автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Исследование и разработка методов анализа многоградационных растровых изображений в системах технического зрения

На правах рукописи

АДИЛОВ Руфат Мейралиевич

ИССЛЕДОВАНИЕ И РАЗРАБОТКА МЕТОДОВ АНАЛИЗА МНОГОГРАДАЦИОННЫХ РАСТРОВЫХ ИЗОБРАЖЕНИЙ В СИСТЕМАХ ТЕХНИЧЕСКОГО ЗРЕНИЯ

Специальность 05.13.17 — Теоретические основы информатики

Автореферат диссертации на соискание ученой степени кандидата технических наук

ПЕНЗА 2005

Работа выполнена в Пензенской государственной технологической академии на кафедре "Вычислительные машины и системы".

Научный руководитель - доктор технических наук,

доцент Сальников И. И.

Официальные оппоненты: доктор технических наук

Чувыкин Б. В.; доктор технических наук, профессор Грей сух Г. И.

Ведущая организация - ОАО «НИИ "Рубин"»

Защита диссертации состоится " " _2005 г.,

в " /О " часов, на заседании диссертационного совета КР 212.337.48 при Пензенской государственной технологической академии по адресу: 440605, г. Пенза, пр. Байдуюва / ул. Гагарина, 1а / 11.

С диссертацией можно ознанэмиться в библиотеке Пензенской государственной технологической академии.

Автореферат разослан " " ¿-/ОЛ^Л_2005 г.

Ученый секретарь диссертационного совета доктор технических наук, доцент ,— С. Б. Демин

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

М УХ РЯС

Актуальность темы: В настоящее время широкое применение находят системы технического зрения. Они работают, как правило, в пассивном режиме без источников излучения. Изображения объектов имеют высокую информационную емкость, что позволяет решать задачи обнаружения объектов, классификации изображений, распознавания образов, идентификации личности, слежения за объектами, определения координат и сопровождения целей. Имеется возможность определения характеристик объектов, таких как скорость перемещения, габаритные размеры, форма силуэта, ориентация осей симметрии и других.

Значительный вклад в развитие теории цифровой обработки изображения внесли У. Прэтг, Б. К. П. Хорн. Среди отечественных исследователей можно отметить работы Б. В. Анисимова, В.А. Сойфера, А.Н. Пи-саревского, В. С. Титова и других известных ученых.

При решении многих практически важных задач с применением систем технического зрения время на принятие решения ограничено, анализ изображений зачастую необходимо проводить в режиме реального времени, в темпе поступления данных с датчиков восприятия изображения.

Развитие элементной базы обеспечивает создание систем, позволяющих проводить анализ изображения за время, сопоставимое с длительностью отсчета временного сигнала. В связи с этим актуальна задача разработки методов и алгоритмов анализа многоградационных растровых изображений, работающих в режиме реального времени, решающих задачи определения пространственных характеристик объектов и параметров их движения.

Целью работы является разработка методов анализа многоградационных растровых изображений объектов в системах технического зрения.

Для достижения поставленной цели в работе формулируются и решаются следующие задачи:

- разработка метода комплексного преобразования изображения с целью его бинаризации и выделения контура, исследование влияния помех на искажение контура при его формировании;

- разработка алгоритма сегментации изображений на основе выбранного формата связности, позволяющего выделять касающиеся локальные области;

- обоснование способа определения скорости движения объекта по кадру изображения;

- исследование погрешности измерения скорости перемещения объекта;

- разработка алгоритмов вычисления моментов инерции изображения объектов по томографическим проекциям.

Объект исследования - системы технического зрения, устройства обработки информации в виде многоградационных растровых изображений.

Предмет исследования - методы и алгоритмы анализа изображений в системах технического зрения.

Методы исследований основаны на положениях теории цифровой обработки сигналов, принятия решений, методах вычислительной математики, функционального анализа.

Научная новизна полученных результатов заключается в следующем:

1. Разработан метод комплексного преобразования изображения с целью его бинаризации и выделения контура, основанный на определении максимума производной функции яркости. Отличие от существующих методов заклинается в отсутствии необходимости выбора порогового значения для выделения контура и бинаризации.

2. Разработан алгоритм сегментации изображений на основе трехэлементного формата связности, позволяющий разделить соприкасающиеся локальные области.

3. Предложен метод определения скорости движения изображения известного объекта по искажениям, возникающим в результате формирования растра.

4. Предложен способ вычисления моментов инерции изображения объектов по томографическим проекциям.

Предлагаемые методы обработки могут использоваться в системах, к которым предъявляются повышенные требования к быстродействию.

Практическая значимость работы состоит в разработке методов и алгоритмов анализа многоградационных растровых изображений в темпе поступления данных, позволяющих определить характеристики изображений подвижных и неподвижных объектов.

Реализация и внедрение результатов. Исследования проводились на кафедре "Вычислительные машины и системы" Пензенской государственной технологической академии.

Материалы диссертации нашли практическую реализацию при выполнении хоздоговорной НИР "Растр", выполненной по заказу предприятия НИКИРЭТ (г. Заречный Пензенской области).

Результаты диссертационной работы внедрены в ФГУП Научно-исследовательский и конструкторский институт радиоэлектронной техники (НИКИРЭТ).

Полученные в диссертационной работе результаты используются в учебном процессе кафедры "Вычислительные машины и системы" Пензенской государственной технологической академии при обучении студентов специальности 230101 - Вычислительные машины, комплексы, системы и сети по дисциплине "Системы искусственного интеллекта".

На защиту выносятся следующие положения:

1. Метод комплексного преобразования изображения, выполняющий бинаризацию и выделения контура изображения.

2. Алгоритм сегментации изображений, работающий в режиме реального времени и основанный на анализе трехэлементного формата связности.

3. Метод определения скорости движения изображения объекта по одному кадру изображения.

4. Метод вычисления моментов инерции изображения объекта в режиме формирования кадра по томографическим проекциям.

Апробация работы

Основные результаты работы докладывались и обсуждались на: Всероссийской научно-технической конференции "Современные методы и средства обработки пространственно-временных сигналов" (г. Пенза, 2003); VI Международной конференции "Оптиио-алектрон-ные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации" (Распознавание - 2003) (г. Курск, 2003); Международной научно-технической конференции "Интеллектуальные и информационные системы" (Интеллект - 2003) (г. Тула, 2003); V Всероссийской научно-технической конференции "Современные охранные технологии и средства обеспечения комплексной безопасности объектов" (г. Заречный, Пензенской области, 2004); П Всероссийской научно-технической конференции "Современные методы и средства обработки пространственно-временных сигналов" (г. Пенза, 2004); III Всероссийской научно-технической конференции "Современные методы и средства обработки пространственно-временных сигналов" (г. Пенза, 2005).

Публикации. По теме диссертации опубликовано 8 работ, в том числе 4 тезисов докладов и 4 статьи.

Структура и объем работы. Диссертационная работа состоит из введения, пяти разделов, заключения, списка литературы из 57 наименований. Объем работы: 176 страниц текста, включающего 60 рисунков, 17 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цель и задачи исследования, показана научная новизна и практическая значимость работы, приведены сведения об использовании результатов работы, ее апробации и практическом значении.

В первом разделе рассмотрены существующие методы обработки изображения в системах технического зрения (СТЗ). Выделяются основные этапы анализа изображений: фильтрация; бинаризация изображений; выделение контуров локальных областей, сегментация изображений и распознавание изображений объектов. Описывается назначение каждого этапа и существующие методы их реализации.

Приводится постановка задачи разработки алгоритмов, формирующих результаты анализа многоградационного растрового изображения в режиме реального времени, т.е. в течение формирования кадра изображения.

Бинаризация изображения может быть осуществлена с использованием фиксированного или адаптивного порогового уровня. Методы, использующие фиксированный пороговый уровень просты в реализации, но в условиях неравномерной освещенности дают неудовлетворительное качество бинаризации. В отличие от них результат работы более сложных методов бинаризации, использующих адаптивный пороговый уровень, не зависит от уровня освещенности, что дает приемлемый результат в условиях неравномерной освещенности. Выделение границ локальных областей на изображении, как правило, предназначено для улучшения качественного восприятия изображения. В СТЗ не ставится такая задача, а методы выделения границ используются как предварительный этап перед последующей сегментацией.

В работе рассмотрен вопрос информационной оценки бинарных изображений в СТЗ, когда объекты изображения анализируются с целью определения их характеристик.

При бинаризации многоградационного изображения из-за наличия шумов пространственное положение элементов изображения может меняться. Так как количество информации, передаваемое изображением, является субъективной характеристикой, определена информационная емкость бинарного растрового изображения с градациями яркости ст = 2и с N элементами растра. Оценка информационной емкости осуществляется для бинарного изображения, сформированного по пороговому принципу. Пороговый уровень определяется на основе выражения

^=0,5.(^тах-5т1п), (1)

где £ и£т1п - границы динамического диапазона изменения яркости объекта. Получено выражение (2) для информационной емкости бинарного изображения при равновероятных отсчетах:

I = Ny ■ log2 m = Ny log2-

XFm

V . 1,125

vx уф-П}]

(2)

где Ыг - число строк в растровом изображении, Х- общий размер изображения по строке, Рт — максимальная частота в спектре сигнала, V -скорость формирования растра, \|/ - соотношение сигнал/шум, Р - вероятность появления элемента изображения с единичным уровнем.

Одним из этапов анализа изображения является операция получения контура. Контур - совокупность элементов растра в точках изображения, в которых происходит максимальное изменение функции яркости. Наибольший интерес представляет градиентный метод, в мотором для обнаружения контура независимо от его ориентации используется модуль градиента яркости:

(3)

где S(x,y) - функция яркости; х, у - координаты точки, для которой вычисляется модуль градиента. В случае растровых изображений, представленных в виде матрицы отсчетов, используются дискретные разности:

ду

Для практических целей используются алгоритмы, в которых исключены операции умножения и извлечения квадратного корня. При этом для определения максимального значения градиента используют выражения:

¿(/,У)=|5,(/,У)|+|52(/,У)| (5)

или

¿(О^тах^^у^^О-,/)!}. (6)

Сегментация представляет собой пространственное разделение изображений объектов по признаку связанности элементов изображения. Отличие процесса бинаризации от сегментации изображения заключается в том, что после бинаризации наблюдается бинарное изображение, а после сегментации получается список локальных областей (ЛО) с пространственными характеристиками каждой ЛО (рисунок 1).

Исходное изображение

хило Ширина Высота Геом. цапр Центр тяжести

1 98 45 7232 72?6

2 110 106 Ш;53

3 «4 100 Зй;95 71?«

4 93 106 138;128 131Д23

3 134 133 67;188 18:220

Рисунок 1 - Процессы бинаризации и с егментации изображения

Различия между методами сегментации заключаются в выборе формата связности телевизионных элементов (тв. эл.) растра. Формат

связности определяется количеством элементов растра, анализируемых с целью определения сегмента, которому принадлежит текущий элемент растра. Кроме количества анализируемых элементов, существенную роль играет взаимное пространственное положение анализируемых элементов растра. Обоснование трехэлементного формата связности выполнено из условия пространственного разделения соприкасающихся локальных областей.

Распознавание объектов на изображении производится на основе пространственных характеристик, набор которых варьируется в зависимости от решаемой задачи. В качестве пространственных характеристик используются: площадь изображения объекта, периметр, диаметр Мартина Ь^ ширина Ящ, высота Ьло, ширина #л0, площадь пустот внутри объекта площадь объекта, ограниченного контуром 5 (рисунок 2).

Рисунок 2 - Изображение и характеристики изображения локальной области

Определение скорости и направления движения объекта в настоящее время производится на основе анализа нескольких кадров. Отмечается, что проблема определения параметров движения перемещающихся объектов по искажению изображения объекта на одном кадре ранее не рассматривалась.

Во втором разделе разработан метод комплексного анализа изображения. Метод комплексной обработки изображения представляет собой совокупность двух этапов: бинаризации и выделения граничных точек локальных областей, что позволяет уменьшить время анализа. В результате применения метода комплексного анализа формируется изоб-

0,0

Мга

ражение, у которого высоким уровнем яркости выделены внутренние локальные области, а низким уровнем - граничные точки, на основе которых и будет производиться сегментация изображения. В отличие от градиентного метода, при обработке элемента растра с координатами (/, у), элемент растра с координатами (/-1, относится к группе внутренних точек ЛО или к группе граничных точек ЛО по уменьшению скорости приращения функции в точке (/, /) относительно приращения функции в точках (М,/) и (/,7-!) (рисунок 3).

X, X; X/, Хм

Хг.2 % хк Хт

а)

Х1.2 Х< X, Хк

и Н I I И I ш б)

Рисунок 3 - Функции яркости двух строк (а) и результат их анализа (б)

Для устранения разрывов в контуре определяются разности между уровнями яркости точек по вертикали и горизонтали. Разработаны и представлены алгоритмы, позволяющие проводить обработку исходного многоградационного изображения в течение накопления кадра.

Исследовано влияние помех на погрешность определения координат граничных точек. Точность определения граничных точек зависит от точности операций сравнения разностей уровней яркости соседних элементов изображения. Входной сигнал может быть представлен в виде суммы составляющих: полезного сигнала <£(/), высокочастотной помехи 5в(0 и низкочастотной помехи 5н(0-

Наличие высокочастотной помехи в виде малоразмерных пятен приводит к появлению ложных границ и смещению границ в пределах значений, кратных интервалу дискретизации. Таким образом, высокочастотная помеха влияет на ошибку определения координат элементов

10

границ локальных областей и, следовательно, на ошибку определения пространственных параметров локальных областей. Низкочастотная помеха Sj(t) смещает средний уровень яркости исходного сигнала S(t). Поскольку точность работы алгоритма зависит от точности определения разности уровней яркости двух соседних элементов изображения, следовательно, низкочастотная помеха практически не влияет на точность определения элементов границы локальных областей. Для гауссовой модели высокочастотных помех выявлена ошибка определения значения разности отсчетов яркости двух соседних элементов изображения ASt =Sl+i -St. Оценка значения разности и отклонение этой оценки от истинного значения характеризуются ошибкой смещения:

МАДН^-^НУ-ВД. (8)

Для ее нахождения необходим интервал дискретизации Т , определяемый по теореме Котельникова. С использованием разложения функции в ряд Тейлора получено выражение

. Г3

b{AS,} = -^-S'(ti). (9)

Дисперсия оценки разности

o[Sfc)]-Ä (Ю)

Щ

где N - количество дискретных значений, выбираемых для определения дисперсии на интервале Т. Реализацию S(t) случайного процесса с полосой частот А/ заданного на интервале Г, можно описать 7У=2Д/Г дискретными значениями, из которых п = N/c2 значений будут независимыми. Тогда

с2-Sit.)

--% (11)

2Дf-Tl

где с - постоянная, зависящая от вида автокорреляционой функции и величины интервала дискретизации. На рисунке 4 показана зависимость суммы этих ошибок от величины интервала дискретизации, которая для Т = Т имеет минимальное значение.

I опт

На работу алгоритма сегментации влияет ошибка определения знака разности. При неверном определении знака разности может произойти преждевременное обнуление максимального значения разности, что может привести к появлению граничных точек в местах, где их быть не должно (т. е. ошибки второго рода - появление границ там, где их нет).

Л<А5<т

Щ<Л/г<Мъ

Рисунок 4 - Зависимость среднеквадратической ошибки определения разности от интервала дискретизации

Ошибка определения знака разности также обусловлена наличием помех и определяется, в свою очередь, ошибкой определения значений яркости для текущих отсчетов.

В третьем разделе разработан алгоритм сегментации изображения, работающий во время формирования кадра. На этапе сегментации происходит разбиение всего изображения на множество локальных областей, имеющих вид замкнутых участков изображения произвольной формы, и определение пространственных параметров каждой ЛО.

7-1 7 /И 7+2 7+3 7+4 /+5 7+6 7+7 7+8

Рисунок 5 - Пример сегментации 12

Локальные области формируются по пространственной связности элементов растра. При сегментации изображения необходимо отнести каждый тв. эл. растра к определенной ЛО. При этом определяется функция связности элементов изображения, учитывающая количество и взаимное расположение анализируемых тв. эл. При касании возможно объединение двух областей в одну ЛО. Разделение локальных областей осуществляется по результатам анализа границ.

На этапе сегментации определяются габаритные размеры ЛО (1У1 и где М- номер ЛО, и другие пространственные параметры, например координаты геометрического центра и центра тяжести, количество точек внутри границ ЛО, количество точек, формирующих границу ЛО и т. д. На рисунке 6 показано изображение трех соприкасающихся ЛО.

ЛО №3

Рисунок 6 - Сегментация трех локальных областей

При разработке алгоритмов сегментации растрового изображения большое значение имеет выбор формата связности элементов растра, который определяет, на основе анализа каких элементов будет осуществляться отнесение текущего элемента 5} растра к той или иной ЛО (рисунок 7).

-Истрой 3 прока /Ч строп

51-1^-1

й-и а,/

а-и« ЙЧ^Н

*т

*ь

Рисунок 7 - Анализируемые элементы растра и трехэлементный формат связности

В работе обосновано использование трехэлементного формата связности при сегментации растровых телевизионных изображений (рисунок 7), где а, Ъ - анализируемые элементы; с - текущий элемент растра; Ыа, Ыь, N - текущие номера ЛО. Как видно из формата связности, для реализации алгоритма сегментации необходимо, чтобы запоминалось состояние элементов предыдущей строки. Для реализации алгоритма сегментации была определена функция назначения номера текущего элемента в зависимости от кода варианта связности:

где Кк - код варианта связности, ^(лД^) - фильтрующая функция, которая равна 1 при п = Квс и 0 в остальных случаях, N|, N - номера соседних локальных областей, Ып - номер новой локальной области.

В разработанном алгоритме сегментации одновременно с разметкой выполняется определение пространственных параметров ЛО - габаритных размеров и координат геометрического центра.

Результаты сегментации изображения используются для последующего распознавания объектов, находящихся на исходном изображении, полученные размеры ЛО используются для размерной селекции распознаваемых объектов, а координаты геометрического центра локальной области изображения - для позиционирования шаблона эталонного изображения.

В работе определены ошибки сегментации, возникающие из-за движения изображения объекта и зависящие от его скорости движения. Максимально допустимое значение скорости, которое определяется исходя из того, что объект не должен покинуть пределы растра за время формирования кадра, по горизонтальному и вертикальному направлению равно:

(12)

(Ь-х-Рх)-1

(13)

шах, гор

растра

К

(Н-у-Р2)1

(14)

тах, вер

растра

где х, у - координаты начала сегмента; £),, Б2 - ширина и высота объекта, выраженная в тв. эл.; /-коэффициент перехода от тв. эл. к метрической системе; Т - время формирования кадра.

В четвертом разделе рассматриваются вопросы измерения статических и динамических пространственных параметров изображений объектов.

Предложен метод определения динамических характеристик объекта по искажениям растрового изображения на основе анализа одного кадра изображения.

*А

ф

7\

н

а) б)

Рисунок 8 - Изображение неподвижного (а) и движущегося (б) объекта

На рисунке 8 Кг, Кв - смещение края объекта от границы кадра по горизонтали и вертикали; й - диаметр изображения неподвижного объекта; а, а' - характерные точки на объекте; бх - смещение; Ы- количество строк, в течение которых регистрировался объект; П - максимальное количество тв. эл. между границами движущегося объекта.

По искажению формы объекта можно выявить направление движения изображения объекта, которое определяется соотношением вертикальной и горизонтальной составляющих скорости, или отношением смещения объекта по вертикали к смещению по горизонтали:

йх

(15)

Горизонтальная и вертикальная составляющая скорости движения изображения объекта:

ск-1

е1о(5 • т

dots-m

где dots - количество точек растра между характерными точками растра; /, т - коэффициенты преобразования временных и пространственных параметров.

Определена погрешность измерения горизонтальной и вертикальной составляющей скорости движения изображения объекта:

( dxl

\

-К

д =Vff^-J (18)

[dots-)

сN-D'yi

гор у

объекта, реал

Д Л (19)

■ер у

объекта, реал

В качестве статического пространственного параметра изображений объектов предложено определять ориентацию контуров произвольной формы в виде момента инерции. При разработке алгоритма измерения момента инерции учитывались следующие условия: класс изображений объектов ограничивается изображениями в виде силуэта, не обладающим свойством центральной симметрии, при этом исключалась многозначность при определении минимальной оси инерции; учитывается растровый принцип формирования изображения? допускается наличие в силуэте полостей и вогнутостей в направлении формирования растра? формирование параметра должно выполняться в реальном времени в темпе поступления отсчетов входного изображения и окончание формирования параметра должно выполняться до окончания кадра. Для вычисления угла наклона оси минимальной инерции в полярных координатах применительно к растровым изображениям использовалась формула:

Q = arcsin

где

N у Ny

,]ь2+(а-с)2 )

(20)

a=fi(Axl)2S(AxhAyJ), (21)

/=1 7=1

Ь = 2-5 §(Дх,. Ду,)£(Дх„ ДуД (22)

с^&Ау^Б^АуЛ (23)

/=1 у—1

гдеДх( Ау^ - элементы растра.

Применение томографических проекций (рисунок 9)- горизонтальной Н(х), вертикальной диагональной Дг), позволяет существенно уменьшить количество выполняемых арифметических операций и заменить их сложением:

Ыу

"(*,)= Е^уД (24)

У=1

NX

У(уу)= (25)

/=1

(26)

г=1

у

д ■ ■ \ в

■ ■

■ в

■ в 5

■ в ь

■ в 5

■ в 5

в в

■ ■ в ■ в в

□ § 3 □ □ п 3 □ 3

л 5 □ п □ □ □ □ 3

\ \ \ \ ж

п Г] п □ ■а ■ ■ ■ ■ У

Г [_ г ■ ■

г 1 Г ■ ■

■ ■ □ □ с ■ ■ ■ □ □ ■ ■ □ □ : ■■■■■ □осгаи □□□□□

Рисунок 9 - Горизонтальная, вертикальная и диагональная томографические проекции изображения объекта

Вычисление томографических проекций осуществляется по каждому элементу контура с применением алгоритма объединения интегральных параметров. Алгоритм вычисления коэффициента момента минимальной инерции по методу элементарных приращений разделяется на две части: вычисление коэффициента линий и вычисление коэффициентов фигур.

В пятом разделе приведены результаты экспериментальных исследований.

Разработанные алгоритмы анализа изображения ориентированы на режим реального времени и на реализацию аппаратными средствами с использованием современной элементной базы - программируемых логических интегральных схем (ПЛИС).

На рисунке 10 показана структурная схема устройства, выполняющего комплексную обработку изображения, а на рисунке 11 - результат выделения контура изображения объекта.

Рисунок 10 - Струюурная схема устройства, выполняющего комплексную обработку изображения

!

Рисунок 11 - Формирование контура изображений касающихся объектов

В работе исследовано влияние высокочастотных помех на формирование контура в зависимости от размера ЛО и среднеквадратичного значения (СКЗ) помехи (рисунок 12).

Рисунок 12-Влияние высокочастотной помехи на формирование контура ЛО

На рисунке 13 представлен график зависимости количества ошибочных элементов контура с!0 от СКЗ помехи в относительных единицах по отношению к максимальному значению числа элементов растра, равному 537.

«О

1

0.9

ae a? 0.6 o.s 0.4 о.э о.г 0.1

ao

^скзвч

50 100 150 200 250 помехи

Рисунок 13 - Зависимости количества ошибочных элементов контура от СКЗ помехи

Разработана программа моделирования работы устройства с использованием среды Delphi 6.0. Программа позволяет получить зависи-

AV

мость погрешности определения скорости — от At между двумя последовательны ми перемещениями объекта. График погрешности представлен на рисунке 14.

ДК К

0,8

«ао<

ООО

Рисунок 14 - График погрешности при размере объекта 50x50

Изменение погрешности носит периодический характер. Погреш-

20

ность увеличивается с увеличением интервала Л?, что объясняется дискретным характером представления изображения объектов.

В приложении приведены документы, подтверждающие внедрение результатов работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

В диссертации решена важная прикладная задача разработки методов анализа многоградационных растровых изображений в системах технического зрения.

1. Разработан метод комплексной обработки изображения, являющийся предварительным этапом перед сегментацией изображения и выполняющий бинаризацию и выделение контура. Теоретически обосновано преобладающее влияние высокочастотной составляющей шумов и помех на ошибки определения значения разности и знака разности.

2. Разработан алгоритм сегментации изображений на основе трехэлементного формата связности, учитывающий условие работы в режиме реального времени и позволяющий разделить соприкасающиеся локальные области. Определена зависимость ошибок измерения размеров локальной области после сегментации от скорости движения изображения объекта.

3. Разработан метод определения скорости движения изображения объекта по одному кадру изображения. Проведены исследования погрешности измерения скорости перемещения объекта, определены источники ее появления и зависимость от скорости перемещения изображения объекта.

4. Разработан метод вычисления моментов инерции изображения объектов по томографическим проекциям, которые используются в качестве признаков для распознавания изображений объектов.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Адилов Р. М. Перспективы использования телевидения в технических средствах охраны и контроля материальных ценностей/Р.М. Адилов, И.И. Сальников II Современные охранные технологии и средства обеспечения комплексной безопасности объектов: Материалы IV Всероссийской научно-практической конференции. - Пенза: Ш У, 2002. - С. 187-189.

2. Адилов P.M. Определение параметров движения объекта по искажениям его растрового изображения // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей Всероссийской научно-технической конференции. - Пенза: ПДЗ, 2003.-С. 80-82.

3. Адилов P.M. Системы технического зрения в задачах контроля материальных ценностей // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации (Распознавание 2003): Сборник материалов VI Международной конференции. - Курск: Курский ГТУ, 2003. - С. 124-126.

4. Адилов P.M. Метод распознавания для реализации в системах технического зрения, работающих в режиме реального времени // Интеллектуальные и информационные системы (Интеллект - 2003): Материалы Международной научно-технической конференции. - Тула: ТулГУ, 2003. - С. 115-117.

5. Адилов P.M. Этапы обработки полноградационных растровых изображений // Современные охранные технологии и средства обеспечения комплексной безопасности объектов: Сборник материалов V Всероссийской научно-технической конференции. - Пенза: 111 У, 2004. -С. 212-214.

6. Адилов P.M. Сегментация телевизионного изображения с использованием трехэлементного формата связности I P.M. Адилов, И. И. Сальников // Проблемы объектовой охраны: Сборник научных трупов. - Пенза: ПГУ, 2004. - Вып. 4. - С. 83-85.

7. Адилов P.M. Бинаризация изображений - необходимость или дань традициям? // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей II Всероссийской научно-технической конференции. - Пенза: ПДЗ, 2004. - С. 64-66.

8. Адилов P.M. Влияние помех на бинаризацию изображения методом максимума производной // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей П1 Всероссийской научно-технической конференции. - Пенза: ПДЗ, 2005. - С. 61-64.

Адилов Руфат Мейралиевич

Исследование и разработка методов анализа многоградационных растровых изображений в системах технического зрения

Специальность 05.13.17 - Теоретические основы информатики

Редактор Л.Ю. Горюнова Корректор А.Ю. Тощева Компьютерная верстка Д.Б. Фатеева, М.В. Недошивиной

Сдано в производство 25.11.05. Формат 60x84 '/]6 Бумага типогр. №1. Печать трафаретная. Шрифт Times New Roman Су г. Усл. печ. л. 1,34. Уч.-изд. л. 1,35. Заказ № 875. Тираж 100.

Пензенская государственная технологическая академия. 440605, Россия, г. Пенза, пр. Байдукова/ ул. Гагарина, 1VI1. Лицензия: Серия ИД № 06495 от 26 декабря 2001 г. Internet: http://www.pgta.ru

№24614

РНБ Русский фонд

2006-4 25688

Введение

1 Методы анализа растровых изображений

1.1 Методы бинаризации изображения

1.2. Информационная емкость бинарных изображений

1.3. Выделение контуров на изображении

1.4 Сегментация изображения

1.5 Определение значений пространственных параметров изображений объектов

1.6 Выводы по главе

2 Метод комплексного анализа многоградационного изображения

2.1 Основные условия

2.2 Этапы бинаризации изображения по методу максимума производной •

2.3 Алгоритм определения граничных точек

2.4 Устранение разрывов линии контура

2.5 Ошибки в определении точек границы

2.5.1 Ошибка определения значения разности

2.5.2 Ошибка определения знака разности

2.6 Выводы по главе

3 Сегментация растровых многоградационных изображений

3.1 Постановка задачи

3.2 Описание метода сегментации

3.3 Ошибки определения значений пространственных параметров сегментов

3.4 Выводы по главе

4 Измерение значений пространственных параметров изображений объектов

4.1 Общие положения

4.2 Измерение вектора скорости

4.2.1 Определение скорости и направления движения объекта

4.2.2 Ошибки определения скорости движения изображения объекта

4.3 Векторные характеристики изображения объекта

4.3.1 Вычисление томографических проекций

4.3.2 Вычисление моментов по упрощенным формулам

4.3.3 Метод поэлементных приращений

4.3.4 Алгоритм вычисления коэффициента момента минимальной инерции

4.3.5 Алгоритм элементарных приращений для линии

4.4 Выводы по главе 117 5 Экспериментальная часть

5.1 Реализация устройства комплексной обработки изображения

5.1.1 Реализация блока определения координат граничных точек по оси X

5.1.2 Реализация блока определения координат граничных точек по оси У

5.1.3 Реализация блока выделения признака элемента изображения

5.1.4 Влияние постоянного фона на результат комплексной обработки изображения

5.1.5 Влияние низкочастотной помехи на результат комплексной обработки изображения

5.1.6 Влияние высокочастотной помехи на результат комплексной обработки изображения

5.2 Программа моделирования работы устройства определения параметров движения

5.3 Выводы по главе 163 Заключение

Принятые сокращения Список литературы

Известно, что большую часть информации человек получает с помощью зрения. Поэтому большой интерес представляют системы, позволяющие выполнять анализ и преобразование изображений. При этом, все существующие системы восприятия и обработки изображений можно условно разделить на два больших класса: системы, предназначенные для улучшения качества воспроизводимого изображения, и системы технического зрения, в которых изображение является источником информации для измерения пространственных характеристик изображений объектов, используемых для обнаружения и классификации наблюдаемых объектов. При этом, основой работы систем технического зрения (СТЗ) является анализ изображений, при котором исходное изображение преобразовывается таким образом, чтобы можно было бы выделить и измерить различного рода пространственные характеристики изображений, такие как габаритные размеры, координаты центра тяжести, площадь изображения, длину контура, направление осей симметрии и так далее. Измеренные пространственные характеристики изображений объектов позволяют классифицировать объекты в системах распознавания образов, позволяют в динамике формировать координаты изображений объектов в системах целеуказания, разделять или сегментировать изображения объектов в системах контроля и учета материальных ценностей, обнаруживать появление новых объектов в контролируемой зоне в технических средствах охраны и в областях использования СТЗ.

В настоящее время в связи с развитием методов и средств цифровой обработки информации указанные системы непрерывно развиваются, совершенствуются алгоритмы, улучшаются их тактико-технические характеристики. В этом направлении предстоит сделать еще очень много, так как ставится задача повышения быстродействия СТЗ, а также увеличения числа измеряемых пространственных параметров, что приводит к усложнению используемых алгоритмов и к увеличению объема обрабатываемой информации. Эти два фактора определяют основное требование — это увеличение информационной производительности СТЗ.

Поэтому поставленная в данной работе цель - создание методов и алгоритмов анализа изображения для систем технического зрения является актуальной.

Значительный вклад в развитие теории цифровой обработки изображения внесли У. Прэтт, Б. К. П. Хорн. Среди отечественных исследователей можно отметить работы Б. В. Анисимова, В.А. Сойфера, А.Н. Писаревского, В. С. Титова и других известных ученых.

Традиционно в СТЗ принято выделять следующие этапы анализа изображения [1,8, 20]:

• фильтрация, т.е. уменьшение шумов и помех с помощью фильтров или с помощью накопления (интегрирования) нескольких кадров; бинаризация изображения;

• выделение границ изображений объектов;

• сегментация изображения;

• измерение пространственных характеристик изображения объектов;

• обнаружение новых изображений, классификация объектов и распознавание образов.

Бинаризация проводится с целью определения границ изображения объекта, при этом уменьшается количество обрабатываемой информации и упрощается выполнение следующих этапов.

На этапе сегментации выполняется разделение областей изображения по их пространственным признакам и выделение изображений объектов, интересующих пользователя.

Измерение пространственных характеристик изображений выполняется с целью классификации объектов и их распознавания. Кроме указанных выше статических пространственных характеристик используются динамические характеристики движения объектов - направление и скорость движения изображения объекта в пределах растрового изображения, формируемого в СТЗ. Реализация каждого этапа анализа изображения связана с решением целого ряда задач.

На этапе бинаризации необходимо определить метод формирования порогового уровня, который может быть фиксированным пределах кадра или адаптивным, т.е. меняться в пределах кадра в зависимости от изменения освещенности объекта. Использование фиксированного порога для бинаризации изображения упрощает алгоритм бинаризации, однако для изображений с изменяющимся уровнем освещенности в пределах кадра использование фиксированного порогового уровня приводит к высоким значениям ошибок бинаризации. Адаптивный пороговый уровень определяется для текущего кадра изображения по усредненным характеристикам предшествующих кадров и позволяет выполнять бинаризацию изображений с изменяемыми уровнями освещенности. Однако, алгоритмы, используемые для бинаризации с <• помощью адаптивного порогового уровня достаточно сложны и не используются в системах, работающих в режиме реального времени.

Для выполнения сегментации изображения важным моментом является выбор формата связности, который влияет на формирование границ локальных областей. Формат связности определяет, какие соседние элементы изображения должны анализироваться с целью отнесения их к той или иной локальной области. Увеличение формата связности приводит к увеличению количества анализируемых элементов изображения, что приводит к усложнению алгоритма сегментации, но позволяет сегментировать, то есть разделить изображения объектов сложной формы.

При формировании пространственных характеристик изображений важной задачей является выбор и обоснование такого набора характеристик, который однозначно позволил бы классифицировать объекты. Такими характеристиками могут быть как статические, определяемые пространственной конфигурацией изображения объекта, так и динамические характеристики, описывающие движение объекта. Набор характеристик объектов выбирается в зависимости от класса анализируемых изображений, а также от поставленной задачи.

Следует заметить, что сложность алгоритмов анализа изображений в несколько раз выше, чем сложность алгоритмов анализа временных сигналов, так как изображения — это пространственно-временные сигналы, представляющие собой функции, как минимум, четырех переменных - пространственных координат и времени.

Современная элементная база позволяет реализовывать устройства и системы обработки изображений с высокой информационной производительностью и работающие в режиме реального времени. Понятие «режим реального времени» для разных систем обработки сигналов не зависит от скорости изменения сигналов и имеет следующий смысл: — анализ поступившего отсчета входного сигнала должен завершиться до прихода следующего отсчета.

Таким образом, период времени поступления отсчетов входного сигнала определяет минимальное время анализа каждого отсчета, если ставится задача работы устройств и систем в реальном времени. Отсюда вытекает основное условие для систем, работающих в реальном времени: разрабатываемые алгоритмы должны ориентироваться на поэлементный анализ и должны выполняться во время формирования кадра изображения.

В существующей литературе, например [4,20] все этапы анализа изображения рассматриваются по отдельности, как несвязанные между собой процессы. Рассматривая этапы анализа изображения в комплексе, можно комбинировать их, выдавать результаты в виде, удобном для анализа на следующем этапе, добиваясь повышения быстродействия работы системы в целом.

Существующие в настоящий момент методы бинаризации и оконтури-вания изображений объектов рассматриваются как несвязанные процессы. Кроме того, эти методы малопригодны для реализации в системах, работающих в режиме реального времени, поскольку требуют знания значений отсчетов входного сигнала, находящихся на следующей строке за текущей строкой, то есть требуют предварительного запоминания кадра. Для устройств и систем анализа растровых изображений, работающих в реальном времени, актуальной является задача разработки методов определения контура изображения, не требующих запоминания кадра и работающих по текущим отсчетам входного видеосигнала.

Методы сегментации, описываемые в литературе, например в [4], предполагают возможность прямого доступа к любому элементу изображения, т.е. запоминания кадра. Эти методы нельзя применять в системах, работающих в режиме реального времени, так как на запоминание кадра теряется время, измеряемое десятками миллисекунд.

Существует метод сегментации, работающий в режиме реального времени [3]. Но, одним из допущений при разработке этого метода было то, что если элементы, принадлежащие двум изображениям касаются углами, то в данном алгоритме эти два изображения объединяются в одну локальную область. Это допущение приводит к тому, что при сегментации изображения некоторые локальные области объединяются в одну, что приводит к ошибкам сегментации. Таким образом, ставится задача разработать метод сегментации, который позволил бы при анализе изображений в режиме реального времени разделить соприкасающиеся локальные области.

Для классификации объектов по их изображениям в СТЗ необходимо выбрать признаки, которые позволят однозначно разделить локальные области. В качестве таких признаков могут служить как статические геометрические, так и динамические характеристики изображений объектов. В существующей литературе, например, [1,2,8,9], широко описаны методы определения таких статических геометрических характеристик изображений объектов как площадь, периметр, габаритные размеры, эксцентриситет, степень округлости, степень вытянутости, пористость, координаты геометрический центра и центра тяжести изображения объекта, длина контура, изрезанность контура и т.д. Динамические характеристики объекта, такие как направление и скорость движения изображения объекта, которые определяются, как правило, на основе анализа нескольких кадров изображения. Для достижения максимального быстродействия и реализации режима работы в реальном времени ставится задача разработать метод, позволяющий измерить скорость и направление перемещения изображения объекта по его искажениям, возникающим при растровом формировании кадра.

Целью работы является разработка методов анализа многоградационных растровых изображений объектов в системах технического зрения.

Для достижения поставленной цели в работе формулируются и решаются следующие задачи: *

- разработка метода комплексного преобразования изображений с целью его бинаризации и выделения контура, исследование влияния помех на искажение контура при его формировании;

- разработка алгоритма сегментации изображений на основе выбранного формата связности, позволяющего выделять касающиеся локальные области;

- обоснование способа определения скорости движения объекта по одному кадру изображения;

- исследование погрешности измерения скорости перемещения изображения объекта;

- разработка алгоритмов вычисления моментов инерции изображения объектов по томографическим проекциям.

Объект исследования — системы технического зрения, устройства обработки информации в виде многоградационных растровых изображений.

Предмет исследований - методы и алгоритмы анализа изображений в системах технического зрения.

Методы исследований основаны на положениях теории цифровой обработки сигналов, принятия решений, методах вычислительной математики, функционального анализа.

Научная новизна полученных результатов заключается в следующем:

1. Разработан метод комплексного преобразования изображения с целью его бинаризации и выделения контура, основанный на определении максимума производной функции яркости. Отличие от существующих методов заключается в отсутствии необходимости выбора порогового значения для выделения контура и бинаризации.

2. Разработан алгоритм сегментации изображений на основе трехэлементного формата связности, позволяющий разделить соприкасающиеся локальные области.

3. Предложен метод определения скорости движения изображения известного объекта по искажениям, возникающим в результате формирования растра.

4. Предложен способ вычисления моментов инерции изображения объектов по томографическим проекциям.

Предлагаемые методы обработки могут использоваться в системах, к которым предъявляются повышенные требования к быстродействию.

Практическая значимость работы состоит в разработке методов и алгоритмов анализа многоградационных растровых изображений в темпе поступления данных, позволяющих определить характеристики изображений подвижных и неподвижных объектов.

Реализация и внедрение результатов. Исследования проводились на кафедре «Вычислительные машины и системы» Пензенской государственной технологической академии.

Материалы диссертации нашли практическое применение при выполнении хоздоговорной НИР «Растр», выполненной по заказу предприятия «Научно-исследовательский и конструкторский институт радиоэлектронной техники» (НИКИРЭТ) (г. Заречный Пензенской области).

Полученные в диссертационной работе результаты используются в учебном процессе кафедры «Вычислительные машины и системы» Пензенской государственной технологической академии при обучении студентов специальности 230101 «Вычислительные машины, комплексы, системы и сети» по дисциплине «Системы искусственного интеллекта».

На защиту выносятся следующие положения:

1. Метод комплексного преобразования изображения, выполняющий бинаризацию и выделение контура изображения.

2. Алгоритм сегментации изображений, работающий в режиме реального времени, и основанный на анализе трехэлементного формата связности.

3. Метод определения скорости движения изображения объекта по одному кадру изображения.

4. Метод вычисления моментов инерции изображения объекта в режиме формирования кадра по томографическим проекциям.

Апробация работы.

Основные результаты работы докладывались и обсуждались на: Всероссийской научно-технической конференции «Современные методы и средства обработки пространственно-временных сигналов», (г. Пенза, 27-28 мая 2003); VI Международной конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Распознавание 2003), Курск, 22-25 октября 2003 г.; Международной научно-технической конференции "Интеллектуальные и информационные системы" (Интеллект- 2003), Тула, 16-17 декабря 2003 г.; V Всероссийской научно-технической конференции «Современные охранные технологии и средства обеспечения комплексной безопасности объектов» (г. Заречный Пензенской области, 18-20 мая, 2004); II Всероссийской научно-технической конференции «Современные методы и средства обработки пространственно-временных сигналов», (г. Пенза, 25-26 мая 2004); III Всероссийской научно-технической конференции «Современные методы и средства обработки пространственно-временных сигналов», (г. Пенза, 2425 мая 2005).

Публикации. По теме диссертации опубликованы 8 работ, в том числе 4 тезисов докладов и 4 статьи в сборниках трудов.

Структура и объем работы. Диссертационная работа состоит из введения, пяти разделов, заключения, списка литературы из 57 наименований. Объем работы: 176 страниц текста, 60 рисунков, 17 таблиц.

5.3 Выводы по главе

1. Если низкочастотная помеха находится в непосредственной близости от изображения объекта и влияет на формирование его границы, значения пространственных характеристик объекта изменяются. Причем, когда максимальная яркость помехи меньше максимальной яркости изображения объекта, изображение объекта можно выделить, однако геометрические размеры изображения объекта увеличиваются. Когда уровень яркости изображения помехи больше уровня яркости изображения объекта, изображение объекта маскируется и его невозможно выделить.

2. Для устранения негативного влияния низкочастотной помехи можно использовать процедуру суммирования изображений нескольких кадров и далее проводить обработку изображения по предлагаемому методу с целью получения значений характеристик объектов.

3. Влияния высокочастотной помехи приводит к появлению локальных областей малого размера, размеры объекта и его форма искажаются.

4. При высоком уровне высокочастотных помех сложно выделить изображение объекта по результатам определения его геометрических размеров, если размеры локальных областей составляющих объект сопоставимы с локальными областями, обусловленными наличием помех.

5. С увеличением количества высокочастотных помех растет количество перепадов функции яркости, что приводит к увеличению количества элементов изображения, имеющих признак "элемент границы", следовательно, увеличивается количество элементов, отличающихся от эталонного изображения.

6. С увеличением размера объекта растет и количество отличающихся элементов, при достаточно равномерном распределении высокочастотных помех полю растра, отношение количества отличающихся элементов к общему количеству элементов изменяется незначительно.

7. Для устранения негативного влияния высокочастотной помехи необходимо применять сглаживающие фильтры, уменьшающие влияние высокочастотных помех.

8. Погрешность измерения скорости перемещения объекта увеличивается с уменьшением скорости движения объекта.

Заключение

В диссертации решена важная прикладная задача разработки методов анализа многоградационных растровых изображений в системах технического зрения.

1. Разработан метод комплексной обработки изображения, являющийся предварительным этапом перед сегментацией изображения и выполняющий бинаризацию и выделение контура. Теоретически обосновано преобладающее влияние высокочастотной составляющей шумов и помех на ошибки определения значения разности и знака разности.

2. Разработан алгоритм сегментации изображений на основе трехэлементного формата связности, учитывающий условие работы в режиме реального времени и позволяющий разделить соприкасающиеся локальные области. Определена зависимость ошибок измерения размеров локальной области после сегментации от скорости движения изображения объекта.

3. Разработан метод определения скорости движения изображения объекта по одному кадру изображения. Проведены исследования погрешности измерения скорости перемещения объекта, определены источники ее появления и зависимость от скорости перемещения изображения объекта.

4. Разработан метод вычисления моментов инерции изображения объектов по томографическим проекциям, которые используется в качестве признаков для распознавания изображений объектов.

Результаты диссертационной работы имеют практическое значение. Это подтверждается их использованием в ФГУП «НИКИРЭТ», а также в учебный процесс кафедры «Вычислительные машины и системы» Пензенской государственной технологической академии при подготовке студентов специальности «Вычислительные машины, комплексы, системы и сети».

Принятые сокращения

СТЗ - системы технического зрения

JIO - локальная область тв.эл. - телевизионный элемент изображения

Квс - код варианта связности

ПЛИС — программируемые логические интегральные

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

2. Методы компьютерной обработки изображений. / Под ред. В. А. Сойфе-ра- М.: Физматлит, 2001. 784 с.

3. Сальников И. И. Растровые пространственно-временные сигналы в системах технического зрения. Пенза: Изд-во ЦНТИ, 1999. - 254 с.

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

5. Системы технического зрения (принципиальные основы, аппаратное и математическое обеспечение)/А. Н.Писаревкий, А.Ф.Чернявский, Г.К.Афанасьев и др.; Под ред. А.Н.Писаревского, А.Ф.Чернявского. — JI.Машиностроение. Ленингр. отд-ние, 1988.-423 с.

6. Очин Е.Ф. Вычислительные системы обработки изображений. Л.: Энергоатомиздат, Ленингр. отд., 1989. - 132 с.

7. Либенсон М.Н., Хесин А. Я., Янсон Б. А. Автоматизация распознавания ТВ-изображений. -М.: Энергия, 1975. 159 с.

8. Обработка и отображение информации в растровых графических системах. / О. И Семенков., С. В. Абламейко, В. И.Берейчик, В. В. Старовойтов — Минск, Наука и техника, 1989. 180 с.

9. Техническое зрение роботов. Под ред. Пью А.: пер. с англ. М.: Машиностроение, 1987.-319 с.

10. Марр Д. Зрение. Информационный подход к изучению представления и обработки зрительных образов: пер. с англ. М.: Радио и связь, 1987. - 399 с.

11. Оппенгейм А. В., Шафер Р. В. Цифровая обработка сигналов: Пер. с англ. М.:Связь, 1979. - 416 с.

12. Ту Дж. Т. Гонсалес Р. К. Принципы распознавания образов: Пер. с англ. -М.: Мир, 1978.-324 с.

13. Фор А. Восприятие и распознавание образов: Пер. с фр. М.: Машиностроение, 1989.-271 с.

14. Мазуров А. И Зрение роботов М.: Знание, 1991. - 62 с.

15. Письменный Г. В., Михайлов Б. Б., Корнеев А. Ю. Системы технического зрения в робототехнике. М.: Машиностроение, 1991. - 88 с.

16. Путятин Е. П., Аверин С. И. Обработка изображений в робототехнике — М.: Машиностроение, 1990. -319 с.

17. Техническое зрение роботов / В. И. Мошкин, А. А. Петров, В. С. Титов, Ю. Г. Якушенков, -М.: Машиностроение, 1990. 265 с.

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

19. Телевизионные измерительные системы / C.JI. Горелик, Б. М. Кац, В.И. Киврин М.: Связь, 1980. - 169 с.

20. Прэтт У. Цифровая обработка изображений: в двух кн.: Пер. с англ. — М.: Мир,1982. Кн. 1 - 310 е., Кн. 2 - 790 с.

21. Бендат Дж., Пирсол А. Измерение и анализ случайных процессов М.: Мир, 1974.-402 с.

22. Цуккерман И.И Цифровое кодирование телевизионных изображений./ И.И Цуккерман, Б. М. Кац, Д. С. Лебедев и др.; Под ред. И.И Цуккермана -М.: Радио и связь, 1981.-239 с.

23. Кривошеее М.И. Основы телевизионных измерений. М.: Связь, 1976. -536 с.

24. Петраков А. В. Автоматические телевизионные комплексы для регистрации быстропротекающих процессов. М.: Энергоатомиздат, 1987. - 151 с.

25. Мальцев П.П., Гарбузов И. И, Шарапов А. П., Кнышев Д. А. Программируемые логические ИМС на КМОП-структурах и их применение. — М.: Энергоатомиздат, 1998. 315 с.

26. Русын Б. П. Структурно-лингвистические методы распознавания изображения в реальном времени. Киев: Наукова думка, 1986. - 127 с.

27. Виттих В. А., Сергеев В. В., Сойфер В. А. Обработка изображений в автоматизированных системах научных исследований. М.: Наука, 1982. - 214 с.

28. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976. -316с.

29. Ахмед Н., Рао К. Р. Ортогональные преобразования при обработке цифровых сигналов, М.: Связь, 1980. - 248 с.

30. Справочник по математике для инженеров и учащихся втузов / И. Н. Бронштейн, К. А. Семендяев М.: Наука, Главная редакция физико-математической литературы, 1981. - 718 с.

31. Гренандер У. Лекции по теории образов: Анализ образов — М. Мир: 1981. -446 с.

32. Гришин М.П., Курбанов Ш.М., Маркелов В.П. Автоматический ввод и обработка фотографических изображений на ЭВМ. М.: Энергия, 1976. - 151 с.

33. Сальников И.И., Кутаев Ю.Ф. Быстродействующее устройство измерения геометрических характеристик бинарного телевизионного изображения. // Приборы и техника эксперимента 1995 - N6.

34. Сальников И.И. Быстродействующий анализатор пространственных характеристик бинарного телевизионного изображения. // Приборы и техника эксперимента 1998 - N1.

35. Селекция и распознавание на основе локационной информации. ! А. Л. Горелик, Ю. Л. Барабанов, О В. Кривошеее, С. С. Эпштейн; Под ред. Горелика А.Л. М.: Радио и связь, 1990. - 239 с.

36. Патрик Э. Основы теории распознавания образов: Пер с англ. -М.: Радио и связь, 1980. 408 с.

37. Розенфелъд А. Распознавание и обработка изображений с помощью вычислительных машин: Пер. с англ. М.: Мир, 1972. — 230 с.

38. Горелик А.Л., Скрипкин В.А. Некоторые вопросы построения систем распознавания. — М.: Сов.радио, 1974. 233 с.

39. Тимохин В.И. Применение ЭВМ для решения задач распознавания образов. Д.: ЛГУ, 1983. - 223 с.

40. Кауфе Ф. Взаимодействие робота с внешней средой. М.: Мир, 1985. -156 с.

41. Павлидис Т. Алгоритмы машинной графики и обработки изображений: Пер. с англ. М.: Радио и связь, 1986. - 399 с.

42. Гинзбург В.М. Формирование и обработка изображений в реальном времени: методы быстрого сканирования М.: Радио и связь, 1986. - 231 с.

43. Брайс К. Р., Феннема К. Л. Анализ сцены при помощи выделения областей. // Сб. Интегральные роботы. Т.2 М.: Мир, 1975. - 312 с.

44. Быстрые алгоритмы в цифровой обработке изображения: преобразования и медианные фильтры /Г. С. Хуанг, Дж. — О. Эклунд, Г. Дж. Нуссбаумер и др./ Под ред. Г.С. Хуанга, М.: Радио и связь, 1984. 221 с.

45. Аврорин А. В., Брейтман Б. А., Волков Ю. К. Система для цифрового восстановления изображений в реальном времени эксперимента // Автометрия- 1978-№4, с29-36

46. Афанасьев Г. К, Лебедев В. И., Чернявский А. Ф. Алгоритмы выделения контура двоичного изображения //Вестник Белорусского ун-та — 1980 — Сер. 1 № 1 - с. 3 — 6

47. Борисенко В. И., Златополъский А. А., Мучник И. Б. Сегментация изображений (состояние проблемы) // Автоматика и телемеханика, — 1987 — №7. -с. 3-56

48. Верхаген К, Дейн Р., Групп Ф. Распознавание образов: Состояние и перспективы. — М: Радио и связь, 1985. — 165 с.

49. Денисов Д. А., Низовкин В. А. Сегментация изображения на ЭВМ // Зарубежная радиоэлектроника — 1985 №10. — с.З - 30

50. Лебедев В. И. Алгоритм выделения связных областей на изображении // Проблемы применения современных радиофизических методов повышения эффективности производства и автоматизации исследований. Минск: Наука и техника, 1981. - с. 82 - 83

51. Хермен Г. Восстановление изображений по проекциям: основы реконструктивной томографии: Пер. с англ. М.: Мир, 1983. - 349 с.

52. Быков Р. Е., Гуревич С.Б. Анализ и обработка цветных и объемных изображений М.: Радио и связь, 1984. - 248 с.

53. Кузьмин С. А., Петров А. А. Алгоритмы классификации и определения параметров силуэтных изображений в системе технического зрения робота // Проблемы машинного видения в робототехнике М.: ИПМ АН СССР, 1981. -с. 141-151

54. Садыков С. С., Самандаров И. Р. Скелетизация бинарных изображений // Зарубежная радиоэлектроника, 1985. — №11. - с. 30 - 37

55. Бергманис А. X, Громов Г. Г, Попов Ю.О., Янсен Б. А. Архитектура аппаратных средств анализа и распознавания телевизионных изображений.// Автоматизация анализа и распознавания изображений — Рига: Зинатне, 1980 -Вып. 2-с. 179-196

56. ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

57. Адилов Р. М. Сегментация телевизионного изображения с использованием трехэлементного формата связности / P.M. Адилов, И. И. Сальников II Проблемы объектовой охраны: Сборник научных трудов. Пенза: ПТУ, 2004. - Вып.4 - С. 83-85.

58. Адилов Р. М. Бинаризация изображений необходимость или дань традициям? // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей II Всероссийской научно-технической конференции. - Пенза: ПДЗ, 2004. — С.64-66.