СРАВНЕНИЕ МЕТОДОВ ОБНАРУЖЕНИЯ ОБЪЕКТОВ НА ИЗОБРАЖЕНИЯХ

АННОТАЦИЯ

В данной работе производится сравнение методы распознавания объектов на изображении, на основе детекторов границ и нейронных сетей.

Ключевые слова: компьютерное зрение; методы обнаружения объектов; гибридные нейронные сети; выделения границ методом Канни.

Компьютерное зрение — это теория и технология создания искусственных систем, способных производить обнаружение и классификацию объектов, распознавать рукописный текст, восстанавливать изображения и анализировать оптические потоки.  Для этого в компьютерном зрении применяются статистические и математические методы, а так же модели, построенные при помощи физики, геометрии и теории обучения. Компьютерное зрение нашло широкое применение в системах видеонаблюдения, в медицинских системах анализа снимков, системах управления автомобилями, в современных телефонных устройствах, в сортировке и поиске брака в серийном производстве, а так же в технологиях дополнительной и виртуальной реальности.

Основным задачей компьютерного зрения является поиск и выделение искомых деталей объекта на изображении или последовательности изображений. Искомые объекты обычно формируются вручную из заранее подготовленного набора изображений. А обнаружение объекта заключается в сопоставлении неизвестного объекта с уже вручную обработанным набором изображений. При этом даже частичное совпадение может считается приемлемым. Для решения этой задачи существует множество возможных решений: поиск границ, поиск дескрипторов и особых точек, использование простых, гибридных и иерархических нейронных сетей и т. д.

Более детально рассмотрим метод выделения границ Канни, выделение границ методом гибридных нейронные сете.

Выделение границ методом Канни.

Данный метод основан на минимизации нескольких откликов края одного объекта, а так же фильтрацию ложных границ и шумов. Другими словами, метод точно определяет границы искомого объекта и все границы к одному размеру. Это осуществляется в несколько шагов:

1. Сглаживание. На данном шаге происходит размытие изображения, это смягчает границы резких переходов, тем самым нивелирует различные шумы.[1]
2. Поиск градиентов и подавление шумов. На данном этапе отмечаются границы там, где градиент изображения максимален, а остальные локальные максимумы подавляются.[2]
3. Двойная пороговая фильтрация и трассировка области неоднозначности. На данном этапе конечные границы объектов формируются на основе пороговых значения, а неоднозначные края подавляются.

В результате данного метода только явные границы объекта, которые выше порогового значения, будут выделены на изображении.

Определение объектов методом гибридных нейронных сетей.

Основным преимуществом гибридных нейронных сетей является возможность поэтапно уменьшать сложность изображения, выделяя лишь основные границы объектов. Это достигается благодаря сегментации изображения и комбинированию нейронных сетей с различными фильтрами. Для примера рассмотрим следующую нейронную сеть [3]

Рисунок 1. Гибридная нейронная сеть

Выделение границ происходит в несколько шагов:

1. Всё изображение делится на сегменты.
2. Для каждого сегмента изображения вычисляется интенсивность пикселей, которая представляется в оттенках серого.
3. Поскольку сегмент растрового изображения можно было прочитать вдоль строк растра или вдоль столбцов, то сформировано два вида описаний: по пиксельным столбцам – О1 и по пиксельным строкам – О2; и производится фильтрация.
4. Усреднение результатов фильтрации по О1 и О2 и сравнение их с пороговым значением.

Сравнение двух методов.

Для сравнения двух методов был взят Рисунок 2.

Рисунок 2. Начальное изображение

Результат выполнения методов представлен на рисунке 3. На нем видно, что метод определения границ Канни благодаря сглаживанию и подавлению шумов показал более четкие границ объекта, чем метод гибридной нейронной сети [3].

Рисунок 3. Результат выполнения. А) метод определения границ Канни; Б) гибридная нейронная сеть

Список литературы:

1. SUSAN Principle for Feature Detection // Oxford University. Wellcome Centre for Integrative Imaging. [Электронный ресурс] URL: https://users.fmrib.ox.ac.uk/~steve/susan/susan/ node2.html
2. Canny Edge Detection // OpenCV. [Электронный ресурс] URL: https://docs.opencv.org/ 3.3.1/da/d22/tutorial_py_canny.html.
3. Томакова, Р.А. Нечеткая сетевая модель интеллектуального морфологического оператора для формирования границ сегментов / Р.А. Томакова, С.А. Филист, В.В. Руденко // Научные ведомости БелГУ. - Белгород: Изд-во БелГУ, 2011. - № 1(96). Вып. 17/1. - С.188-195.