CC BY
15
№ 6 (48) 2013
Д. А. Борисоглебский, аспирант Национального исследовательского ядерного университета «МИФИ», г. Москва, denis.borisoglebsky@gmail.com
влияние модификации метода семантического описания контуров на характеристики подсистемы робототехнического комплекса
В статье исследуются два метода векторизации контуров на примере разработанной подсистемы описания . С помощью предложенной базы изображений сравниваются основные группы характеристик: качественные, количественные и временные . Такие методы векторизации необходимы в робототехнике, САПР, ГИС и т . д .
Ключевые слова: описание контуров, векторизация, робототехника .
введение
Статья посвящена сравнению метода семантического описания контуров с его модификацией — методом компактного описания. Оба метода изначально применялись в робототехнике, но предоставляемые ими возможности позволяют их использовать также в таких областях, как САПР, ГИС и прочие.
Метод семантического описания контуров был получен в результате объединения подхода к решению задачи определения вида эмпирической модели [1] и идеи о структурном распознавании образов [2]. В результате в работах [3, 4] был предложен рассматриваемый метод, в ходе исследования которого автором данной статьи обнаружены возможности по усовершенствованию, что, в свою очередь, и привело к созданию метода компактного описания контуров [5-9].
Основная идея методов сводится к декомпозиции контура на фрагменты и последовательному поиску аналитических зависимостей, соответствующих рассматриваемым фрагментам. Для этого производится нормирование по некоторым преобразованиям (например, для оригинального метода это преобразования масштабирования и па-
раллельного переноса). Форма полученного нормированного фрагмента контура (ФК) описывается вектором признаков (ВК) — некоторым дескриптором формы кривой [1]. С помощью полученного ВП производится поиск в БД примитивов. При успешном поиске находится соответствие между дескриптором формы кривой и его аналитическим представлением.
Усовершенствованный метод компактного описания контуров привнес в рассматриваемый процесс несколько существенных изменений:
• уменьшено количество параметров, необходимых для описания примитива [5];
• добавлены еще два преобразования нормирования: поворот и зеркальное отражение от осей [6-9];
• размер ВП уменьшен на один элемент — после введения нормирования по преобразованию поворота первый и последний элементы ВП стали совпадать, что и позволило указывать только одно общее значение элементов.
Постановка задачи
Для сравнения рассматриваемых методов необходимо решить следующие задачи:
88 ,
№ 6 (48) 2013
1. Разработать подсистему формирования описания контуров, поддерживающую работу двух методов.
2. С помощью разработанной подсистемы провести эксперимент, позволяющий сравнить временные, качественные и количественные характеристики работы методов.
Разработка подсистемы описания контуров
Для проведения экспериментальных исследований в лаборатории «Робототехника» кафедры Компьютерных систем и технологий НИЯУ МИФИ в рамках работ по созданию мобильного робототехнического комплекса (МРК) [10-14] была разработана подсистема описания контуров, архитектура которой изображена на рис. 1.
Подсистема может работать в одном из трех режимов:
• Кодирование (К) — формирование описания контура.
• Декодирование (Д) — восстановление контура из описания.
• Обучение (О) — предварительное обучение для работы с кривыми в режимах кодирования и декодирования (без обучения контуры будут представляться в виде последовательности отрезков).
В зависимости от параметров конфигурации подсистема реализует один из рассматриваемых методов описания контуров. Работа подсистемы в режиме эмуляции метода семантического описания контуров полностью совпадает с работой авторской программы [4], что позволяет использовать разработанную подсистему для сравнения двух методов.
Рассмотрим каждый из модулей подсистемы подробнее:
1. Модуль разбиения контура или ФК позволяет при необходимости разбивать кон-
1 §
£
0
1
контур > г контура > 1 обучающей выборки
Модуль разбиения контура/ФК Модуль обработки описаний Генератор обучающей выборки
\к > Д г д > О г
Модуль о, к Модуль о, д Генератор
доступа к БД обработки ФК примитивов
\ к \д
Модуль формирования описания контура
Модуль получения восстановленного контура
описание контура ^ г
контур
Рис. 1. Архитектура подсистемы описания контуров
89
«о
I
§
12 §
£
£
I Й
г! §
с
I
!
*
и
со
0 &
% §
1
о
12 §
£
§
<0 ?
I
а
и I !
тур или ФК на части. Используется во время первоначального разбиения контура и в тех случаях, когда ФК не может быть описан и нуждается в дополнительном разбиении.
2. Модуль обработки описания осуществляет декомпозицию на отдельные описания ФК, считывает информацию об аналитическом представлении кривой и ее обратные коэффициенты нормирования. Аналитическое представление передается в генератор примитивов, а коэффициенты нормирования — в модуль обработки ФК.
3. Генератор обучающей выборки позволяет получить обучающую выборку из ее описания. Описание обучающей выборки содержит информацию о виде аналитического представления потенциальных примитивов, а также об областях определения каждого их параметра. Параметры примитивов, полученных из обучающей выборки, вычисляются одним из двух возможных способов: случайным образом или путем перебора параметров в областях их определений с учетом заданных шагов перебора.
4. Модуль доступа к БД. Модуль позволяет производить поиск по БД примитивов по ВП ФК или добавлять новую запись о примитиве во время обучения.
5. Модуль обработки ФК. В модуле производится нормирование ФК и применение обратных коэффициентов по преобразованиям поворота, переноса, масштабирования и зеркального отражения от оси Ох. Во время нормирования осуществляется проверка ФК на прямолинейность и однозначность.
6. Генератор примитивов. Аналитическое представление примитива может быть задано однозначной функцией или с помощью параметрических уравнений. При рассмотрении однозначных функций их область определения указывается в параметрах.
7. Модуль получения восстановленного контура объединяет все последовательности точек, полученные при восстановлении из описания.
8. Модуль формирования описания контура позволяет накапливать описания от-
дельных ФК и объединять их в общее описание всего контура.
Алгоритмы функционирования подсистемы во всех режимах работы представлены и описаны в статье [9].
схема эксперимента
Для полного сравнения методов предлагается оценить работу подсистемы во всех режимах. При рассмотрении режима обучения, в первую очередь, стоит оценивать такие характеристики, как время обучения, размер БД, общее количество примитивов. Для эксперимента предлагаются следующие параметры, рекомендованные авторами оригинального метода: ЫВП = 10 — размер ВП для оригинального метода, а также погрешность отображения примитива в 5%. По этим параметрам без проведения экспериментов можно получить размер одной записи о примитиве в БД 5прИмИТИВа (табл. 1):
^примитива ^ВП ^эл.ВП + ^парам ^парам' (1)
где МВП — размерность ВП; 5элВП — размер одного элемента ВП; Мпарам — общее количество параметров примитива; 5парам — размер одного параметра.
В режимах кодирования и декодирования важны следующие группы характеристик:
• Временные. Время кодирования и декодирования контура и ФК.
Таблица 1 Сравнение описаний примитивов для рассматриваемых методов
Показатель Оригинальный метод Усовершенствованный метод
Мвп 10 9
5эл .ВП байт 4 4
^парам 5 4
^парамр байт 4 4
^примитива, байт 60 52
90 ,
№ 6 (48) 2013
• Качественные. Среднеквадратичное и максимальное отклонения точек восстановленного контура от соответствующих точек исходного.
• Количественные. Размер описания контура и среднее количество ФК в контуре.
обучающая выборка
Были выбраны наиболее распространенные непроизводные элементы в качестве примитивов: дуга, парабола, синусоида, экспонента и кривые Безье 2-го и 3-го порядков. На их основе построена обучающая выборка для наиболее вероятных интервалов варьирования параметров, содержащая 52481 комбинацию параметров [8].
Рис. 2. Пример контуров бинарных изображений, подаваемых в качестве входных данных при исследовании подсистемы описания
1 §
£
0
1
входные данные
Эксперимент подразумевает наличие некоторой базы контуров, которая будет использоваться в качестве входных данных во время сравнения работы подсистемы описания для рассматриваемых методов. Для получения такой базы были использованы находящиеся в свободном доступе в Интернете клипарты — изображения, содержащие силуэты объектов, как правило, одной тематики. После сегментации клипар-тов каждый силуэт помещен в отдельное бинарное изображение, таким образом, из каждого бинарного изображения можно было выделить строго один контур.
Всего был обработан 21 клипарт, что позволило получить 745 бинарных изображений с силуэтами. Использовались силуэты разных размеров, поэтому длина контура варьировалась от 50 до 2000 точек. Контуры, полученные из некоторых бинарных изображений из рассматриваемой базы, представлены на рис. 2.
Эксперимент
Весь эксперимент был разбит на два этапа — исследование подсистемы в зависимости от этапа происходило в режиме обуче-
ния или режимах обработки контура (режимы кодирования и декодирования).
В режиме обучения произведено по 20 экспериментов с одинаковой обучающей выборкой для каждого из методов, что позволило оценить погрешность временных характеристик. Полученные результаты представлены в табл. 2 (критерии указаны с доверительной вероятностью 0,95).
Таблица 2
Временные и количественные критерии работы подсистемы описания контуров в режиме обучения
Характеристика Оригинальный метод Усовершенствованный метод
Общее количество примитивов после обучения, шт. 1665 571
Объем памяти БД, Кб . 97,6 29
Время обучения, сек. 77,0 ± 0,2 31,8 ± 0,1
В режимах обработки контура для уменьшения погрешности, вносимой неоднородностью данных, было принято решение разбить все множество контуров на 5 подмножеств согласно диапазонам длин контуров.
Ч..... 91
Таблица 3
Временны1е, качественные и количественные характеристики работы подсистемы описания контуров во время обработки контуров, указаны с доверительной вероятностью 0,95
«о
i Si
Si £
£ a
I
is
I
¡5
с i
! is
I §
CO
0 &
%
Si
1
i о
Si £
SI 8
<0 ?
Si
I
a t if ! I
Характеристика Значения характеристик усовершенствованного и оригинального методов для различных диапазонов длин контуров
< 200 200-400 400-600 600-800 > 800
Временные Среднее время кодирования контура, мс . 12,0 ± 5,3 (15,8 ± 9,5) 23,5 ± 8,2 (33,0 ± 19,4) 33,8 ± 10,4 (48,8 ± 23,8) 45,5 ± 13,0 (61,4 ± 19,7) 65,2 ± 20,3 (93,9 ± 34,9)
Среднее время восстановления контура, мс . 1,2 ± 9,5 (1,3 ± 0,3) 2,2 ± 0,5 (2,5 ± 0,3) 3,5 ± 0,7 (3,9 ± 0,8) 5,1 ± 0,8 (5,9 ± 1,0) 8,6 ± 0,2 (9,9 ± 2,7)
Среднее время кодирования ФК, мс . 2,1 ± 0,6 (1,4 ± 0,7) 2,0 ± 0,5 (1,5 ± 0,9) 1,9 ± 0,5 (1,4 ± 0,7) 1,8 ± 0,3 (1,3 ± 0,5) 1,8 ± 0,4 (1,3 ± 0,5)
Среднее время восстановления ФК, мс . 0,23 ± 0,07 (0,12 ± 0,02) 0,19 ± 0,05 (0,11 ± 0,02) 0,20 ± 0,06 (0,12 ± 0,02) 0,20 ± 0,06 (0,12 ± 0,02) 0,24 ± 0,08 (0,14 ± 0,02)
Качественные Среднеквадратичное отклонение точек контура, пиксели 1,3 ± 0,4 (1,9 ± 1,1) 1,9 ± 0,7 (2,4 ± 1,1) 2,5 ± 0,9 (3,1 ± 1,4) 2,5 ± 1,1 (2,8 ± 1,4) 3,4 ± 1,5 (3,7 ± 1,7)
Максимальное отклонение точек контура, пиксели 3,2 ± 1,0 (4,4 ± 2,4) 4,6 ± 1,6 (5,3 ± 2,2) 5,9 ± 1,7 (7,1 ± 2,8) 5,9 ± 1,8 (6,7 ± 2,7) 8,5 ± 3,8 (9,0 ± 4,7)
Количественные Среднее количество ФК в контуре 6,0 ± 2,7 (11,5 ± 4,2) 12,2 ± 4,4 (23,6 ± 7,9) 19,4 ± 8,1 (35,3 ± 11,6) 27,1 ± 9,5 (51,6 ± 15,1) 38,6 ± 14,0 (73,3 ± 21,9)
Средний размер описания контура, байты 35,7 ± 12,9 (43,2 ± 13,9) 66,9 ± 20,7 (83,3 ± 25,1) 98,9 ± 34,0 (121,6 ± 36,6) 134,5 ± 40,4 (172,5 ± 47,8) 188,8 ± 60,8 (243,8 ± 68,9)
Для каждого диапазона все характеристики вычислялись независимо от остальных данных. Полученные результаты представлены в табл. 3. По данным эксперимента были вычислены соотношения характеристик усовершенствованного метода к соответствующим характеристикам оригинального метода.
Результаты вычислений оформлены в виде диаграмм (рис. 3-6).
1
0,8 0,6 0,4 0,2 0
0-200 200-400 400-600 600-800 > 800 ■ Размер описания ■ Количество фрагментов
Рис. 3. Средние отношения количественных характеристик методов
На всех диапазонах длин контуров для количественных характеристик усовершенствованный метод показал лучшие результаты — по сравнению с оригинальным методом удалось уменьшить количество ФК почти в 2 раза. Уменьшение размера описания контура составило более 20% (рис. 3).
1,5
0,5
/
л l-iriil
1 II и г I к
0-200 200-400 400-600 600-800 > 800 ■ Время кодирования ■ Время декодирования
Рис. 4. Средние отношения временных характеристик методов при обработке контура
Во время сравнения временных характеристик обработки контуров для двух методов
92......
№ 6 (48) 2013
было выявлено, что усовершенствованный метод показал свое превосходство по всем параметрам, кроме одного — время кодирования коротких контуров (менее 200 точек) меньше у оригинального метода (рис. 4).
2,5 ^^^^^^^^^^^^^
^ : ~ ~ ~ =
_:_:_:_:_-
0-200 200-400 400-600 600-800 > 800
■ Время кодирования ■ Время декодирования
Рис. 5. Средние отношения временных характеристик методов при обработке ФК
Временные характеристики обработки ФК показывают превосходство оригинального метода на всех диапазонах. Этот факт вполне согласуется с теорией — в усовершенствованном методе используется больше преобразований в процессе нормирования, что сказывается на времени обработки отдельного ФК (рис. 5). В свою очередь, увеличенное время обработки ФК не оказывает отрицательного влияния на общее время обработки контура, поскольку введение
Таблица 4
Отношение средних значений характеристик усовершенствованного и оригинального методов
Характеристика Коэффициент
Время обучения подсистемы 0,58 ± 0,01
ф Время кодирования контура 0,97 ± 0,92
со Время восстановления контура 0,90 ± 0,09
о = о Среднеквадратичное отклонение точек восстановленного контура относительно соответствующих точек исходного 0,87 ± 0,30
1— о о ¡5 Максимальное отклонение точек восстановленного контура относительно соответствующих точек исходного 0,91 ± 0,35
а> _а Размер БД 0,30
а> со т Количество примитивов в БД 0,34
о О) Количество фрагментов контура 0,53 ± 0,14
о Размер описания контура 0,81 ± 0,13
дополнительных преобразований нормиро- | вания позволило значительно уменьшить ко- 18 личество ФК в контуре (рис. 3). ¡5
0-200 200-400 400-600 600-800 > 800
■ Среднеквадратичное отклонение точек контура
■ Максимальное отклонение точек контура
Рис. 6. Средние отношения качественных характеристик методов
Сравнение качественных характеристик методов показало превосходство усовершенствованного метода во всех случаях, кроме одного — для длинных контуров (более 800 точек) значение характеристик чуть больше по сравнению с оригинальным методом.
Сравнение всех основных характеристик методов представлено в табл. 4.
Заключение
Автором разработана подсистема описания контуров, поддерживающая рассматри-
^^ 93
Инструментальные средства £> Технологии разработки программного обеспечения ^-
№ 6 (48) 2013
<0
i
s 12
Si £
»
£
Ü й
I s?
с i
!
*
! s
«
0 &
s
S
1 о
12
Si £
«
I 8 <0
I ^
I
II t i Ü
Ü
<3
ваемые методы. С помощью разработанной подсистемы было показано превосходство метода компактного описания контуров над оригинальным методом семантического описания контуров по временным, качественным и количественным характеристикам. Полученные результаты эксперимента полностью согласуются с теорией.
Список литературы
1. Каташкин В. И., Левахин М. Г., Чепин Е. В. Об одном подходе к решению задачи определения вида эмпирической модели // Инженерно-математические методы в кибернетике. 1979. № 8.
2. Фу К. Структурные методы в распознавании образов. М.: Мир, 1977.
3. Федоров Д. К., Чепин Е. В. Алгоритмы распознавания образов на основе атрибутных грамматик для цифровой обработки изображений. М.: Препринт МИФИ, 1988.
4. LepeshenkovK. E., Tchepine E. V. Semantic Editor of 2-d Contour Images // Proceedings of Intern. Conf. «GraphiCon'99». M., 1999.
5. Borisoglebsky D. A. Improve parametric curves representations in the semantic description of contours // Proceedings of the 14th International Workshop on Computer Science and Information Technologies, Vol. 1. Hamburg, 2012.
6. Борисоглебский Д. А., Чепин Е. В. Описание усовершенствованного метода представления контура в виде последовательности параметрических кривых // Труды VII международной научно-технической конференции «Автоматизация и прогрессивные технологии в атомной отрасли». Новоуральск, 2012.
7. Борисоглебский Д. А. Рассмотрение одного из этапов усовершенствованного метода семантического описания контуров на примере
мобильного робототехнического комплекса // Труды 55-й научной конференции МФТИ. М., 2012.
8. Борисоглебский Д. А. Система формирования компактного описания контуров изображения // Сборник трудов 16-й международная телекоммуникационной конференции молодых ученых и студентов «Молодежь и наука». М., 2013.
9. Борисоглебский Д. А., Чепин Е. В. Усовершенствованный подход к задаче векторизации контуров на изображениях // Прикладная информатика. 2013. № 2 (44).
10. Березняк И. С., Чепин Е. В. Язык действий мобильных робототехнических систем. LAPLAMBERT Academic Publishing GmbH&Co. KG., 2012.
11. Chepin E. V, Dyumin A. A., Shapovalov N. K, So-rokoumov P. S. Hardware and Software of Mobile Robots Group // Proceedings of the International Workshop on Computer Science and Information Technologies. Hamburg, 2012.
12. Данилов В. В., Дюмин А. А., Сорокоумов П. С., Чепин Е. В., Шаповалов Н. К. Программная система дистанционного управления роботом PATROLBOT // Сборник трудов «Наука и инновации НИЯУ МИФИ». М., 2010.
13. Dyumin A. A. Architecture of reconfigurable software for mobile robotic systems // Proceedings of the 12th International Workshop on Computer Science and Information Technologies. Vol. 2. Crete, 2009.
14. Дюмин А. А., Сорокоумов П. С., Чепин Е. В. Архитектура системы управления командой мобильных роботов // Труды 54-й научной конференции МФТИ «Проблемы фундаментальных и прикладных естественных и технических наук в современном информационном обществе». М., 2011.
D. Borisoglebsky, Post-Graduate Student, National Research Nuclear University «MEPhI», Moscow, denis.borisoglebsky@gmail.com
The influence of contours semantic description method's modification on robotic complex subsystem's characteristics
Contours vectorization methods are widely used in robotics, CAD, GIS and other applications. The paper considers the two methods based on the specially designed description subsystem. The qualitative, quantitative and timing parameters are compared using the developed image database. Keywords: contours description, vectorization, robotics.
94
