейной ломаной, аппроксимирующей линию контура в сегменте, представлен на рисунке 1. Этот метод позволяет достичь более высокой точности в вычислении периметров, что в свою очередь повышает точность формирования признаков объекта. Таким образом, данный метод может быть использован в различных приложениях, направленных на анализ изображений, для определения основных характеристик объектов.

Рисунок 1. Кусочно-линейная ломаная, аппроксимирующая контур

Признаки объектов в данном методе формируются путем вписывания прямоугольника с максимальным размером в контур и корректировки его размеров с помощью треугольников [4]. Однако, такой подход является допустимым только при условии соблюдения принципа подобия. В соответствии с этим принципом, прямоугольники и области контура между границами, определяемыми линиями контура и сторонами прямоугольника, являются подобными. Границы таких областей представляются сечениями, которые аппроксимируются прямоугольниками, примыкающими к ним треугольниками. Каждый определенный сегмент проходит процесс формирования признаков, который заключается в соответствующей корректировке размеров прямоугольника и его треугольных аппроксимаций. В контуре прямоугольника площадь и периметр можно определить путем измерения стороны. Каждая сторона прямоугольника задает ось абсцисс для соответствующего сегмента. Границы сегментов закрепляются, а в каждом из них на линии контура находятся точки, наиболее удаленные от своей оси абсцисс. Расстояние от точек до оси абсцисс измеряется шагами величины квантования области контура. Если шаги квантования по оси ординат равны, то можно определить площадь и диагональ квадрата заданной длины стороны, где m - число шагов и h - длина стороны. Затем найденные точки экстремумов закрепляются, а в каждом сегменте находятся точки, наиболее удаленные от прямой, соединяющей соседние точки экстремумов. Расстояние между этими точками сравнивается с допустимой погрешностью (z). Если расстояние больше погрешности, то процедура повторяется на отрезках с различными участками разделения областей. Данная процедура выполняется до тех пор, пока не будут получены точки, расстояние до соответствующих осей которых не превышает заданную погрешность.

Таким образом, приведенный структурный метод формирования признаков контуров объектов, по сравнению с известными, требует всего два непроизводных структурных элемента для описания контура с использованием единственной операции и не приводит к сложным языковым конструкциям, что позволяет реализовать метод стандартным программным обеспечением.

Список литературы:

1. Журавлев Ю.И. Распознавание образов и анализ изображений/Ю.И. Журавлев, И.Б. Гуревич// Искусственный интеллект: Модели и методы. Г1-М.: Радио и связь, 2000.- 310 с.
2. Павлидис Т. Алгоритмы машинной графики и обработка изображений. Пер. с англ., под ред. М.С. Гуревича, М.: Радио и связь. 1986. – 400 с.
3. Тропченко А.Ю, Тропченко А.А. Методы вторичной обработки и распознавание изображений. Спб ИТМО, 2015. – 215 с.
4. Хайкин Саймон. Нейронные сети: полный курс. 2-е изд. М.: ООО «И.Д. Вильямс». 2006. – 1104 с.