автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Алгоритмы выделения базовых и способы формирования инвариантных к повороту, переносу и изменению масштаба признаков объектов

владимирским государственный университет

На правах рукописи СТУЛОВ НИКОЛАЙ НИКОЛАЕВИЧ 003067428

удк 658.5.011

АЛГОРИТМЫ ВЫДЕЛЕНИЯ БАЗОВЫХ И СПОСОБЫ ФОРМИРОВАНИЯ ИНВАРИАНТНЫХ К ПОВОРОТУ, ПЕРЕНОСУ И ИЗМЕНЕНИЮ МАСШТАБА ПРИЗНАКОВ ОБЪЕКТОВ

Специальность 05.13.01 — Системный анализ, управление и обработка информации (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Владимир 2006

003067428

Работа выполнена на кафедре «Информационные системы» Муромского

института (филиала) Владимирского государственного университета.

Научный руководитель: доктор технических наук,

профессор Садыков Султан Садыкович.

Официальные оппоненты: д.т.н, проф. Жигалов Илья Евгеньевич,

к.т.н. Яковлев Александр Владимирович.

Ведущая организация: Пензенский государственный университет

(г. Пенза).

Защита состоится « 26» 01 200 7 г. в 14~на заседании диссертационного совета Д.212.025.01 Владимирского государственного университета по адресу: 600026, г. Владимир, ул. Горького, д. 87, ауд.211-1.

С диссертацией можно ознакомиться в библиотеке Владимирского государственного университета.,

Отзывы на автореферат в двух экземплярах, заверенные печатью, просьба направлять по адресу: г. Владимир, ул. Горького, д. 87, ученому секретарю совета.

Ученый секретарь диссертационного совета, доктор технических наук, профессор Макаров Р.И.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Большинство промышленных роботов, используемых в настоящее время на предприятиях многих стран, работает по жесткой программе, что требует предварительной организации полной упорядоченности рабочей зоны робота.

При выпуске изделий малыми и средними сериями, применение жестко-программированных роботов сопряжено значительными трудностями. Поэтому в нашей стране и за рубежом большое внимание уделяется проблеме создания и применения в промышленных условиях адаптивных роботов, снабженных средствами очувствления и способных на основе сенсорной информации в реальном масштабе времени корректировать свои действия в соответствии с изменением условий рабочей зоны. Одно из главных мест в структуре адаптивного робота занимает система технического зрения (СТЗ). Работа СТЗ, в первую очередь, связана с обработкой и анализом визуальной информации, т.е. изображения рабочей зоны (сцены).

Вопросам обработки визуальной информации с помощью ЭВМ д литературе уделяется достаточно много внимания. Однако специфика робототехничес-ких задач, требующих обработки большого объема информации в реальном времени при реализации вычислительных процессов на доступных и сравнительно недорогих микроЭВМ затрудняет использование традиционных методов цифровой обработки и анализа изображений, для которых ограничения на объем памяти и время обработки не является столь жесткими как в СТЗ.

Уменьшение объема видеоинформации осуществляется в СТЗ, в основном, путем бинаризации полутоновых изображений, т.е.' путем представления многоградационного изображения в виде двухградационного. Анализ бинарного изображения проще чем анализ полутонового и можно осуществить достаточно быстро. Кроме того, признаки (топологические, метрические и т.д.) объекта легче определить на его бинарном изображении. Поэтому подавляющее большинство СТЗ обрабатывает и анализирует бинарные изображения объектов.

В функции СТЗ во многих производственных задачах входит выполнение операций определения типа объекта, его положения и ориентации. Выполнение этих операций решается успешно, когда объект находится на фиксированном расстоянии от видеодатчика СТЗ, т.е. анализ изображений производится при их постоянном масштабе. В данном случае для надежного распознавания объекта достаточно иметь набор его признаков, инвариантных переносу и повороту, на рабочем поле СТЗ. Задача определения типа объекта, его положения и ориентации при переменном масштабе пока не нашли своего удовлетворительного решения.

В связи с этим систематизация существующих, разработка новых и оценка их инвариантности к переносу, повороту и изменению масштаба (ППМ)

признаков является актуальной задачей для формирования алгоритмического обеспечения надежного распознавания объектов на основе их бинарных изображений в СТЗ.

Целью диссертационной работы является разработка алгоритмов выделения и способа формирования широкого набора базовых и инвариантных к ППМ признаков объектов и изображений с ними для СТЗ.

Исходя из цели работы задачами исследования являются:

1. Анализ состояния проблемы выделения различных характеристик объектов в СТЗ и формирования на их основе инвариантных к ППМ признаков распознавания.

2. Разработка способа декомпозиции исходного изображения, позволяющего формировать достаточно широкий набор базовых признаков объектов и изображений с ними.

3. Разработка и исследование алгоритмов выделения признаков объектов при их линейчатом и силуэтном представлении.

4. Разработка и исследование способа формирования инвариантных к ППМ признаков объектов и изображений с ними.

5. Разработка набора наиболее стабильных инвариантных к ППМ признаков объектов и изображений с ними.

6. Практическое применение разработанных алгоритмов, способов для вычисления различных характеристик реальных объектов, анализируемых в СТЗ.

Методы исследования. В работе использованы методы теории множеств, дискретной математики, математической статистики и цифровой обработки изображений.

Научная новизна. В процессе проведенных исследований разработаны:

— способ декомпозиции исходного изображения объекта на три простых, каждый из которых содержит один вид представления исходного;

— алгоритм выделения и подсчета особых точек кривых, позволяющий определять: точки локальных максимумов, минимумов, их координаты и их количество; точки перегиба, их координаты и количество; длины вогнутых и выпуклых участков и их количество;

— алгоритм определения длины и ширины объектов;

— алгоритм определения степени вложенности объектов;

— методика формирования набора инвариантных к ППМ признаков обьектов и изображений с ними;

— набор наиболее стабильных инвариантных к ППМ признаков объектов и изображений с ними.

Практическая ценность работы. Включенные в диссертацию результаты получены автором при выполнении госбюджетной НИР № 340/98.

Результаты работы позволяют:

1. Осуществлять анализ изображений объектов в СТЗ с использованием различных технологических схем.

2. Формировать множество наборов базовых и инвариантных к ППМ признаков объектов, содержащие разное количество как однотипных, так и разнотипных признаков.

3. Моделировать весь процесс анализа и отбора базовых и производных признаков объектов в поле зрения СТЗ.

Реализация результатов исследования. Разработанные алгоритмы и система программ внедрены в производство, о чем свидетельствуют акты, приведенные в приложении к диссертации.

Апробация работы. Материалы диссертации работы докладывались и обсуждались на научных конференциях преподавателей МИВлГУ (г. Муром, 2003-2006 г.г.), на Международной научно-технической конференции «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (г. Рязань, 2004,2005 г.г.).

Публикации. Основные результаты диссертации опубликованы в 22 работах, в том числе 1 монография и 14 статей.

Структура и объем работы. Диссертация состоит из введения, пяти разделов, заключения, списка литературы из 202 наименований и приложения. Общий объем работы составляет 173 страницы, 86 рисунков, 22 таблицы.

На защиту выносится:

]. Способ декомпозиции изображений объектов, позволяющий существенно упростить задачу выделения и расширения набора базовых и инвариантных к ППМ признаков.

2. Методика формирования набора инвариантных к ППМ признаков объектов и изображений с ними.

3. Алгоритмы выделения особых точек кривых и определения вложенности объектов и их длины и ширины.

4. Результаты исследований и практического применения способов, алгоритмов и системы программ при решении задач анализа реальных объектов различных типов.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность диссертационной темы; показана необходимость разработки новых алгоритмов выделения и способов формирования инвариантных к различным преобразованиям объектов признаков для их распознавания; даны краткие аннотации отдельных разделов работы.

В первой части диссертации рассмотрены: общие принципы функционирования СТЗ; существующие технологические схемы обработки и анализа изображений в СТЗ; показано, что при использовании существующих схем не удается анализировать разомкнутые линии и точечные (малоразмерные) формирования.

Предложен способ декомпозиции исходного изображения объекта на три производных изображения, каждый из которых содержит только один тип представления объекта. В способе использованы методы: скелетизации, дающий на выходе изображение, содержащее в основном разомкнутые линии, которые названы объектами из разомкнутых линий (ОРЛ); оконтурования, дающий на выходе изображение, содержащее, в основном, зам-кнутые линии, названные объектами из замкнутых линий (ОЗЛ); сегментации, дающий на выходе изображение, содержащее, в основном, силуэтные формы, названные площадными объектами (ПО). Таким образом, исходное изображение объекта (ИО) оказывается представленным как

но = {иорл, йот, ипо}.

Анализ этих изображений позволяет сформировать множество признаков ИО (МПИО) как

мпио = {пиорл, пиозл, пипо}.

На основе обзора и анализа литературных источников установлено, что: основная часть применяемых в различных отраслях производства СТЗ осуществляет анализ бинарных изображений объектов; большинство признаков в СТЗ базируются на использовании контурного и площадного представления объектов; мало работ, посвященных применению параметров выпуклых форм ОЗЛ и ПО в качестве их признаков; подавляющее большинство используемых и предложенных признаков инвариантны в основном к переносу и повороту объекта; много внимания уделяется использованию моментных характеристик объектов в качестве признаков; не даны почти оценки стабильности значений признаков при различных преобразованиях объекта (например, аффинных на плоскости); практически не используются методы скелетизации изображений для выделения линейчатой структуры объектов, хотя эти методы уже достаточно хорошо развиты; мало внимания уделено определению характеристик объектов, представленных разомкнутыми линиями.

У та. с

Второй раздел диссертации посвящен анализу ОРЛ и формированию наборов базовых и инвариантных к ППМ признаков.

Разомкнутая линия Ь задана на дискретной плоскости ХОУ (рис. 1).

Методика формирования набора признаков ОРЛ состоит в следующем:

1. Определяются концевые точки А и В и их координаты

2. Вычисляется площадь линии — /+ -число элементов, образующих линию;

3. Определяется центр формы (фигуры, тяжести), с и его координаты (Хц,уц):

■•тш ' ХЧ Хк2

лтах

4. Вычисляется длина линии — Г.

I = а, +а3+а2^2 +а442, (1)

где а/,42,(13,04- количество элементов ОРЛ, лежащие на направлениях 1, 2, 3, 4. соответственно;

5. Вычисляется длина линии а в, соединяющей концевые точки а и в —

1к = л!(*к,-Хк2 )2 + (Ук, ~ Ук2 )2 ; (2)

6 Вычисляются расстояния от одной из концевых точек, например а до каждой точки линии Ь - Ьу (по формуле (2));

7. По результатам расчета Ь^ формируются вариационный ряд У(Ь]), гистограммы распределения длин Ь] -Н(Ьи частости Ь} - ЩЬ})\

8 Используя вариационный ряд У(Ьи гистограмму Н(Ьопределяются:

1 п

ъ Лу*

(3)

где п — число элементов линии Ь\

9. Вычисляются расстояния от центра тяжести линии l до каждой ее точки — üj (по формуле (2));

10. По результатам расчетов а,- формируются вариационный ряд v(af), гистограммы Н(я,-) и h(а,);

11. Используя вариационный ряд v(a) и гистограмму h(ai), определяются атах (по формуле (3)), аср (по формуле (4)) и

а = min { а} /сч

min ^ I 1J • (5)

12. Определяются длины проекции линии l на оси x и y— iх и :

^ ~ -^max ~ *mm , (6)

^ У та\ У min ; (7)

13. Определяются значения кривизны в точках линии l. В работе реализованы два известных и два собственных алгоритма определения кривизны линии. Учитывая, что дискретность расположения элементов линии на разных направлениях кратна 45°, один из алгоритмов определения кривизны использует принцип эталонного сравнения, поскольку вариантов углов между линиями, состоящими из 4-х и Д-связных элементов невелико;

14. Определяются максимальная 7i и средняя / / кривизны линии l

ГГ=тах{/(}; ГГ (8)

15. Вычисляется число точек с максимальной п(у"гах) и минимальной П(гГ) кривизной;

16. Определяются особые точки линии IT точки локальных максимумов тх и их количество к[(тх), минимумов тп и их количество ki(mn) перегиба midp и их количество к/ ( midp );

17. Определяются: число точек, образующих выпуклые и вогнутые участки линии; длины выпуклых 1еып и вогнутых 1вог участков; количество вогнутых ki(leoz) и выпуклых ki(lebW) участков; суммарная длина выпуклых lgbln и вогнутых ьвог участков линии l;

18. Рассматривая ОРЛ как линейный объект, составленный из элементов с единичной массой, вычисляются: моменты инерции относительно осей X — цх и Y— /лу; смешанный момент инерции /л**' ; главные моменты инерции

19. Вычисляются степенные моменты ОРЛ

™рд=И1хРУЧ, (9)

* У .

где суммирование производится по всем координатам А' и У; значения р. и д взяты равными 0, 1, 2; .,,(.,

20. Вычисляются центральные моменты порядка рц

"pq L-iJ-i^" к-г 'чУ , (Ю)

где хч =mvi/mm; у„ = тп Im,„;

21. Вычисляются нормированные центральные моменты

»P4

71р<1=-V, (11)

Иоо

где V = 2,3;

22. Формируется максимально полный набор базовых признаков ОРЛ. I. Подмножество метрических характеристик (ПМХОРЛ)

ПМХОРЛ = {1,1 ,1 ,а тах, (im¡„, аСр, Ътах, bCp ,1 ,1 ■ , Le0ÍH, Lebm },

II Подмножество количественных характеристик (ПКХОРЛ) ПКХОРЛ = {k¡(тх),к, (mn ),k¡ (miiip ),k¡(leo¿n ),

ьа^пМгГ* шг?п ж

III. Подмножество характеристик на основе моментов инерции (ПХМИОРЛ)

ПХМИОРЛ = ;

IV. Подмножество характеристик на основе степенных моментов (ПХСМОРЛ)

ПХСМОРЛ = {/»„, ,тт,от02,ml0,mn,m¡2,m2l),m2l,?nn} t V. Подмножество характеристик на основе центральных моментов (ПХЦМОРЛ)

ПХЦМОРЛ = {//„„ jum M,a /лю //,, /у2| //22> ;

VI. Подмножество характеристик на основе нормированных центральных моментов (ПХНЦМОРЛ)

ПХНЦМОРЛ = {r¡m, r¡m, 770,

VII. Подмножество значений кривизны (ПЗКОРЛ),

Общее количество базовых признаков ОРЛ более 50.

23. Большинство приведенных базовых признаков ОРЛ инвариантны в основном только переносу и повороту. СТЗ робота приходится анализировать и распознавать объекты при их смещении, повороте и изменении масштаба относительно некоторого исходного состояния. Поэтому, чтобы обеспечить высокое качество распознавания СТЗ должна применять инвариантные к ППМ признаки объектов. Отсюда возникает задача формирования на основе базовых инвариантных к ППМ признаков объектов.

Инвариантные к ППМ признаки должны быть безразмерными. Поэтому путем выполнения различных математических действий (деление, умножение, сложение и т.д.) над базовыми признаками одного подмножества можно получить безразмерные величины (признаки). Например, из метрических характеристик {1,1^ ,отах ,аср ,ьтах,ьср } можно получить следующие безразмерные признаки:

I. _ ^ . и _ «тах .и _аср . _ Ьтах . _ Ьср _ а„тх _ «Ср

К1 ~ у > К2 "у-' 3~ I ' 4 ~ ' 5 ~ / ' 6 ~ /* ' 7 ~ /А" '

/, ^тах ; к9 Кр к ю - «ср и ^тах . II •К Ьср н Кшх

/*' 5 & тах К1 ~ «тах «тах «ср

к -- аср к15 Ьср ¡+1к , «тах + «ср ; к¡8 «тах «ср .

^тах ' 17 ~ А °тах + Кр ^тах ' Ьср '

И др.

Таким образом, используя лишь операцию деления, из ПМХОРЛ можно сформировать набор из 66, из ПКХОРЛ — 28, из ПХМИОРЛ — 10, из ПХСМОРЛ — 36, из ПХЦМОРЛ — 36, из ПХНЦМОРЛ — 36 безразмерных признаков.

В целом на основе всех базовых признаков для ОРЛ формируется набор, состоящий из более 300 безразмерных признаков. При использовании еще других математических операций этот набор существенно увеличится.

24. Для исследования инвариантности безразмерных признаков к ППМ объекта были выбраны из ПМХОРЛ — 8, из ПХСМОРЛ — 9 базовых признаков.

Используя операции деления, сложения, умножения и вычитания из 7 признаков ПМХОРЛ были составлены 42, а из признаков ПХСМОРЛ — 44 безразмерных признака.

Исследования показали, что из безразмерных признаков, сформированных на основе ПМХОРЛ, каждый ОРЛ имеет в среднем 9 инвариантных к ППМ признаков со стабильностью до 1%, со стабильностью от 1 до 5% — 12, а на основе ПХСМОРЛ— 15 признаков со стабильностью до 5%.

25. Изображение может содержать множество ОРЛ. Для распознавания такого изображения (объекта) на основе базовых признаков отдельных ОРЛ составляется набор базовых признаков изображения с ОРЛ. В этот набор включаются в основном максимальные, минимальные, средние значения признаков ОРЛ, имеющихся на изображении. Например ПМХ изображения с ОРЛ (ПМХИОРЛ) имеет такой вид

ПМХМОРГГ — f 1 1 / • / rf jk л Л ■ А

iiitiYxriui л — } iCyM ,imax fimin flcp>'max ''min ''ср>'сум >nmax > '"min >/лср >

в в ■ в iх iх iх iy ly ly jcym lcym }

"тих > "min 'Dcp>lntax >lmin >'cp>lmax »'min ''ср'^вогн >^вып i.

Аналогично формируются ПКХИОРЛ, ПХМИИОРЛ, ПХСМИОРЛ, ПХЦМИОРЛ, ПХНЦИОРЛ. Общее количество базовых признаков изображения с ОРЛ более 150.

26. На основе базовых признаков изображения с ОРЛ, как в случае отдельного ОРЛ. формируется набор, включающий более 2100 безразмерных признаков.

27. Для исследования инвариантности безразмерных признаков изображения с ОРЛ к ППМ были использованы признаки ПМХИОРЛ и ПХСМИОРЛ. Используя лишь операции деления, были сформированы из ПМХИОРЛ — 105, а из ПХСМИОРЛ — 351 безразмерных признака.

Результаты исследований показали, что из безразмерных признаков, сформированных на основе ПМХИОРЛ изображение с ОРЛ имеет 30 инвариантных признаков со стабильностью до 1%, со стабильностью от 1 до 5% — 46; изображение с ОРЛ на основе ПСМИОРЛ имеет 92 инвариантных с ППМ признаков со стабильностью до 1%, а со стабильностью от 1 до 5%— 107.

Третий раздел диссертации посвящен анализу ОЗЛ и формированию наборов базовых и инвариантных к ППМ признаков.

Замкнутая линия z (рис.2) задана на дискретной плоскости Лoy и состоит из 4-х и Д-связ-ных элементов Методика формирования полного набора базовых признаков ОЗЛ аналогична методике, использованной для ОРЛ. Здесь реализуются процедуры, предусмотренные в пунктах 2-4, 9-21 методики для ОРЛ. Кроме них:

1. Определяются длина d и ширина с объекта. Длиной объекта считается максимальное рас-

Рис 2. ОЗЛ

стояние я/ между двумя параллельными касательными Л"д/ и К^, которые не пересекают сам объект. Шириной с объекта считается минимальное расстояние я,-.

Определение длины и ширины ОЗЛ методом касательных является достаточно сложной задачей. Поэтому в работе реализован следующий алгоритм. Определяются расстояния между всеми точками линии Z. Среди расстояний от данной /'-ой точки до других точек определяется атах.. Значения Т) и С

устанавливаются так:

£> = тах{агаД (12)

С - тт| апа.ч} (13)

2. Вычисляется угол наклона а объекта, в качестве которого принимается угол наклона линии М/У, являющийся длиной I) объекта

а = аг

-д

(14)

где xk] ,yki ,yki— координаты концевых точек линии D.

3. Определяются размеры описанного прямоугольника следующим образом. Объект поворачивается на угол а и определяются его проекции на оси Хи Y— /А'и l v. Большая из Iхи будет длиной я, меньшая из них шириной — b прямоугольника. По значениям а и b определяется периметр прямоугольника — Рпр.

4. Формируется выпуклая оболочка ОЗЛ путем соединения прямыми точек максимальной кривизны.

5. Для выпуклой оболочки реализуются процедуры, предусмотренные в пунктах 2-4, 9-21 методики формирования наборов признаков ОРЛ и в пунктах 1-3 методики для ОЗЛ.

6. Определяется вложенность ОЗЛ с помощью алгоритма, построенного на принципах наращивания элементов ОЗЛ во внутреннюю область до вложенного объекта.

7. Формируется полный набор базовых признаков ОЗЛ, состоящий из ПМХОЗЛ с 24, ПКХОЗЛ с 11, ПХМИОЗЛ с 10, ПХСМОЗЛ с 18, ПХЦМОЗЛ с 18, ПНЦМОЗЛ с 18, ПЗКОЗЛ с 6 признаками.

8. Формирование наборов безразмерных признаков ОЗЛ осуществляется аналогично, как это делалось для ОРЛ. В результате на основе базовых признаков составляется набор из более 850 безразмерных признаков.

9. Для исследования инвариантности безразмерных признаков к ППМ ОЗЛ выбраны базовые признаки из ПМХОЗЛ (18 признаков). Используя операции деления, сложения, вычитания и умножения из признаков П ХМ И ОЗЛ были сформированы более 50. а из признаков ПМХОЗЛ — более 150 безразмерных признаков

Результаты исследований показали, что из безразмерных признаков, сформированных на основе ПМХОЗЛ, каждый ОЗЛ имеет в среднем 43 инвариантных к ППМ признаков со стабильностью до 1%, со стабильностью от 1 до 5% — 67.

10. Как и в случае изображения с ОРЛ. для изображения с ОЗЛ формируются наборы ПМХИОЗЛ с 52, ПКХИОЗЛ с 20, ПХМИОЗЛ с 30. ПХСМИОЗЛ с 54. ПХЦМИОЗЛ с 54. ПХНЦМИОЗЛ с 54 базовыми признаками (всего более 260).

I!, На основе базовых признаков изображения с ОЗЛ формируется набор, включающий более 2000 безразмерны* признаков.

12. Для исследования инвариантности безразмерных признаков изображения с ОЗЛ к ППМ выбраны 15 признаков выпуклых оболочек ОЗЛ из ПМХИОЗЛ. на основе которого сформирован набор, содержащий 113 безразмерных признаков.

Результаты исследования показали, что из безразмерных пришаков, сформированных на основе ПМХИОЗЛ. изображение с ОЗЛ имеет 46 инвариантных признаков со стабильностью до 1%, остальные признаки, из 113 исследованных, имеют стабильность до 5%.

Четвертый раздел работы посвящен анализу ПО и формированию набору базовых и инвариантных к ППМ признаков.

Многосильный площадной объект задан на дискретной плоскости хоу (ркс.З), Методика составления полного набора базовых признаков ПО осуществляется так. как это делалось для ОРЛ и ОЗЛ.

I. Выделяется внешний контур ПО. затем выполняются над этим контуром И его выпуклой оболочкой действия пунктов 2-4, 9-17 для ОРЛ и пунктов 1-7 для ОЗЛ.

Рис.3 ПО

2. Определяются: площадь ПО —Sg и его дыр — Sg. ; суммарная площадь дыр- ^gC)M ; общая площадь ПО - S, как сумма S0 и S g™' ; площадь выпуклой формы UO-Sebln и описанных вокруг ПО и его выпуклой формы прямоугольников- Snp и Бпрвып.

3. Определяются моментные характеристики ПО, внешнего контура, его выпуклой формы и ее контура.

4. Определяется суммарная длина периметров дыр объекта — и самого объекта РС),,(, как сумма длин внешнего и внутренних контуров.

5. Определяются моментные характеристики ПО, его внешнего контура, выпуклой формы и ее контура.

6. Вычисляются разности между различными типами площадей и периметров, полученных в п.п. 1, 2, 3.

7. Формируется полный набор базовых признаков ПО: ППХПО с 8, ПМХПО с 21, ПКХПО с 11, ПХМИПО с 15, ПХСМПО с 36, ПХЦМПО с 36, ПХНЦМПО с 36, ПЗКПО с 6 признаками.

8. Формируется набор безразмерных признаков ПО, содержащих более 4000 признаков.

9. Для исследования инвариантности безразмерных признаков к ППМ ПО выбраны из ППХПО — 11, из ПМХПО — 15 базовых признаков. Составлены около 250 безразмерных признака ПО.

Результаты исследований показали, что из безразмерных признаков, сформированных на основе ППХПО, каждый ПО имеет в среднем 14 инвариантных к ППМ признаков со стабильностью до 2,5%, со стабильностью от 2,5 до 5% — 13, а на основе ПМХПО — 18 признаков со стабильностью до 2,5% и 14 признаков со стабильностью от 2,5 до 5%.

10. Формируется набор базовых признаков изображения с ПО, включающий более 530 признаков ПО.

11. Формируется набор безразмерных признаков изображения с ПО, содержащий более 6000 признаков.

12. Для исследования инвариантности безразмерных признаков изображения с ПО к ППМ использованы 276 безразмерных признаков, составленные на основе 24 базовых признаков из ПМХИПО.

Исследования показали, что из безразмерных признаков, сформированных на основе ПМХИПО изображение с ПО имеет 78 инвариантных к ППМ объектов признаков со стабильностью до 1%. Остальные признаки из 276 исследованных, имеют разброс в пределах до 5%.

В пятом разделе диссертации приведена структура программной системы выделения базовых признаков ОРЛ, ОЗЛ, ПО и изображений с этими объектами, формирования безразмерных признаков и исследования инвариантности этих признаков к ППМ объектов. Разработанные алгоритмы и программы использованы для вычисления характеристик дефектов и структуры материалов по изображениям, полученным с помощью различных методов промышленной дефектоскопии: стресс-коррозионных трещин магистральных газопроводов (магнитно-порошковый метод); дефектов немагнитных материалов (капиллярный метод); структуры ферромагнитного кристалла (метод ма-гнитоупругой акустической эмиссии); механических колебаний изделий (метод голографической интерферометрии); структуры металлов, сплавов и керамики (металлографический и микроскопический методы). Даны результаты вычисления геометрических, топологических характеристик различных промышленных деталей и дефектов печатных плат.

В заключении сформированы основные результаты, полученные в ходе работы над диссертацией:

1. Проведен анализ проблемы выделения признаков объектов в СТЗ. Установлено, что:

— большая часть применяемых в различных отраслях производства СТЗ осуществляет анализ плоских бинарных изображений объектов;

— большинство признаков в СТЗ базируются на использовании параметров контурного и силуэтного представления объектов;

— почти совсем не используются характеристики скелетного представления объектов для формирования признаков;

— не решен вопрос использования параметров выпуклой оболочки контурного и выпуклой формы силуэтного представлений объектов, а также описанных вокруг объектов и их выпуклых форм правильных фигур, например, прямоугольников для получения дополнительных признаков;

— подавляющее большинство, используемых в СТЗ признаков, инвариантны лишь к переносу и повороту объектов на плоскости.

2. Рассмотрены существующие технологические схемы анализа изображений объектов в СТЗ. Предложена технологическая схема, объединяющая существующие и позволяющая осуществлять декомпозицию изображения на три производных, каждый из которых содержит один вид представления (контурное, скелетное и площадное) объекта, тем самым упрощающая анализ исходного изображения и расширяющая возможности формирования набора признаков распознаваемых объектов.

3. Предложены и использованы способы формирования признаков объектов на основе:

— линии, соединяющей концевые точки разомкнутой линии;

— длин проекций объектов на оси;

— разностей периметров и площадей исходных объектов и их выпуклых Оболочек, описанных вокруг них прямоугольников и выпуклых форм.

4. Сформированы максимально полные наборы базовых признаков для каждого вида представления объекта и изображения с ними.

5. Сформированы безразмерные признаки объектов и изображений с ними, на основе которых составлены наборы инвариантных к ГТПМ объектов признаков;

6. Проведены исследования инвариантности безразмерных признаков к ППМ объектов и установлено, что:

—. значительная часть предложенных безразмерных признаков объектов и изображений с ними инвариантны к ППМ объектов;

— стабильность инвариантных к ППМ признаков объектов и изображений с ними при всех формах представления находится в пределах 1-5%;

— предложенный способ формирования инвариантных к ППМ признаков позволяет составлять наборы таких признаков большого объема и для любого вида представления объекта.

7. Разработан и использован алгоритм обнаружения и подсчета особых точек кривой, позволяющий определять:

— точки локальных максимумов и минимумов и их количество и координаты;

— точки перегибов и их координаты и количество;

— длины вогнутых и выпуклых участков и их количество на кривой;

8. Разработан и использован алгоритм определения длины и ширины ОЗЛ и ПО, отличающийся простотой реализации.

9. Разработан и использован алгоритм определения степени вложенности ОЗЛ и ПО, позволяющий простыми вычислительными операциями установить глубину (порядок) вложенности любого порядка.

10. Проведены работы по практическому применению разработанных способов и алгоритмов для вычисления характеристик объектов: промышленных деталей; шлифованной поверхности металлического изделия; зернистой структуры сплава; рентгеновского снимка сварного шва; печатной платы и др.

11. Разработана система программ, являющаяся удобным инструментальным средством оперативного анализа изображений различных объектов и формирования набора инвариантных к ППМ признаков для использования в СТЗ промышленных роботов.

В приложении приведена справка, подтверждающая использование результатов работы на промышленном предприятии.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ по перечню ВАК:

1. Стародубов Д.Н., Стулов H.H. Комплекс программ обработки и анализа изображений объектов в системах технического зрения // Программные продукты и системы, 2006, №3, С. 17-20.

2. Стулов H.H. Исследование инвариантности признаков объектов / Вестник Костромского государственного университета. — 2006. — т. 12. — Серия: Технические и естественные науки «Системный анализ: Теория и практика», №2, С. 26-29.

в прочих изданиях:

3. Садыков С.С., Стулов H.H. Методы и алгоритмы выделения признаков объектов в системах технического зрения: Монография. — М.: Горячая линия-Телеком, 2005. — 204 с.

4. Стулов H.H. Признаки объектов из разомкнутых линий / Методы и системы обработки информации: Сб. научн. ст. в 2-х частях. 4.1. — М.: Горячая линия-Телеком, 2004. С. 94-98.

5. Садыков С.С., Стулов H.H. Вычисление признаков площадных объектов/ Методы и системы обработки информации: Сб. научн. ст. в 2-х частях. Ч. 1. — М.: Горячая линия-Телеком, 2004. С. 99-103.

6. Захаров A.A., Стулов H.H. Выделение признаков в задачах распознавания изображений,^Методы и системы обработки информации: Сб. научн. ст. в 2-х частях. 4.1. — М.: Горячая линия-Телеком, 2004. С. 89-93.

7. Стулов H.H. Способ формирования признаков объектов в СТЗ, инвариантных к повороту, переносу и изменению масштаба. Сб. науч. ст. «Системы и методы обработки и анализа информации». — М.: Горячая линия-Телеком, 2005, —С. 18-24.

8. Стулов H.H. Инвариантные к повороту, переносу и изменению масштаба признаки объектов из замкнутых линий. Сб. науч. ст. «Системы и методы обработки и анализа информации». — М.: Горячая линия-Телеком, 2005, —С. 25-30.

9. Стулов H.H., Стародубов Д.Н. Инвариантные к повороту, переносу и изменению масштаба признаки площадных объектов. Сб. науч. ст. «Системы и методы обработки и анализа информации». — М.: Горячая линия-Телеком, 2005, —С. 30-37.

10.Садыков С.С., Стулов H.H., Стародубов Д.Н. Способ формирования в системах технического зрения промышленных роботов признаков изображений, инвариантных к переносу, повороту и изменению масштаба. Сб. науч. ст. «Системы и методы обработки и анализа информации». — М.: Горячая линия-Телеком, 2005. С. 38-44.

11 .Варламов А.Д., Стулов H.H. Обработка и анализ изображений дефектных участков материалов и изделий // Алгоритмы, методы и системы обработки данных: Сборник научных статей / Под ред. С.С. Садыкова, Д.Е. Андрианова — М.: Горячая линия - Телеком, 2006. — С. 309-319.

12.Стулов H.H. Систематизация признаков изображений: Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: Матер, 13 Международн. НТК —Рязань: РГРТА, 2004. С. 108.

13.Стулов H.H. Алгоритмы вычисления признаков изображений: Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: Матер. 13 Международн. НТК — Рязань: РГРТА, 2004. С. 109.

14.Стародубов Д.Н., Стулов H.H. К вопросу вычисления инвариантных к аффинным преобразованиям признаков площадных объектов. Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: Матер. 14 Международн. НТК — Рязань: РГРТА, 2005. С. 194,195.

15.Стародубов Д.Н., Стулов H.H. Формирование инвариантных к повороту, переносу и изменению масштаба признаков объектов из замкнутых линий. Матер. 14 Международн. НТК —Рязань: РГРТА, 2005. С. 195-197.

16.Садыков С.С., Стулов H.H. Способ упрощения полутонового изображения и наборы признаков различных классов изображений: Муромский ин-т (филиал) Владимирского гос. ун-та. — Муром. 2005. — 19 с. — Деп. в ВИНИТИ, № 571. — В 2005.

17.Маркин С.Н., Стулов H.H. Операторы выделения типов изображений и их реализация / Муромский ин-т (филиал) Владимирского гос. ун-та. — Муром, 2005. — 42 с. — Деп. в ВИНИТИ, № 572 — В 2005.

18.Стулов H.H., Стародубов Д.Н. Экспериментальное исследование алгоритме« вычисления геометрических признаков линейных и площадных объектов: Муромский-ин-т (филиал) Владимирского гос. ун-та. — Муром. 2005. — 31 с. — Деп. в ВИНИТИ, № 573. — В 2005.

19.Стулов H.H., Маслов П.А. Алгоритмы и программы вычисления геометрических признаков объектов из разомкнутых линий: Муромский ин-т (филиал) Владимирского гос. ун-та. — Муром, 2005. — 35 с. — Деп. в ВИНИТИ, № 574. — В 2005.

20.Самаров A.B., Стулов H.H. Контроль печатных плат по их внешнему виду: Муромский ин-т (филиал) Владимирского гос. ун-та. — Муром. 2005. — 30 с. — Деп. в ВИНИТИ, № 575. — В 2005.

21.Стулов H.H., Пудков Д.В. Алгоритмы определения топологических и геометрических признаков площадных объектов: Муромский ин-т (филиал) Владимирского гос. ун-та. — Муром, 2005. — 34 с. — Деп. в ВИНИТИ, № 576, —В 2005.

22.Садыков С.С., Стулов H.H. Алгоритмы вычисления базовых и производных признаков изображений: Муромский ин-т (филиал) Владимирского гос. ун-та. — Муром, 2005. — 28 с. — Деп. в ВИНИТИ. № 577 — В 2005.

Подписано в печать 22.12.2006. Формат 60x84 1/16. Бумага для множительной техники. Гарнитура Times. Печать офсетная. Усл. печ. л. 1,16 Тираж 100 экз. Заказ № 1062а. Отпечатано в издательско-полиграфическом центре Муромского института (филиала) Владимирского государственного университета Адрес: 602264, Владимирская обл., г. Муром, ул. Орловская, 23 e-mail: center@mivlgu.murom.ru

Введение.

1. АНАЛИЗ ВОПРОСОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ И ФОРМИРОВАНИЯ ПРИЗНАКОВ РАСПОЗНАВАНИЯ В СТЗ.

1.1. Общие принципы функционирования СТЗ.

1.2. Технологические схемы обработки и анализа изображений в СТЗ.

1.3. Особенности формирования признаков распознаваемых объектов в СТЗ.

1.4. Типы признаков объектов, используемых в СТЗ (обзор литературы).

Выводы по разделу 1.

Задачи исследования.

2. АЛГОРИТМЫ ВЫЧИСЛЕНИЯ ПРИЗНАКОВ ОБЪЕКТА И ИЗОБРАЖЕНИЯ ИЗ РАЗОМКНУТЫХ ЛИНИЙ

2.1. Алгоритмы вычисления признаков ОРЛ.

2.1.1. Определения.

2.1.2. Вычисление длины и площади дискретной липни.

2.1.3. Вычисление расстояния от любой точки линии до центра тяжести и одной из концевых точек.

2.1.4. Длина проекции линии на оси.

2.1.5. Угол наклона объекта.

2.1.6. Описанный вокруг объекта прямоугольник.

2.1.7. Алгоритмы определения кривизны.

2.1.8. Алгоритмы поиска и подсчета особых точек линии.

2.1.9. Длины вогнутых и выпуклых участков.

2.1.10. Длины изогнутых участков и их количество на линии.

2.1.11. Моменты инерции ОРЛ.

2.1.12. Степенные моменты ОРЛ.

2.1.13. Формирование безразмерных признаков ОРЛ.

2.1.14. Исследование инвариантности безразмерных признаков к ППМ ОРЛ.

2.2. Алгоритмы вычисления признаков изображения с объектами из разомкнутых линий.

2.2.1. Размер изображения с ОРЛ и количество объектов.

2.2.2. Признаки изображения на основе длин и площадей ОРЛ.

2.2.3. Признаки изображения, связанные с линиями, соединяющими концевые точки, центр тяжести и одну из концевых точек с любой точкой линии.

2.2.4. Признаки изображения, связанные с длинами проекций ОРЛ на оси.

2.2.5. Признаки изображения, связанные с периметрами описанных вокруг

ОРЛ прямоугольников.

2.2.6. Признаки изображения, связанные с кривизной ОРЛ.

2.2.7. Признаки изображения, связанные с локальными максимумами, минимумами и экстремумами ОРЛ.

2.2.8. Характеристики изображения, связанные с числом перегибов ОРЛ.

2.2.9. Признаки изображения, связанные с вогнутыми, выпуклыми, изогнутыми направо и палево участками ОРЛ.

2.2.10. Признаки изображения, связанные с различными моментами ОРЛ.

2.2.11. Формирование безразмерных признаков изображения с ОРЛ.

2.2.12. Исследование инвариантности безразмерных признаков изображения к ППМ ОРЛ.

Выводы по разделу 2.

3. АЛГОРИТМЫ ВЫЧИСЛЕНИЯ ПРИЗНАКОВ ОБЪЕКТА И ИЗОБРАЖЕНИЯ

ИЗ ЗАМКНУТЫХ ЛИНИЙ.

3.1. Алгоритмы вычисления признаков ОЗЛ.

3.1.1. Определения.

3.1.2. Вычисление периметра и площади объекта.

3.1.3. Вычисление расстояния от центра тяжести объекта до его любой точки.

3.1.4. Длина проекции ОЗЛ на оси.

3.1.5. Ширина и длина объекта.

3.1.6. Угол наклона объекта.

3.1.7. Описанный вокруг объекта прямоугольник.

3.1.8. Характеристики ОЗЛ, связанные с кривизной линии.

3.1.9. Характеристики ОЗЛ, связанные с особыми точками линии.

3.1.10. Длины вогнутых и выпуклых участков ОЗЛ.

3.1.11. Длины изогнутых налево и направо участков ОЗЛ.

3.1.12. Моменты инерции ОЗЛ.

3.1.13. Степенные моменты ОЗЛ.

3.1.14. Выпуклая оболочка объекта.

3.1.15. Характеристики выпуклой оболочки ОЗЛ.

3.1.16. Алгоритмы определения вложенности объектов.

3.1.17. Формирование безразмерных признаков ОЗЛ.

3.1.18. Исследование инвариантности безразмерных признаков к ППМ ОЗЛ.

3.2. Алгоритмы вычисления признаков изображения с объектами из замкнутых линий.

3.2.1. Признаки изображения на основе периметров и площадей ОЗЛ.

3.2.2. Признаки изображения, связанные с длинами линий, соединяющих центр тяжести с точками ОЗЛ.

3.2.3. Признаки изображения, связанные с длинами проекций ОЗЛ на оси.

3.2.4. Признаки изображения, связанные с периметрами описанных вокруг ОЗЛ прямоугольников.

3.2.5. Признаки изображения, связанные с кривизной ОЗЛ.

3.2.6. Признаки изображения, связанные с локальными максимумами, минимумами и экстремумами ОЗЛ.

3.2.7. Характеристики изображения, связанные с числом перегибов ОЗЛ.

3.2.8. Признаки изображения, связанные с вогнутыми, выпуклыми, изогнутыми направо и налево участками ОЗЛ.

3.2.9. Признаки изображения, связанные с различными моментами ОЗЛ.

3.2.10. Признаки изображения, связанные с длиной и шириной ОЗЛ.

3.2.11. Признаки изображения, связанные с характеристиками выпуклых форм ОЗЛ.

3.2.12. Формирование безразмерных признаков изображения с ОЗЛ.

3.2.13. Исследование инвариантности безразмерных признаков изображения к ППМ ОЗЛ.

Выводы но разделу 3.

4. АЛГОРИТМЫ ВЫЧИСЛЕНИЯ ПРИЗНАКОВ ПЛОЩАДНОГО ОБЪЕКТА

И ИЗОБРАЖЕНИЯ С ТАКИМИ ОБЪЕКТАМИ.

4.1. Алгоритмы вычисления признаков ПО.

4.1.1. Определения.

4.1.2. Вычисление площади объекта.

4.1.3. Периметр объекта.

4.1.4. Длины проекции объекта на оси.

4.1.5. Вложенность площадных объектов.

4.1.6. Длина и ширина объекта.

4.1.7. Угол наклона объекта.

4.1.8. Описанный вокруг объекта прямоугольник.

4.1.9. Вычисление моментов инерции ПО.

4.1.10. Вычисление степенных моментов ПО.

4.1.11. Выпуклые оболочка и форма ПО.

4.1.12. Расстояние от центра тяжести ПО до его границы.

4.1.13. Характеристики ПО, вычисляемые по его внешнему контуру.

4.1.14. Характеристики выпуклой оболочки ПО.

4.1.15. Характеристики выпуклой формы ПО.

4.1.16. Формирование безразмерных признаков ПО.

4.1.17. Исследование инвариантности безразмерных признаков к ППМ ПО.

4.2. Алгоритмы вычисления признаков изображения с площадными объектами.

4.2.1. Признаки изображения на основе площадей ПО.

4.2.2. Признаки изображения на основе периметров ПО.

4.2.3. Признаки изображения на основе длин проекций ПО на оси.

4.2.4. Признаки изображения на основе расстояния от центра тяжести ПО до его границы.

4.2.5. Характеристики изображения, связанные с длиной и шириной объекта.

4.2.6. Характеристики изображения, связанные с описанными вокруг ПО прямоугольниками.

4.2.7. Признаки изображения на основе характеристики внешних контуров ПО.

4.2.8. Признаки изображения, связанные с выпуклыми формами и оболочками внешних контуров ПО.

4.2.9. Признаки изображения на основе различных моментов ПО и их внешних контуров.

4.2.10. Признаки изображения на основе различных моментов выпуклых форм и оболочек внешних контуров ПО.

4.2.11. Формирование безразмерных признаков изображения с ПО.

4.2.12. Исследование инвариантности безразмерных признаков изображения к ППМ объектов.

Выводы по разделу 4.

5. ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ РАЗРАБОТАННЫХ АЛГОРИТМОВ ВЫЧИСЛЕНИЯ ПРИЗНАКОВ ОБЪЕКТОВ И ИЗОБРАЖЕНИЙ.

5.1. Функциональная схема экспериментальной установки.

5.2. Структура программной системы вычисления признаков объектов и изображений.

5.3. Обработка и анализ изображений дефектных участков материалов и изделий.

5.3.1. Введение.

5.3.2. Обработка и анализ изображений с линейной структурой.

5.3.3. Обработка и анализ изображений, содержащий замкнутые объекты.

5.3.4. Обработка и анализ изображений, содержащий площадные объекты.

5.4. Вычисление геометрических характеристик промышленных деталей.

5.5. Определение параметров дефектов печатных плат.

Выводы по разделу 5.

В развитии человеко-машинных систем появление роботов-манипуляторов и микропроцессоров ознаменовало качественно новый этап. В иерархической структуре современного материального производства за долгую историю таких систем человеку и машине были отведены соответственно высший и низший уровни. Для конкретизации решений принятых на высшем уровне в виде последовательной программы действий низшего уровня служат промежуточные уровни данной структуры. Технические средства автоматизации и механизации, включая вычислительные машины, автоматы и манипуляционные роботы, используются для этой цели.

Роботы-манипуляторы первоначально использовались для механизации малоквалифицированного физически тяжелого труда подсобных рабочих, занятых на погрузочно-разгрузочных, складских и других операциях. Кроме того, роботы стали применяться для обслуживания станков с программным управлением: установка заготовки в станок; съем готового изделия; перенос изделия в тару и т.д. [12, 16, 25, 44, 46, 48, 49, 63, 64, 70, 73, 82, 103-105, 107, 111,116, 117, 126, 149,151, 164, 172, 174, 175,179].

Операции, осуществляемые роботом, мало отличаются от тех операций, которые выполнялись автоматами и автоматизированными устройствами. Но в процессе накопления опыта роботизации, отличия в действиях автоматов и роботов в дальнейшем оказались значительными, что послужило основой для выделения роботов в отдельный класс технических средств автоматизации, у которых существует ряд характерных особенностей:

1) с помощью ЭВМ робот может быть обучен выполнению различных операций во времени и в пространстве;

2) робот способен воспроизводить все многообразие двигательных функций человека в процессе работы и поэтому можно его использовать для обслуживания оборудования различных типов, даже при изменении номенклатуры изделий. Но робот функционирует в соответствии с заданной программой в строго определенных (детерминированных) условиях производства. Изделия, заготовки и грузы с которыми манипулирует робот, всегда должны быть на одном и том же месте и в строго ориентированном отношении. Робот не может выполнять свои функции, если в окружающей рабочей среде произошли небольшие изменения.

Чтобы использовать потенциальные возможности робота, необходимо повысить его интеллектуальный уровень, он должен обладать способностью «чувствовать» изменения в рабочей среде и в соответствии с этими изменениями корректировать программу функционирования. Для этого в первую очередь нужно увеличить объем информации, поступающей в робота о внешней среде, научить его анализировать эту информацию и действовать в соответствии с изменениями обстановки. Такую информацию робот может получить с помощью различных сенсорных датчиков. По информации с датчиков промышленный робот может действовать в не полностью определенной и частично изменяющейся среде. Это позволяет роботу без участия человека обеспечивать выполнение технологического процесса, в который он включен.

Чтобы робот обладал адаптивными к изменению состояния рабочей среды свойствами его необходимо снабдить зрительным анализатором, т.е. системой технического зрения (СТЗ).

Создание и применение СТЗ требует решения целого ряда сложных научных и инженерных задач, связанных с обработкой и анализом изображений [26,9,17,18,21-23,27,38,41,45, 56-61,71, 85, 87-91,96-98, 100,108,109,118-121, 126, 129-131, 148, 150, 152, 155, 161, 163, 165, 167, 169, 171, 172, 193], разработкой алгоритмов выделения информационных признаков распознаваемых объектов в поле зрения видеодатчика СТЗ [7,11,13, 14,25,62,65,68,72,73,7577, 85, 82, 86, 92, 103, 104, 106, 107, 111, 114, 115, 126, 133, 145, 146, 151, 154, 161, 172, 174, 179], подбором датчиков и микроЭВМ, отвечающих определенным требованиям [25,46,48,73,92,106,114,115,126,132,133] и др.

Несмотря на сложность решаемых задач разработки СТЗ широко ведутся в развитых странах. Большое число СТЗ успешно используется в различных отраслях производства. Значительная часть созданных СТЗ работает с бинарными (двухградационными) изображениями анализируемой сцены. Использование бинарных изображений позволяет снизить требования к объему памяти и быстродействию микроЭВМ, на базе которой строится СТЗ. Кроме того, признаки бинарных изображений легче выделять, чем у полутоновых изображений.

Одним из ключевых вопросов при создании СТЗ является выбор и обоснование признаков распознаваемых по их изображениям объектов. Эти признаки должны быть инвариантными к положению объектов на рабочей плоскости [126].

СТЗ, использующие инвариантные признаки к переносу и повороту объектов в поле зрения видеодатчика, разработаны на хорошем коммерческом уровне и успешно применяются при решении вопросов, например, автоматизации контроля изделий. Автоматизация многих производственных операций требует создания СТЗ, использующих для распознавания объектов их инвариантные к переносу, повороту и масштабу (ППМ) признаки.

Вопрос формирования и разработки алгоритмов выделения таких признаков бинарных изображений объектов для СТЗ не получил пока должного решения. Поэтому систематизация существующих признаков, разработка новых и оценка их инвариантности к переносу, повороту и изменению масштаба объектов является актуальной задачей для формирования алгоритмического обеспечения надежного распознавания в современных СТЗ объектов на основе их бинарных изображений [126].

Целью диссертационной работы является разработка алгоритмов выделения и способа формирования широкого набора базовых и инвариантных к ППМ признаков объектов и изображений с ними для СТЗ.

Исходя из цели работы задачами исследования являются:

1. Анализ состояния проблемы выделения различных характеристик объектов в СТЗ и формирования на их основе инвариантных к ППМ признаков распознавания.

2. Разработка способа декомпозиции исходного изображения, позволяющего формировать достаточно широкий набор базовых признаков объектов и изображений с ними.

3. Разработка и исследование алгоритмов выделения признаков объектов при их линейчатом и силуэтном представлении.

4. Разработка и исследование способа формирования инвариантных к НИМ признаков объектов и изображений с ними.

5. Разработка набора наиболее стабильных инвариантных к ППМ признаков объектов и изображений с ними.

6. Практическое применение разработанных алгоритмов, способов для вычисления различных характеристик реальных объектов, анализируемых в СТЗ.

Методы исследования. В работе использованы методы теории множеств, дискретной математики, математической статистики и цифровой обработки изображений.

Научная новизна. В процессе проведенных исследований разработаны: способ декомпозиции исходного изображения объекта на три простых, каждый из которых содержит один вид представления исходного; алгоритм выделения и подсчета особых точек кривых, позволяющий определять: точки локальных максимумов, минимумов, их координаты и их количество; точки перегиба, их координаты и количество; длины вогнутых и выпуклых участков и их количество; алгоритм определения длины и ширины объектов; алгоритм определения степени вложенности объектов; методика формирования набора инвариантных к ППМ признаков объектов и изображений с ними; набор наиболее стабильных инвариантных к ППМ признаков объектов и изображений с ними.

Практическая ценность работы. Включенные в диссертацию результаты получены автором при выполнении госбюджетной НИР № 340/98.

Результаты работы позволяют:

Осуществлять анализ изображений объектов в СТЗ с использованием различных технологических схем.

Формировать множество наборов базовых и инвариантных к ППМ признаков объектов, содержащие разное количество как однотипных, так и разнотипных признаков.

Моделировать весь процесс анализа и отбора базовых и производных признаков объектов в поле зрения СТЗ.

Реализация результатов исследования. Разработанные алгоритмы и система программ внедрены в производство, о чем свидетельствует акт, приведенный в приложении к диссертации.

Апробация работы. Материалы диссертации работы докладывались и обсуждались на научных конференциях преподавателей МИВлГУ (г. Муром, 20032006 г.г.), на Международной научно-технической конференции «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (г. Рязань, 2004, 2005 г.г.).

Публикации. Основные результаты диссертации опубликованы в 20 работах, в том числе 1 монография и 2 статьи в журналах из списка ВАК.

На защиту выносится:

1. Способ декомпозиции изображений объектов, позволяющий существенно упростить задачу выделения и расширения набора базовых и инвариантных к ППМ признаков.

2. Методика формирования набора инвариантных к ППМ признаков объектов и изображений с ними.

3. Алгоритмы выделения особых точек кривых и определения вложенности объектов и их длины и ширины.

4. Результаты исследований и практического применения способов, алгоритмов и системы программ при решении задач анализа реальных объектов различных типов.

В первой части диссертации рассмотрены основные технологические схемы обработки и анализа изображений в современных СТЗ, предложена новая технологическая схема обработки и анализа изображений, позволяющая представить исходное полутоновое изображение в виде трех более простых бинарных изображений, дан анализ работ, посвященных выделению признаков изображений, которые используются или могут быть использованы в СТЗ.

Декомпозиция исходного полутонового изображения с помощью методов сегментации, оконтуривания и скелетизации дает возможность существенно расширить пространство признаков распознавания объектов. Кроме того, поскольку, каждый из трех изображений, полученные в результате декомпозиции, содержит только один тип представления объекта, то процесс вычисления и формирования признаков значительно упрощается.

Вторая часть диссертации посвящена разработке алгоритмов вычисления (выделения) локальных и интегральных признаков объекта(ов), представ-ленного(ых) в виде разомкнутых линий.

В третьей части диссертации даны алгоритмы формирования признаков объекта(ов), представленного(ых) в виде замкнутых линий.

Четвертая часть работы посвящена формированию набора признаков объек-та(ов), представленного(ых) в виде силуэтных (площадных) форм.

В пятой части приведены некоторые экспериментальные результаты использования разработанных алгоритмов вычисления признаков различных типов объектов.

В приложении дан акт внедрения результатов работы в производство.

Выводы по разделу 5.

1. Разработана система программ, позволяющая: а) вычислять все базовые признаки ОРЛ, ОЗЛ, ПО и изображений с этими объектами; б) формировать наборы безразмерных признаков объектов; в) проводить исследования по определению наиболее стабильных инвариантных к ППМ признаков ОРЛ, ОЗЛ, ПО и изображений с этими объектами.

2. Созданные алгоритмы и система программ позволяют решать задачи определения параметров различных типов реальных объектов;

3. Система программ является удобным инструментальным средством обработки и анализа изображений объектов различных видов с целью поиска и выбора инвариантных к ППМ признаков для использования в СТЗ.

ЗАКЛЮЧЕНИЕ

1. Осуществлен анализ вопросов выделения и исследования признаков объектов в СТЗ. При этом показано, что:

• основная часть применяемых в различных отраслях производства СТЗ осуществляет анализ бинарных изображений объектов;

• большинство признаков в СТЗ базируется на использовании некоторых параметров контурного и силуэтного представления объектов в качестве их признаков;

• мало работ, посвященных применению параметров выпуклых оболочек внешних контуров и форм силуэтного представления объектов в качестве их признаков алгоритмы определения графических объектов не нашли широкого применения в СТЗ

• подавляющее большинство предложенных признаков инвариантны только переносу и повороту объектов.

2. Предложена технологическая схема анализа изображений, позволяющая использовать для формирования широкого набора признаков скелетное, контурное и площадное представление объектов в СТЗ.

3. Предложены способы формирования признаков объектов на основе:

• линии, соединяющей концевые точки разомкнутой линии;

• длин проекций объектов на оси;

• разностей примеров и площадей исходных объектов и их выпуклых оболочек и форм, а также описанных вокруг них прямоугольников.

4. Сформированы максимально полные наборы признаков для каждого вида представления объекта и изображений объектов в этих представлениях.

5. Сформированы безразмерные признаки объектов и изображений с ними, иа основе которых составляются наборы инвариантных к ППМ объектов признаков.

6. Проведены исследования инвариантности безразмерных признаков к ППМ объектов и установлено, что:

• подавляющее большинство предложенных безразмерных признаков объектов и изображений с ними инвариантны к ППМ объектов;

• стабильность инвариантных к ППМ признаков объектов и изображения с ними при всех формах представления меняется в пределах от 0 до 5%;

• предлагаемый способ формирования инвариантных к ППМ признаков позволяет составлять наборы таких признаков любой мощности и для любого вида представления объектов.

7. Разработан алгоритм поиска и подсчета точек кривой, позволяющий определять:

• точки локальных максимумов и минимумов и их количество на кривой; ©точки перегибов и их количество на кривой; ® длины вогнутых и выпуклых участков и их количество на кривой.

8. Разработан алгоритм определения длины и ширины ОЗЛ, отличающийся простотой реализации.

9. Разработан алгоритм определения степени вложенности ОЗЛ и ПО, позволяющий простыми вычислительными операциями установить степень вложенности любого порядка.

10. Проведены работы по практическому использованию разработанных алгоритмов для вычисления характеристик реальных объектов: промышленных деталей; шлифованной поверхности металлического изделия; рентгеновского снимка сварного шва; печатных плат и др.

11. Разработанная система программ является удобным инструментальным средством для оперативного анализа изображений объектов и формирования необходимых инвариантных к ППМ признаков распознавания для использования в СТЗ промышленных роботов.

1. Абду К.Э., Прэтт У.К. Количественный расчет детекторов контуров, основанных на подчеркивании перепадов яркости с последующим пороговым ограничением // ТИИЭР. т. 67, № 5. Май 1979. С. 59-70.

2. Абламейко C.B., Лебедев В.И., Лагуновский Д.М. Автоматический анализ и контроль изображений. — Минск: Ин-т технической кибернетики АНБ, 1993. — 103 с.

3. Абламейко C.B. и др. Обработка изображений: перспективы и направления исследований в Беларуси / Цифровая обработка изображений. — Минск: Ин-т технической кибернетики HAH Белоруси, 1998. С. 7-13.

4. Абламейко C.B., Лагуновский Д.М. Обработка изображений: технология, методы, применение. — Минск: Институт технической кибернетики HAH Белоруси, 1999. — 300 с.

5. Абламейко C.B., Лагуновский Д.М. Обработка изображений: технология, методы, применение: Учеб. пос. — Мн.: Амалфея, 2000. — 304 с.

6. Автоматический анализ сложных изображений: Сб. переводов. — М.: Мир, 1969. — 310 с.

7. Александров В.В., Горский Н.Д. Зрительное восприятие человека и машины / Искусственный интеллект. — В 3-х кн. Книга, 2. Модели и методы: Справочник / Под ред. Д.А. Поспелова. — М.: Радио и связь, 1990. С. 191-196.

8. Амосов A.A., Дубинский Ю.А., Копченоза Н.В. Вычислительные методы для инженеров. — М.: Высшая школа, 1994. — 544 с.8а. Андреева Е.В., Егоров Ю.Е. Вычислительная геометрия на плоскости. Информатика, 2002, №44. С. 37-39.

9. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений: Учеб. пос. — М.: Высшая школа, 1983. — 295 с.

10. Бахвалов Н.С., Жидков Н.П., Кобельков Г.М. Численные методы. — М.: Наука. Гл. ред. физ.-мат. лит., 1987. — 600 с.

11. Белянин П.Н. Промышленные роботы. — М.: Машиностроение, 1975. — 400 с.

12. Бертеро М., Паджо Т.А., Торе В. Некоторые задачи в предварительной обработке визуальной информации // ТИИЭР. т. 76, № 8, август 1988. С. 17-40.

13. Боллс P.C., Кэйн P.A. Поиск и распознавание частично видимых объектов: Метод выделения локальных признаков / Техническое зрение роботов / Под ред. А. Пью; Пер. с англ. — М.: Машиностроение, 1987. С. 47-83.

14. Борисенко В.А., Златопольский A.A., Мучник И.Б. Сегментация изображений (состояние проблемы) /7 Автоматика и телемеханика, 1987, № 7. С. 3-56.

15. Бочаров Ю.А., Ющенко A.C. Промышленные роботы в технологии современного машиностроительного производства / Средства и системы очувствления промышленных роботов. — М.: НИИМаш, 1984. С. 30-35.

16. Бутаков Е.А. и др. Обработка изображений на ЭВМ / Е.А. Бутаков, В.Н. Островский, И.Л. Фадеев. — М.: Радио и связь, 1987. — 240 с.

17. Быков P.E., Гуревич С.Б. Анализ и обработка цветных объектных изображений. — М.: Радио и связь, 1984. — 248 с.

18. Вайнштейн Г.Г., Завалишин Н.В., Мучник И.Б. Обработка визуальной информации роботами (обзор) // Автоматика и телемеханика, 1984, № 6. С. 99-124.

19. Вакунов Н.В. Разработка и исследование многомасштабных алгоритмов обработки и анализа изображений в производственных системах контроля качества. Автореф. канд. техн. наук. — Владимир: ВлГУ, 2005. — 18 с.

20. Вальтерис С.Э., Горелик СЛ., Метлицкий Е.А. Автоматизированная обработка изображений // Тр. АН Литовской ССР. Сер. Б, 1983, т. 3 (86). С. 111-124.

21. Виттих В.А., Сергеев В.В., Сойфер В.А. Обработка изображений в автоматизированных системах научных исследований. — М.: Наука, 1982. — 216 с.

22. Вопросы кибернетики. Вып. 38. Иконика. Цифровая обработка и фильтрация изображений. — М.: Научный совет по комплексной проблеме «Кибернетика» АН СССР, 1978. — 186 с.

23. Вычислительные системы, структуры и среды для решения задач большой размерности. Том 3 / Под ред. В.В. Грицыка. — Киев: Наук, думка, 1986. — 288 с.

24. Генкин В.Л. и др. Системы распознавания автоматизированных производств / В.Л. Геикин, И.Л. Ерош, Э.С. Москалев. — Л.: Машиностроение, Ленинградское отделение, 1988. — 246 с.

25. Гильберт А., Кон-Фоссен С. Наглядная геометрия: Пер. с нем. — 3-е издание. М.: Наука, 1981. — 344 с.

26. Гиммельфарб Г.Л. Аппаратные средства и особенности программного обеспечения аналоговой цифровой обработки изображений // Зарубежная радиоэлектроника. 1985. № 10. С. 87-128.

27. Голд Б., Рэидер Ч. Цифровая обработка сигналов: Пер. с англ. — М.: Сов. радио, 1973. — 368 с.

28. Горбиков Б.А., Дементьев В.Н., Пяткин В.П. Распознавание изображений в дистанционном зондировании. В кн. / Автоматизированная обработка изображений природных комплексов Сибири. — Новосибирск: Наука, 1988. С. 11-47.

29. Горелик А.Л. и др. Современное состояние проблемы распознавания: Некоторые аспекты / А.Л. Горелик, И.Б. Гуревич, В.А. Скрипкин.

30. М.: Радио и связь, 1985. — 160 с.

31. Горелик А.Л. Скрипкин В.А. Некоторые вопросы построения систем распознавания. — М.: Сов. радио, 1974. — 224 с.

32. Горелик А.Л. Скрипкин В.А. Методы распознавания. — М.: Высшая школа, 1984. — 208 с.

33. Горелик С.А., Кац Б.М., Киврин В.К. Телевизионные измерительные системы. — М.: Связь, 1980. — 168 с.

34. Горский Н.Д. Восприятие двухмерных изображений // Искусственный интеллект — В 3-х кн. Кн. 2. Модели и методы: Справочник / Под ред. Д.А. Поспелова. — М.: Радио и связь, 1990. — С. 196-201.

35. Грановская P.M., Березная И.Я. Запоминание и узнавание фигур. — Л.: ЛГУ, 1979. — 112 с.

36. Грановская P.M., Березная И.Я., Григорьева А.Н. Восприятие и признаки формы. — М.: Наука, 1981. — 208 с.

37. Гуревич И.Б. Проблема распознавания изображений. В кн. «Распознавание, классификация, прогноз: математические методы и их применение». Вып. 1. — М.: Наука, 1988. С. 280-329.

38. Дегтярев C.B., Садыков С.С., Гевс С.С., Ширабакина Т.А. Методы цифровой обработки изображений: учеб. пос. 4.1. — Курск: Курск, гос. техн. ун-т, 2001. — 167 с.

39. Демидович Б.П., Марон И.А. Основы вычислительной математики.

40. М.: Физматизд, 1963. — 660 с.

41. Денисов Д.А., Дудкин А.К., Пяткин В.П. Цифровой анализ изображений (Методы описания геометрических структур). Препринт. Новосибирск, ВЦ СО АН СССР, 1987. — 54 с.

42. Денисов Д.А., Метлицкий Е.А. Введение в цифровую обработку изображений: учеб. пос. — Ленинград: ЛЭТИ, 1981. — 80 с.

43. Денисов Д.А., Низовкин В.А. Сегментация изображений на ЭВМ // Зарубежная радиоэлектроника, 1985, № 10. С. 3-30.

44. Джайн Р., Аггарвал Дж.К. Машинный анализ сцен, состоящих из объектов криволинейных очертаний // ТИИЭР, т. 67. № 5, май 1979. С. 121-130.

45. Дистанционно управляемые роботы и манипуляторы / Под ред. B.C. Кулешова и H.A. Лаготы. — ML: Машиностроение, 1986. — 326 с.

46. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер. с англ. — М.: Мир, 1976. — 368 с.

47. Ерош И.Л., Игнатьев М.Б. Адаптивные системы управления промышленными роботами. — М.: НИИмаш, 1986. — 64 с.

48. Ерош И.Л. Применение преобразований Креститсона для определения параметров положения объектов по плоским проекциям // Техническая кибернетика, 1981. № 3. С. 46-52.

49. Ерош И.Л., Игнатьев М.Б., Москалев Э.С. Адаптивные робототехни-ческие системы. — Л.: ЛИАП, 1985. — 144 с.

50. Жаботипский Ю.Д., Исаев Ю.В. Адаптивные промышленные роботы и их применение в микроэлектронике. — М.: Радио и связь, 1985. — 105 с.

51. Жаботинский Ю.Д., Сердцев A.A. Системы технического зрения для промышленных роботов // Зарубежная радиоэлектроника, 1985. N° 12. С. 23-33.

52. Жизняков А.Л., Вакунов Н.В. Вейвлет-преобразования в обработке и анализе изображений. М.: Гос. научн. центр РФ - ВНИИ геосистем, 2004. — 102 с.

53. Журавлев Ю.И., Гуревич И.Б. Распознавание образов и анализ изображений / Искусственный интеллект. — В 3-х кн. Кн. 2. Модели и методы: Справочник / Под ред. Д.А. Поспелова. — М.: Радио и связь, 1990. С. 149-193.

54. Журавлев Ю.И., Гуревич И.Б. Распознавание образов и распознавание изображений. В кн. «Распознавание, классификация, прогноз: математические методы и их применение». Вып. 2. — М.: Наука, 1989. С. 5-72.

55. Завьялов Ю.С. и др. Сплайны в инженерной геометрии. — М.: Машиностроение, 1985. — 224 с.

56. Захаров A.A., Стулов H.H. Выделение признаков в задачах распознавания изображений / Методы и системы обработки информации: Сб. научн. ст. в 2-х частях. Ч. 1. — М.: Горячая линия Телеком, 2004. С. 89-93.

57. Иконика. Пространственная фильтрация изображений. Фотографические системы. — М.: Наука, 1970. — 136 с.

58. Иконика. — М: Наука, 1968. — 116 с.

59. Иконика. Цифровая голография. Обработка изображений. — М.: Наука, 1975. — 150 с.

60. Иконика. Теория и методы обработки изображений. — М.: Наука, 1983. — 156 с.

61. Иконика. Цифровая обработка видеоинформации. — М.: Наука, 1989. — 128 с.

62. Иконика. Обработка и восприятие изображений. Труды ГОН. т. 51, вып. 185. — Ленинград, 1982. — 146 с.

63. Интегральные роботы: Сб. статей: Пер. с англ. / Под ред. Г.Е. Поздняка. — М: Мир, 1973. Вып. 1. — 528 с.

64. Интегральные роботы: Сб. статей: Пер. с японск. / Под ред. Г.Е. Поздняка. — М.: Мир, 1975. Вып. 2. — 536 с.

65. Использование визуальной информации в задачах автоматической сборки / Д.Е. Охоцимский, С.И. Гримайло, С.С. Мамынин // Роботизация сборочных процессов. — М.: Наука, 1985.

66. Калиткин H.H. Численные методы. — М.: Наука, 1978. — 512 с.

67. Кан В.Н., Садыков С.С. Об одном подходе к скелетизации изображений // Изв. АНУз ССР сер. техн. наук, 1984. № 3. С. 11-15.

68. Катыс Г.П. Обработка визуальной информации. — М.: Машиностроение, 1990. — 320 с.

69. Китчии П.В., Пью А. Обработка бинарных изображений. / Техническое зрение роботов / Под ред. А. Пью; Пер. с англ. — М.: Машиностроение, 1987. С. 30-47.

70. Ковалевский В.А. Методы оптимальных решений в распознавании изображений. — М.: Наука, 1976. — 328 с.

71. Колискер А.Ш., Лашко Е.Б., Модель Б.И., Саламандра Б.Л. Об одном регулярном методе получения признаков для идентификации плоских объектов // Изв. АН СССР. Сер. Техническая кибернетика. 1982. № 4. С. 132-136.

72. Кориков A.M. и др. Корреляционные зрительные системы роботов / A.M. Кориков, В.И. Сверямкин, B.C. Титов; Под ред. A.M. Корико-ва. — Томск: Радио и связь, Томское отделение, 1990. — 264 с.

73. Кузьмин С.А. Алгоритм управляемого ввода и обработки сенсорной информации для манипуляционного робота. / Детерминированные и стохастические системы управления. — М.: Наука, 1984. С. 114-120.

74. Кузьмин С.А., Петров A.A. Алгоритмы классификации и определения параметров силуэтных изображений в системе технического зрения робота / Проблемы машинного видения в робототехнике. — М.: ИПМ АН СССР., 1981. С. 140-151.

75. Лебедев Д.Г., Лебедев Д.С. Квантование изображений посредством выделения контуров. // Изв. АН СССР сер. Техническая кибернетика, 1965, № 1. С. 23-27.

76. Лебедев Д.С., Цуккерман И.И. Телевидение и теория информации.

77. М.:-Л.: Энергия, 1965. — 135 с.

78. Левин М.Д. Методы выделения признаков. Обзор // ТИИЭР, т. 57, август 1969. С. 51-58.

79. Либенсон М.Н. и др. Автоматизация распознавания телевизионных изображений. — М.: Энергия. 1975. — 160 с.

80. Лопухин В.А., Гурылев A.C. Автоматизация визуального технологического контроля в электронном приборостроении. — Л.: Машиностроение, 1987. — 287 с.

81. Марагос П., Шафер Р. Морфологические системы для обработки многомерных сигналов // ТИИЭР, т. 78. № 4, С. 17-31.

82. Маркин С.Н., Стулов H.H. Операторы выделения типов изображений и их реализация / Муромский ин-т (филиал) Владимирского гос. ун-та. — Муром, 2005. — 40 с. — Деп. в ВИНИТИ 21.04.05, № 572 — В 2005.

83. Математические и технические проблемы обработки изображений. — Новосибирск: ВЦ СО АН СССР, 1986. — 118 с.

84. Машинное зрение. Тематический выпуск / Пер. с англ. ТИИЭР. т. 76. № 8. 1988.

85. Методы и алгоритмы цифровой обработки изображений / Под ред. С.С. Садыкова. — Ташкент: УзНПО «Кибернетика» АН РУз, 1992.296 с.

86. Методы и средства обработки изображений. Сб. науч. ст. — Новосибирск: ИА и Э СО АН СССР, 1982. — 138 с.

87. Методы компьютерной обработки изображений / Под ред. В.А. Сой-фера. — 2-е издание, испр. — М.: Физматлит, 2003. — 784 с.

88. Методы цифровой обработки изображений: Учеб. пос. / А.Е. Архипов, С.Д. Дегтярев, С.С. Садыков и др. Ч. 2. — Курск: Курск, гос. техн. ун-т, 2002. — 118 с.

89. Методы цифровой обработки изображений: Учеб. пос. Ч. 3 / С.В. Дегтярев, A.A. Орлов С.С. Садыков и др. — Курск: Курск, гос. техн. ун-т, 2004. — 216 с.

90. Мишкинд С.И. Системы технического зрения для автоматизации машиностроительного производства / Обзор С 6 - 3. Технология металлообрабатывающего производства. — М.: НИИМАШ, 1982. — 88 с.187

91. Мотль В.В., Мучник И.Б. Лингвистический анализ экспериментальных кривых // ТИИЭР, т. 67, май 1979. С. 12-38.

92. Недзьведзь A.M., Абламейко C.B. Утоньшение полутоновых изображений путем последовательного анализа бинарных слоев. Сб. научн. тр. «Цифровая обработка изображений». — Минск: ИТК АН Беларуси, Вып. 1. 1997. С. 137-146.

93. Никольский A.A., Садыков С.С. Методы выделения контуров. В сб. научн. ст. «Методы и средства обработки изображений». — Новосибирск: ИА и Э СО АН СССР, 1982. С. 96-104.

94. Обработка изображений при помощи цифровых вычислительных машин; Под ред. Г. Эндрюса и Л. Инло; Пер. с англ. — М.: Мир, 1973. — 204 с.

95. Обработка изображений и цифровая фильтрация / Под ред. Т. Хуан-га: Пер. с англ. — М.: Мир, 1979. — 320 с.

96. Оптико-структурный машинный анализ изображений / K.M. Богданов, К.А. Яновский, Ю.Г Козлов и др.; Под ред. К.А. Яновского. — М.: Машиностроение, 1984. — 280 с.

97. Орлов A.A. Методы и алгоритмы обработки и выделения структурных элементов полутоновых изображений на основе преобразования Хоха. Автореф. дисс. канд. техн. наук. — Санкт — Петербург: СПб ИИА РАН, 2001. — 16 с.

98. Павлидис Т. Алгоритмы машинной графики и обработки изображений: Пер. с англ. — М.: Радио и связь, 1986. — 400 с.

99. Павлидис Т. Иерархические методы в структурном распознавании образов // ТИИЭР. т. 67, № 5, май 1979. С. 39-48.

100. Параллельные методы и средства распознавания образов. Том 2 / Под ред. А.Н. Свенсона. — Киев: Наук, думка, 1985. — 280 с.

101. Петров A.A. Алгоритмическое обеспечение информационно-управляющих систем адаптивных роботов (алгоритмы технического зрения) // Итоги науки и техники. Техническая кибернетика. — М.: ВИНИТИ, 1984, т. 17. С. 251-294.

102. Петров A.A. Алгоритмическое обеспечение информационно-управляющих систем адаптивных роботов; Ч. II. Алгоритмы формирования движений / Техническая кибернетика (Итоги науки и техники). — М.: ВИНИТИ. 1985. Вып. 18. С. 241-284.

103. Попов Е.П., Верещагин А.Ф., Зенкевич С.Л. Манипуляционные роботы. Динамика и алгоритмы. — М.: Наука, 1978. — 428 с.

104. Проблемы машинного видения в робототехнике / Под ред. Д.Е. Охоцим-ского. — М.: Ин-т прикладной математики АН СССР, 1981. — 245 с.

105. Программное обеспечение промышленных роботов. — М.: Наука, 1986. — 280 с.

106. Прэтт У. Цифровая обработка изображений: Пер. с англ. — М.: Мир, 1982. — Кн. 1. — 312 с.

107. Прэтт У. Цифровая обработка изображений: Пер. с англ. — М.: Мир, 1982. — Кн. 2. — 480 с.

108. Психология машинного зрения / Под ред. П. Уинстона: Пер. с англ. — М.: Мир, 1978. — 344 с.

109. Ш.Путятин Е.Г1., Аверин С.И. Обработка изображений в робототехнике.

110. М.: Машиностроение, 1990. — 320 с.

111. Пятая международная конференция «Распознавание образов и анализ изображений: Новые информационные технологии» (РОАИ 5 -2000). Тр. конф. в 4-х томах. Т. 2. Представление, анализ, обработка и понимание изображений. — Самара. 2000. — 268 с.

112. Рабинер JI., Гоулд Б. Теория и применение цифровой обработки сигналов: Пер. с англ. — М.: Мир, 1978. — 848 с.

113. Разработка систем технического зрения и их применение в промышленности. Тез. докл. научно-техн. конф. — Устинов: 1986. — 136 с.

114. Разработка систем технического зрения и их применение в промышленности // Тез. докл. Республ. науч.-техн. конф. издательство Удмуртского республиканского управления статистики. — Ижевск, 1988. Ч. 1 — 166 с. — Ч. 2. — 67 с.

115. Робототехника / Под ред. Е.11. Попова и Е.И. Юревича. — М.: Машиностроение, 1988. — 288 с.

116. Робототехника и гибкие автоматизированные производства. — М.: Высшая школа, 1986. В 9-ти кн.

117. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин: Пер. с англ. — М.: Мир, 1972. — 232 с.

118. Садыков С.С. Цифровая обработка и анализ изображений. — Ташкент: НПО «Кибернетика» АН РУз, 1994. — 193 с.

119. Садыков С.С., Кадырова Г.Х., Азимов Ш.Р. Системы цифровой обработки изображений. — Ташкент: Фан, 1988. — 168 с.

120. Садыков С.С., Каи В.Н., Самандаров И.Р. Методы выделения структурных признаков изображений. — Ташкент: Фан, 1990. — 104 с.

121. Садыков С.С., Самандаров И.Р. Скелетизация бинарных изображений // Зарубежная радиоэлектроника. 1985. № 4. С. 30-37.

122. Садыков С.С., Стулов H.H. Алгоритмы вычисления базовых и производных признаков изображений / Муромский ин-т (филиал) Владимирского гос. ун-та. — Муром, 2005. — 28 с. — Деп. в ВИНИТИ от 21.04.2005. № 577 — В 2005.

123. Садыков С.С., Стулов H.H. Способ упрощения полутонового изображения и наборы признаков различных классов изображений / Муромский ин-т (филиал) Владимирского гос. ун-та. — Муром. 2005.19 с. — Деп. в ВИНИТИ от 21.04.05 г. № 571. — В 2005.

124. Садыков С.С., Стулов H.H. Вычисление признаков площадных объектов / Методы и системы обработки информации: Сб. научн. ст. в 2-х частях. 4.1. — М.: Горячая линия Телеком, 2004. С. 99-103.

125. Садыков С.С., Стулов H.H. Методы и алгоритмы выделения признаков объектов в СТЗ. — М.: Горячая линия Телеком, 2005.204 с.

126. Самаров A.B., Стулов H.H. Контроль печатных плат по их внешнему виду / Муромский ин-т (филиал) Владимирского гос. ун-та. — Муром, 2005. — 30 с. — Деп. в ВИНИТИ от 21.04.05 г. № 575 В 2005.

127. Семенков О.И., Абламейко C.B. Методы и алгоритмы обработки растровой графической информации. — Минск: Ин-т технической кибернетики АН БССР, 1984. — 116 с.

128. Семенков О.И., Абламейко C.B., Старовойдов В.В., Берейтик В.Н. Методы обработки и формирования растровых изображений. — Минск: Ин-т технической кибернетики АН БСср, 1986. — 98 с.

129. Семенков О.И., Абламейко C.B., Берейтик В.Н., Старовойдов В.В. Обработка и отображение информации в растровых графических системах. — Мн.: Наука и техника, 1989. — 181 с.

130. Системы очувствления и адаптивные промышленные роботы / Под ред. Е.П. Попова и В.В. Клюева. — М.: Машиностроение, 1986. — 256 с.

131. Стародубов Д.Н., Стулов H.H. Формирование инвариантных к повороту, переносу и изменению масштаба признаков объектов из замкнутых линий. Матер. 14 Международн. НТК — Рязань: РГРТА, 2005. С. 195-197.

132. Стулов H.H. Алгоритмы вычисления признаков изображений. Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: Матер. 13 Международн. НТК — Рязань: РГРТА, 2004. С. 108.

133. Стулов H.H. Систематизация признаков изображений: Матер. 13 Международн. НТК — Рязань: РГРТА, 2004. С. 109.

134. Стулов H.H. Способ формирования признаков объектов в СТЗ, инвариантных к повороту, переносу и изменению масштаба. Сб. науч. ст. «Системы и методы обработки и анализа информации». — М.: Горячая линия Телеком, 2005. — с. 18-24.

135. Стулов H.H. Инвариантные к повороту, переносу и изменению масштаба признаки объектов из замкнутых линий. Сб. науч. ст. «Системы и методы обработки и анализа информации». — М.: Горячая линия Телеком, 2005. — с. 25-29.

136. Стулов H.H., Маслов П.А. Алгоритмы и программы вычисления геометрических признаков объектов из разомкнутых линий / Муромский ин-т (филиал) Владимирского гос. ун-та. — Муром, 2005. — 35 с. — Деп. в ВИНИТИ от 21.04.2005. № 574. — В 2005.

137. Стулов H.H. Признаки объектов из разомкнутых линий / Методы и системы обработки информации: Сб. научн. ст. в 2-х частях. Ч. 1.

138. М.: Горячая линия Телеком, 2004. С. 94-98.

139. Стулов H.H., Пудков Д.В. Алгоритмы определения топологических и геометрических признаков площадных объектов / Муромский ин-т (филиал) Владимирского гос. ун-та. — Муром. 2005. — 34 с. — Деп. в ВИНИТИ от 21.04.05 г. № 576. — В 2005.

140. Стулов H.H., Стародубов Д.Н. Инвариантные к повороту, переносу и изменению масштаба признаки площадных объектов. Сб. науч. ст. «Системы и методы обработки и анализа информации». — М.: Горячая линия Телеком, 2005. — с. 18-24.

141. Техническое зрение роботов / В,И. Мошкин, A.A. Петров, B.C. Титов, Ю.Г. Якушенков; Под общ. ред. Ю.Г. Якушенкова. — М.: Машиностроение, 1990. — 272 с.

142. Техническое зрение роботов / Под ред. А. Пью; Пер. с англ. — М.: Машиностроение, 1987. — 320 с.

143. Тен. Г.П. Разработка и исследование методов обработки и анализа изображений малоразмерных объектов. Автореф. дисс. канд. тех. наук. — Ташкент: НПО «Кибернетика» АН Уз ССР, 1992. — 19 с.

144. Фаин B.C. Опознавание изображений (основы непрерывно-групповой теории и ее применения). — М.: Наука, 3970. — 299 с.

145. Фор А. Восприятие и распознавание образов: Пер. с фр. — М.: Машиностроение, 1989. — 272 с.

146. Фу К. Структурные методы в распознавании образов: Пер. с англ.1. М.: Мир, 1977. — 320 с.

147. Фу К., Гонзалес Р., Ли К. Робототехника: Пер. с англ. — М.: Мир, 1989. — 624 с.

148. Фурман Я.А., Юрьев А.Н., Яншин В.В. Цифровые методы обработки и распознавания бинарных изображений. — Красноярск: Изд-во Краснояр. ун-та, 1992. — 248 с.

149. Харичев В.В., Шмидт A.A., Якубович В.А. Об одной новой задаче распознавания образов / Автоматика и телемеханика, 1973, № 1. С 109-122.

150. Хорн Б.К.П. Зрение роботов: Пер. с англ. — М.: Мир, 1989. — 487 с.

151. Хуанг Р., Шрейбер К., Третьяк Т.С. Обработка изображений. — В кн. Обработка изображений при помощи цифровых вычислительных машин. — М.: Мир, 1973. С. 77.

152. Цифровое кодирование телевизионных изображений / И.И. Цуккер-ман, Б.М. Кац, Д.С. Лебедев и др.; Под ред. И.И. Цуккермана. — М.: Радио и связь, 1981. — 240 с.

153. Цифровое телевидение / Под ред. И.И. Кривошеева. — М.: Связь, 1980. — 264 с.

154. Цуккерман И.И. Преобразование электронных изображений. — Л.: Энергия, 1972. — 184 с.

155. Чернявский А.Ф., Афанасьев Г.К., Михайлов В.П. Выявление дефектов интегральных схем методом оптической пространственной фильтрации // Дефектоскопия, 1974, № 5. С. 41-47.

156. Шведов А.Н, Шмидт A.A., Якубович В.А. Инвариантные системы признаков в распознавании образов // Автоматика и телемеханика, 1979, № 3. С. 31-36.

157. Шульдешов Г.А. Оценка периметра плоской выпуклой фигуры по ее дискретизированному изображению // Вопросы теории Интеллектуальных роботов и распознавания образов. —Киев, 1984. С. 45-52.

158. Щербаков М.А. Нелинейная фильтрация сигналов и изображений: Учеб. нос. —- Пенза: ПГУ, 1999. — 166 с.

159. Эидрюс Г. Применение вычислительных машин для обработки изображений: Пер. с англ. — М.: Энергия, 1977. — 160 с.

160. Янг Дж. Ф. Робототехника: Пер. с англ. — Л.: Машиностроение, 1979. — 396 с.

161. Яншин В.В. Анализ и обработка изображений: принципы и алгоритмы. — М.: Машиностроение, 1994. — 112 с.

162. Ярославский Л.П. Анализ оптимальных линейных измерителей координат объектов на изображениях — Вопросы кибернетики. 1978, Вып. 38. С. 32-41.

163. Ярославский Л.П. Введение в цифровую обработку изображений. — М.: Сов. радио, 1979. — 185 с.

164. Ярославский Л.П., Мерзляков Н.С. Методы цифровой голографии. — М.: Наука, 1977.— 192 с.

165. Ablameyko S. An Introduction to interpretation of graphic images, SPIE Press, TT 27, 1997.

166. Ablameyko S. and ed. Interpretation of engineering drawings: technology and results, Pattern Recognition and Image Analysis, Vol. 5, № 3, 380 401, 1995.

167. Alt F. L. Digital Pattern Recognition by Moments, JACM, 9, 2, 240 -258 (Anpriel 1962).

168. Ambler A. P. A. Versatile System for Computer Controlled Assembly, Artifical Intelligenze, 6, N 2. pp. 129 156, 1975.

169. Anderson R.Z. Real-time gray-scale videoprocessing using a momentgenerating chip // IEEE J. of Xobotics and Automation. 1985. V. RA -1. № 2. p. 79 85.

170. Artificial vision for robots / Edited by I. Aleksander, chapman & hall, New York: 1987. 2339.

171. Ballard D.H., Brown C.M. Computer Vision, Prenfice Hall, Englewood cliffs, N 7, 1982.

172. Benuett J.R., MucDonald J.S. On the Measurement of Curvature in a Quantized Environment. IEEE Trans Computers, C 25, 8, 803 - 820 (August 1975).

173. Bribiesca E. Arithmetic Operations Among Shapes Using Shape Numbers, Pattern Recog., Vol. 13, N 2, pp. 123 138, 1981.

174. Bribiesca, Guzman A. How to Describe Pure Form and How to Measure Differences in Shape Using Shape Numbers, Pattern Recog., 12. No 2, pp. 101 112, 1980.

175. Freeman H. On the Encoding of Arbitrary Geometric Configurations. — IRE Trans., 1961, V. EC 10 (2), N 6, p. 260 - 268.

176. Freeman H. Computer Processing of Line Drawings, Comput. Surveys, 6. pp. 57 97, 1974.

177. Gonzalez B.C., Wintz P. Digital Image Processing, Addison — Wesley. Reading, Mass., 1977.

178. Gonsales R., Safabakhsh R. Computer Vision Techniques for Industrial Application and Robot Control//Computer. 1982. V. 15. N 12. p. 17-32.

179. Gray S.B. Local Properties of Binary Images in Two Dimensions, IEEE Trans. Computers, C 20, 5, 511 - 561 (May 1971).

180. Hu M.K., Visual Pattern Recognition by Moment Invariants, IRE Trans. Inf. Theory, IT 8, 2, 179 - 187 (February 1962).

181. Kulpa Z. Area and Perimeter Measurement of Blobs in Discrete Binary Pictures. — Computer Graphics and Image Processing, 1977, V. 6, N 5, p. 434 454.

182. Kulpa Z. More about apeas and perimeters of quantized objects // Comput. Vision, Graph, and Image Process., 1983, V. 22. N 2. p. 268-276.193

183. Kulpa Z. On the Properties of Discrete Circles, Rings and Discs. — Computer Graphics and Image Processing, 1979, N 10, p. 348 365.

184. Microscope image analysis using TV. The Journal of the Institute of Jupan. 1975, N 6. p. 473 479.

185. Nahim P.J. The Theory of Measurement of a Silhouette Description for Image Processing and Regonition, Pattern Recog., 6, N 2, pp. 85-95, 1974.

186. Nakano Y., Taniguchi K., Ogawa H. An algorithm for calculating accurately the perimeter length of a picture // The Transactions of the Institute of Electronics and Communication Engineers of Japan, 1977, V. JEO D. N 2. p. 176 - 187.

187. Persoon E., Fu K.S. Shape Descrimination Using Fouier Descriptors. IEEE Trans. Systems. Man, Cybern., SMC 7, N 2, pp. 170 - 179, 1977.

188. Rosenfeld А., Как A.C. Digital Picture Processing. Vols. 1, 2, Second Editions, Academic Press., New York, 1982.

189. Sadykov S.S., Orlov A.A. The Hough Transform in Processing and Analysis of the Digital gray-scale Images / Pattern Recognition and Information Processing (PRIP' 2001). — Minsk, 2001. p. 47 52.

190. Sadykov S.S., Orlov A.A. The edge detection of Images in the Digital gray-scale Pictures using the Hough Transform / Pattern Recognition and Information Processing (PRIP' 2003). — Minsk, 2003. p. 101 105.

191. Skbancky J., Cordelia L.P., Levialdi S. Parallel Detection of Concavities in Cellular Blobs, IEEE Trans. Computers, С 25, 2, 187 - 196 (February 1976).

192. Skbancky J. Recognizing Convex Blobs, Proceeolings International Joint Conferenze on Artificial Intelligence, Walker D.E., Norton L.M., Eds., May, 1969. pp. 107 116.

193. Stoffel J.C. (ed.), Graphical and Binary Image Processing and Applications, Arfech House, Inc., Massachusetts, 1982.

194. Uno Т., Mege M., Ejiri M. Defect Detection Device for Printed Circnit Boards. Jap. Electron. Eng., 1974, N 1. p. 52 - 57.

195. Zahn C.T., Roskies R.Z. Fouier Descriptors for Plane Closed Curves, IEEE Trans. Comput., С 21. N 3, pp. 269 - 281, 1972.

196. Клюев B.B. Неразрушающий контроль и диагностика фундамент технической безопасности 21 века. - Ж. Дефектоскопия, 1994, №5, с. 8-24.

197. Бархатов В.А. Развитие методов ультразвуковой дефектоскопии сварных соединений. Ж. Дефектоскопия, 2003, №1, с. 28-55.

198. Щербаков А.А. К вопросу о показателях качества при метрологическом обеспечении ультразвуковых дефектоскопов общего назначения. Ж. Дефектоскопия, 2004, №3, с. 20-27.194

199. Александров Л.Б. и др. Автоматическое обнаружение непроваров и газовых пор при ультразвуковом контроле сварных швов циркониевых оболочек тепловыделяющих элементов. Ж. Дефектоскопия, 2004, №4, с. 20-27.

200. Мужицкий В.Ф., Карабчевский В.А., Карпов C.B. Десятилетний опыт обследований стресс-коррозионных и других поверхностных дефектов магистральных газопроводов. Ж. Дефектоскопия, 2005, №4, с. 25-33.

201. Сурков Ю.П. и др. Возможные причины избирательности коррозионного растрескивания труб подземных магистральных газопроводов. Ж. Дефектоскопия, 2005, №6, с. 75-79.\

202. Приходько В.Н., Федоришин В.В. Методы контроля межкристаллитной коррозии. ~Ж. Дефектоскопия, 1994, №12, с, 82-91.

203. Секерин A.M. Метод сегментации изображений, контролируемой поверхности при автоматической регистрации результатов капиллярного контроля. Ж. Дефектоскопия, 2001, №1, с. 84-92.

204. Мигуи Н.П., Прохоренко П.П., Чиж С.Г. Пленочный механизм проявления дефектов при капиллярном контроле. Ж. Дефектоскопия,2002, М>9, с. 84-89.

205. Мигун Н.П., Гнусин А.Б., Волович Н.В. О некоторых возможностях повышения эффективности капиллярного контроля. Ж. Дефектоскопия, 2005, №7, с. 55-60.

206. Секерин A.M. Автоматизированный метод оценки эффективности удаления излишков пенетрата при проведении капиллярного контроля. -Ж. Дефектоскопия, 2001, №10, с. 72-77.

207. Горкунов Э.С. и др. Магнптоупругая акустическая эмиссия в ферромагнитных материалах. Влияние кристаллографической анизотропии. Ж. Дефектоскопия, 2001, №3, с. 3-21.

208. Литвииенко А.А. и др. Определение магнитной анизотропии листовых сталей магнитопорошковым методом. Ж. Дефектоскопия, 1994, №3, с. 10-20.

209. Тюшкевич Б.Н. и др. Фототермопластическая регистрация стробоскопических голографических интерферограмм. Ж. Дефектоскопия, 1994, №6, с. 61-67.

210. Владимиров А.П., Капустин Д.С. Сравнительный анализ методов динамической и голографической интерферометрии на примере деформации мембраны. Ж. Дефектоскопия, 2004, №1, с. 76-81,

211. Писаренко JI.3., Сандомирский С.Г., Лукашевич С.Ф. Количественный анализ взаимосвязи микроструктуры и магнитных свойств отливок изделий "Ниппель 1 1/4" из ковкого чугуна. Ж. Дефектоскопия, 2002, №4, с. 18-24.

212. Каныгина О.М., Котляр Т.А. Влияние содержания и типов карбида кремния на структуру и дефектность кремнеземистой керамики. Ж. Дефектоскопия, 2005, №8, с. 93-98.