CC BY
133
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №5/2016 ISSN 2410-6070_
ФИЗИКО- МАТЕМАТИЧЕСКИЕ НАУКИ
УДК 519.67
Аблоухов С.И, Егупов Р. Д.,
Магистры 2 курса, Лобов Д.В.
к. ф.-м. н, доцент, Петрозаводский государственный университет, г. Петрозаводск, Российская Федерация
ДЕТЕКТИРОВАНИЕ СТВОЛОВ ДЕРЕВЬЕВ НА ОСНОВЕ АЛГОРИТМОВ
БИБЛИОТЕКИ OPENCV
Аннотация
В работе проведен анализ возможности детектирования стволов деревьев на цифровых статических изображениях и видеопотоке природного ландшафта с цифровой камеры.
В качестве основных алгоритмов «компьютерного зрения» использовались детекторы на основе градиента яркости, контрастных перепадов и детекторы, использующие коэффициент совпадения с шаблоном [1].
Для реализации алгоритмов применялась библиотека вычислительных алгоритмов компьютерного зрения «OpenCV».
Ключевые слова
«OpenCV», компьютерное зрение, распознавание образов, фильтр Собеля, фильтр Канни.
Компьютерное зрение как научная дисциплина появилась в конце 1970-х годов. Основная цель компьютерного зрения — автоматизация процесса распознавания и обработки цифровых изображений и видеофайлов. Данная дисциплина нашла применение во множестве областей, касающихся обработки изображений и распознавания образов в промышленных, военных и бытовых системах. Например, одним из больших достижений в этой области является автоматизация процесса вождения автомобиля.
Основным применением компьютерного зрения является распознавание образов, которое в науке принято называть сегментацией. Сегментация — это группирование пикселей изображений по определенным признакам. После сегментации изображения проводится детектирование объектов, присутствующих в данном изображении. Существует множество методов детектирования элементов изображений, которые имеют свою классификацию [1, 2, 3]:
• детекторы, использующие градиент яркости;
• детекторы, использующие совпадение с шаблоном;
• детекторы, использующие преобразование пространства;
• детекторы, использующие статистические методы.
Опираясь на данную классификацию типов детекторов, можно заметить, что детекторы, использующие градиент яркости (пример: фильтр Собеля), делятся на детекторы углов, окружностей и контурных линий. Детекторы, использующие преобразование пространства нужны для нахождения предметов, когда они искривлены геометрически. Детекторы, использующие коэффициент совпадения с шаблоном применяются для нахождения объектов по определенным образцам, взятым из других изображений.
На сегодняшний день существует огромное количество универсальных и узкоспециализированных коммерческих и свободно распространяемых программных средств, реализующих данные алгоритмы [4].
Однако, одними из основных инструментов для работы с алгоритмами компьютерного зрения являются пакет программ «Computer Vision System Toolbox» среды моделирования «MATHLAB» и
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №5/2016 ISSN 2410-6070_
библиотека «OpenCV».
В данной работе для детектирования стволов деревьев в естественном ландшафте применялись детекторы, использующие градиент яркости и совпадение с шаблоном. Для реализации алгоритмов использовались функции библиотеки «OpenCV».
Техника проведения эксперимента заключалась в создании и подготовке большого количества образцов изображений и видеофайлов (от десятков до нескольких тысяч). Весь тестовый материал был получен на одной и той же аппаратуре при различных условиях. В ходе проведения эксперимента, полученные после обработки и детектирования, изображения анализировались и проводился расчет вероятности удачного обнаружения требуемых объектов.
В первом использованном алгоритме был применен оператор Собеля [5]. На рис. 1 представлен пример работы алгоритма (слева - исходное изображение, справа - изображение после применения оператора Собеля).
Рисунок 1 - Применение оператора Собеля для выделения границ ствола дерева.
На качество детектирования контуров стволов деревьев влияет множество факторов: от выбранного ландшафта и настроек функции Собеля до условий съемки. Выявлено, что лучшими результатами детектирования обладают изображения одиночных стволов деревьев при контрастном фоновом ландшафте и при хороших условиях съемки (например, в солнечную погоду). Это видно при сравнении рис. 1 и рис. 2. Несмотря на хорошие условия съемки изображение дерева на рис. 2 имеет менее контрастный фон, что затрудняет детектирование ствола этого дерева.
Рисунок 2 - Применение оператора Собеля для выделения границ ствола дерева.
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №5/2016 ISSN 2410-6070_
Вторым использованным алгоритмом был детектор границ Канни [5]. Он позволяет более точно получить контуры сложных объектов. Главной особенностью данного алгоритма является то, что он требует точной настройки параметров для получения контуров искомого объекта. В противном случае на итоговом изображении будет присутствовать множество различных шумов и детектировать объект будет невозможно. Потому применение данного алгоритма для автоматизированных или автоматических систем затруднительно.
Следующим методом был выбран метод поиска по шаблону (cvMatchTemplate [5]). Данный метод годится для поиска объектов по признакам, сходным с признаками шаблона. Поиск по шаблону производится сравнением интенсивностей исходного изображения и изображения шаблона. В библиотеке OpenCV реализовано несколько вариантов алгоритмов сравнения. Очевидно, что из-за сложности изображений деревьев в естественном ландшафте детектирование их стволов поиском по шаблону потребует большую базу данных шаблонов. При этом не гарантируется отсутствие ложных срабатываний.
Очередным этапом было комбинирование вышеупомянутых методов (фильтр Собеля, детектор границ Канни, поиск по шаблону).
Рисунок 3 - Результат работы алгоритма (цвета инвертированы) (Расположение: левый верхний угол -оригинальное изображение, правый верхний угол - детектор Кенни, левый нижний угол - фильтр Собеля, шаблон ствола дерева, нижний правый угол - фильтр Собеля, шаблон коры)
Из рис. 3 видно, что ствол дерева на контрастном фоне легко детектируется при комбинировании детектора Канни и фильтра Собеля с шаблоном ствола дерева. При этом при выборе ствола другого дерева (береза) из иного изображения также происходит верное срабатывание. Также на рис. 3 видно, что в случае выбора в качестве шаблона небольшого участка коры может произойти ложное срабатывание.
Далее рассматривалась возможность детектирования стволов деревьев на более сложных изображениях. На рис. 4 представлен один из таких вариантов более сложного ландшафта со множеством деревьев, находящихся на разных расстояниях от камеры. Двумя разными методами были детектированы наименее удаленные деревья. При этом их стволы найдены с небольшой погрешностью. Это видно по границам выделенного объекта на рис. 4. Использование небольшого участка коры для шаблона снова привело к ложному срабатыванию.
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №5/2016 ISSN 2410-6070_
Задача детектирования конкретного типа дерева в лесном ландшафте представляет собой сложную задачу из-за сильной зависимости от условий съемки, схожести интенсивностей пикселей коры деревьев и других объектов в данном ландшафте.
Рисунок 4 - Результат работы итогового алгоритма (цвета инвертированы) (Расположение: левый верхний угол - оригинальное изображение, правый верхний угол - детектор Кенни, левый нижний угол - фильтр Собеля, шаблон ствола дерева, нижний правый угол - фильтр Собеля, шаблон коры)
В ходе работы было выяснено, что комбинирование методов: фильтр Собеля и поиск по шаблону с нахождением минимумов, а также детектор Канни и поиск по шаблону с нахождением минимумов, позволяют найти искомые объекты. При хорошем освещении и резких границах это не составляет труда, так как кора многих деревьев одного типа во многом схожа.
Для увеличения вероятности нахождения искомых объектов следует использовать нейронные сети или каскад Хаара с алгоритмом «Ada Boost» [5].
Список использованной литературы:
1. Форсайт Д., Понс Ж. Компьютерное зрение - современный подход. М.: «Вильямс», 2004. 928 с.
2. Обзор алгоритмов детектирования простых элементов изображения и анализ возможности их аппаратной реализации [Электронный ресурс] URL: http://www.keldysh.ru/papers/2005/prep114/prep2005_114.html (дата обращения: 26.04.2016)
3. Wiki - Техническое зрение. [Электронный ресурс] URL: http://wiki.technicalvision.ru/ (дата обращения: 26.04.2016)
4. Computer Vision O.N.L.I.N.E. [Электронный ресурс] URL: http://www.computervisiononline.com/ (дата обращения: 26.04.2016)
5. OpenCV documentation index. [Электронный ресурс] URL: http://docs.opencv.org/ (дата обращения: 26.04.2016)
©Аблоухов С И, Егупов Р. Д.,Лобов Д.В.2016
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «ИННОВАЦИОННАЯ НАУКА» №5/2016 ISSN 2410-6070
УДК 539.3
Р.Ш.Индиаминов
доктор физико-математических наук, профессор Самаркандского филиала Ташкентского
университета информационных технологий Самарканд,Узбекистан,e-mail: r_indiaminov@mail.ru
З.Ахмеджанова
магистрант Самаркандского филиала Ташкентского университета информационных технологий
Самарканд,Узбекистан П.Насриддинова
магистрант Самаркандского филиала Ташкентского университета информационных технологий
Самарканд,Узбекистан
НЕЛИНЕЙНОЕ ДЕФОРМИРОВАНИЕ ГИБКИХ ОРТОТРОПНЫХ ОБОЛОЧЕК ПЕРЕМЕННОЙ ТОЛЩИНЫ В НЕСТАЦИОНАРНОМ МАГНИТНОМ ПОЛЕ
Аннотация
В работе проведен анализ напряженного состояния гибкой ортотропной оболочки, находящейся под действием переменной по времени механической силы и переменного по времени внешнего электрического тока, с учетом механической и электромагнитной ортотропии. Исследуется влияние толщины на напряженно-деформированное состояние ортотропной оболочки. Полученные результаты свидетельствует о влиянии толщины на деформацию оболочки и необходимости учета этого фактора в расчетных схемах.
Введение. Развитие исследований в теории магнитоупругости связано с решением многих важных задач современной техники. Такие задачи возникают при разработке электромагнитных насосов, магнитогидродинамических ускорителей, измерительной аппаратуры, которая работает с электромагнитными полями, наложением магнитных полей при управлении движением плазмы, при протекании в упругой оболочке, расчете защитных экранов, атомных реакторов, постановке некоторых физических экспериментов и т. д.
Построение оптимальных конструкций современной техники работающей в магнитных полях связано с широким использованием конструктивных элементов, например гибких тонкостенных оболочек. Воздействие нестационарных полей на металлические тонкостенные элементы приводит к появлению объемных электромагнитных сил, способных при определенных параметрах полей вызывать большие деформации конструкций. В последнее время значительный интерес вызывает вопрос определения напряженного состояния гибких ортотропных оболочек работающих в переменном магнитном поле с учетом ортотропной электропроводности.
1. Нелинейная постановка задачи. Основные уравнения. Рассмотрим нелинейное поведение ортотропной токонесущей конической оболочки из бериллия переменной толщины, изменяющейся в
Ключевые слова
Оболочка, магнитное поле, магнитоупругость. Key words Shell, magnetic field, magneto elasticity.
f
меридиональном направлении по закону h = 5 • 10 1 — а
V
Л
м. Считаем, что оболочка находится под
воздействием механическом силы
стороннего электрического тока
Jаг^т 5 * 10 5 sin a t 2 , и внешнего магнитного поля B„n = 0.1 Тл, а также что оболочка имеет
ÜL.I /м S 0
конечную ортотропную электропроводность О (< , <Г2, <Г3).
2
