Методы детектирования образов Текст научной статьи по специальности «Компьютерные и информационные науки»

proposed by the authors for the purpose of analyzing possible neuroprocessor structures. The program for implementing the interface on the modern language TypeScript is being developed. It is a superset of the JavaScript language. The NeuralComputerSystemStructure class, the getStructureType method, and some methods for defining structures are presented to describe the characteristic possible NPS structures that identify the type of neural computer network under uncertainty conditions using fuzzy sets through neural networks.

Key words: expert system interface, analysis of neuroprocessor structures, TypeScript language, JavaScript superset, decision making, NeuralComputerSystemStructure class, getStructureType method.

Ruchkin Vladimir Nikolaevich, doctor of technical sciences, professor, v.ruchkin@,365.rsu.edu.ru, Russia, Ryazan,Ryazan State University namedfor S. Yesenin,

Kostrov Boris Vasilievich, doctor of technical sciences, professor, v.ruchkin@,365.rsu.edu.ru, Russia, Ryazan, Ryazan State Radiotechnical University,

Romanchuk Vitaly Alexandrovich, candidate of technical sciences, docent, v.romanchuk@,365.rsu. edu.ru, Russia, Ryazan, Ryazan State University namedfor S. Yesenin,

Pikulin Dmitry Romanovich, postgraduate, aspirisen@,gmail. com, Russia, Ryazan, Ryazan State University namedfor S. Yesenin,

Soldatov Grigory Aleksandrovich, postgraduate, g. soldatov@,365. rsu. edu. ru, Russia, Ryazan, Ryazan State University namedfor S. Yesenin

УДК 004.93 11

МЕТОДЫ ДЕТЕКТИРОВАНИЯ ОБРАЗОВ

Н.С. Сергеев

Рассмотрены методы детектирования образов на изображении с использованием детекторов углов и контурного обнаружения.

Ключевые слова: детектор, контур, интенсивность, маска.

Признаки изображений можно обнаружить с помощью двух различных подходов: методах, основанных на площадях, и методах, основанных на деталях изображений. В первом варианте в качестве характерных признаков выступают сами пиксели с соответствующими им значениями интенсивностей. Однако в таких методах процессы вычисления достаточно трудоемки из-за работы с большим числом параметров. Во второй группе методов в качестве характерных признаков могут выступать контуры изображений [1] и особые точки [2].

Особые точки изображений. Наиболее распространенным типом особых точек являются углы на изображении [3]. Расположение углов определяется с помощью локальных детекторов. Входными данными для детекторов является монохромное изображение. На выходе детектора получают матрицу элементом, содержащую значения для определения степени правдоподобности нахождения угла в соответствующих пикселях изображения. После этого производится отсечение пикселей, степень правдоподобности которых ниже некоторого порогового значения. Для всех оставшихся точек принимается, что они являются особыми.

Детектор Моравеца. Самым простым детектором на практике является детектор Моравеца. Основная идея заключается в измерении интенсивности пикселя в точке (х, у) посредством смещения окна размером 3 х 3 с центром в (х, у) на один пиксель в каждом направлении. Для каждого пикселя вычисляют изменения интенсивности по формуле:

Е(и,V) = Xх,у)[/(х + и + а,у + V + Ь) -/(х + а,у + Ь)]2, (1)

где 1 (х, у) - интенсивность пикселя с координатами (х, у) в исходном

изображении; (и, V) - направление смещения окна.

На следующем шаге определяют направление наименьшего изменения интенсивности:

Точки, в которых значения С (х, у) меньше заданного порога, отсекаются. Завершающим шагом является удаление повторяющихся углов.

Недостатком такого метода является появление ошибок при большом числе диагональных ребер.

Детектор Харриса. Детектор Харриса является улучшением алгоритма Моравеца. В этом детекторе была введена анизотропия для исследования изменения яркости во всех направлениях. Исследования также проводится с использованием окна, а формула для вычисления изменения интенсивности приобрела следующий вид:

(х, у) еЖ

В (3) функция w(х, у) является функцией окна Ж. Пиксель с координатами (х, у) находится в пределах окна, если w( х, у) = 1, и находится за его пределами, если w(х, у) = 0 .

В матричном виде формула примет вид:

"а, Ь е Ж

С (х, у) = шт( Уи ^ (х, у)).

(2)

Е(и, V) = X ^ х, у)[/ (х + и, у + V) -1 (х, у)]2. (3)

Е(и,V) = [и,V] X w(х, у)

(4)

Для небольшого значения [u,v] получим следующее:

E(u,v)

M = I w( x, y)

[u, v]M u

v

ГI2 1x IxIy

_ Vy Iy2 Iy

(5)

Для точек, являющихся угловыми, характерны большие по модулю собственные значения матрицы М. Для облегчения задачи вычисления собственных значений Харрис ввел меру отклика:

R = detM - k(traceM)2, (6)

где значения k определяется эмпирическим путем и находится в промежутке от 0.04 до 0.15. Значение R для угловых точек является большим и положительным. После их нахождения так же, как и в алгоритме Мораве-ца, происходит отсечение тех, в которых значение R меньше заданного порогового.

Детектор Харриса требует большего количества вычислений, однако он инвариантен к поворотам и достаточно восприимчив к шумам.

Детектор FAST. Детектор Харриса и Моравеца определяют углы на изображении применяя алгоритм напрямую к пикселям исходного изображения. Разработанный Эдвардом Ростеном и Томом Драммондом детектор FAST отличается построением деревьев решений для классификации пикселей.

В окрестности каждого пикселя p на изображении рассматривают окружность из 16 пикселей (рис. 1).

Рис. 1. Рабочая область пикселя при использовании детектора FAST

Каждый из находящихся на окружности пикселей относительного центрального находится в одном из трех возможных состояний:

168

/х £ /Р -г, 5 = /Р - ( < /х < /Р + ( ,

/Р+' £ /х,

(7)

где /х - интенсивность окрестного пикселя; /р - интенсивность заданного

пикселя; г - пороговое значение.

Точка р будет считаться угловой при условии, что для нее существует как минимум девять смежных пикселей на окружности, интенсивности которых больше /р + г или меньше /р - г.

Контуры изображений. Выделение контуров на изображениях часто оказывается единственно возможным при работе со сложными объектами. Методы выделения контуров основаны на нахождении областей перепадов значений яркости с использованием специальной скользящей маски - фильтра, представляющего собой квадратную матрицу определенного размера. Элементы матрицы называются весовыми коэффициентами.

При обнаружении перепадов яркости используются дискретные аналоги производных первого и второго порядка. Первая производная некоторой одномерной функции / (х) определяется разностью соседних значений элементов:

* = У(х +1) - f (х).

ах

Аналогичным образом определится вторая производная:

(8)

а*

ах2

= У (х +1) + У (х -1) - 2 У (х).

(9)

Для цифрового изображения вычисление первой производной основано на различных дискретных приближениях двумерного градиента. По определению, градиент изображения / (х, у) в точке (х, у) является вектором:

У/ =

Ох

Оу

/

Эх *

Эу

(10)

Направление вектора градиента совпадает с направлением максимальной скорости изменения функции / в точке (х, у).

Оператор Робертса. Пусть имеется некоторая область 3х3 (рис. 2), представляющая собой значения яркости в окрестности некоторого элемента изображения.

Рис. 2. Окрестность 3х3 внутри изображения

Простейшим способом нахождения первых частных производных в точке 75 является перекрёстный градиентный оператор Робертса:

Ох = (^ - z5),

Оу = (^ - z6). (11)

В этом фильтре производные могут быть реализованы путем обработки изображения масками, показанными на рис. 3.

Рис. 3. Маски оператора Робертса

Фильтр Робертса обеспечивает высокую скорость фильтрации изображения, однако у него нет четко выраженного центрального элемента, что негативно сказывается на результатах выполнения.

Оператор Прюитта. Оператор Прюитта так же оперирует с областью изображения 3х3, однако использование маски задается следующим выражением:

Ох = (^ + ^ + ^ - (^ + z4 +

Оу = (^ + z8 + z9) - (z1 + z2 + ^У (12)

В представленных формулах разность между суммами элементов верхней и нижней строк является приближенным значением производной по оси у , а разность по первому и последнему столбцу - по оси х . Эти формулы реализуются оператором Прюитта (рис. 4).

Рис. 4. Маски оператора Прюитта

Оператор Собеля. Оператор Собеля является модификацией оператора Прюитта с использованием весового коэффициента 2 для средних элементов:

Gx = (23 + 226 + 29) - (z1 + 224 + z7 ), Gy = (¿7 + 2¿8 + 29) - (+ 2+ 23). (13)

Для средних точек придается больший вес с целью уменьшения эффекта сглаживания. Маски оператора Собеля имеют вид, представленный на рис. 5.

Рис. 5. Маски оператора Собеля

Резюмируя выше изложенное, приходим к выводу, что в настоящее время каждый метод детектирования является специализированным и их применение ограничено теми признаками, для которых они были созданы. Для обнаружения группы признаков нужно использовать сразу несколько различных детекторов разной направленности.

Список литературы

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.

2. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. Вильямс, 2004. 928 с.

3. Corner detection [Электронный ресурс] URL: https://en.wikipedia. org/wiki/Corner_detection (дата обращения: 14.09.2018).

Сергеев Николай Сергеевич, магистр, sergeevinc. [email protected], Россия, Тула, Тульский государственный университет

METHODS OF IMAGE DETECTION N.S. Sergeev

Methods for detecting images in an image using angles and contour detection are presented.

Key words: detector, circuit, intensity, mask.

Sergeev Nikolay Sergeevich, magister, [email protected], Russia, Tula, Tula State University