CC BY
68
Список литературы:
1. Software Cost Estimation with Cocomo II / by Barry W. Boehm ... [et al.]. -N.J.: Prentice-Hall, 2000. - 544 p.
2. Липаев В.В. Оценивание количества информации в сложных заказных программных продуктах // Программная инженерия. - 2012. - № 1. - С. 2-9.
3. ISO/IEC TR 14143-5:2004. Information technology. Software measurement. Functional size measurement. Part 5: Determination of functional domains for use with functional size measurement. (Информационные технологии. Оценка программного обеспечения. Измерение функционального размера. Ч. 5. Определение функциональных доменов, используемых для измерения функционального размера). - Switzerland: ISO/IEC, 2004. - 34 p.
4. ISO/IEC 20926:2009. Software and systems engineering. Software measurement. IFPUG functional size measurement method 2009. (Разработка программного обеспечения и систем. Измерения в программном обеспечении. Метод измерения функционального размера IFPUG 2009). - Switzerland: ISO/IEC, 2009. - 32 p.
5. ISO/IEC 20968:2002. Software engineering. Mk II Function Point Analysis. Counting Practices Manual. (Разработка программного обеспечения. Анализ функциональных точек Mk II. Руководство по практике подсчета). -Switzerland: ISO/IEC, 2002. - 98 p.
6. Липаев В.В. Экономика производства программных продуктов. - М.: СИНТЕГ, 2011. - 352 с.
7. Тютюнников Н.Н. Оценка затрат на создание программных средств терминологического фонда по типовым нормам времени на программирование задач для ЭВМ // Экономика и управление в XXI веке: тенденции развития. - Новосибирск, 2013. - № 8. - С. 24-29.
АНАЛИЗ МЕТОДОВ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЯ В РАМКАХ ЗАДАЧИ РАСПОЗНАВАНИЯ ГРЯЗНЫХ И/ИЛИ ЗАШУМЛЕННЫХ НОМЕРНЫХ ЗНАКОВ АВТОТРАНСПОРТА
© Убоженко Н.В.*
Московский государственный университет леса, г. Мытищи
В данной статье проводится обзор существующих методов предварительной обработки изображения применительно к задаче распознавания символов грязных и зашумленных номерных знаков автотранспорта, производится анализ различных операций улучшения качества
* Магистрант кафедры Вычислительной техники.
изображения. Предлагается и обосновывается принцип последовательного применения различных операций предварительной обработки изображений для достижения наилучших результатов в рамках рассматриваемой задачи, приводится пример применения методов предварительной обработки изображения к исходному зашумленному изображению номерного знака.
Решение проблемы идентификации автомобиля по регистрационному номерному знаку является важным аспектом безопасности и контроля. Использовать такой продукт можно в различных сферах применения, касающихся автотранспорта.
В настоящее время существует не так много систем определения номерных знаков, не все из которых являются по-настоящему качественной продукцией. Системы, обладающие высоким быстродействием и точностью распознавания, как правило, очень дороги за счет достаточно сложной и обширной аппаратной составляющей. Высокая стоимость существующих продуктов не позволяет осуществить их массовое внедрение. Именно поэтому вопрос создания качественного программного комплекса распознавания номерных знаков транспортных средств в настоящее время достаточно актуален.
В общем случае распознавание реализуется в четыре этапа: получение нужного изображения (применительно к рассматриваемой задаче - зоны, содержащей номерной знак автотранспорта) предварительная обработка изображения, сегментация и непосредственно распознавание символов.
Процедура предварительной обработки используется после получения нужного изображения и представляет собой применение операций усреднения и выравнивания гистограмм, различного типа фильтров для исключения помех и подавления внешних шумов.
Структура этапа предварительной обработки изображения относительно задачи распознавания зашумленных и/или грязных номерных знаков сводится к применению следующих операций:
- первичная коррекция изображения (избавление от шума);
- бинаризация полутонового изображения;
- применение операций математической бинарной морфологии.
Цифровой шум и методы его устранения
Цифровой шум - дефект изображения, представляет наложенную на изображение маску из пикселей случайного цвета и яркости.
Коррекция шума на изображении - часть этапа предварительной обработки изображения. Заключается в применении к изображению различного рода фильтров усреднения, что ведёт к размытию изображения.
Основные источники шума на цифровом изображении - это сам процесс его получения (оцифровки), а также процесс передачи. Работа сенсоров зависит от различных факторов, таких как внешние условия в процессе
видеосъемки и качество сенсоров. В процессе передачи изображения могут искажаться помехами, возникающими в каналах связи.
В рамках поставленной задачи наиболее актуальны два вида шума: Гауссов (другое название - нормальный) шум и импульсный биполярный шум.
Фильтр, основанный на вычислении среднего арифметического, является наиболее эффективным для устранения Гауссова шума. Данная процедура предполагает вычисление среднего арифметического значения по некоторой окрестности для каждого пикселя изображения. Усредняющий фильтр сглаживает локальные вариации яркости на изображении. Уменьшение шума происходит в результате этого сглаживания.
Наиболее известным из фильтров, эффективно устраняющих импульсный шум, является медианный фильтр. Действие этого фильтра, как следует из его названия, состоит в замене значения в точке изображения на медиану значений яркости в окрестности этой точки.
При вычислении медианы значение в самой точке (в центре окрестности) также учитывается. Широкая популярность медианных фильтров обусловлена тем, что они прекрасно приспособлены для подавления некоторых видов случайных шумов, и при этом приводят к меньшему размыванию по сравнению с линейными сглаживающими фильтрами того же размера. Медианные фильтры особенно эффективны при наличии как биполярного, так и униполярного импульсного шума.
Бинаризации изображения
Целью операции бинаризации является радикальное уменьшение количества информации, содержащейся на изображении. В процессе бинаризации исходное полутоновое изображение, имеющее некое количество уровней яркости, преобразуется в черно-белое изображение, пиксели которого имеют только два значения яркости: 0 (черный) и 1 (белый). Для этого в процессе бинаризации полутоновых изображений находится порог яркости, позволяющий разделить все изображение на черное и белое.
Математическая бинарная морфология
Бинарная морфология - применение операций математической морфологии в обработке черно-белых цифровых изображений. Изображение представляется в виде упорядоченного множества черно-белых точек (пикселей). Каждая операция двоичной морфологии является некоторым преобразованием этого множества. В качестве исходных данных принимаются двоичное изображение В и некоторый структурный элемент & Результатом операции также является двоичное изображение.
Структурирующий элемент В применяется ко всем пикселам бинарного изображения. Каждый раз, когда начало координат структурирующего элемента совмещается с единичным бинарным пикселом, ко всему структурирующему элементу применяется перенос и последующее логическое сло-
жение (или вычитание) с соответствующими пикселями бинарного изображения. Результаты логического сложения записываются в выходное бинарное изображение.
Последовательность применения операций предварительной обработки изображения
На основе проведенного анализа, в рамках задачи распознавания символов грязных и/или зашумленных номерных пластин автотранспорта наиболее эффективным предстает следующий порядок применения операций предварительной обработки изображения:
- анализ наличия и определение типа шума, присутствующего на изображении (к примеру, с помощью анализа гистограммы уровней яркости полутонового изображения).
- применение соответствующего фильтра размытия, наилучшим образом устраняющего шум (как правило, Гауссова или импульсного типа) без потери важных особенностей полутонового изображения, либо же комбинации подобных фильтров;
- проведение пороговой бинаризации изображения;
- применение операции дилатации или (в зависимости от цвета символов / фона) эрозии бинарной морфологии, обеспечивающей максимальную степень устранения дефектов бинарного изображения с сохранением его важных особенностей.
Пример предварительной обработки изображении
1. Имеется исходное полутоновое изображение ГРЗ транспортного средства. Определен Гауссов шум, номерная пластина незначительно загрязнена (рис. 1).
Рис. 1
2. Применение фильтра размытия по Гауссу к исходному полутоновому изображению (рис. 2).
Рис. 2
3. Применение операции пороговой бинаризации к скорректированному полутоновому изображению (рис. 3).
Рис. 3
4. Применение операции дилатации бинарной морфологии со сферическим структурным элементом к бинарному изображению (рис. 4).
Рис. 4
Как видно на примере данного изображения, качество картинки при задействовании полученной ранее последовательности операций предварительной обработки изображения заметно улучшилось.
Список литературы:
1. Яне Б. Цифровая обработка изображений. - Техносфера, 2007.
2. Гонсалес, Вудс. Цифровая обработка изображений. - Техносфера, 2005.
3. Лукьяница, Шишкин. Цифровая обработка видеоизображений. - Ай-Эс-Эс Пресс, 2009.
4. Сойфер В.А. Методы компьютерной обработки изображений. - Физ-матлит, 2003.
5. Горелик А.Л., Скрипкин В.А. Методы распознавания. - Высшая школа, 1984.
6. Васильев В.И. Распознающие системы. - Наукова думка, 1983.
7. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. - Наука, 1979.
8. Михайлов И.А. Некоторые методы распознавания изображений. -Ярославский государственный университет им. П.Г. Демидова, 2008.
