CC BY
34
4. ШФОРМАЦШШ ТЕХНОЛОГИ ГАЛУЗ1
УДК 004.[02+35+9] Ст. наук. ствроб. В.В. Грицик, д-р техн. наук -
ТернопЬльський НТУ т. 1вана Пулюя
ДОСЛЩЖЕННЯ ЗАВДАННЯ ВИБОРУ МЕТОДУ РОЗП1ЗНАВАННЯ ГРАНИЦЬ ЗАЛЕЖНО В1Д СПЕКТРАЛЬНИХ ЗНАЧЕНЬ
Наведено результати дослщження щодо можливостi побудови методики об'ектив-ного вибору фiльтра знаходження границь шляхом встановлення залежностi ефектив-ностi методу знаходження контурiв вщ ршня освiтленостi. Дослiджено стiйкiсть фшьтрш пошуку контурш до впливу такого зовшшнього чинника як свiтло. Порiвняно переваги i недолiки кожного з фшьтрш. Проведене дослщження е першою частиною дослiдження, що дасть змогу розробити методику об'ективного вибору оптимального фшьтра для поточних умов. Це дасть змогу повшстю автоматизувати процес пошуку контурш, незважаючи на вплив такого фактора як освiтлення. Дослщжено роботу опе-раторiв Робертса, Кенш, Собеля, Щарра. Процедуру об'ективно! оцшки якостi виконуе математичний апарат на базi штучно! нейронно! мережi (класичний одношаровий пер-септрон).
Вступ. Загалом проблема в комп'ютерному зорi, оброблянш зображень i машинному зорi - це визначення того, чи мктять вiдеоданi деякий характерний образ (об'ект, особливiсть, даю чи бездiяльнiсть). Цю проблему може достовiрно i легко виртити людина, але 11 дос не вирiшено задовiльно у комп'ютерному зорг випадковi об'екти у випадкових ситуацiях. Окр1м цього, багато методав працюе задовiльно в одних ситуациях та погано в iнших. Актуальшсть проблеми найкраще показано у британських дослiдженнях [1, 2]: з'ясовано, що жовп тони видаються набагато яскрашшими взимку та пiзньоí осенi, шж влiтку та навеснi, спостерiгаючи за тим, як група з шктдесяти добровольцiв сприймала базовi кольори в рiзнi сезони року. Як виявили вченi, постановка експерименту була дуже простою - вони приводили чергового добровольця до кiмнати, вимикали свило, за кшька хвилин вмикали моштор i просили учасникiв дослiдiв пвдбрати той вiдтiнок, який 1м здавався жовтим, без домiшок червоного або зеленого.
Пор1внявши результати дослiдiв у рiзнi пори року, дослiдники виявили, що людське око, незалежно вщ iндивiдуальних особливостей зору, абсолютно по^зному сприймае те, що його господар вважае чистим жовтим або зеленим кольором. Наприклад, протягом лiта вдеальний жовтий зсуваеться в бiк синьо! частини спектра, а взимку - в бш червоних тонiв. Якщо вживати фiзичнi термь ни, то довжина хвилi для кожного з цих кольор1в вардавалася на 1,5-2 нанометра протягом лгга та зими. Це досить неiстотна вiдмiннiсть для людини, однак високочутливi фотосенсори будуть вважати "зимовий" та "линш" жовтий i зе-лений рiзними вiдтiнками.
Один i той же об'ект люди бачать по^зному - для кожного вш свого кольору, з'ясували науковщ в хода нових дослiджень. Те, що особисто ви сприймаете як червоний колiр, iншi можуть сприймати як ваш сишй [2]. На пог-ляд дослщнитв, наше сприйняття кольору формуеться шд впливом зовшшньо-
го свиу, але прив'язаний до зумовленого шаблону. Отже, всупереч усталеним уявленням, червоний, який е кольором кров^ полунищ i планети Марс, деякi люди можуть сприймати як синiй колiр. Цi дослiдження акцентують на потребi розроблення методики i методов, що дадуть змогу комп'ютерам адаптуватися до поточних ситуацiй.
Мета роботи - встановлення залежностi ефективностi методу знахо-дження контурiв вiд рiвня освиленост!
Основна частина
Попередня обробка. Найоптимальшшою колiрною системою для задачi розшзнавання образiв е система RGB, оскшьки CMYK бiльше призначена для полiграфií, а HSB та ii рiзновиди - для вибору кольору з пал^и безпосередньо користувачем. Попередне оброблення зображення охоплюе комплекс процесiв, ят по сутi покращують видимiсть об'екпв, спрощують структуру зображення, частково або повнктю усувають завади на зображенш, якщо такi iснують.
KouipHa субдискретизащя. Найкращим методом спрощення структури зображення з метою зменшення кiлькостi обчислень шд час подальшого оброблення е перетворення його у монохромне, а саме у градацл срого - колiрний режим, який представляеться як еталон яскравостi бiлого кольору, що знахо-дяться у виглядi таблицi. Частiше за все використовують ступiнчасте зображення рiвномiрного ряду оптичних щiльностей нейтрально-сiрих полiв. Цей процес доволi простий для розумшня - для кожного пiкселя застосовуеться операщя додавання його трьох колiрних значень, помножених на коефiцiент. Внаслщок отримаемо значення вiдтiнку сiрого для цього шкселя, трьох-канальний формат зображення переводиться в одно-канальний, кожне значення шкселя вимь рюеться в межах одного байта [0; 255], де 0 означае чорний колiр, а 255 - ввдпо-ввдно бший. Для попереднього оброблення зображення використано фшьтр за методом Гауса.
Фигьтр Гауса. Характерний фшьтр розмиття зображень, який викорис-товуе нормальний розподш для обчислення перетворення, яке застосовуеться до кожного шкселя зображення. Рiвняння Гауса для двовишрного випадку виг-лядае так:
1 u2+v2
ap(u,v) = 1 + ---e ws2 , (1)
де: u2+v2- - радiус розмиття (u - це вщстань вiд початку координат в ос абсцис, v - це вщстань вiд початку координат у ос ординат); y - стандартне вiдхилення розподiлу Гауса. Значення кожного шкселя стае середшм зваженим для околи-цi. Початкове значення пiкселя приймае найбiльшу вагу, а сусiднi - меншу, за-лежно вiд ввдсташ. На практицi, коли вираховуеться дискретне значення фун-кцií Гауса, не враховують пiкселi на вiдстанi вище 3, оскшьки вони дуже мал1 Отже, програмi, що фшьтруе зображення, достатньо розрахувати матрицю [6]х[6], для гарантування достатньо! точностi наближення розподшу Гауса (рис. 1).
1
115 с=1.4
2 4 5 4 2
4 9 12 9 4
5 12 15 12 5
4 9 12 9 4
2 4 5 4 2
Рис. 1. Маска Гауса 5*5 для а =1,4
Вибiр метоЫв видтення контурiв на зображент. Наступним кроком тсля видалення шумiв е видiлення контурiв на зображент, це один з ключових етатв оброблення зображення, оскiльки без видшення контурiв знайти об'екти на зображент буде дуже важко.
Перехресний оператор Робертса - це класичний алгоритм видшення границь, який обчислюе суму квадрапв рiзниць мiж пiкселями-сусiдами по дь агоналi. Ця операцiя виконуеться двома ядрами:
"+1 0" "0 +1"
та
0 -1 -1 0
Вiдповiдно, кожний тксель обраховуеться за правилом: Т =Р(х,У)-Р(х +1У +1), Т =\р(х +1,У)-Р(х,У +1), омгр(х,у) = у1 Т2 + Т2 , де: р(х, у) - пiксель вхiдного зображення з координатами х та у; а вшР (х, у) -тксель нового зображення з вдаовщними координатами.
Перетворення кожного ткселя оператором Робертса може показати по-хщну зображення вздовж ненульово'' дiагоналi, а комбшащя цих перетворених зображень може розглядатись як градiент вiд двох верхнiх пiкселiв до двох нижтх. Цей оператор все ще застосовуеться завдяки швидкостi обчислень, але вш програе багатьом iншим фiльтрам, i його значним недолiком е чутливкть до шуму. Вiн дае тоншi лшп, нiж, наприклад, оператор Собеля, але його уткаль-ною особливктю е те, що вiн може застосовуватись вщразу на полiгонi вхщно-го зображення, i не треба створювати нове зображення.
Оператор Собеля. Дискретний диференщальний оператор, який обчислюе значення градiента яскравостi зображення. Внаслщок застосування оператора Собеля в кожнш точцi зображення знаходиться або вектор градiента яскравос-п, або його норма. Алгоритм оснований на згортщ зображення в вертикальному i горизонтальному напрямках, тому не вимагае досить важких обчислень. З iншо-го боку, апроксимац1я градiента виходить доволi грубою, особливо це пом^но на високочастотних коливаннях зображення. Оператор застосовуе ядра 3x3, яю ви-конують згортку зображення. Нехай Ох та ОУ- два зображення, де кожна точка мiстить наближет похiднi по х та У, А - початкове зображення, тодк
"-1 - 2 -1" "-1 0 +1 "
Оу = 0 0 0 * А та Ох = -2 0 + 2
+1 +2 +1 -1 0 +1
де символ * означае операцда згортки. Координата х тут зростае направо, а у -вниз. Тепер можна вирахувати наближеш значения град1ента
Ця операщя застосовуеться до кожного шкселя. Вих1дне зображення О 1 буде результуючим, з видшеними контурами. Також можна вичислити напря-мок град1ента в кожнш точщ:
Оператор Собеля можна реал1зувати простими техшчними 1 програмни-ми засобами. Програмна реал1защя оператора Собеля може ефективно викорис-товувати 81МВ-розширення системи команд сучасних процесор1в, при цьому виграш у швидкосп, пор1вняно з високор1вневою реал1защею, буде в 5 раз1в. Одним з видозмшених оператор1в Собеля е оператор Щарра, який згладжуе паразитш ефекти на зображенш, використовуючи ядро:
Оператор Кенш. Розробив у 1986 р. Джон Кенш, цей оператор застосо-вуе багатоетапний алгоритм для знаходження широкого спектра границь на зображеннях. На в1дмшу в1д шших оператор1в, оператор Кенш не обмежуеться тшьки на обчисленш град1енга. У контур1 гранищ залишаються тшьки точки максимуму град1ента, а не максимальш точки, як1 знаходяться поряд з границею - видаляються. Якщо значення град1ента де-небудь на фрагмент! переви-щить пор1г, то цей фрагмент залишаеться також допустимою границею. Якщо на всьому фрагмент! немае жодно!' точки з1 значенням, бшьшим за верхшй по-р1г, то вш видаляеться.
Основш етапи алгоритму:
• Видалення шумiв (згладжування) за допомогою вже описаного фшьтра Гауса.
• Пошук градieнта, який традицiйно виконуеться також вже описаним оператором Собеля.
• Визначення i заокруглення кутiв напрямку вектора градiента, допустимi значен-ня: 0, 45, 90, 135.
• Заглушка не максимумiв - тшьки локальнi максимуми вiдзначаються як гранищ.
• Подвiйна порогова фiльтрацiя - потенцшт границi визначаються порогами.
• Трасування областi неоднозначностi. Результуючi гранищ визначаються шляхом заглушки вих кра1в, якi не зв'язанi зi "сильними" границями. Результуюче зображення буде мктити шксел1 з1 значеннями суворо 0 1
255, тобто тшьки абсолютно чорш 1 абсолютно бш, що значно полегшуе про-цес розшзнавання об'екпв. Оператор Кенш значно менш чутливий до шуму, шж оператори Робертса та Собеля.
О =у1 Ох2 + Оу 2
+3 +10 + 3 +3 0 - 3 0 0 0 +10 0 -10 -3-10 - 3 +3 0 - 3
Вибнр методу ощнки якостi роботи операторiв контуру
Серед найбшьш поширених пiдходiв можна видщити три:
• метод перебору вигляду об'екта пiд рiзними кутами, масштабами, зсувами й т. ш. Для букв потрiбно перебирати шрифт, властивост шрифту i т. ш.;
• другий пiдхiд - дослщжувати властивостi контуру об'екта (зв'язнiсть, наявнють кутiв i т. iн.);
• третш пiдхiд - використовувати штучш нейроннi мережi. Цей метод вимагае або велико! кшькосл прикладiв задачi розпiзнавання (iз правильними вщпов^ дями), або спещально! структури нейронно! мереж^ що враховуе специфiку дано! задача
Для ощнки якостi роботи оператора в рiзних спектральних умовах виб-рано метод, що використовуе парадигму штучних нейронних мереж. Першi два пiдходи бiльш статичнi, оскшьки передбачають перевiрку "за шаблоном", в тодi як штучнi нейроннi мережi здатнi до бiльш природного навчання i в певному розумiннi можуть пристосовуватися до умов експерименту. Серед багатьох ви-дiв нейронних мереж вибрано простий одношарий персептрон [5-12]. Схема-тичний приклад такого персептрона подано на рис. 2.
Рис. 2. Структура нейронного елемента в одношаровш НМ На рис. 2 NET - суматор добутку входiв на вщповщш BaroBi вiдношення 3i входами даного нейронного елемента:
n,k
Net = X X ■ Wij та Out = F(Net) =
1
i, j=l
1 + e"
де F - активацшна функцiя. Одношарова нейронна мережа е оптимальним варь антом, оскшьки у не! доволi простий та ефективний математичний опис, а !! по-тужностi цiлком достатньо для поставлено! зaдaчi.
Висновки. Дослщжено, що найшвидший оператор Робертса, який у се-редньому на 10-15 % швидший вщ iнших опеpaтоpiв. Оператор Кеннi, в якому ведеться найбшьша кiлькiсть обчислень, незважаючи на це, показав фактично однaковi результати з операторами Собеля, Превта та Щарра. Сеpеднi показ-ники FPS за piзних опеpaтоpiв i сигуацш показують, що оператор Щарра ви-явився нaйбiльш стiйким до поганого осв^лення, причиною цього е доволi гру-бе, поpiвняно з шшими операторами, видiлення контуpiв, i бшьш яскраве вихвд-не зображення, однак вш непридатний до зображень з яскравим освгшенням i високою зашумлешстю, через його високу чугливiсть. Для яскравого св^ла шд-ходить оператор Робертса, Собеля, Кенш.
У подальших роботах плануемо дослiдити момент оптимального переходу вщ фiльтpa до фшьтра.
Лiтература
1. Lauren E. Welbourne, Antony B. Morland, Alex R. Wade "Human colour perception changes between seasons". [Electronic resource]. - Mode of access http://www.cell.com/current-bi-ology/abstract/S0960-9822%2815%2900724-1.
2. [Electronic resource]. - Mode of access http://www.newsru.ua/arch/world/02jul2012/3cve-ta.html
3. [Electronic resource]. - Mode of access http://robocraft.ru/blog/computervision/460.html
4. [Electronic resource]. - Mode of access http://www.cyberforum.ru/csharp-beginners/thre-ad1093557.html
5. Уосермен Ф. Нейрокомп'ютерна технжа: Теорш i практика / Ф. Уосермен. [Електронний ресурс]. - Доступний з http://www.victoria.lviv.ua/html/wosserman/
6. McCulloch W.W., Pitts W. 1943. А logical calculus of the ideas imminent in nervous activiti. Bulletin of Mathematical Biophysics 5. - Pp. 115-33. (Росшський переклад: Маккаллок У.С., Питтс У. Логическое исчисление идей, относящихся к нервной деятельности. Автоматы. - М. : Изд-во Иностр. лит-ры. - 1956).
7. Pitts W. Moculloch W.W. 1947. How we know universals. Bulletin of Mathematical Biophysics 9. - Pp. 127-47.
8. Rosenblatt F. 1962. Principles of Neurodinamics. - New York : Spartan Books. (Росшський переклад: Розенблатт Ф. Принципы нейродинамики. - М. : Изд-во "Мир", 1965).
9. Widrow В. 1961. The speed of adaptation in adaptive control system, paper *1933-61. American Rocket Society Guidance Control and Navigation Conference.
10. Widrow В. 1963. А statistical theory of adaptation. Adaptive control systems. - New York : Pergamon Press.
11. Widrow В., Angell J.B. 1962. Reliable, trainable networks for computing and control. Aerospace Engineering 21. - Pp. 78-123.
12. Widrow В., Hoff M.E. 1960. Adaptive switching circuits. 1960 IRE WESCON Convention Record. - Part 4. - Pp. 96-104. - New York : Institute of Radio Engineers.
Грицик В.В. Исследование задачи выбора метода распознавания границ в зависимости от спектральных условий
Приведены результаты исследования возможности построения методики объективного выбора фильтра нахождения границ путем установления зависимости эффективности метода нахождения контуров уровня освещенности. Исследована устойчивость фильтров поиска контуров к влиянию такого внешнего фактора как свет. Рассмотрены преимущества и недостатки каждого из фильтров. Проведенное исследование является первой частью исследования, что позволит разработать методику объективного выбора оптимального фильтра для бегущих условий. Это позволит полностью автоматизировать процесс поиска контуров, несмотря на влияние такого фактора как освещение. Исследована работа операторов Робертса, Кенни, Собеля, Щарра. Процедуру объективной оценки качества выполняет математический аппарат на базе искусственной нейронной сети (классический однослойный персептрон).
Hrytsyk V. V. The study of the Problem of Choosing of Border Detection Method Depending on the Spectral Values
The aim is to show the results of a study on the possibility of constructing an objective methodology of selection filter by setting limits depending on the efficiency of the method of the paths of light levels. The filter search paths stability to the influence of external factors such as light is considered in this work. The advantages and disadvantages of each filter are compared. The study is the first part of the research that will develop a method of choosing of the optimal objective filter to real time conditions. Results will fully automate the process of finding paths in spite of the influence of such factors as lighting. The works of such operators as Roberts, Kenny, Sobel, and Scharra are studied. The procedure takes an objective assessment of the quality is done by mathematical tools based on artificial neuron network (classic single-layer perceptron).
Keywords: border detection method, filter, lighting, artificial neuron network.
