CC BY
27
смотря на это, во многих областях нейронные сети зарекомендовали себя как более рациональное решение и требуются дальнейшие исследования в данной области. Список литературы: 1. Станкевич Л.А. Когнитивные нейрологические системы управления. Проблемы нейрокибернетики. Материалы XII Международной конференции по нейрокибернетике (Ростов-на-Дону, октябрь 1999), Ростов-на-Дону, 1999. 2. Haykin S. (1994). Neural Networks: A Comprehensive foundation. Macmillan College Publishing Company Inc. 3. Widrow B., Rumelhart D.E. and Lehr M.A. (1994) Neural networks: Application in industry, business and science, Communications of the ACM 37 (3) : 93-105 4. ЧерноруцкийИ.Г. Методы принятия решений. Л.: ЛПИ, 1989. 5. БорисовЮ., КашкаровВ., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки / / Открытые системы. 1997. №4.
Поступила в редколлегию 11.12.2008
Куземин Александр Яковлевич, д-р техн. наук, проф. кафедры информатики, начальник инновационно-маркетингового отдела ХНУРЭ. Адрес: Украина, 61166, Харьков, пр. Ленина, 14, тел.: 8 (057) 702-15-15, e-mail: [email protected].
Головий (Гусарь) Наталья Владимировна, аспирантка кафедры информатики ХНУРЭ. Научные интересы: системный анализ данных. Адрес: Украина, 61166, Харьков, пр.Лени-на,14, тел. (057) 702 15 15, e-mail: [email protected].
Ясер Даюб, аспирант кафедры информатики ХНУРЭ. Научные интересы: системный анализ данных. Адрес: Украина, 61166, Харьков, пр.Ленина,14, тел. (057) 702 15 15, e-mail: [email protected].
УДК 004.896, 004.932 И.А.ВЕРЕЩАК
МЕТОД НИЗКОУРОВНЕВОЙ ОБРАБОТКИ ГРАФИЧЕСКОЙ ИНФОРМАЦИИ
Рассматриваются вопросы цифровой обработки графической информации. Описываются разработанные методы фильтрации и сегментации цветных изображений, приводятся результаты их тестирования.
Актуальность. Цифровая обработка графической информации используется во многих областях науки и техники для решения большого спектра задач.
Обработка графической информации способна дать много данных об объектах окружающего мира и единственная проблема, мешающая использовать видеоконтроль, заключается в сложности выбора необходимых методов и этапов преобразования получаемой графической информации.
Постановка задачи
Одна из задач обработки графической информации, требующих решения - это мониторинг пассажиропотока. Вовремя поступающая информация о плотности пассажирского потока способна повысить качество работы систем управления городским пассажирским транспортом.
В общем случае, решая задачу мониторинга пассажиропотока, необходимо:
- произвести предварительную обработку (фильтрацию) изображения,
- перевести графическую информацию из цветовой модели RGB в HSB,
- разложить входное изображение по цветам,
- провести сглаживание изображения,
- определить размеры выделенных областей (площадь),
- определить количество областей, размер которых больше заданного порога.
Методы
При решении данной задачи необходимо разработать или выбрать из существующих такие методы преобразования информации, которые бы позволили выделить на кадре пассажиров и определить их количество. Этот этап как правило называют сегментацией. Зачастую процессу сегментации предшествует процесс фильтрации и сглаживания изображения.
Фильтрация используется как предварительный этап обработки графической информации при выделении объектов на цветном изображении.
Существует большое количество методов фильтрации и сглаживания, к наиболее часто используемым для решения подобных задач относятся:
- метод медианной фильтрации;
- Гаусса;
- SUSAN;
- скользящий фильтр.
Во время исследования и программной реализации методов преобразования графической информации было выявлено несколько недостатков в преобразовании информации, которые были устранены с помощью метода низкоуровневой обработки изображений. Данный метод состоит из таких шагов:
1. Яркость каждого пикселя в круглой маске из 37 пикселей сравнивается с яркостью ядра (центрального пикселя):
fl,|I(r) - I(?o)|< t, C(r,ro) [0,| I(r) - I(ro)|> t, где ro - позиция ядра на площади изображения; r - позиция каждой точки внутри маски, I(r ) - яркость точки; t - порог разности яркостей; C - результат сравнения.
2. Для каждой точки в середине маски выполняется сравнение яркостей точек после чего производится суммирование (n) всех выходов (с):
n(?o) = Е c(r,r0).
r
3. Определяется площадь «близких значений», считается n - количество точек.
4. Сравнивается n с фиксированным порогом g («геометрический порог»), который установлен равным 3nmax/4, где nmax - максимальное значение, которое может принимать n . Предварительное нахождение границ выполняется по правилу:
ig -n(?o),n(ro) <g,
R(r) = 1 r
[ o, n(ro) > g.
5. Выявляется шум с помощью g . Если площадь меньше g, то на изображении кроме полезной информации существует импульсный шум.
6. Удаляется импульсный шум. Удаление осуществляется с помощью двумерного медианного фильтра с размером окна 3x3 и центром в точке ядра.
Сравнительная характеристика разработанного метода фильтрации с классическими фильтрами приведена в таблице.
Фильтр Удаление шума Сглаживание Сохранение структуры
Скользящий - + -
Гаусса + + -
Медианный + + -
SUSAN - + +
Разработанный + + +
Проведенные исследования позволили разработать и программно реализовать метод сегментации, основанный на понятии тона.
Данный метод сегментации имеет следующие этапы:
1. Входное изображение представлено в системе RGB, которое необходимо перевести в формат HSB.
2. Необходимо выделить составляющую тона и построить по ней гистограмму H(h), где h - тон. При этом максимуму на гистограмме будет соответствовать тон фона, а второму максимуму M = H(m), где H - тон объекта, который необходимо локализовать. Здесь H(m1) = M * k, M * k - количество точек, достаточное для того, чтобы размер занимаемой ими площади мог быть частью однотонной области объекта.
140
3. Выбрать диапазон значений тона [tl, t2 ], в который попадают все точки локализуемого объекта. Значения ^ и t2 вычисляются по формулам
^ = min(m -Ььт^, ^ = min(m - Ь2,т2), где Ь1 и Ь2 - максимальный разброс значений тона; т1 - максимальное значение тона, не превосходящее т .
В результате исследований были установлены приемлемые для большинства изображений параметры: Ь1 = Ь2 = 15 , к = 0,347 .
4. Выделить область изображения, тон точек которой входит в установленный на предыдущем шаге диапазон
Полученное изображение включает области локального шума, которые удаляются с помощью медианного фильтра.
5. Разбить плоскость изображения на прямоугольные сегменты. Все сегменты исходного изображения, которым соответствуют непустые сегменты на изображении, полученном на предыдущем этапе, остаются без изменений; остальные сегменты удаляются.
Полученная область является наиболее вероятным местом появления локализуемого объекта.
Далее выделяются контуры полученного изображения, которые включают в себя непосредственно сам объект и незначительные помехи. Данная задача решается любым известным методом оконтуривания.
Пошаговое преобразование графической информации последовательностью методов в которую были включены и разработанные, представлено на рисунке.
Исходный кадр видеоряда Сглаживание + подавление шума
1 I
Сегментация (разложение по цветам) Сглаживание
Выделение контуров
Выделение областей
Выводы
Проведен анализ методов обработки графической информации, определены и устранены недостатки метода низкоуровневой обработки графической информации. Также разработан метод преобразования графической информации, который позволяет проводить качественное дальнейшее преобразование информации. Данный метод позволяет выделить контуры путем одновременного сглаживания и удаления шума с сохранением структуры графической информации.
Программно реализованы разработанные методы и использованы при построении алгоритма преобразования информации, который может использоваться для решения задачи мониторинга пассажиропотока для диспетчерского управления городским пассажирским транспортом.
Список литературы: 1. Дэвид А. Форсайт, Джин Понс. Компьютерное зрение. Современный подход / / Вильямс. 2004. 928 с. 2. ЛипаевВ.В. Системное проектирование сложных программных средств для информационных систем. М.: Синтез. 2002. 268 с. 3. Сергиенко А.Б. Цифровая обработка сигналов. СПб.: Питер. 2003. 608 с.
Поступила в редколлегию 02.12.2008
Верещак Игорь Александрович, заместитель директора Государственного предприятия "Научно-исследовательский институт радиотехнических измерений". Адрес: Украина, 61054, Харьков, ул. Ак. Павлова, 271, тел. 738-41-12.
