CC BY
5
Информационные технологии
УДК 621:681.93.932
ПРОБЛЕМА ИДЕНТИФИКАЦИИ РАСТРОВЫХ ИЗОБРАЖЕНИЙ В ПРОЦЕССЕ ВИДЕООЦИФРОВКИ НЕРЕГУЛЯРНЫХ ОБЪЕКТОВ
Ю В. Полозков
Для построения компьютерных моделей пространственно сложных (нерегулярных) объектов посредством аидеооцисрровки [1] априорные данные формируются в оезультате обработки видеоизображений поверхностей их аналогов (рис. 1) Первоначально, на снимках, получаемых в процессе видеооцифровки отображаются пооекции точек поверхности, освещенных с помощью специального слайда Изменение кривизны последовательно расположенных проекций (световых линий) изображения обусловливается изменением формы поверхности После предварительной обработки такие растровые изображения представпяются матрицами размера т х п пикселей с установленной монохромной палитоой. Для получения априорных данных осуществляется дешифрирование полученных скелетизированных изобра жений (рис. 2), которое состоит в сегментации и анализе компонент изображения.
Рисунок 1 - Исходное изображение Рисунок 2 - Скелетизированное
фрагмента поверхности нерегулярного изображение фрагмента поверхности объекта нерегулярного объекта
Сегментация в данном случае, состоит в прослеживании последовательности элементов (пикселей) одинаковой палитры образующих компоненту изображения. Таким образом под компонентой на растре в (вясС) понимается такое множество элементов В! Д для которых любые два элемента (/',, и </2, можно объединить цепью элементов, принадлежащих множеству в функция щ в которых приобретает значение единицы таких, что любые два соседних элемента этой цепи связаны и не существует другого элемента, не принадлежащего множеству в, который был бы связан хстя бы с одним элементом этого множества [2]. Тогда априорная информация видеооцисроовки представляется совокупностью компонент всЕ. содержащая множество элементов </', ¡}, функция аи в которых приобретает значение единицы.
Выделение компонент осуществляется последовательным просмотром палитры каждого элемента строки начиная с исходного пикселя, находящееся в левом нижнем углу изображения. В результате определяется начальный элемент контур-
90 Вестник УО ВГТУ
ной компоненты имеющий минимальную координату по высоте. После обнаружения начального элемента и записи его декартовых координат б системе координат изображения посоедством выполнения логических операций со смежными началь ному элементу пикселями прослеживается контурная компонента Два соседних элемента связаны, еспи расстояние между ними в выбранной метрике не превыша ет некоторой заданной величины В основе алгоритма прослеживания лежит предположение о восьмисвязности изображения [21, т. е считается, что каждый обраба тыкаемый элемент изображения ач имеет восемь соседей" (рис. 4) При нахсжде нии и записи последнего элемента связной компоненты продолжается сканирование бинарного изобоажения вдоль строки, на которой был найден начальный элемент компоненты. Причем если на эгой строке находятся только элементы фона О то производится переход на последующие строки изображения до обнаружения исходного элемента новой компоненты, не входящего в состав ранее исследованных компонент. Затем повторяется процесс прослеживания для новой компоненты. По окончании детектирования связных компонент, в порядке сегментации, записываются значения координат их элементов в выходной массив. Полученный массив характеризует положения проекций точек поверхности освещенных при видеосъемке в плоскости снимка и является априорным массивом в процессе построения трехмерной модели нерегулярного объекта
Однако, при наличии на объекте углублений, отверстий и других неприятных'' особенностей формы, свойственных нерегулярным порерхностям, а также в случае существования вложенных компонент, частичной потери информации из-за некачественного проведения съемки или предварительной обработки видеоизображения могут возникать разрывы компонент изображений. Это приводит к изменению истинного количества и последователе>ности расположения проекций световых полос слайда, так как начальный элэмент охватывающей компоненты, имеющий мини мальную координату по высоте, может оказаться чиже начального элемента впо-женной компоненты, а части одной компоненты могут быть приняты за самостоятельные компоненты и, следовательно записаны в выходном массиве в порядке сканирования изображения (рис. 3). Очевидно, что такого рода искажения априорных данных могут вызывать значительные погрешности трехмерных цифровых мо делей объектов Формируемых посоедством видеооцифоовки
6 7 1 1 г* 8
5 -*- 1
4 У / 3 Г Ч 2
Рисунок 3 - Характерные неопределенности связности компонент изображения
Рисунок 4 - Схема цепного кода растрового изобоажения
Проблема структуризации и связиости компонент растрового изображения может быть решена на основе принципа целостности восприятия [3]. Этот принциг положен в основу реализации различных систем технического зрения, распознающих текст, папиллярные узооы, 1еометрические, картогоафические и др образы. В соответствии с принципом целостности любой воспринимаемый объект рассматриваем ся как целое, состояшее из частей, связанных между собой определенными отно-
шениями Для разработки Формальных моделей описания изображений используются шаблонный стпуктурный признаковый подходы и их сочетания [3 4].
В шаблонном описа ии изобоажение обьекта поедставляется в растоовом или векторном видеРПи задается класс преобразований (например, повтор масштабирование и пр.). Интерпретация исходного объекта заключается в поиске наиболее схожею шаблона из имеющихся в заоаиее сформированной базе данных.
Пои структурном описании исследуются строение и взаимное расположение частей объекта. При этом объект описывается как грасЬ узлами которого являются элементы бходного объекта а дугами - пространственные отношения между ними Системы реализующие подобный подход, обычно работают с векторными изображениями.
Признаковое описание предполаоет представление усредненного изображения каждого объекта в виде объекта в п-мерном пространстве признаков [4. 5]. Для это го выбирается алфавит признаков, значения которых вычисляются при распознава нии входного изображения. Полученный п-мерный вектоо сравнивается с эталонными, и изображение относится к наиболее подходящему из них. Для сокращения глобального перебора в пространстве эталонов часто пооизводится предварительная классификация (в общем виде напоминающая последовательную дихотомию'), когда на основе анализа значений одного или нескольких признаков осуществляется последовательное разбиение всего множества эталонов на группы, и окончательная классификация осуществляется в одной из этих групп уже на основе меньшею количества признаков. Выделение признаков осуществляется как правило на основе визуального анализа специфики представления подлежащих распознаванию обоазов Для обеспечения правильного выбора множества признаков, необходимо учесть следующие аспекты
• наличие априорной информации о связи выбираемою признака с тем классом объектов, для распознавания которого он будет использоваться'
• достаточную информативность признака;
• необходимость и достаточность использования всего множества выбранных признаков.
Тщательный выбор признаков позволяет обеспечить высокую степень принятая адекватного решения при наименьшей трудоемкости вычислений Однако, необходимое но недостаточное условие целостности описания класса объектов состоит в том, что описанию должны удовлетворять рее ебъекты данною класса и ни один из объектов других классор Снижение инфоомативносги признаков при их вычислении зачастую поиводит к одинаковому признаковому описанию объектов, принадлежащих различным классам Вследствие этою признаковые системы не отвечают целостности восприятия.
Достоинства шаблонного и структурного подходов сочетаются при использовании структурно-пятеиною эталона В этом случае изображения поедставляются в виде набора пятен, связанных между собой п-арными ртношениями, задающими стоукту-ру оЬъекта. Эти отношения (то есть расположение пятен друг относительно друга) образуют структурные элементы составляющие объект. В качестве отношений используются связи между структурными элементами которые определяются либо метрическими характеристиками этих элементов, либо их взаимным расположением на изображении. В пооцессе распознавания эталон накладывается на изображение и отношения между выделенными на изображении пятнами сравниваются с отно шениями пятен в эталоне Если выделенные на изображении пятна и отношения между ними удовлетворяют эталону некоторого объекта то данный объект добав ляется в список гипотез о оезультате распознавания входного изобоажения.
Сложность анализа рассматриваемых скелетизированных изображений состоит в невозможности создания шаблонов ввиду непредсказуемости характера оазвития компонент изображения. Кроме того непрерывная компонента и части дискретной
92
вестник У О ВГТУ
компоненты могут иметь одинаковое признаковое описание Поэтому формализацию процесса распознавания гаких изображений целесообразно проводить сочетая стоуктурное и признаковое описания. При этом следует заметить что аргументы функций описывающих выделенные компоненты изображений не могут убывать.
Для интерпретации целостного скелетизированного изображения были определены следующие терминальные элементы: элементарная компонента (ЭК) представляющаяся сегментом линии. Непреоывная компонента (НК) - это ЭК не имеющая разрывов по всей своей длине не соприкасающаяся ни с какой другой ксмпо нентой не имеющая ответвлений и обратных направлении. Базовая компонента (БЮ - это НК имеющая начальную точку, расположенную перед конечными точками других компонент. Фрагмент компоненты (Ф) обладает хаоактеристиками НК, не имеет начальную точку оасположенную не ранее конечной точки ЬК.
Комбинации этих терминальных элементов Формируемою по семантическим правилам, описывают синтезированные компоненты (СК). Таким образом синтези рованная компонента представляется цепочкой компонент, содержащей базовую комгоненту и фрагменты не соприкасающейся ни с какой другой (смежной по вертикали) компонентой не имеющей ответвлений и оОоатных направлений. В общем же случае синтезированной компонентой могут быть интерпретированы НК или БК без фрагментов.
В признаковом пространстве синтезированная компонента, как и терминальные элементы, представляется вектором, содержащим ряд семантических атрибутов метоические (длина, координаты особых точек); аналитические (характер изменения кривизне!); структурные ^взаимная линейная и угловая ориентация компонент количество терминальных элементов, тип элементов) топологические (вложеи ность, смежность, последовательность и др.)
В качестве особых выступают начальные конечные точки ТЕ. а также их текущие точки, координаты (по оси X или У) которых равны координатам начальных и конечных точек смежных ТЕ По координатам особых точек выполняется проверка логических условий сравнения, определяющих пространственные отношения для двух ТЕ (рис 4).
г , 1- Щ ^ ^ 1-
Рисунок Л - Примеры пространственных отношений между терминальными элементами
При таком способе структуризации увеличение количества ТЕ приводит к значительному возоастанию сложности описания их пространственных взаимоотношений. Однако, сочетания этих "элементарных'' отношений, определяемые посредством булевой алгебры, позволяют идентифицировать взаимное расположение всех терминальных элементов составляющих скелетизированное изображение. Такой подход часто используется при ссздании искусственных нейронных сетей для формирования сложных структурных конструкций учитывающих общий контекст при распознавании образов текстов и других неупорядоченных систем. В качестве основных структурных элементов при реализации неироподобной сети, в данном случае, выступают матрицы булевых функций, составленные для каждого из вариантов пространственных отношений между всеми парами ГЕ изображения Элементам этих матриц присваивается значение булевой Функции, соответствующее еди нице, если выполняются заданные условия сравнения в противном случае присваивается ноль. Двоичные значения элементов матриц, определенных семантическими правилами задают внешнее возбуждение ьеирона, отклик которого устанавливает принадпежность ТЕ текущей цепочке или воспринимается следующими неиронами, проверяющими пространственно-логические отношения между анализиоуемыми ТЕ. Струетуризация ТЕ с применением принципов построения нейроподобной сети также позволяет решить одну из наиболее распространенных
задач распознавания образов заключающуюся в корректном составлении цепочек из компонент, являющихся составными частями распознаваемых скелегизирован-ных образов. При этом важным преимуществом чейролодсбных сетей является свойстве их обучения, необходимое для выработки адекватного решения по выделению синтезированных компонент, состоящих из последовательно расположенных ТЕ Это ооеспечивается определением относительной важности признаков (метрических аналитических и пр ) анализируемых ТЕ путем сравнения их весовых коэф фициентов и учета взаимосвязей между выбранными признаками. Способность сис темы нейронодобных се^ей к обучению может существенно сократить неопределенность связности дискретных компонент, которая носит случайный хаоактер и обусловлена особенностями формы (выступами, поднутрениями и др ) поверхности объекта оцифровки, а та оке частичной потерей информации на этапах видеосъемки, предварительной обработки и сегментации видеоизображений.
Таким ооразом разработка неиросетевого алгоритма, моделирующего закономерности взаимного расположения скелетизированных компонент основанного на их признаковом описании, обеспечит корректность и целостность машинной интерпретации изображения объекта оцифровки. Рассмотренные подходы позволяют формализовать и автоматизировать комплекс задач, возникающих з процессе обработки изображений пространственно сложных объектов при их видеосцифровке.
Список использованных источников
1 Свирский Д. Н., Попозков Ю. В Создание трехмерных цифррвых моделей нерегулярных объектов по их видеоизображениям. // Цифровая обработка изображений - Мн. ИТК HAH Беларуси, 2001 вып. 5. С.33 - 38.
2 Самошкин М А. Автоматизация преобразования и обработки графической информаиии. - Мн.: Навука i тэх!- <а 19911. - 335 с.
3. WVWV.mari-ei ru'mmlab/nome/AI
4 Абламейко С В Лагуновский Д. М. Обработка изображений' технология, методы, применение. Учебное пособие - Мн Амалфея 2000. - 304 с.
5 Фор А. Восприятие и распознавание образов 1 Пер. с Фо А. В. Серединско-го; под ред. Г. П. Катыса. - М : Машиностроение 1989 - 272 с.
SUMMARY
The problem of raster images processing automation in videodigitizing process is considered. The features of segmentation and analysis slices of these images are shown. The traditional 2D machine vision methods are described. The combined methoa is offered to automate raster images identification stage in irregular oojecls videodigitizing process It s based on principles of artificial neural nets construction
УДК 621.3.049.73.75:001.2(024)
ПОСЛЕДОВАТЕЛЬНЫЙ МЕТОД РАЗРЕЗАНИЯ ГРАФА С МИНИМИЗАЦИЕЙ ВНЕШНИХ СВЯЗЕЙ
A.C. Шандриков
Пооектирование радиоэлектронных средств (РЭС) начинается с решения задачи компоновки модулей в определённые конструктивные единицы. Для решения этой задачи принципиальная электрическая схема проектируемого РЭС заменяется математической моделью в виде графа G = (X, U), множество вершин которого X ин терпретирует радиоэлектронные компоненты (РЭК) а множество рёбер U — связи между ними. Использование графа в качестве модели принципиальной эпектриче-
Q4 Взстник У О ВГТУ
