Методика улучшения изображения на основе алгоритмов таксономии Текст научной статьи по специальности «Компьютерные и информационные науки»

Решетневскце чтения

Уравнения деформирования оболочек традиционно строятся на основе упрощающих гипотез. При расчете подкрепленной оболочки также требуется учитывать подкрепляющие элементы (ребра жесткости, шпангоуты и пр.).

В данной работе исследуется влияние выбора гипотезы при расчете устойчивости подкрепляющих элементов в сетчатых оболочках. В качестве рассматриваемых гипотез выбраны гипотеза Сен-Венана и гипотеза Тимошенко для балок и, естественно, эталонный вариант - без учета какой-либо гипотезы.

Гипотеза Сен-Венана заключается в следующем: сечение, нормальное к оси балки до деформации, не деформируется, не искривляется и остается нормальным к изогнутой оси балки после деформации. Данная гипотеза чаще всего используется, если размер сечения много меньше длины балки, т. е. прутья и тому подобные элементы.

Если размер сечения балки соизмерим с размером самой балки, представляя собой короткую балку, для которой существенно влияние сдвиговых деформаций на напряженное состояние, то логично использовать гипотезу Тимошенко.

Суть кинематической гипотезы Тимошенко для балочных конструкций: плоские до деформации поперечные сечения балки остаются после деформации плоскими, но перестают быть ортогональными к изогнутой оси.

Объектом исследования является цилиндрическая сетчатая оболочечная конструкция из композиционных материалов, содержащая некомпенсированные или усиленные окантовками вырезы технологического или конструктивного назначения. В работе [1] представлены результаты исследования устойчивости данной модели с учетом гипотезы Тимошенко для балочных элементов конструкции. В качестве метода решения задачи устойчивости выбран метод конечных элементов [2]. В дальнейшем планируется протестировать аналогичную конструкцию, но с учетом соответственно гипотезы Сен-Венана для балок. Оценка результатов будет производиться по значению трех наименьших собственных чисел, а также по полям перемещений (собственным векторам).

Сравнительный анализ должен показать, насколько употребительна та или иная гипотеза при расчете устойчивости сетчатых оболочечных конструкций с определенными геометрическими параметрами для балок: размером сечения и длиной.

Библиографические ссылки

1. Бурнышева Т. В., Кравцова Ю. А. Решение задачи устойчивости сетчатых оболочек из композиционных материалов при статическом нагружении // Науч.-техн. вестн. Поволжья, 2012. № 1. С. 101-105.

2. Бате К. Ю. Методы конечных элементов. М. : Физматлит, 2010.

Yu. A. Kravtsova

Novokuznetsk Institute (branch) of Kemerovo State University, Russia, Novokuznetsk

INVESTIGATION OF THE STABILITY OF LATTICED HULL STRUCTURES WITH THE VARIOUS HYPOTHESES OF DEFORMATION OF THE REINFORCING ELEMENTS

A theoretical description of the hypotheses Tymoshenko and Saint-Venant strain beams is presented.

© Кравцова Ю. А., 2012

УДК 004.932.2

П. Е. Кутлунин

Омский государственный университет имени Ф. М. Достоевского, Россия, Омск

МЕТОДИКА УЛУЧШЕНИЯ ИЗОБРАЖЕНИЯ НА ОСНОВЕ АЛГОРИТМОВ ТАКСОНОМИИ

Разработана методика улучшения изображения на основе таксономии: исходное изображение разбивается на связные области с помощью алгоритма таксономии, самые темные области осветляются. Даны рекомендации по использованию алгоритмов таксономии.

Актуальность задачи улучшения изображения обусловлена распространением систем фото- и видеорегистрации. Системы принятия решения и распознавания образов, основанные на результатах анализа изображения, предъявляют различные требования к яркости, четкости исходного изображения [1]. Улучшение характеристик изображения может повысить

надежность таких систем. Данная методика применяется для улучшения яркости изображения.

Сначала исходное изображение сжимается с целью устранения частой избыточности информации и ускорения процесса разбиения изображения на области. Затем с помощью алгоритма таксономии на изображении выделяются связные области пикселей.

Прикладная математика

Каждый пиксель исходного изображения отображается в точку трехмерного пространства (две координаты на позицию и одна - на интенсивность серого). Такой выбор обусловлен тем, что требуется сгруппировать пиксели по яркости, а также по их расположению на исходном изображении. Возможно использование других пространств, например, одномерного (только яркость), трехмерного (значения цветов RGB-модели без привязки к координатам), пятимерного пространства (координаты + значения красного, зеленого и синего каналов), однако на практике подтвердилась целесообразность использования пространства с двумя координатами и интенсивностью серого.

С помощью алгоритма таксономии FOREL точки группируются в таксоны. Каждый таксон представляет собой связную область на изображении. Одной из характеристик таксона является центр таксона - это наиболее характерная точка. Методика заключается в том, чтобы пропорционально увеличить яркость каждой области изображения.

Для каждого таксона вычисляется коэффициент увеличения яркости h :

т I _ т _ (^max I)(^max I'min ) . ~ max j j ">

max min

т I _ Imax . min — 7 ' k

h _ , I

где I - исходное значение яркости центра таксона; I' - новое значение яркости центра таксона; Imm, Imax - минимальное и максимальное значения

111111 у 111 аЛ

яркостей из всех центров таксонов; I'min - новое значения яркости для самого «тусклого» таксона; k -

требуемый коэффициент отношения самой тусклой и яркой области изображения.

Для каждого пикселя вычисляется новое значение яркости I'p = Ip ■ h , где Ip, I'p - исходное и новое

значения яркости для пикселя, в зависимости от принадлежности таксону используется свой коэффициент увеличения яркости h .

Данная методика была опробована на алгоритмах таксономии FOREL, SKAT и KOLAPS. Все они показали зрительно одинаковые результаты, но так как для работы алгоритмов SKAT и KOLAPS требуются результаты алгоритма FOREL, выбор был сделан в пользу последнего из соображений сокращения общего времени выполнения. В данном алгоритме таксономии используется плавающая сужающаяся гиперсфера [2]. Экспериментальным путем был выбран коэффициент сужения гиперсферы, равный 0,9, как оптимальный, так как при других значениях получается большое число малых таксонов (малых областей изображения). Для отсева мелких таксонов могут использоваться ограничение на размер минимального таксона в алгоритме таксономии или исключение таких таксонов при расчете новых значений яркости. Размер минимального таксона определяется исходя из размера сжатого изображения.

Данный метод следует применять в случае, когда большая часть изображения яркая и присутствуют затемненные области. В случае с темным изображением шаг таксономии рекомендуется опустить и осветлять изображение целиком.

Библиографические ссылки

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М. : Техносфера, 2005.

2. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. Новосибирск : ИМ СО РАН, 1999.

P. E. Kutlunin

Omsk State University named after F. M. Dostoevskiy, Russia, Omsk

IMAGE ENHANCEMENT METHOD BASED ON TAXONOMY ALGORITHMS

The method of image enhancement based on the taxonomy is presented. The original image is divided into connected regions by the taxonomy algorithm, the darkest regions are clarified. Recommendations for use of taxonomy algorithms are given.

© KyrayHHH n. E., 2012