CC BY
23Информационные системы и технологии
A. A. Nikolaev
Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk
SYSTEM OF RECOGNITION OF THREE-DIMENSIONAL MODELS OF CLOUD POINT
Two methods of classification of three-dimensional point cloud by comparing them with standard models are considered.
© Николаев А. А., 2011
УДК 004.932.2
А. В. Носов, Д. В. Бузаев, А. Г. Зотин
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
ОЦЕНКА ЭФФЕКТИВНОСТИ СОСТАВЛЯЮЩИХ ЦВЕТОВЫХ МОДЕЛЕЙ ПРИ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ ПО ЦВЕТОВЫМ ПРИЗНАКАМ
Проанализированы преимущества и недостатки сегментации изображений по цветовым признакам в различных цветовых моделях. Предложен способ оценки эффективности цветовых составляющих.
В обработке изображений при распознавании образов одной из самых важных задач является задача обнаружения и локализации объектов интереса [1]. Эта задача очень актуальная, так как точность локализации напрямую влияет на точность распознавания или эффективность дальнейшего анализа. В большинстве случаев, когда объекты интереса имеют определенный цвет, для локализации их используют цветовую сегментацию, суть которой заключается в выделении областей, имеющих цвет объекта интереса. В зависимости от цветовой модели цвет объекта может иметь различные представления в различных цветовых пространствах. Наиболее перспективным является использование цветовых моделей с выраженной яркостной и хроматическими компонентами, примерами таких моделей являются модели HSV, TSL, YCrCb [2].
Цветовая модель HSV - модель, в которой координатами цвета являются цветовой тон (Hue); насыщенность (Saturation); значение цвета (Value).
Цветовая модель TSL схожа с моделью HSV и ее координатами являются цветовой тон (Tint); насыщенность (Saturation); яркость (Lightness).
Цветовая модель YCrCb представляет собой цветовое пространство, координатами которого являются Y - яркость, Cr и Cb - хроматические компоненты.
Для определения эффективности цветовых составляющих (цветовых каналов) предлагается использовать следующий подход, который можно представить в виде двух основных этапов.
Первым этапом является сопоставление цветовой модели объекта интереса соответствующему цветовому пространству. На вход алгоритма поступает некоторая обучающая выборка, состоящая из изображений, на которых присутствуют только образцы объекта интереса с различной освещенностью. Изображе-
ния анализируемой выборки рассматриваются в цветовых пространствах HSV, TSL, YCrCb и т. п. В результате для каждого цветового канала формируется выборка, которую можно нормализовать по формуле
К = 1 min + К--К-,
max min
где X - i-й элемент выборки; Xmin - нижняя, а Xmax -верхняя граница цветового канала. После нормализации все значения цветовых каналов будут принадлежать интервалу [0, 1].
Вторым этапом является анализ и оценка эффективности цветовых каналов. По нормализованной выборке выбранного нами цветового канала оценивается эталонный вектор m математических ожиданий и среднеквадратическое отклонение с. Если значения выборки распределены по нормальному закону, можно применить правило трех сигм: «Не менее чем с 99,7%-й достоверностью значение нормально распределенной случайной величины лежат в интервале [m - 3-с; m + 3-с] и с достоверностью не менее чем с 95%-й -в интервале [m - 2-с; m + 2-с]». Отсюда эффективность цветового канала можно рассчитать по формуле
E = (1 - 4-с) -100 %.
В противном случае, если значения выборки не распределены по нормальному закону или закон распределения не известен, определяется параметр допустимого отклонения 5е(0; 1). А эффективность цветового канала будет вычисляться по формуле
E = — -100%,
N
где k - число элементов выборки, принадлежащее диапазону [m - 0,5-5; m + 0,5-5]; N - общее число элементов. Очевидно, чем больше параметр эффективно-
Решетневскце чтения
сти E, тем эффективнее сегментация в данном цветовом канале.
Примером анализа составляющих цветовых моделей HSV, TSL и YCrCb может служить анализ изображения растений гибрида салата (см. рисунок). Данные представлены в таблице.
Библиографические ссылки
1. Понс Д., Форсайт Ж. Компьютерное зрение. Современный подход. М. : Вильямс, 2004.
2. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М. : Техносфера, 2006.
Оценка эффективности составляющих цветовых моделей
Закон распределения HSV TSL YCrCb
H S V T S L (Y) Cr Cb
Нормальный 88,4 12,3 5,3 87,3 28,6 11,3 89,2 84,2
Другой (5 = 0,2) 98,2 19,7 9,9 99,6 39,5 14,8 98,6 96,9
Пример распределения хроматических компонент: исходное изображение (слева); для модели YCrCb (в центре); для моделей HSV и TSL (справа)
A. V. Nosov, D. V. Buzaev, A. G. Zotin Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk
ESTIMATION OF EFFICIENCY COMPONENTS IN COLOR MODEL USING IMAGE SEGMENTATION BY THE COLOR CHARACTERS
We analyzed the advantages and disadvantages of the color image segmentation features in the different color models. Method assessing the effectiveness of the color components is proposed.
© Носов А. В., Бузаев Д. В., Зотин А. Г., 2011
УДК 004.051
К. О. Пакулин, В. В. Таушев
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
ОЦЕНКА ОПТИМАЛЬНОСТИ СТРУКТУРЫ СИСТЕМЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ
Вводится понятие оптимальности структуры системы автоматизированного проектирования (САПР). Приводится методика расчета показателя оптимальности структуры САПР на основе информационной однородности ее элементов.
Технологии информационной поддержки процесса проектирования являются неотъемлемой частью современной проектной деятельности. При этом объект проектирования в значительной степени определяет функционал инструментальных средств проектирования, основным из которых при автоматизации про-
ектных работ является САПР как информационная система поддержки процесса проектирования.
Проектирование технической системы любой физической природы и назначения - сложный и трудно-формализуемый процесс, который в свою очередь сам выступает в роли объекта проектирования, т. е. воз-
