автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Теоретические основы развития систем автоматизации технологических процессов контурной сегментации изображений

На правах рукописи

КОЛДАЕВ Виктор Дмитриевич

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ РАЗВИТИЯ СИСТЕМ АВТОМАТИЗАЦИИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ КОНТУРНОЙ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ

05.13.06 -Автоматизация иуправление технологическими процессами и производствами (в приборостроении)

АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора технических наук

3 ПАР 2015

Москва, 2014

005560026

005560026

Работа выполнена в Национальном исследовательском университета «МИЭТ» на кафедре «Информатика и программное обеспечение вычислительных систем».

Научный консультант:

Гагарина Лариса Геннадьевна - доктор технических наук, профессор, НИУ МИЭТ.

Официальные оппоненты:

1. Черников Борис Васильевич - доктор технических наук, старший научный сотрудник, заместитель директора Центра информационных технологий ООО «Газпром ВНИИГАЗ».

2. Рычагов Михаил Николаевич - доктор физико-математических наук, профессор, директор Управления высокопроизводительных алгоритмов ООО «Исследовательский Центр Самсунг».

3. Беляев Андрей Александрович - доктор технических наук, профессор, начальник лаборатории научно-технического отдела ОАО НПЦ «ЭЛВИС».

Ведущая организация - ООО «Нанотех СВГЛ» (г. Москва).

Защита состоится « 26 » марта 2015 года в 14 часов 30 минут на заседании диссертационного совета Д 212.134.04 при Национальном исследовательском университете МИЭТ по адресу: 124498, Москва, Зеленоград, проезд 4806, НИУ МИЭТ.

С диссертацией можно ознакомиться в библиотеке Национального исследовательского университета МИЭТ и на сайте www.miee.ru

Автореферат разослан «. 16 _» 2015 года

Ученый секретарь диссертационного совета д.т.н., профессор

А.И. Погалов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследования. Автоматизированная обработка изображений представляет собой быстро развивающуюся-отрасль , знаний рассматривающую измерение параметров, спектральный анализ многомерных сигналов, сегментацию, распознавание и сжатие изображений Использование персональных электронных вычислительных машин- (ПЭВМУ позволяет создавать автоматизированные производственные системы (АПС) олысокой-экономической и технической эффективностью, технологической целесообразностью, функционал которых дает возможность-быстрее и надежнее решать различные задача автоматизированной обработки сигналов.

Основными этапами процесса преобразования информации, которые могут выполняться в совокупности или в отдельных -сочетаниях программными системами обработки изображении, являются: фильтрация, сегментация и распознавание. Важным процессом обработки изображения является сегментация, позволяющая выделять множество сегментов, которые покрывают изображение, или множество контуров, выделенных из него. Результаты сегментации используются для обнаружения характеристик определенного типа, измерения параметров объектов на изображении и их распознавания. Для использования в АПС выбор алгоритма сегментации определяется не только его быстродействием, качеством, но и возможностью ' реализации.

Исследования в области обработки и сегментации изображений изложены в работах отечественных (В.А. Абрамов, Ю.С. Андреев, Ю.М. Баяковский, A.A. Богуславский, В XL Вежневец, Ю.И. Журавлев, М.Д. Казанов, В.Ф. Нестерук, В.В. Сергеев, J3. А. Сойфер, C.B. Яблонскии, Л.П. Ярославский) и зарубёжных (Б. Рассел, Юй-Цзинь Чжан, Р. Ву-дс, П. Виола, М. Джонс, JL Дэвис, Р. Гонсалес, В. Липпел, Т.С. Хуанг, Д. Превитт, А. Розенфельд, Т. Павлидис, У. Прэтт) ученых.

В настоящее время вопросам развития АПС уделяется повышенное • внимание фирмами. (IFM Electronic,, Leuze Electronic, Reis Robotics GmbH & Co. KG Maschinenfabrik, РеррегЫ- Fachs (Германия), Intuitive Surgical (США), Staubli (Швейцария), Omron, Fanuc, Motoman, Panasonic Mitsubishi -Group (Япония)) и университетами (Massachusetts Institutes of Technology, University of Minois, University of Washington, Stanford University, University of Maryland, Radiation Center Lexington, University Вегке1еу).'в. России аналогичными-работами занимаются в университе-

тах МГУ, МФТИ (Москва), СПбГУ, ГУАП (С-Петербург), СГАУ (Самара), РГРУ (Рязань), НГУ (Новосибирск), ТГПУ (Томск).

Для обработки изображений используются следующие пакеты циф-ровой-обработхи изображений: Adobe PhotoShop (фирма Adobe), Picture Publisher (Astral Development), Corel Photo Paint (Corel), ER Mapper (ROY International), Erdass Imagine (Intergraph), OpenCV(Intel Corporation), PC Paintbrush IV (ZSoft). Большинство из них выполняют функции улучшения качества - фильтрацию, масштабирование, выравнивание гистограммы или эквализацию. Однако ни один из этих пакетов не содержит полный комплект возможных функций,, необходимых для визуализации изображений в современных АПС.

В зависимости от текстуры, качества, размера-и типа изображения: (двухуровневое, пЬлутоновое, цветное, с непрерывным тономг дискретно-тоновое или индексированное) применяют различные способы сегментации. Выбор конкретного метода обработки изображений производится, в основном, экспериментально,, так как каждый алгоритм сегментации обладает достаточно узкой специализацией и не всегда пригоден для изображений, отличающихся от типичных случаев.

Причины сложившейся ситуации:

• низкое качество контурной , сегментации изображений при использовании в АПС из-за наличия аддитивных шумов;

• отсутствие методологических и научных основ выбора стандартных алгоритмов контурной сегментации в АПС;

• постоянное повышение требований АПС к программному обеспечению'и сложность их формализации;

• отсутствие эффективных технологий обучения основам сегментации изображений, ориентированных на усложняющиеся АПС, для повышения квалификации операторов систем-технического_зрения.

При анализе технологий обучения были обнаружены противоречия между принципом вариативности в концепций- субъектно-центрированного образования и практикой преподавания.

Таким образом, исследования, направленные на развитие методологических основ повышения эффективности методов и алгоритмов сегментации изображений, обладающих высокой степенью вариабельности, сочетающих преимущества различных подходов л увеличивающих робастность, точность и скорость процесса, а_также^ешагощих вопросы верификации широкого класса задач АПС и разработка новых

подходов к обучению основам сегментации являются весьма актуальными.

Целью диссертационного исследования является развитие теоретических основ обработай изображений в АПС на основе создания эффективных моделей и алгоритмов контурной сегментации изображении при решении задач автоматизации технологических процессов с априорной неопределенностью о типе изображения.

Для достижения поставленной цели необходимо решение следующих задач:

1. Анализ научно-методологических основ проектирования технологий сегментации изображений для АПС на основе их генезиса, классификации и формализации с выделение базовых онтологических элементов (объектов, их атрибутов^отношений и процессов).

2. Разработка методики связывания элементов_контуров с использованием полигональной аппроксимации,-полярного, цепного,-углового и топологического кодирования для устранения разрывов контура и сглаживания границ локальных областей изображений.

3. Разработка методики эффективной контурной сегментации за-шумленньпГ изображений за счет создания и модификации моделей и алгоритмов контурной сегментации на основе эвристических, градиентных и квазитопологическихлодходов.

4. Разработка методологии использования градиентных, эвристических и квазитопологических методов, обеспечивающих увеличение скорости сегментации и улучшение качества выделяемых контуров по сравнению с традиционно используемыми алгоритмами.

5. Проведение экспериментальных исследований по оценке и классификации методов обработки изображений на основе-селективного подхода к их -использованию и анализу асимптотической вычислительной сложности предложешшхалгоритмов сегментации.

6. Обоснование функциональной зависимости, определяющей корреляцию оптимального порога фильтрации от среднего значения градиента при анализе различных облас-тей-исследуемнх объектов.

7. Разработка эффективных субъектно-центрированных технологий, моделей и алгоритмов-проекшрования процесса- обучения основам-сегментации-изображений с. учетом социальных: и когнитивных факторов.

Мегоды-научного исследования. Решение основных задач дис-сертациоиной-работы_основано на использовании методов математического и системного анализа, теоршгинтегральных и дифференциальных

уравнений, цифровой обработай изображений, теории графов* математического- и имитационного моделирования, теории вычислительных процессов, дискретной математики.

Проверка эффективности-исследуемых в работе- предложений проводилась на математико-аналитических и программных моделях и-во время натурных испытаний системы проектирования индивидуальных образовательных маршрутов (ИОМ) и мониторинга качества образования студеотов в НИУМИЭТ.

Научная новизна работы состоит в развитии теории -автоматизации процессов контурной сегментации изображений, на основе создавши научно- обоснованныхгтехнических решений, моделей, алгоритмов и методик обоснованного выбора наиболее рационального из них для повышения эффективности обработки изображений в АИС. В процессе исследований и разработок получены следующие научные результаты.

1. Предложены новые теоретические подходы к автоматизации процессов- контурной сегментации изображений на основе научно обос-

_нованного селективного применения совокупности разработанных моделей и алгоритмов.

2. Предложены -и теоретически обоснованы концептуальная и имитационная модели функционирования системы обработки изображений как составляющие части АПС на базе разработанных математических моделей и алгоритмов, основанных на логико-лингвистическом описании с использованием фреймов для представления знаний о предметной области.

3. Разработаны и модифицированы 13 градиентных и 5 эвристических алгоритмов сегментации, повышающие качество выделения контуров и обрабатываю щи е_изображения с зашумленностью-до 15%.

4. На основе графового подхода-к дифференцированному сглаживанию фрагментов изображений, разработаны 8 квазитополошческих методов, позволяющих: уменьшить информационную ^избыточность и в 1,5-2 раза повысить скорость сегментации.

-5. Создана классификация методов обработкивкдео изображений на основе селективного" подхода к их использованию и "проведена -асимптотическая оценка "вычислительной сложности алгоритмов сегментации.

6, Предложена- методика связывания ^элементов, контуров с использованием полигональной аппроксимации, полярного, цепного, уг-ловогол топологического кодирования, а также совокупность функций

для сглаживания границ локальных областей, снижающих краевые эффекты.

7 Для устранения ступенчатогоэффекта контуров разработан алгоритм ангиэлайзинга -и предложен адаптивный низкочастотный фильтр, увеличивающий показатель пикового соотношения сигнал/шум на 10-13%, по сравнению с изображениями, обработанными стандартными фильтрами. .

8. Математически обоснована функциональная зависимость,

определяющая корреляцию оптимального порога фильтрации от среднего значения градиента при анализе различных изменений четкости и детализации контуров для полутоновых и цветных изображении при

визуализации объектов АПС.

9 Разработана методика селективного выбора эвристических, квазитопологических и градиентных алгоритмов построения иерархического дерева детальности, -повышающих отношение сигнал/шумл 1,5 раза и обрабатывающих изображения с зашумленностью до 15-20% при выделении контуров изображений.

10. Предложено развитие теории автоматизации процессов обучения основам сегментации изображений с использованием субъекгно-центрированного подхода и научно обоснованных технологий формирования структурно-содержательной модели ИОМ.

Практическая ценность работы заключается в расширении возможностей автоматизированной обработки изображений в АПС при решении практических задач с использованием, представленных в работе эвристических, градиентных и квазитопологических алгоритмов контурной сегментации. Исследования доведены до конкретных'методик, алгоршмов и программных средств. Результаты имитационного моделирования подтверждают повышение- эффективности контурной сегментации изображений на-основе предложенных моделей^алгоритмов по сравнению с традиционно используемыми.

Разработанные алгоритмы итерируются в системах обработки изображений АПС, эффективны" по временным и ресурсным затратами позволяют осуществлять сегментацию в соответствии со структурно-геометрической моделью изображения, выделять-контуры изображения с уровнем зашумленности до 15-20% и повышать в 1,5-2 раза скорость-обработки. Гибкость предложенных решений делает ^возможным их применение в системах технического зрения, контроля качества продукции приборостроения, распознавания образов, обработки изображений в графических базах данных.

Проведенные исследования позволяют утверждать о возможных вариантах переноса практических результатов в систему вузовского образования при разработке вариатавных моделей обучения студентов л повышение квалификации преподавателей. Теория, модели, алгоритмы и программные средства сегментации изображений используются при_ изучении вузовских дисциплин: «Структуры и алгоритмы обработки данных», «Цифровая обработка изображений», «Компьютерная обработка изображений», «Автоматизированные информационные системы». Все работы по реализации и_внедренто проводились под руководством или при непосредственном участии автора.

Достоверность и надежность подтверждается:

1) совпадением теоретических и экспериментальных результатов;

• 2) использованием совокупности методов, релевантным задачам исследования и верификацией экспериментальных данных;

3) .результатами имитационного моделирования, выразившимися в повышении качества контурной сегментации изображений;

4) успешным процессом внедрения моделей и алгоритмов обработки изображений в фирмы ЗАО «ЭЛВИС-НеоТек», ОАО «РКЦ «Прогресс» - НПП «ОПТЭКС»;

5) практической апробацией ИОМ при обучении студентов основам сегментации изображений.

Личный вклад автора. Все основные результаты получены автором лично. Главными из них являются:

• формализация процесса контурной сегментации изображений и методика построения автоматизированной обработки в контексте структурно-функциональной реализации в АПС;

• разработка концептуальной и математической моделей функционирования систем контурной сегментации изображений на базе разработанных математических алгоритмов с использованием объектно-ориентированного подхода;

• алгоритмическая реализация 5 эвристических, 13 1радиентных и 8 квазитопологических: алгоритмов контурной сегментации изображений, основанных на дифференцированном _ сглаживании фрагментов изображения со сложными детальными текстурами и разлинной: информационной ценностью (новизна подтверждена свидетельствами об офи-циальной-регистрации программ для ЭВМ в РОСПАТЕНТ)г

• математическое обоснование выбора порога фильтрации, теоретически и экспериментально подтвержденное на объектах произвольной формы, и верификация методов сегментации изображений;

• разработка методики связывания элементов контуров с использованием полигональной аппроксимации, полярного, цепного, углового и топологического кодирования для сглаживания границ локальных областей изображений, снижающих краевые эффекты;

• разработка адаптивного низкочастотного фильтра, увеличивающего показатели пикового соотношения сигнал/шум на 10-13%, по сравнению с изображениями, обработанными стандартными фильтрами;

• классификация методов сегментации изображений на основе селективного подхода_к их использованию и оценка асимптотической вычислительной сложности алгоритмов сегментации;

• разработка субъектно-центрированных технологий обучения основам сегментации изображений, ориентированных на ИОМ, для повышения квалификации операторов систем технического зрения;

• автор диссертации принимал активное участие в.разработке, тестировании, сопровождении предложенных и внедренных им новых технических решений в технологическийлроцеес фирм ЗАО «ЭЛВИС-НеоТек», ОАО «ЕКЦ «Прогресс» -ЛПП «ОПТЭКС» и во внедрении, результатов диссертационной работы в учебный процесс_кафедры «Информатика и программное обеспечение вычислительных систем» Национального исследовательского университета «МИЭТ».

Реализация и внедрение результатов исследования. Результаты диссертационной работы внедрены в технологический процесс фирм ЗАО «ЭЛВИС-НеоТек», ОАО «РКЦ «Прогресс» - НПП «ОПТЭКС» в рамках опытной эксплуатации автоматизированной системы обработки изображений, и позволяют осуществлять кошурную сегментацию изображений с зашумленностью до 15-20%, повышать отношение сигнал/шум в 1,5 раза, увеличивать в 2 раза качество выделения контуров и повышать в 1,5-2 раза скорость обработки-видеоинформации в графическом режиме. Разработанные модели и алгоритмы субъектно-центрированного подхода к обучению основам сегментации изображений используются в учебном процессе кафедры ИПОВС НИУ МИЭТ.

Основные результаты и положения,^выносимые па защиту: "1. Теоретические подходы, принципы построения и методика автоматизации основных технологических процессов, которые следует учитывать в задачах, основанных на идеях формирования-экстенснт-ональной модели-предметной области АПС. 2. Концептуальная модель и структурно-функциональная организация адаптивной, системы контурной-сегментации изображений, позволяющие программно реализовать, процесс сегментации .на- базе разра-

ботанных математические методов и алгоритмов с использованием объектно-ориентированного подхода и верифицировать полученные результаты.

3. Разработанные и модифицированные 8 квазитопологических, 5 эвристических и 13 градиентных алгоритмов контурной сегментации, обеспечивающие в 1,5-2 раза повышение быСтродействиятсонтурной сегментации при зашумленности исходного изображения до 15-20%.

4. Методика связывания-элементов контуров с использованием полигональной аппроксимации, полярного, цепного, углового и тоноло-гачёского кодирования, позволяющая изменять четкость, детализацию и антиэлайзинг контуров для визуализации объектов АПС, сглаживания границ локальных областей изображений и снижения краевых эффектов.

5. Методика построения графовых моделей (нахождение тсратчайших маршрутов и построение остовных подграфов), обеспечивающая в 1,5-2 раза повышение эффективности контурной сегментации, посредством иерархического группирования комплексных признаков в локальные пространственные структуры и учитывает изменение внешней освещенности и влияние визуальных помех.

6. Альтернативный адаптивный низкочастотный фильтр, состоящий из линейного усредняющего и взвешенного рангового фильтра, повышающий показатели пикового соотношения сигнал/шум и средне-квадратическое отклонение яркостей изображений на 10-13% по сравнению с изображениями, обработанными стандартными фильтрам.

7. Результаты статистических-исследований алгоритма выбора порога фильтрации, равного (1,4-1,6) от среднего значения градиента, тео-_ ретически и экспериментально обоснованные на бинарных и многоуровневых изображениях произвольной формы.

8. Классификация методов обработай видеоизображений на основе селективного подхода к их использованию, оценка асимптотической вычислительной сложности алгоритмов, определение- для_ каждого метода пикового отношения сигнал/шум и относительного времени сегментации.

9. Формирование в АПС модели предметной области на основе мета-центрированного механизма-интеграции методики и алгоритмов обработки изображений с использованием пирамидальной сегментации, повышающей отношение сигнал/шум в 1,5 раза.

10 Авторская классификация лаучно обоснованных технологии формирования структурно-содержательной модели ИОМ, позволяющей

разработать методику обучения- основам, сетентации изображении на основе разработанных квазигонологических и эвристических алгоритмов ¿использованием иерархическшсдеревьев детальности.

11 Результаты экспериментальных исследований, внедрения и испыта-' ний методов контурной сетентации, практически подтверждающие

высокую эффективность и адекватность разработанной математической модели, методов и алгоритмов для автоматизации технологических процессов контроля и управления сложными объектами А11С.

Апробация работы. Результаты работы опубликованы в 132 научных статьях, учебных и методических пособиях: представлены в 19 мо--нографиях;.27 статьях* журналах и научных сборниках рекомендованныхВАК; в научных трудах 46 международных и 20 межвузовских конференций. Автор принимал участие в 16 научно-технических отчетах по НИР Научная новизна полученных результатов работы подтверждена свидетельствами-об официальной решсхрацш^ шест^программ

д^ ЭВМ №2014616761, №2014616762, №20146167^ №2014617094, -№2014617097 №2014618912, зарегистрированных в РОС1хА1ЬН1.

Структура и объем работы. Диссертация состоит из введения шести глав, заключения, списка литературы и двух приложении. Работа содержит 341 страницу основного текста, включая 109 рисунков, 36 таблиц, а также список литературы из 397 наименовании.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Во введении обосновывается актуальность темы исследования и характеризуется степень ее разработанности; конкретизируются цель и задачи исследования; определяются методологическая и теоретическая основы исследования; сформулированы научная новизна, теоретическая и практическая значимость исследования, а также положения, выносимые на защиту.

В первой главе проведен анализ структуры и функциональных возможностей АПС и исследованы математические модели .обработки изображений. При описании -процесса контурной сетентации оценивалось, разнообразие структур изображений и методов их-■обработки, меняющихся в зависимости от задачи исследования и предметной области иерархические методы сетентации; алгоритмы, основанные на кластеризации и использования гистограмм;

морфологическая обработка изображений; алгоритмы сегментации с использованием самоорганизующихся карт Кохонена; градиентные методы ^выделения контуров; алгоритмы применения двумерного дискретного преобразования Фурье; сегментация с использованием методов разрастания областей и водораздела; графовые методы. Входе анализа выявлено, нто большинство существующих методов недостаточно адаптированы для работы в АПС и возникает необходимость-в модификации существующих и разработке новых алгоритмов, способных успепшарешать задачи контурной сегментации.

При обработке изображений используется анализ спектров изобра- -жений, получаемых прямым двумерным преобразованием Фурье:

ш,)= I У)ехр(-Ца>хх + в>,у))1Ыу, (1)

где азх, сопространственные частотыгфункция ехр (-/ (шхх+ азу у)) описывает волну в плоскости изображения (х, у) при фиксированных значениях пространственных частот. Формула связывает вещественную функцию, описывающую яркость изображения / (д:, у) с комплексной функцией частоты — спектром изображения Р(азл, соу):

со,) = | \/(.х,у)со$(шхх + (йуу')1Шу+ + | (—/(*, у)5т(ш1х + ш>з'))£Из'= Ке(сй1,со)1)+ ¿1т(а)1, (в,) ,

где Ке(ш, ,ш-)-реальная часть спектра; 1ш(сох,со,)— мнимая часть спектра.

Сегментация представляет собой разделение множества пикселей Т7 спектра исходного- изображения- на-п топологических связных подмножеств (областей, кластеров) 5= таких что-

Ц^*1..Уаде5; и5,) , Р^) = {Рк \кеК), (3)

¡=1

где- Р(£,-) — предикат гомогенности для сегмента К — множество факторов гомогенности изображения неоднородной сегментной структуры-; N(5^ — предикат топологической смежности сегментов 5,- и

Процесс сегментации включает: построение модели изображения; разработку алгоритмов сегментации; определение на отсегментированном объекте элементов связности; формирование структурыгвидеоизоб-ражения. Исследование математических моделей .контурной сегментации изображений показало, что основным- недостатком является отсут-

сие универсальных механизмов нахождения термов для построения

обоа?о^ эвртс™еские и квазитопологические алгоритмы кошурнои оЬрайотку эври^ Исследование наиболее распростра-

сешен™ изображения

;о"ГмГодь,, наращивание областей,-

ППЮ1ЯП- что основным их недостатком является отсут нахождения и -св_ „ иГбражеш! Б. результате анализа существующ^ методов в работе

предложенаклассиф^ацш^еше^адшшображении (рис.1).

Методы сегментации

Рис 1 Классификация методов сегментации Во второй главе разработана концептуальная модель создания и оазв^ Д ормацио^ сред АПС, позволяющая формировать мно-^" м^Ги^оритмов сегментации изображений в различных направлГшях^деятельности, представление предметной облаем через о~е^жества понятий-(концегггов) и-связей-(отношении) меж^ нГи ПреГоженьт-гринадпать модифицированных градиентных методов контурной-сегмешациижображении.

При построении авторской" классификации методой сегментации изображений были использованы информационные признаки. Признак -отображение /: X —>£>/; где — множество"допустимых значений признака. Если заданы признаки /ь..., /п, то -вектор признаков х - /п(х)) называется-признаковым описанием объекта хеХ.

Признаки делятся на следующие типы в зависимости от множества: бинарные, номинальные, порядковые, количественные.

При выборе способа описания областей возникает возможность их представления внешними и внутренними характеристиками. Контур иди граница объекта представляет собой замкнутую последовательность точек (д^, у,), где 1 < ^ < N. В процессе развития .систем обработай изображений появилось несколько концепций и подходов к их представлению и большое количество структур данных для реализации этих представлений. Автором предложена динамически изменяемая экстенсиональная модель предметной области и- аналитическая формализация методов обработки-изображений (рис.2).

Имя Лексема

заг Вывод заставки

мод Переход в каталог с модулями

вхф Получение входного файла

печ Печать исходного изображения

вкт Выделение контуров

пол Предобработка-

вч Линейная ВЧ фильтрация

дек Контрастирование

сег Контурная сегментация

ЛИН Линейная фильтрация

гра Градиентная сегментация

зда -Адаптивная графоваясегментация

-Пор Бинаризация пороговая

лог Логическая сегментация

век Связывание ^контуров

фил Фильтрация скелетона

печ Печать изображения

кон Впход

Рис.2. Экстенсиональная модель предметной области Задача выявления границ-контуров связана с разбиением изображения на основании резких изменений интенсивности, таких как разрывы (перепады) яркости на изображении или изменений параметров, характеризующих текстуру. Для решения этой проблемы автором рассмотрены и модифицированы методы представления контуров-изображений на основе углового кодирования,

В методе полигональной аппроксимации итеративно строится многоугольник, содержащий минимальное число вершин-и представляющий фигуру с заданной точностью. При полярном кодировании кошуров осуществляется сканирование контуров-из центра масс радиальным» лучами через равные углы. Метод топологического задания контуров основан на разбиении-контура на. секции, в которых, линия монотонно возрастает или убывает по д: и по у. Для получения-обобщенных характеристик контуров изображений, обладающих инвариантными свойствами относительно операций переноса и поворота, при контурной сегментации используют угловые коды (рис.3).

Ш

7 2 ,

га' *>

п 2

1

Рис.3. Метод цепного и углового кодирования контура Пусть задан угловой код Ф = {£,.}", длины т, где 5,- - 1-й элемент кода для прямоугольной решетки {2, 3, 4, 5, 6}. Прямые, совпадающие с вертикальными, горизонтальными или диагональными элементами прямоугольной решетки, задаются последовательностью характеристик углового кода. Отклонение от прямой для 1-й точки кода равно: С =5-5.. Оценить кривизну 1-го элемента можно как

СгтоЛт,

(4)

где /1 - длина кодовой записи, д ля которой .рассчитывается кривизна. При-вычислении кривизны для всех точек котура участком длиной /1 осуществляется сканирование-угловым-кодом вдоль всего контура:

' •м

д. = 5г,г - У 5, тоёт.

"Ч^Р" нЩ]

Для следующего элемента кода имеем:

Сравнивая-выражения, получаем рекуррентное выражение оценки кривизны:

"Z= q'+ m ~ 5(i+1+[i],„od „ • (7)

Оценка q^+ц mod m представляет собой сумму отклонений С на участ-ке-контура Z, (все отклонения суммируются с единичными весами).

Для оценки кривизны второго порядка фрагмент длиной 12 сканируют вдоль контура с учетом полученной ранее оценка ¿7(,+1) mod т-

G = - (8)

г / , 7 J reod m

Величина Q, представляет собой сумму отклонений с весами, возрастающими от начального до центрального участка сканирования:

кда шу кадь чш

в,— 2_,Ctmodm+ 2-1 mod!" ++ Z-l ^ к mod т ' ^

Максимальный вес в центре участка сканирования достигает величины 2Pj/2]+l. Длина участка сканирования при этом равна 2[/, /2]+ 2[/2 /2] + 1, а количество отклонений в центре участка сканирования составляет 2[[/, /2]-[/^/2]} +1. При оценке кривизны_более высоких порядков учитываются отклонения точек с различными весами:

'ПН $ 1

G= X h- ±skA. aor

-щ -и .

В итоге получаем рекуррентную формулу, связывающую Qj и Qi+l:

Qi

rt4)modm

= Q + S

bmodm ( й-1-J"—"|+i—1) modm

(11)

ЧШЬ • шт-

Алгоритмы перекодировки цепного кода в угловой и-обратно позволяют использовать их на различных этапах обработки изображений в АПС и объединить под общим названием «относительные _коды». Методы относительного кодирования обеспечивают значительное сокра-

щение требований к объему оперативной памяти ПЭВМ и уменьшению

времени сегментации.

Градиентные методы контурной сегментации изображений основаны на том принципе, что наибольшее изменение функции яркости изображения происходит в направлении ее градиента.

хе-Х ;уе У; №* = +

Стандартный алгоритм пространственного дифференцирования преобразует исходное изображение в скалярное-поле С(х, у) по правилу: Для аппроксимации-первой производной-функции яркости изображения обычно применяются маски-свертки 3x3 (а), Лапласа(б), Гаусса (в):

-г3

г8 ъ,

1

-1-1

-1

1

-2 1

-2 1 4- -2 -1 1

2 3 2

3 5 3 2 3- 2

в

С целью уменьшения влияния шума часто используют лапласиан в сочетании со сглаживанием, называемый оператором Лапласиана Гаус-сиана (ЬоО), маска которого создается по формуле:

ЬоС{х, у) = —

1

1-

х +у 2-сг-

/га1

где а - среднеквадратичное отклонение распределения Гаусса.

Известные операторы градиента вместе с полезным откликом границы в перпендикулярном к ней направлении измеряют также отклик в параллельном направлении, что уменьшает соотношение сигнал/шум. При этом алгоритмы можно трактовать как этапы проверки гипотезы о соответствии-центрального элемента ^-окрестности выборке, определяемой некоторым подмножеством, а вычисляемую оценку_ сигнала - как критерий верности этой гипотезы.

При логическом и мажоритарно-логическом сглаживании для элемента изображения (х, у) выделяется окружающая его окрестность Мх,у) размером 3X3 (рис.4). ______

ТЕШ ЙШЙЙ1

Рис.4-. Анализ элементов при логическом сглаживании и его модификации Трудоемкой является процедура вычисления значения центрального элемента (ранга центрального элемента), использующая скользящие

окна. Вычисляемый на каждом тпаге оптимальный порог относят к рангу выборки. В работе предлагается модификация алгоритма для вычисления сглаженного значения в зависимости от наличия или отсутствия определенной конфигурации бельвс и черных элементов изображения:

/' = /(г, ■ г2 ■ г3 - г4 • г5 - г6 - г7 /(г, V V г3 V г4 V г5 V г6 V V V ,

где/'- новое значение интенсивности центрального элемента окна; /— инверсия функции/, операции конъюнкции (•) и дизъюнкции (V). Как ввдно из рис.5, модифицированный алгоритм позволяет более, качественно выделять контуры черно-белого изображения.

-V: . ¡ИлОЕЗЗЙШЗн

а б в

Рис.5. Логическое сглаживание: а) исходное изображение, б) традиционный алгоритм, в) модифицированный алгоритм В методе Виолы-Джонса используются прямоугольные признаки

(рис.6,а), называемые примитивами Хаара.

а б в

Рис.6. Метод Виолы-Джонса: а) примитивы Хаара, б) дополнительные признаки, в) исходное изображение и модификацизгметода-Виолы-Джонса Значение признака равно разности между суммой пикселей, которые лежат внутри белого и черного прямоугольника. В модифицированном методе, для более точного выделения контура изображения, используются дополнительные признаки (рис.6,б).. В растровых системах при невысокой разрешающей способности существует проблема ступенчатого эффекта. Для устранения этого недостатка .предложен алгоритм антиэлайзинга.

Алгоритм антиэлайзинга. Если в контур объекта попадает, больше половины площади ($) ячейки растра, тог соответствующий пиксель закрашивается цветом объекта (С), иначе пиксель сохраняет цвет фона (С/.)- Цвет угловых пикселей (ступенек лестницы) можно заменить не-

которым оттенком, промежуточным между цветом объекта и фона, вычисляемым по формуле:

В интерактивном разностном операторе вычисляется разность между значением центрального элемента, ^-окрестности и оценкой среднего значения заданной выборки: с{т,п) = ¿\{т,п).

где .¿1(т>в)=[/(т,п)-/(т,

с1г (т, п}= |/(т +1, п)-/ (т,л)]+[/(т+1, 1) - /(т, л +1)]

-Дт,п) - значение яркости пикселя изображения (рис.7).

»

Исходное Метод Линейное Разностный

изображение Виолы-Джонса сглаживание метод

Рис7. Выделение контуров модифицированными методами Разностный метод весьма чувствителен к шуму, содержащемуся в изображении, а вычисляемые разности центрированы относительно средних точек между узлами.

При использовании модификации оператора Робертса полутоновое изображение представляется вектором длиной МхЫ: ~(Ь~оо) ("о,) — (Яо«>П

(Я,о) <Я„) - (Н1М) _^[Яоо _ _ щ _ ... .

(Н„в) (Нт) ■■■ (Нт) где Я,у - значения яркостей пикселей. Далее вычисляются градиенты

изображения относительно новых осей координат:_

СгаЛ — (л, /л) — Я, (л—1, от—I))2 +(Н^п-\;т)-Н,(п,т--1))2 . каждому пикселю (и, т) изображения ставится в соответствие вектор признаков:- = (Н1пт, Я^, Я3„„), где Я1п,„ - соответствующие значения яркости пикселя; -Нъш - значения градиента яркости пикселя -Вдоль оси; НЪпт - отношения значений максимальной и-минимальной разностей -яркостей цвета между пикселем (п/п) и его соседями в окрестности 3x3. Для повышения точности в модификации оператора -элементы исходного изображения предварительно сглаживаются с по-

19

мощью фильтра Гаусса- третьего порядка. Оператор Робертса работает вдоль диагональных направлений, в результате чего получаемое в результате изображение оказывается смещенным на половину шага относительно исходного, что негативно сказывается при последующей обра-ботае-изображений (рис.8).

Лп (%)

20 40 60 80 100 120 140 160 Г80 200

Рис.8. Зависимости РШ{Т) для модификации оператора-Робертса: 1 — кольцевая структура; 2, 3 — линейные структуры (линиаменты) В работе предлагаются новые интерактивные алгоритмы-, изменяющие яр костную составляющую изображения в произвольном выбранном диапазоне и улучшающие проработку объектов.

Масочный линейный фильтр использует операторы сглаживания, построенные на матрицах размером 3X3 и 5x5. Обработка изображения производится, с помощью скользящей маски, называемой также фильтром, ядром или шаблоном, представляющей собой квадратную матрицу. При этом центральный элемент маски совмещается с исследуемым элементом изображения и-в восьми (маска 3x3) или-шестнадцати- (маска 5x5) направлениях вычисляется двухмерная пространственная свертка, дающая величину возможного градиентаОО',./) в направлении к: .

rr-1 т=1

где ht (л, т) - маска, для исследуемого изображения; е —размер маски;: «*» — знак свертки. Наличие восьми окрестныхгэлеменгов позволяет поворачивать маску л> (га, т) на 45° вокруг центрального элемента?

Проведенный анализ 80 масок размером 3x3 и 40 масок 5x5 позво-лил-выработать рекомендации попих конструированию для разных "классов изображений и разработать метод поиска оптимальных порогов при выделении -контуров видеоизображений, с возможностью -управления четкостью и детализацией проработки контуров. Автором обосновано,

что наиболее точно градиент изображения вычисляется с помощью раз-

Мх =

Г—3 0 31 Г-з -10 —з~1 Г-1 0 1 -3 -3 5

-10 0 10 ; М2 = 0 0 0 ■мъ = -2 0 2 ; М< = -3 0 5

-3 0 3 3 10 3 -1 0 1 -3 -3 5_

Исходное изображение

Маска Мх (Л>0)

Маска М4

Маска (Д < 0)

ь к

Рис.9- Контуры изображения; полученные методом масок -Маска считается уравновешенной, если выполняется условие:

ь к

2_, Н * = 0 • В работе установлено, что величина 1=1 *=1 к~1 определяет качества фильтрации: если Л > 0, то маска исполняет роль контрастного фильтра, в противном случае фильтр малоконтрастный (рис.10).

Лп (%)

35 ■ 30 25 20 15 10 5 О

0,6 0,8 1 1,2 1,4 1,6 1,8 2 2,2

Рис.10. Зависимость РШ(Т) для- фильтрации изображений масками 3x3 Симметрия масок влияет на форму выделяемых углов: чем меньше осей симметрии, тем углы-более-очеряены.

Для получения градиентного изображения в методах Со беля, Пре-

витта и Дэвиса используется соотношение:_

С{т, л) = {т, п) + с!^{тгп) ■ Данные операторы вычисляют сглаженные производные вдоль столбцов изображения, при этом чувствительность к шуму ослабляется

благодаря увеличению размеров матриц, а смещение устраняется за счет использования масок с нечетным размером. В модифицированных автором алгоритмах для повышения точности вычислений видеоизображения предварительно сглаживаются с помощью фильтра Гаусса с матрицей 5x5.

Модификация метода Собеля использует маски 3x3, с которыми сворачивают исходное изображение-для -вычисления приближенных значений производных по горизонтали и по вертикали. Пусть А - исходное изображение, а-Сх яС,- маски, вычисляющие приближенные-производные по х и по у:

-1 О г "-1. -2" -1"

-2 0 2 0 0 0

-1 0 1 1 2 1

Ъ = (¿з + 2г6 + г,) - (г, + 2г4 + г7); Оу = (г? +2г8 + г9)- (г, + 2г2 + г3) или следующую группу масок:

=

2 1 0 " Г0 1 2]

1 0 0 -1 = -1 0 1

-1 - 2 -2 -1 0

— X л X -1-------VI ^^

яркости в различных точках изображения (рис.11).

Исходное изображение Стандартный метод Модификация метода Рис.11. Контурная сегментация методом Собеля Использование модификации метода Собеля позволило повысить пиковое отношение сигнал/шум РБ1УК на 9%.

В работе в качестве основного порога выбирается средняя для изображения величина градиента - Сср. В области 3x3 вокруг анализируемой точки вычисляется локальная величина градиента СгЛок. Тогда в качестве порогового условия выделения сегментов в работа предложено логическое выражение:

(Са,Л>Сср) АШ (а,т>Оср).

В интерактивном методе ^еви/ияш осуществляется подстановка шаблонов, представляющих некоторую ориентацию границы

О =

или-дискретное приближение:

С* = (г7 + г8 + г9) - (г! + г2 + г3); = (г3 + гб+г9) - (¿1-+ и + z^).

Г1 1 11 1 I Г

0 0 0 *м с> = 1- -2 1 *А

-1 -1 -1 -1 -1 -1

Ли(%)

РшГ/.)

50 ЩЦЦИЯ

М 80 120 160 200 240 280

б

Рис.12. Сегментация изображений модификациями методов: а) Превитга, б) Дэвиса (1 - линейная структура; 2 - кольцевая структура) Поворотом весовых коэффициентов в матрицах на 90° можно получить операторы, вычисляющие сглаженную производную изображения в горизонтальном направлении. При повороте весовых коэффициентов на +45° или -45° вычисляются сглаженные производные вдоль диагональных направлений. В работе применяется дифференциальный оператор Лапласа (Лапласиан), фильтрующий-большие по модулю значения по вертикальным и горизонтальным перепадам яркости.

В модифицированном- методе Дзексд-используется построение шаблонных операторов с разными углами для детектирования контрастных перепадов и применяется разработанный алгоритм антго-лайзинга (рис. 12,6). В работе для уменьшения шума применяется оператор вычисления нормы градиента:

у)=-¡(7(х+1у)-/иу))2 + (/(*> У+1) -/(*, >))2 • <11{т,п)=\51х{т,п)-32х{гтип]; йг (тп, п) = | <51у{т, п)- 52у(т, л};

]Л} =^/[/(т + 1,п-1)+ /(т+1, л)+/(тл+1, л +1)].

Исследование показало, что модификации методов ЛГревитта и Со-беля можно использовать -для выделения контуров изображений, уровень шумов^которых не превьппает 15%, а модификацию метода Дэвиса -с зашумленностью до 20%.

Для тщенки результатов обработки-изображений градиентными методами были использованы оценочные показатели, в основе которых лежит анализ дисперсий полученных результатов. Статистическая значимость коэффициентов регрессии проверялась с использованием кван-_тиля распределения Стъюдента и указывает на то, что оценка результатов экспериментов состоятельна (табл.1).

Таблица 1

Оценка доверительного интерваяа-для метода масок 3x3_

Доверительная вероятность р = 0,98 ( Квантиль Стыедента t„ = 2,364 )

Mz Dz О* S=Djfn А V Доверительный интервал

1,674 0,373 0,611 0,037 0,2173 36,4791 1,586 <МХ< 1,762

Доверительная вероятность р = 0 95 (Квантиль Стъюдента t„ = 1,984 )

мх Dx az S=DjJn А V Доверительный интервал

17076 0,375 0,612 0,036 0,2172 36,4797 1,59 <МТ< 1,748

Как видно из табл.1, оптимальныйлорог фильтрации для градиентных методов выделения контуров при доверительных вероятностях р=0;95 и/»=0,98 равен 1,58-1,76 и определяется выражением:

я и

г0„= (1,4-1,6)(]Р ]Г G(¡, j)) Гпг, где G(i,f) - значение градиента, /-i í-1

В третьей главе представлены эвристические методы контурной сегментации изображенийгкоторые используют логические приемы и методические правила научного исследования, способные приводить к -цели в условиях неполноты исходной-информации. Автором разработаны пять эвристических алгоритмов, приведена сравнительная характеристика градиентных и эвристических методов,- представлены-результа-ты статистических исследований для определения оптимальногЕтпорога фильтрации.

В алгоритме фиксированных окон (Я1) вокруг каждого из исследуемых элементов определенным образом вскрываются окна (рис.13). Размеры окна принимаются равными (2к +1) х (2к +1), где к = 1,2,3,4.

1

I

/%з)=

-Рис.13. Типы -окон алгоритма /Л

Для каждого окна с центральным исследуемым элементом (¿, /) вычисляется усредненная функция яркости:

£ £/(«.*) /{2к + 1Г-

/п=1—к л=}—к

Далее для четырех: направлений (горизантальногогвертикального и двух диагенальных)-вычисляются функции по следующим формулам:

К недостаткам данного алгоритма следует отнести необходимость эмпирического подбора пороговых значений при сегментации изображений (рис. 14,а).

Гш(%)

20

\ \ ч \ «ч \ чУ 2 ___А 10 Т — 4-" __ ! ""--о-'''

1С» 120 140 1»

II» 110 ПО- 130 1« 150 160

77 б

Рис.14. Сегментация изображений методами: а) фиксированных окон, б) направлениях^ - линейныехггруктуры; 3 - кольцевая структура)

Отмеченный недостаток устранен- ^о^ои ^^ ритме адаптивного выбора

ческого отклонения а: ^

ttf^+i'y+f)-nx-y) I-02:

llj^jrijix+i.y+jl-MT-ti^-'1? 8 [i—

э™»т =o6p»«M определяется,* как ™

,„, v)_d<T(i,),rae Дад^сгадатишии порог; к - конганга, опр

Гауссова распределен —, « Ф- »

2 [ ~г ¿t

котором расположен-точечный объект: F(k) =-j= J*

В алгоритме, фиксированных «^Z^Z^Z эяемГ вычисляете по фиксированным направле^ Во^уг^до о та изображения формируется к"му из че4ь

Точка (i,j) входит в две клики каждого типа (рис.15).

Рис 15. Фиксированные направления анализа элементов Д тя центральной точки вычисляются функции градиента. О, У),

ияттявлении й вычисляется Модификация 1. Для элемента (.]] ? у) _ точка

функция Д, О', Х): кАи) = ™** С*. У>

вдоль направления с1 (рис.14,б). „гл л

Модификация 2. Вычисляется функция Я, ])■

ЛООШрин-ич^ -----------------

l(x.,}cd J

/(2ЛГ+1),

где (2ЛГ+1) - количество точек, взятых в направлении-^. Модификация Ъ. Вычисляется:функция Ьл (/,/):

где ак — константы, удовлетворяющие условиям:

*=+ЛГ

Алгоритм рекуррентной фильтрации (ДЗ). Дискретная интерпретация алгоритма приводит к соотношению:

Ыа Ыа 2 2

Е Е^^г^-7?

Ыа _ Па

■ , „ Мг _ Ыа

если (о = 1, 2„..,-; С=........),

2 2 2

Ш у. Ыа N0

если (у = -1,-2,...,--; С =---),

2 2 2

а.-

а!", и »

где а)!

(р) - элемент матрицы отфильтрованного изображения; а*^^ -элемент матрицы, принимающий в зависимости от и и £ значения либо элемента отфильтрованной матрицы, либо искаженной помехами; со^ —

элемент апертуры. При вычислении дисперсий разностей в М-окрестности с центральным отсчетом значение коэффициента а должно задавать степень поврежденности центрального отсчета и, соответственно, функцикгзаимствования для его исправления, отсчетов из М-окрестности.

Проведенное исследование методов контурной сегментации позволяет сформировать методику обработки-изображений в АПС с учетом класса обрабатываемых изображений, характера помех исходного изображения и оптимальных порогов фильтрации;

Порог Т часто записывают как- функцию, имеющую вид: Т=Т(х, у, 1(х, у),/), где / - изображение; 1{х, у) - средняя яркость .изображения в окрестности с центром в точке~(х,у). Если порог зависит от пространственных координат (х, у), то он называется локальным, если Т зависит от характеристики 1{х, у), та адаптивным.

В работе установлено, что оптимальный диапазон значений порога -зависит от контрастности изображения, количества уровней серого и используемой маски (табл.2).

Таблица 2

___Градиентные методы выделения контуров

Метод

Разностный

Роберта

Маски 3x3

Маски 5x5

Алгоритм Н2 модификация 1 модификация 2 модификация 3

Превигта

Собеля

Дэвиса

Алгоритм Н1

Алгоритм ЯЗ

Бшщрные изображения

Т

* опт

(1.2- 1;6)СП

(1.3

(1.2-

(1,3 -1,9) С,

1-7

-2 - 6

2-13"

1-9

Многоуровневые изображения.-

(1,3-1,6)Оп

(1,2-1,б)Оп

(1,2- 1,9)0,

(1,5- 1,7

3—12

"3-15

4-15

6.-10

(1,4- 1;6)С„

(1,4- 1,б)Оп

(1,4- 1,6)Оп

(1,3 - 1,7)С,

(1.4— 1,8)Сг,

(1,4-1,9-)Оп

(1,4-1,б)Сп

(1,3-1,6^

1-9

1-10

1—12

2-15

6-10

6-10

5-12

6-12

(120-150)^ (1500 - 2500)0П

(1-40)0,

(1,3 - 1,8)СП

(1,3-Г, 3)0, (1.4— 1,6)Сп,

(1.4— 1,6)Оя

7-14 5-12

3-14

5-10

4-^10

5-14

5-13

8-14

"" "Г"---- -------IV' ' ' ^ 1 -- --- ---

В ходе исследований для вычисления градиента бьши разработаны

_ _ ~_ __________1 ГЛОТ..

«Л

1 50!

О- 2 3 2 0

2 8 14 0 -2

3 14 0 -14-3 2 0-14-8 -2 О -2 -3 -2 О

2 50

О

-2 -3 -2

2 3 2 О] "3 4 5 4 3"

0 14 8 2 4 8 10 8 4

-14 0 14 3 5 10 15 10 5

-8 -14 0 2 3 151 4 8 10 8 4

-2 -3 -2 0 3 4 5 4 3

Разработанный усредняющий линейный фильтр (М3) сочетает в себе два фильтра: низких частот - линейный и ранговый.

В четвертой главе-представлены разработанные квазитопшшгиче-ские методы хонгурной сегментации изображений и проведена асимптотическая оценка их вычислительной сложности. Описания объектов и связей между ними, а также-последовательность их расположения определяют К0Д7 который зависит только от тололоти данного объекта и не зависит от пространственного расположения последнего. Если в качестве представления объекта используется граф, то различия "в описании трактуются как гомеоморфные преобразования, а топологические инварианты, используемые для установления гомеоморфности - как-квазитопологический подход. Применение графовых моделей упрощает решение прикладных задач благодаря возможности макетирования высокоуровневых алгоритмов обработки зрительных данных длязадач АПС.

28

В алгоритме блочной сегментации (КТ1) для получения адаптивного разрешения растрового изображения, в котором участки с меньшей плотностью информации представлены крупными блоками ячеек, а с большей плотностью - мелкими- блоками ячеек, осуществляется индексация растра. Основная идея разработанного метода заключается в минимизации пропускных способностей ребер графа путем его разреза Су-Г) на два непересекающихся: множества 5 и 7 (уе г-е 7). Метод блочной сегментации" работает с изображением, представленным графом, у-которого вершинами являются тшксели: 5 - исток (объект) и Т — сток (фон). Соседние пиксели с вершинами ряд связаны взвешенными ребрами:

В,

- ехр(-

-С

28г

-)х

1

dist(p,q)

СДе Ср, Сч

цвета пикселей; 5 - настраиваемый параметр; £&■£(*?,евклидово расстояние между пикселями. Сегментация сводится к нахождению мшвимального разреза графа. Пиксели, попавшие в граф с истоком, помечаются-как объект, а со стоком - как фон (рис.16).

Рис.16. Алгоритм блочной сегментации Алгоритм маркирования точек (КТ2). Пусть Мь Мг,..., MR - множества точек, которые соответствуют локальным минимумам поверхности g(x,y)\ C(Mj) - множество точек М,- локального минимума (min значения интенсивности изображения^, í)); 7Тп] - множество точек (s, í), для хоторых g{s, t) < п, Т[п} = {О, í) ¡ g(s, t) < и};, т.е. множество точек^в которых поверхность g(x, у) лежит ниже g(x, у) = п. Процедура сегментации основана на идее маркеров, которые представляют собой связные компоненты, принадлежащие изображению: внутренние маркеры относятся к контурам объектов; внешние маркеры соответствуют фону. Далее к сглаженному изображению применяется метод сегментации по водоразделам (разбиение изображения за- области), с тем ограничением, что в качестве локальных минимумов рассматриваются: только внугрен-ниемаркеры (рис.17).

Пусть h - начальный порог отбора:контрольных точек; Дh - изме-нениелюрога; г - размер окрестности; /- исходное изображение:

Рис.17. Сегментация с 7-ю (г = 15 мс) и 18-ю (f = 34 мс) маркерами Для вычисления расстояния между элементами,, задающими^ изображений .фон, выберем одну из метрик р(ХЛ) на дискретной плоскости: p{s,Т) = шах{¡4 \к\]; p(s,k) = Js2+k2 \ p(s,k) = И+ 1*1- Алгоритм

прослеживания контура изображения состоит из следующих шагов:

Шаг 1. Анализируем элементы матрицы аи и находим первый элемента^ ^ 0, полагаем п = 0.

Шаг 2. Рассмотрим г- окрестность точки (in,jn) U,n) —((.у, к): p(s~i_,k - jj < r) ■ Подсчитаем количество точек еи-еТУ'"1, принадлежащих фону и не принадлежащих ему: Р„= = • гДе

V.J>V',"

(¡Угс",| - мощность окрестности С/п). Вычисляем вес v„ п-й точки: рп-рп

Шаг 3. Если |vn|>/i. ТО (4. in) - контрольная точка контура. Тогда добавляем i„ в вектор -Xh = (i0-,!,,...)> j„ - в вектор Yh = (j0,jv—), v„ - в вектор Vh = (v0,v,,...) . Осуществляем поиск первого ненулевого матричного элемента М0,М1.....М,. Если такой элемент ~Мк найден, то полагаем

п\=п +1 и Мп—Мк_х.

Шаг 4. Если а — а. . , то обход контура изображения окончен и пе-

Ыо

реходим к шагу 5, в противном случае к шаху 2.

Ш'аг~5. Если m < Mmm (т.е. число контрольных точек невелико), то h:= h — Ah и переходим-К-шагу 1. Если m > Мщ^, то массив контрольных -точек построен. В качестве оценки "относительной погрешности

\l-®lj

такого представления изображения используется величина R = ~——j- > где © - символ симметрической разности-множеств.

Алгоритм построения К-деревьев (КП) решает проблему индексации объектов с использованием ^-деревьев, которая базируется на концепции минимального вмещающего прямоугольника. Оверлейная задача на квадродеревьях (деревьях квадрантов) заключается в совмещении квадродеревьев двух сцен и получении нового квадродерева, индексирующего обе сценнг.

Пусть задан неориентированный взвешенный граф С(У, Е, м>) порядка п, где "к'={У! ,...,_¥„} —множество вершин; ЕсУхУ- множество ребер; м>: Е —- отображение, определяющее вес каждого ребра; К* -множество действительных неотрицательных чисел (рис.18).

Рис.18. Представление интегральной схемы й-деревом

Требуется определить разбиение множества вершин У графа С(У, Е, IV) на к - подмножеств (УЬ...,У*), таким образом, чтобы для фрагментов графа &,(УЬ Еь и^), ... , Ск (Уь Еь м<*) вьшолнялись следующие требования:

У У = У ;. = л,,.... | = пк; л, +... ■+ пк = п.

и

Сечением разбиения С(Уь...,Ук) является совокупность ребер, соединяющих вершины, которые принадлежат разным подграфам. В качестве критерия оптимальности <2, определяющего эффективность разбиения (УЬ...,У*), рассматривается вес сечения - сумма_весов всех ребер сечения:

од ,у2-,..г,лу=§ тш-

Ъ 1

В этом- случае оптимальным ¿-разбиением является решение СЛ*,-,Ук*) экстремальной задачи, т.е. разбиение-^*,...,У**) с минимальным весом сечения £(У, *,...,У**)- Система требований, предьявлен-

ных к разбиению (Уь...,У*), определяет область поиска О задачи к-разбиения графа.

Алгоритм поиска в глубину (КТ4). Пусть имеются двусвязные компоненты С1, 62, СЗ, <34 и С5 и точки сочленения 1, 2, 3. Поиск в глубину осуществляется из вершины г*, принадлежащей При этом существует возможность перейти из С?1 в Сг2, проходя через, вершину 1. Из С1 попадаем в С3, затем в С4 и С5. Тогда при-возвращении в С4-ю С5 через вершину 3 все ребра ОБ будут-наверху стека. Каждому ребру

Последовательность вершин щ, пг, ..., пь где каждая вершина щ является преемником вершины п1Л, является путем от п, кльа стоимость пути определяется по формуле:

С = ХсСим.ву).

¡=2

Ребра, находящиеся наверху стека в момент обратного прохода через точку сочленения, образуют двусвязную компоненту. В процессе просмотра в глубину все ребра разбиваются на те, которые составляют дерево (каркас контура), и множество обратных ребер.

Алгоритм иерархического тайлинга полигонов (КТ5) представляет собой процесс деления целого изображения, проекции полигона на прямоугольные фрагменты {тайны) с целью упрощения сегментации.

Пусть имеется.множество объектов изображения (модулей) М = {т,\ г = 1, 2,..., л}, которые характеризуются-параметрами <5',-, /,-, £/,■>, где S¡ -площадь модуля, а параметры I, и и,- задают нижнюю и верхнюю Гранину I; < < С/,-, Л,- - высота модуля, - ширина модуля. На дереве цифрами- помечены вершины, соответствующие разрезам: V - вертикальный разрез; Я - горизонтальный разрез (рис.20).

К I

Рис.20. Прямоугольная сегментация изображения и бинарное дерево Раскраска графа (установление вершинам графа меток с учетом определенных-ограничений) соответствует разбиению сегмента на ми-нималБноегчисло частей (подграфов), достаточное для удалениягзамкну-тых маршрутов. Каждая область г; имеет размеры х,- и у). Очевидно, что размеры области должньг соответствовать ограничениям: (5; < хгу,) и (/,• < у,/х; < U,). Тогда критерий оптимизации имеет вид:

F = Z xi>T+ Е cvdu -

fei i.J=1

При построении контура изображения необходимо построить кратчайший путь от вершины V до множества вершин графа G® методом Дейкстры. Вершины, принадлежащие этому пути, необходимо добавить к графу G(0. В результате получится граф контурного изображения Gc(,+1). На рис.21 представлены результата сегментации в зависимости от выбранного порога.

Рис.21. Контурная сегментация-иерархическим таклингом полигонов Для всех пар (У,,У2) близко расположенных вершин V, = (¿^^)

=-(¡2»Л) > Удовлетворяющих условию: шах -¡¡.£, - г, |, | и - }г |}< е + 1,

äiv-.V,; г—

неооходимо проверить справедливость неравенства: Р = < V2.

Идея, положенная в основу алгоритма трассировки (7Ш), состоит в расщеплении вершины графа на несколько частей. Это соответствует доглегу горизонтального сешента на два или более новых сегментов. Для построения формальной математической модели каждому конструктивному элементу ставится в соответствие вершина мульти-графа, а связями являются ребра. Мультиграф С(У, Е) разбивается на сегменты С,(УЬ £,), С2(УЪ_Е2),...^(УЬ Ек) таким-образом, чтобы число ребер, соединяющих эти сегменты, было минимальным:

УО,(У„Е,) = С(У,Е); /,7=1, 2,...,к, ¡=1

* к

1=1 м ' 1 '

где Еу - множество ребер, соединяющих сегменты С,(Уп £,-) и £.).

Варианты доглега отличаются друг от друга способам-и-лерерасире-деления контактов сегментов- в коммутационных слоях. Местоположение контактов определяет существование и-ориентацию ребер между соответствующими вершинами УУН (У,_й- соответственно вертикальный и горизонтальный сегмент). Если контакты расположены один над другим в вертикальных слоях, то в канале (односвязной прямоугольной области на поверхности кристалла, предназначенной для соединения контактов) УУН порядок соответствующих-им горизонтальных сегментов может быть представлен в графе дополнительными ребрами (рис.22).

а _ б в Рис.22. Канал (а), его-иредставление графом (б) и ребра ортогонального графа (з) Если в канале существуют контакты, расположенные-на боковых сторонах, то порядок их расположения также отражается- в графе дополнительными ребрами.

Впервые. для_классификации методов обработки видеоизображений проведена асимптотическая оценка вычислительной сложности алгоритмов сегментации (табл.3).

Таблица 3

Вычислительная сложность алгоритмов сегментации_

Метод Оценка сложности Комментарий

Построение многомасштабной пирамиды О(Моя2Д0

Градиентное преобразование 0(М2)

Линейная пространственная сегментация 0(сИг) с — размер ядра линейного фильтра

Сглаживающая частотная сешентадм- 0(2N\og2Nr) Для выполнения прямого и обратного преобразования Фурье

Пространственное подавление шумов о(.ят д — размер окрестности

Метод среднего квад-ратическвго отклонения 0( 2Моя2А0

В пятой главе разработан селективный подход к параметризации методов сегментации изображений для компонентов АПС. Приведены результаты исследований: анализ пикового отношения сигнал/шум; сравнительный анализ алгоритмов контурной сегментации (рис.23).

40 35

« оп

ц 30 §

5 25

20

15

*

я \ £

\

N. •тЬа-

хч >

-»-Зашумленкое

изображение —- Медианный

фильтр —»— Метод масок 3x3-

—*— Эвристический алгоритм

5 10 15 20 25 30 35 40 45 50

Интенсивность шума, а,,,

Рис.23. Зависимости РЗЫ~Н от интенсивности-импульсного шума Пиковое отношение сигнал/шум- {РБНК) определяет" соотношение, между максимумом возможного значения сигнала и мощностью шума:

Р5Л« =101о°

АМХ,2\

= 201ог,

( МАХ,

'I 4Б

где МАХт —максимальное значение, принимаемое пикселем изображения (при разрядности 8 бит, МАХ, = 253); ст - среднеквадратичное отклонение ССКО). Величина ЕБШ используется- для сравнения .различных алгоритмов обработки и., для изучения, влияния параметров на эффективность того или иного алгоритма (табл.4).

Таблица 4

№ Метод РЯЖ,-дБ

. 1 Медианный фильтр 25,7

2 Модификация методаРобертса 29,3

3 Логическое сглаживание 30,2

4 Мажоритарно-логическое сглаживание 30,4

5 Метод масок 3x3 • 32,5

6 Метод масок 5x5 34,6

7 Модификация метода Собеля 33,2

8 Интерактивный метод Превитта- 33,6

9 Модификация метода Дэвиса 33,9

10 Метод фиксированных окон 32,7

11 Метод фиксированных направлений 32,5

12 Метод рекуррентной фильтрации 31,8

13 Метод блочной сегментации 35,6

14 Метод маркирования точек 34,7

15 Алгоритм построения Л-деревьев 34,8

16 Алгоритм использования маркеров 34,1

17 Метод иерархического тайлингаполигонов 35,9 .

жений был проведен расчет критериев качества (табл.5).

Результаты фильтрации зашумленных изображений

Таблица 5

Тип фильтра Р57Ж, дБ

Импульсный шум Гауссов шум Пуассонов шум~ Мультипликативный шум

Зашумленное изображение 25,3 26 18,8 31

Прямоугольный 30 30,5 19,3 31,4

Рауссовский 30,1 31,3 19,5 32,8.

Медианный 32,4 31,7 19,1 33,5

Винера 27,5 35,4 19,4 34,1

В ходе исследований за единицу принималось время работы медианной фильтрации контуров изображений, как одного из самых простых алгоритмов (рис.24).

2

Рис.24. Относительное время сегментации изображений Высокое значение РЯШ означает определенную схожесть восста,-новленного и исходного изображений, иногда плохо согласуется с

критерием субъективного восприятия и в цифровых фильтрах данная величина не имеет абсолютного значения (табл.6).

Таблица 6

№ Метод конкурной сегментации Сегментация объектов, %

1 Модификация метода Превитга 81

"2 Модификация метода Собёля 78

3 Модификация метода Робертса 73

4 Операторы Гаусса и Лапласа 77

5 Метод водораздела 83

Результаты экспериментальных исследований показали высокую эффективность сегментации изображений с использованием разрабо-

танных либо модифицированных в работе методов, а именно, качество выделяемых контуров изображений в 2 раза выше, чем у стандартных алгоритмов. Критерий СКО/РБЫК характеризует «среднее» качество изображения в целом, хотя на различных его фрагментах ошибки могут различаться.

На рис.25 - рис.27 приведены результаты исследования методов сегментации с учетом класса обрабатываемых изображений, характера помех и порогов фильтрации.

"V«.. Н >

%/Ха

г. ? V : ^/

у',.' Й:

■ ч "ч: г •

Исходное изображение Т— 50 Т= 100- Т =150

Рис.25. Конт>фна.т се™ентацдя-аш-оритмом.-Л1-(Т- порог)

Исходное изображение Г=100 Г=150 Г=200

Рис.26. Контурная сегментация алгоритмом Н2 (Т- порог)

Рис.27. Результаты работымкгодов: а) КТЗ и б) КТ1

Для оценки эффективности разработанных моделей и алгоритмов было проведено сравнение эффективности функционирования смоделированных и традиционных алгоритмов по сравнению с эталонным алгоритмом» (рис.28).

«Идеальный алгоритм»

МаскиЗхЗ Робертса

90

"Т— 10

I

20

I

30

— 40

-Ь»

50

Количество обработанных изображений

Рис.28. Сравнительный анализ алгоритмов контурной сегментации Для выбора алгоритма обработки изображений в- АПС, был про ден селективный анализ методов сегментации (таб.т.7).

Таблица 7

Исходное изображение Метод обработки

Односвязный контур Разностный, логического и мажоритарно-логического сглаживания, Робертса, Собеля, Превитга, фиксированных направлений (модификации 1,2), блочная сегментация, маски 3x3.

Многосвязный ^аски 3x3, маски 5x5, фиксированных направлений (модификация 3), Дэвиса, фиксированных окон, анизотропная фильтрация, рекуррентная фильтрация, топологическая сегментация, иерархический тайлинг полигонов.

контур

Уровень шумов до 15% Операторы с окрестностью 2x2, логического и.мажо-ритарно-логического сглаживания, разностный, Робертса, Собеля, Превитта, анизотропная фильтрация маркирования точек, построение Я-дерева.

Уровень шумов 15-25% Маски 3x3, маски 5x5, фиксированных направлений (модификации 1,2,3),-фиксированных окон, Дэвиса, рекуррентная фильтрация, блочная сегментация иерархический тайлинг полигонов

--------, „„ ^ ПРОЯВЛЯЮТСЯ ПО

мере увеличения количества обрабатываемых изображений Разработанные алгоритмы в 1,5^2. раза эффективнее традиционно-используемых алгоритмов, и по мере роста количества обрабатываемых-изображений

разлитая между традиционной методикой сегментации и предложенной становятсявсе более очевидными. Так как общего решения для задачи сегментации изображений не существует, то с помощью селективного подхода удается определить ключевые параметры для определенных видов работ в АПС.

В шестой главе в качестве частного случая применения результатов диссертационного исследования изложены теоретические аспекты субъекгао-центрированного подхода к проектированиюИОМ студентов вуза при обучении основам сегментацииизображений.

ИОМ — это вариативная структура деятельности студента, проектируемая-в рамках конкретных условий (этапов) образовательного процесса наоснове комплексной диагностики.

На целевом этапе преподаватель составляет «Путеводитель изучения учебной дисциплины» И «Индивидуальный профиль личности» каждого студента, т.е. выявляет основные тгроблемы и трудности в обучении, осуществляет группировку студентов по одному или-нескольким признакам (выявленным проблемам).

На проектировочном этапе формируется «Индивидуальная технологическая карта», включающая в себя 1рафик ИОМ по изучению учебной дисциплины.

Для наглядного представления «Индивидуальной технологической карты» был разработан метод построения ярусно-параллельной формы (ЯПФ) графа, позволяющий выявлять закономерные связи между проявлениями в следовой картине ситуаций и способов формирования ИОМ студентов.

Пусть учебный модуль т1 использует три входных понятия с„, сп, с13 (Я, =3), и в нем определены четыре выходных понятия

с1),с12,с13,с]4 (тг, = 4). Результирующее понятие с14 определяется с помощью двух входных понятий -модуля и двух его выходных понятий: с14 ={с12,с13}; с1<={с12,с13]. Дуги в графе С{т>) соответствуют информационным связям понятий из таборов С ¡, С1 между собой. Расстояние между вершинами графа, т.е. минимальное количество ребер графа, связывающих эти вершины, указывается в матрице-смежности (рис.29).

ЯПФ ориентированного графа С строится по следующему алгоритму:

' • на первый ярус (уровень) ЯПФ помещаются вершины графа С, в которые не входят дуги от других вершин графа;

• на к-й уровень помещаются вершины графа О, в которые входят дуги только от его вершин, расположенных на предыдущих (к-1) ярусах (к> 1).

Уровень (ярус) ---5

Рис.29- Квазитопологический алгоритм сегментации образовательных модулей Если множество с) графа С(т,) не пусто, то на первом ярусе ЯПФ этого графа размещаются входные понятия с, модуля т,; на втором ярусе - понятия, определяемые только с помощью понятий с,; на третьем ярусе — понятия, определяемые только с помощью понятий с; и понятий второго яруса и т.д.

В зависимости от способа изложения учебного материала и дидактических целей используют различные технологии: уровневую дифференциацию (УД), модульную (МОД), коллективных способов обучения (КСО), метод проектов (МИ), обеспечивающих продуктивную деятельность студентов на занятиях (рис.30).

6

§ 4

Я

а з О

2 1 О

\ 4 ^ТВ

ч И ■

ч

Модульная технология

- Проектная" технология

.....ИОМ

А & В Г_ Д Е Рис.30. Сравнительный анализ технологий проектирования ИОМ

На рис.30 приняты следующие обозначения: А - мотивация; Б -возможности; В - работоспособность; Г - внимание; Д - тревожность; Е — познавательная активность.

В ходе экспертного анализа (10 экспертов) отмечено положительное влияние ИОМ на уровень внимания, мотивации, работоспособности, познавательной активности.

Модели занятий, представленные комбинациями субъектно-центрированных технологий, предусматривают переход- от трансляции знаний к организации рефлексивной самостоятельной деятельности студентов (табл.8).

Таблица 8

Комбинация технологий Эффективность-использования

КСО + УД Используется при индуктивном способе изложения учебного материала.

МОД + КСО Формирует рефлексивные- способности: -самоконтроль, самоорганизациюгсамоанализ, саморегулирование.

МОД+УД, МП + КСО Эффективны при дедуктивном способе изложения учеб-нот материала.

МОД + УД Повышает самооценку, усиливает мотивацию учения.

МБ + МОД Используются для самостоятельного изучения учебного материала, способствует развитию инициативности, исследовательской деятельности.

Одним из способов обучения может быть «электронный путеводитель оптимизации учебной информации», в котором преподаватели определяют регламентирующий перечень и объем учебных дисциплин, порядок их изучения, формы контроля и ИОМ. Пусть учебная программа "включает последовательность блоков дисциплины, подлежащих изучению: (32, 33, 7, 23, 24,25, 26, 37, 33, 39, 40, 27, 28,.29, 35, 30-, 31, 34,36, 1, 12; 14, 16, 21, 22, 2, 3, 4,15,6, 9, 10^8,11, ТЗ, 15, 17, 18, 19, 20). Результат топологической сортировки учебных модулей по времени представлен в виде «Путеводителя изучения учебной дисциплины», разделенного на пять блоков: 1) «Цифровая обработка изображений» - (23, 24, 26, 25, 27,37, 28, 38, 29, 39, 40, 35, 30, 31, 34, 36); 2) ^Методы оценки качества изображений» - (1, 12, 14, 16, 21,22); 3) «Контурная сегментация изображений» - (2, 5, 8,11, 13, 15, 17; 18, 19, 20); 4) «Методы: формирования признаков» - (32, 33, 7); 5); «Компьютерная практика» — (3, 4,-6,-9, 10). Предлагаемая технология обучения заключается в том, что материалы предоставляются^. виде иерархической структурированной сети. Таким

Еис.31. Графовая модель процесса обучения студентов Результаты разбиения можно представить графом: вершины -учебные элементы (базовые понятия дисциплины представлены числом в рамке, математические понятия выделены двойным кружком); последовательность их изучения и связи между вершинами заданы ребрами (стрелками) графа; возможные пути изучения учебных модулей изобра жаются пунктирными стрелками; связи между блоками «жирным» пунктиром. Элемент с номером 22 имеет важное методологическое зна-

-образом, получается перечень учебных элементов, которым можно обучать студентов параллельно или переносить их в другие темы или курсы. Проанализировав первую труппу (32, 23, 1), получаем, что учебные элементы-с номерами 32, 23 и 1 могут изучаться параллельно и независимо друг от друга (рис.31).

чение для всех указанных разделов, так как содержит базовые понятия по ИОМ.

По итогам обучения студенток основам сегментации изображении, была получена положительная динамика уровней сформированных компетенций: увеличилось число студентов,- демонстрирующих креативный уровень профессиональных компетенций; коэффициент усвоения учебного материала ЗУН (знания, умения, навыки), повысился в среднем на 15%- (табл.9).

Таблица 9

X о « Уровни усвоения

ё о о н , со § § Распознавание ЗУН Творческий

н К Кол-во % Кол-во % Кол-во %

МП-1 80 28 35 28 35 24 30

1 М11-П 100 39 39 38 38 23 23

МП-Ш 60 21 35 24 40 15 25

мп-г 80 22 27,5 26 32,5 32 40

? мп-п 100 22 22 33 33 45 45

МП-Ш 60 9 15 20 33,3 31 51,7

МП-1 80 20 25 32 40 28 35

3 МП-П 100 8 8 29 29" 63 63

МП-Ш 60 о 0 9 15 51 85

студентов в экспериментальных (Э) и контрольных (К) группах на факультетах ИТС, ЭКТ и МПиТК приведены на рис.32.

80 70 60 50 4030 _20 10 0

р.

/ 4 >

я / >

/Г" 4.

к?/

э к э к э к

ИТС МПиТК ЭКТ

Методики и приемы для разработки и реализации проекта

■ Разработка отдельных алгоритмов

- Система алгоритмов, имитационное-моделирование

- Технологии структурирования и проектирования

Рис.32. Проектировочная компетентность студентов 44

Усредненный коэффициент уровня сформированной проектировочной компетентности в экспериментальной группе в 1,6 раза больше, чем в контрольной группе. При этом эффективность использования ИОМ увеличилась в 1,7 раза в экспериментальной груше по сравнению с традиционной организацией обучения в контрольной группе.

В-заключении содержатся обобщающие выводы, подтверждающие теоретические положения, выносимые- на защиту, а также результаты анализа характеристик разработанных методов и алгоритмов. Разработанные градиентные, эвристические и квазитопологические методы контурной сегментации изображений в АЛС обеспечивают их адаптацию к онтологии предметной области и позволяют более эффективно обрабатывать изображения, учитывая изменения четкости и детализации контуров для визуализации объектов. Предложены рекомендации по использованию субъектно-центрированного подхода автоматизации процессов обучения студентов основам сегментации изображений.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В ходе выполнения диссертационной работы развита теория автоматизации процессов контурной сегментации изображений, благодаря созданию моделей, алгоритмов и методологии повышения эффективности обработки изображений в АПС. При этом получены следующие научные и практические результаты:

1. Предложены новые теоретические подходы, концепции и технологии, используемые для сегментации изображений, и сформулированы требования к АПС, основанные на идеях формирования экстенсиональной модели предметной области, позволяющие синтезировать и_ выполнять разработку и модификацию аппаратно-ориентарованных алгоритмов.

2. Разработаны концептуальная и имитационная модели функционирования системы обработки изображений в АПС, определяющие структуру, свойства элементов и причинно-следственные связи, существенные для. достижения цели моделирования на базе разработанных математических моделей- и алгоритмов. Предложена классификация-методов сегментации изображений-и методология параметризации алгоритмов обработки объектов для согласования -с базовыми компонентами АПС.

3. Созданы методики связывания элементов контуров с использованием полигональной аппроксимации, полярного, цепного, углового и топологического кодирования, позволяющие учитывать изменения чет-

кости и детализации контуров при визуализации объектов в АПС с учетом порога фильтрации и возможностью адаптации к изменениям внешней среды. Для устранения лестничного эффекта контуров предложен алгоритм антиэлайзинга.

4. Разработаны, модифицированы и исследованы 5 эвристических алгоритмов* использующие операторы для уменьшения аддитивного или импульсного шума при выделении контуров, позволяющие в 1,5 раза повысить скорость обработки изображений, а -также в 2 раза улучшить качество выделяемых контуров по сравнению с традиционно используемыми:

5. В ходе экспериментальных исследований алгоритмов (80 фильтров 3x3 и 40 фильтров 5x5) для управления четкостью и детализацией проработки контуров- была, установлена функциональная зависимость между оптимальным порогом фильтрации и средним знаяениемтради-ента Т01ГГ= (1,4-1,6)-бср. Предложены адаптивные-низкочастотные фильтры, улучшающие эффективность выделения контуров на 10-13% по сравнению со стандартными фильтрами.

6. На основе-имитационной модели решена проблема локализации объектов на изображениях с искаженной геометрией, позволяющая улучшить в 1,5-2 раза качество выделения контуров посредством предварительной обработки фильтрами Гаусса, Лапласа или Лапласиана

. Гауссиана, что позволило повысить пиковое соотношение сигнал/шум в

среднем на 15-20%.

7. Разработан алгоритм построения .дерева детальности для иерархического представления элементов контуров изображений и поиска решений по древовидной структуре.

8. Разработаны л модифицированы 8 квазитопологических, 5 эвристических и 13 градиентных алгоритмов,, повышающие отношение сшнал/шум в' 1,5 раза и обрабатывающие изображения с-зашумленностью до 20%. Для каждого метода определено пиковое отношение сигнал/шум и относительное время сегментации.

9. Разработана методика построения трафовых моделей (нахождение кратчайших маршрутов и построение -естовных подграфов), основанная на логико-лингвистическом- описании характеристик--внешней среды, обеспечивающая в 1,5-раза повышение эффективности контурной сегментации за счет-иерархического группирования лгомплексных признаков в локальные пространственные структуры и учитывающая изменение внешней освещенности и влияние визуальных помех.

10. Впервые для классификации методов обработки изображений эвристических, квазитопологических и градиентных произведена асимптотическая оценка: вычислительной сложности алгоритмов сегментации, на основе селективного подхода выработаны рекомендации по их применению для разных классов изображений.

11-Результаты экспериментальных исследований показали, что разработанные квазитопологические алгоритмы контурной сегментации изображений устраняют разрывы контура, обеспечивают повышение быстродействия обработки минимум в 2раза и позволяют достигать требуемой достоверности определения контура тю сравнению со стандартными алгоритмамилегменее чем в 2,8 раза.

12. Разработана методика сегментации изображений в АПС с учетом класса оптимальных порогов фильтрации, типа обрабатываемых изображений, -характера помех и искажешй. Для разработанных-моделей- и алгоритмов была проведена оценка статистической значимости коэффициентов-регрессии с использованием квантиля распределения Стьюдента для доверительного интервала при р = 0,95 и р ="0,98 и-дока-зано, что оценка результатов экспериментов состоятельна.

13. Разработана методика обучения студентов основам сегментации изображений с использованием субъектно-центрированного подхода к организации ИОМ, направленная на развитие творческих способностей:

• сформированные уровни профессиональных компетенций" в 1,6 раза выше в экспериментальной группе, чем в контрольной;

• коэффициент эффективности использования модели ИОМ увеличился в 1,7 раза, а коэффициент усвоения учебного материала повысился в среднем на 15%.

14. Материалы диссертационной работы внедрены в технологический процесс фирм ЗАО «ЭЛВИСГ-НеоТек», филиал ОАО «РКЦ «Прогресс» - НШ1 «ОПТЭКС», а также в учебный процесс НИУ-МИЗТ,

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Монографии_

1. Колдаев, В.Д-.'Модерация дуплексной системы управления-нро-цессом обучения на основе графовых моделей [Текст! / В.Д. Колдаев // «Инновационная деятельность в системе образования». Монография. / Научный ред. д.п.н., проф. Г.Ф. Гребенщикова. — Мг. Издательство «Перо», 2011.-С.182-211.

2. Колдаев, В.Д. Моделирование образовательной системы накопления знаний для прогнозирования и управления качеством подготовки студентов на основе технологии форсайта [Текст1 / В. Д. Колдаев // «Избранные вопросы современной науки». Монография. Часть IV / Под научной ред. д.п.н., проф. С.П. -Акутиной. - М:: Издательство «Перо», 2011.-С142-173.

Учебные -пособия (с грифом Министерства образования РФ)

3. Колдаев, В.Д. Численные методы и программирование: учебное пособие [Текст] / Колдаев В.Д. / Под ред. Л.Г. Гагариной. - М.: ИД «ФОРУМ» - ИНФРА-М,.2008". - 336 с.

4 Колдаев, В.Д. Основы логического проектирования: учебное пособие [Текст] / В.Д. Колдаев. - М.: ИД «ФОРУМ» - ИНФРА-М, 2011. -448 с.

5. Колдаев, В.Д. Структуры и алгоритмы обработки данных: учебное пособие"[Текст] / В.Д. Колдаев. -М.: РИОР: ИНФРА-М, 2014,296 с.

Статьи в журналах, рекомендованных ВАК

6. Колдаев, В.Д. Выделение элементов контуров многоуровневых изображений градиентными методами [Текст] / В.Д. Колдаев, В.А. Абрамов, Н.В. Морозова // Электронная техника, серия «Экономика и системы управления». - №9. - Вып.4(57), 1985. - С.48-52.

7. Колдаев; В.Д. Эвристические алгоритмы контурной сегментации изображений [Текст] / В.Д. Колдаев // Научно-технический журнал «Известия высших учебных заведений. Электроника». - №4. - М.гМИЭТ, 2007. - С.71-75.

8. Колдаев, В.Д. Системный подход.к анализу-контурной сегментации изображении [Текст] / В.Д. Колдаев-//-Оборонныйкомплекс - научно-техническому прогрессу России: Межотраслевой научно-технический журнал. - Вып.4. - М: ФГУП «ВИМИ», 2007. - С.60-63.

9. Колдаев, В.Д. Эвристические и квазитопологические алгоритмы -контурной сегментации изображений [Текст] / В.Д. Колдаев // Научно-

технический журнал «Известия высших учебных заведений. Электроника». - №6". - М.:_МИЭТ, 2008. - С.41-45.

10. Колдаев, В.Д. Анализ контурной-сегментации изображений в автоматизированных-производственных системах [Текст] / В.Д. Колдаев // Оборонный комплекс - научно-техническому прогрессу России: Межотраслевой научно-технический журнал. --Вып.4. - М.: ФГУП «ВИМИ», 2008. - С.54-59.

11. Колдаев, В.Д. Предварительная обработка и фильтрация изображений методом масок.[Текст] / В.Д. Колдаев // Оборонный комплекс - научно-техническому прогрессу России: Межотраслевой научно-технический журнал. —-Вып.4.— М.: ФГУП «ВИМИ», 2010. - С.79-83.

12. Колдаев, В.Д. Технология нелинейного проектирование индивидуального образовательного маршрута студента [Текст] / В.Д. Колдаев // Вестник Челябинского государственного педагогического-университета. — №6. — 2012. — С.31-39.

13. Колдаев, В.Д: Имитационное моделирование систем управления процессом обучения [Текст] / В.Д. Колдаев // Вестник Северного (Арктического) федерального университета. Серия: гуманитарные и социальные науки. - №4. - 2012. —"С.147-154.

14.- Колдаев, В.Д. Моделирование индивидуального образовательного маршрута студента в учебном процессе вуза [Текст] / В.Д: Колдаев // Сибирский педагогический журнал. - №3. - 2012. — С.68-72.

15. Колдаев, В.Д. Проектирование индивидуальных образовательных траекторий с использованием диаграмм связей [Текст] / В.Д. Колдаев // — М7: "Научно-технический журнал «Известия высших учебных заведений. Электроника». - 2012. -№1(93). - С.84-90.

16. Колдаев, В.Д. Методологические подходы к контурной сегментации изображений в автоматизированных производственных системах [Текст] / Л.Г. Гагарина, В.Д. Колдаев // — М.: Научно-технический журнал «Известия высших учебных заведений. Электроника». - №4(108). - 2014. - С.64-72.

17. Колдаев, В.Д. Методика развития вариативного подхода к обучению основам сегментации изображений [Текст] / В.Д. Колдаев // Оборонный комплекс - научно-техническому прогрессу России: Межотраслевой научно-технЕнеский журнал. - №4. — М.: ФГУП «ВИМИ». - 2014. - С.3-10.

Научные статьи

18. Колдаев, В.Д. Система идентификации изображений на основе полярного кодирования [Текст] / В.Д. Колдаев, A3. Алевич // Межвузовский сборник научных, трудов «Микропроцессорные вычислительны е.устройства управляющих систем». - М.: МИЭТ, 1988. - С. 13-20.

19. Колдаев, В.Д. Цифровое кодирование .контуров изображений методом логического сглаживанияг [Текст] / В.Д. Колдаев, A.B. Лушни-тсов //"Межвузовский сборник научных трудов «Проектирование и при-

менение микропроцессорных управляющих систем». - М.: МИЭ i, 1989. - С.97-105.

20. Колдаев, В.Д. Градиентная фильтрация изображений в системах технического зрения [Текст] / В.Д. Колдаев // Сборник материалов 3-й международной научно-практической конференции «Достижения ученых XXI века». - Тамбов, 2007. - С.141-142.

21. Колдаев, В.Д. Квазитопологический алгоритм контурной сегментации изображений [Текст] / В.Д. Колдаев // Сборник материалов 3-й международной научно-практической-конференции" «Достижения ученых XXL-века». - Тамбов, 2007,- С:139-141.

22. Колдаев; В.Д. Структурный подход к контурной сегментации изображений [Текст] / В.Д. Колдаев // Сборник материалов 1-й международной заочной научно-практической конференции «Современные проблемы науки». - Тамбов, 2008. - С.165-167.

23. Колдаев, В.Д. Растровые модели-систем обработки изображений' [Текст] / В.Д. Колдаев //-Сборник материалов 1-й международной научно-практической конференции «Интеграция науки и производства», Тамбов, 2008.— С.111-113.

24. Колдаев, В.Д. Графовые модели контурной сегментации изображений [Текст] / В.Д. Колдаев // Сборник научных трудов «Моделирование, алгоритмизация и программирование при проектировании информационно-управляющих " систем». " Под ред. д.т.н.," проф. В.А.Бархоткина. - М.: МИЭТ, 2008. - С.255-260.

25. Колдаев, В.Д. Контурное представление -изображений в автоматизированных производственных системах [Текст] / В.Д. Колдаев, A.A. Шебек // Сборник материалов 3-й международной научно-практической-конференции «Наука и устойчивое развитие общества. Наследие В.И. Вернадского»-. - Тамбов, 200В. - С.220-222.

26. Колдаев, В.Д. Автоматизация процессов контурной сегментации изображений [Текст] / В.Д. Колдаев // Информационные технологии и инноватика: проблемы, перспективы, решения: сборник научных трудов-/ Под ред. Л.Г. Гагариной. - М.: МИЭТ, 2009. - С.90-96.

2Т. - Колдаев, В Д. Использование систем технического зрения для автоматизации управления технологическими процессами [Текст] / В.Д; Колдаев // «Новейшие научные достижения» Материали за Х-междуна-родна научна практична конференция «Найновите- научниттостижения -2014» (17-25 март 2014 година). Том 33. Технологии-. - София: «Бял ГРАД-БГ» ООД,- - 2014, - С.94-97.

28. Колдаев, В.Д. Органшация данных в адаптивных системах распознавания изображений [Текст] / В.Д. Колдаев // «Новейшие научные- достижения». Материали за X международна научна практична конференция «Найновите научни постижения - 2014» (17-25 март 2014 година)^— Том 28. Математика. - София: «Бял ГРАД-БГ» ООД, 2014. -С.44-49^

29. Колдаев, В.Д. Методы формирования признаков изображений [Текст] / В.Д. Колдаев // «Научная мысль информационного века». Materialy X Mi?dzynarodowej naukowi-praktycznej konferencji «Naukowa mysl informacyjnej powieki - 2014» (07-15 marca 2014 roku). - Vol. "27. Matematyka, Fizyka. - Przemysl: Nauka i studia, 2014. - C.50-54.

30. Колдаев, В.Д. Использование графовых моделей для сегментации изображений [Текст] / В.Д. Колдаев // «Научное пространство Европы» Materialy X Mi?dzynarodowej naukowir-praktycznej konferencji-«Naukowa przestrzen Europy - 2014» (07-15 kwietnia 2014 roku): - Volume 36. Techniczne nauki. - Przemysl: Nauka i studia, 2014. - C.35-38.

31. Колдаев, В.Д. Эвристические методы контурной сегментации изображений [Текст] / В.Д. Колдаев // «Эффективные инструменты современных наук» Materialy X mezinärodni vedecko - praktickä konference «Efektivni nästroje modemich ved - 2014» (27 dubna - 05 kvetna 2014 roku). - DD 33. Technicke vedy. - Praha: Publishing House «Education and Science» s.r.o., 2014. - C.22-24.

32. Колдаев, В.Д. Сегментация изображений с использованием алгоритма иерархического тайлинга полигонов [Текст] / В.Д. Колдаев // «Дни науки». Materialy X mezinärodni vedecko-praktickä konference «Dny vedy -2014»-(27 brezen - 05 dubna 2014 roku). - Dil 34. Technicke, vödy. -Praha: Publishing House «Education and Science» s.r.o., 2014. - C.56-58.

33. Колдаев, В.Д. Алгоритм линейной сегментации с центроидной фильтрацией [Текст] / В.Д. Колдаев // Актуальные проблемы информатизации в науке, образовании и экономике - 2014 / 7-я Всероссийская межвузовская научно- практическая конференция. - М.: МИЭТ, 2014. -С739-43.

34. Колдаев, В.Д. Программный модуль для -сегментации изображений с помощью иерархического тайлинга полигонов в системах технического зрения. Свидетельство о государственной регистрации программы для ЭВМ № 2014616761 от 3.07.20-Г4. Федеральная служба по интеллектуальной собственности.

35. Колдаев, В.Д. Программный модуль для контурной сегментации изображений градиентными методами в системах, технического

зрения. Свидетельство о государственной регистрации-программы для ЭВМ № 2014616762лт 3.07.2014. Федеральная-служба по интеллектуальной собственности.

36. Колдаев, В.Д. Программный модуль для выделения контуров изображений в системах технического зрения. Свидетельство о государственной регистрации программы для ЭВМ № 2014616764 от-3.07.2014. Федеральная служба по интеллектуальной собственности.

37. Колдаев; В.Д. Программный модуль для: контурной сегментации изображений детектором границ в системах технического зрения. Свидетельство о государственной. регистрации программы дал ЭВМ

' № 2014617094 от 10.07.2014. Федеральная служба по интеллектуальной собственности.

38. Колдаев, В.Д. Программный модуль для контурной сегментации изображений методами локальных контрастов и гистограммньгх преобразований. Свидетельство о .государственной регистрации программы для ЭВМ № 20146 Г7097 от 11.07.2014. Федеральная служба по интеллектуальной собственности:

39. Колдаев, В.Д. Программный модуль контуризации изображений на основе графоориентированной сегментации / В.Д. Колдаев, К.С.. Васильчук, Т.Н. Муратшин. Свидетельство о государственной регистрации программы для ЭВМ № 2014618912 от 02.09.2014. Федеральная служба по интеллектуальной собственности-

Подписано в печать: Формат 60x84 1/16 Уч.-издг л. 2.6 Тираж экз. 90 Заказ-№ 1 Отпечатано в типографии ИПК МИЭТ. 124498, г. Москва, г. Зеленоград, проезд-4806, д.5, МИЭТ