Построение измерительной информационной системы идентификации объекта на основе цифровой видеокамеры

Функциональная схема системы технического зрения. Базовые методы обработки изображений. Первичная обработка и сегментация, выделение и описание контуров сегментов, анализ изображений, степенные преобразования. Программа захвата и обработки изображения.

Рубрика Программирование, компьютеры и кибернетика
Вид курсовая работа
Язык русский
Дата добавления 28.08.2012
Размер файла 1,9 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Введение

Целью данной курсовой работы является построение измерительной ин-формационной системы идентификации объекта на основе цифровой видеокамеры при помощи сравнения эталонного объекта с тестируемым.

Сравнение объектов происходит в несколько этапов. Первым этапом является создание эталонного изображения. Второй этап это образование изображения в негатив. Третий этап это сравнений негативов между собой.

Актуальность данной темы заключается в том, что очень много сфер в наше время используют данную технологию и использование негативов позволяет в лучшей мере определить степень различия двух объектов.

Задачами курсовой работы являются:

– изучение принципов захвата изображения с фотоприемника видеокамеры;

– знакомство с пространственными методами обработки изображений;

– получение навыков цифровой обработки изображения объекта;

– построение гистограммы яркости изображения объекта;

– выделение измерительных признаков при оптическом контроле качества формы объекта.

1. Теоритическаячасть

1.1 Функциональная схема системы технического зрения

Общая функциональная схема СТЗ приведена на рис. 1. Изображение объекта через оптический прибор передается на преобразователь свет-сигнал, электрический сигнал в устройстве первичной обработки изображения усиливается и запоминается.

Устройство анализа изображения (вторичной обработки) служит для выделения и распознавания объекта, определения его координат и положения. При необходимости обработанная информация об объекте высвечивается на устройстве визуального контроля. На основе полученной информации контроллер связи выбирает управляющие сигналы, приводящие в действие исполнительные механизмы, осуществляющие целенаправленное воздействие на объект. Кроме того, СТЗ может осуществлять запись результатов анализа изображения на носители информации и вывод на печатающее устройство.

Функциональная схема СТЗ

Важной частью системы является блок управления. В его функции входит управление параметрами блоков обработки, а также синхронизация процессов, выполняющихся в системе.

Базовые методы обработки изображений: формирования, сегментации, описания и анализа - представлены на структурной схеме обработки (рис. 2).

Структурная схема обработки изображений

1.2 Первичная обработка и сегментация изображений

Большинство изображений характеризуется наличием мешающего фона, а также неопределенностью положения и ориентации отдельных элементов, приводящих к большой избыточности, что диктует необходимость использования методов предвари тельной обработки изображений: фильтрации, сглаживания, скелетизации. Как правило, эффективные методы удается получить с учетом специфики изображений той или иной предметной области: рукописные цифры и буквы, подписи, топологический слой или фотошаблон интегральной схемы, автомобильный номерной знак и т.д. Тем не менее, нами разработаны базовые алгоритмы, которые можно достаточно эффективно использовать для обработки различных изображений.

Основу обработки составляют быстрые алгоритмы вычисления дескрипторов в различных ортогональных базисах, алгоритмы фильтрации на основе преобразований Уолша, Хаара и Адамара, которые могут быть отображены на параллельные вычислительные структуры систолического типа.

Наряду с общими методами обработки предлагаются методы, ориентированные на конкретную область приложения.

Обработка фотошаблонов и топологических слоев интегральной схемы. Изображение слоя интегральной схемы представляется совокупностью перекрывающихся кадров. Изображения различных слоев (металлизации, поликремниевых и диффузионных) существенно различаются как по цветовым характеристикам, так и по форме объектов. Чтобы учесть особенности изображений, алгоритмы обработки слоя являются параметрически настраиваемыми, причем шаги алгоритма также могут варьироваться. Общая схема обработки кадра изображения включает следующие этапы:

1. Бинаризация.

2. Предварительная медианная фильтрация в окне заданного типа и размера с максимальным количеством выполняемых итераций до десяти выполняется для устранения шумовых составляющих вдоль границ объектов и для размытия изображения.

3. Коррекция гистограммы по яркости с целью устранения теней вдоль границ объектов.

4. Гауссовская фильтрация с заданными параметрами (размер оператора, сигма, количество итераций) для более сильного размытия изображения.

5. Фильтрация, учитывающая тип слоя и размеры объектов.

6. Пороговое разделение изображения и выделение контуров. Значения порогов выбирается автоматически, в соответствии с гистограммой распределения значений интенсивностей исходного изображения. Повышение качества бинарного изображения -устранение вкраплений, выравнивание граничных линий. Данный этап включает операции расширения и сжатия, количество которых является параметром.

Для получения полного описания из совокупности кадров разработан ряд алгоритмов сшивки кадров и построения общего векторного описания и его корректировки с учетом конструкторско-технологических ограничений.

Обработка изображений рукописных символов и подписей. Разработан структурный метод и алгоритмы устранения разрывов, имеющих место в изображениях рукописных символов, позволяющий существенно (до 95 %) повысить достоверность при распознавании рукописных символов. В алгоритме предварительно решается задача скелетизации. Устранение разрывов осуществляется в два этапа: непосредственно после скелетизации выполняются морфологические операции, а затем выполняется аппроксимация символа отрезками, строится его графовое описание для окончательного устранения разрывов.

Для обработки подписей разработаны алгоритмы синтеза синтетических дискриминантных функций в редуцированном пространстве признаков, использование которых позволяет улучшить кластеризацию данных на основе одно- и двумерного преобразования Адамара.

Обработка регистрационных номеров на транспорте. Разработан ряд методов и алгоритмов для устранения размытости, выравнивания и растягивания гистограмм, фильтрации и бинаризации изображений регистрационных знаков [18] и вагонных номеров.

1.3 Выделение и описание контуров сегментов

Быстрые алгоритмы выделения контуров на основе 2D-функций Уолша и Хаара по сравнению с градиентными алгоритмами дают более узкую контурную линию, т.к. обработка изображения производится окном с меньшим размером, и обладают высоким быстродействием. Кроме того, при использовании функций Уолша нет необходимости в пороговой обработке и соответственно выборе величины порога, что является одним из ключевых вопросов при определении контуров градиентными операторами, а функции Хаара позволяют выделять контуры на слабоконтрастных изображениях.

Двумерные ортогональные функции используются также для идентификации рукописных символов в качестве спектральных дескрипторов формы.

Из множества ортогональных преобразований рассмотрены дискретные функции Уолша и Хаара. Это связано в первую очередь с тем, что базисные функции указанных преобразований принимают значения +1, -1 и +1, -1, 0 соответственно и естественным образом отображаются на элементы цифровой вычислительной техники и дают дополнительные возможности для ускорения вычислений.

Для описания областей, выделенных контурными линиями, предлагается метод аппроксимации прямолинейными сегментами, который включает следующие этапы:

?вычисление преобразования Хафа,

?выделение максимумов в пространстве преобразования Хафа,

?поиск «точек-кандидатов» на излом, являющихся точками пересечения прямых и расположенных в поле изображения,

?покрытие изображения «элементарными» областями,

?определение цвета каждой «элементарной области»,

?слияние «элементарных областей»,

?удаление «лишних» точек, не являющихся точками излома, и получение окончательного векторного описания сегментированных областей.

Данный алгоритм выделения информативных признаков позволяет в сравнении с известными алгоритмами значительно повысить скорость распознавания и снизить требования к памяти. В свою очередь, указанные информативные признаки обладают инвариантными свойствами по отношению к группе аффинных преобразований: поворота и масштабирования.

Для описания объектов, заданных в виде скелета, в предлагается метод упрощенного описания, основанный на последовательностях примитивов, представляющих собой изгиб кривой определенного направления. Для каждой последовательности примитивов можно определить числовую характеристику, основанную на величине ее поворота. При этом поворот оценивается по разности углов биссектрис каждого угла кривой. Такой подход более устойчив к геометрическим искажениям, чем простая разность углов примитивов.

Для упрощения расчетов угол биссектрис кодируется как согласно его диапазону. Тогда для последовательности примитивов

где ji - характеристика соответствующей биссектрисы,

i = 1,

n ?1, характеристика последовательности, определяющая поворот, определяется в виде соотношения, которое позволяет корректно оценить последовательность даже в случае, если угол ее искривления больше 360 Ѓ‹.

Если последовательность состоит только из двух примитивов, то Р = 2. Если из одного - считаем, что Р = 1. Число Р является основной характеристикой последовательности, которая устойчива как к повороту, так и к наклону. Так, в ряде случаев для успешного распознавания очень важна информация о наклоне. Поэтому в описание последовательности включается показатель наклона -характеристика первой биссектрисы j1. Таким образом, пара (Р, j1) может быть принята в качестве описания последовательности примитивов.

Для обеспечения инвариантности к сдвигу и повороту используются моментные функции на основе полиномов Фурье-Меллина, которые сочетают в себе свойства преобразования Фурье (инвариатность к сдвигу) и преобразования Меллина (инвариантность к повороту). Необходимость обработки больших объемов информации требует разработки эффективных алгоритмов вычисления. Вычисление геометрических моментных функций осуществляется посредством преобразования Хартли, что позволяет существенно сократить количество операций умножения. Необходимо также отметить, что при использовании описанного подхода, кроме геометрических моментов изображения, мы получаем еще и коэффициенты преобразования Хартли, которые являются важными спектральными характеристиками изображения.

1.4 Анализ изображений

Алгоритмы идентификации изображений, основанные на использовании спектральных дескрипторов в различных ортогональных базисах, а также аппарата моментных функций, особенно эффективны при распознавании рукописных символов. Доказательная инвариантность геометрических, моментных и спектральных примитивов к различным группам аффинных преобразований обеспечили высокую (более 95 %)достоверность распознавания.

Сокращение размерности вектора информативных признаков необходимо с целью сокращения вычислительных затрат, при этом вероятность правильного распознавания изображении по возможности не должна снижаться. К примеру, количество спектральных коэффициентов, получаемых в результате выполнения спектрального преобразования, которые используются как информативные признаки распознаваемого изображения, достаточно велико.

Показано, что выделение информативных признаков изображений на основе усеченных спектральных разложений в базисах одно- и двумерного преобразования Адамара дает возможность редуцирования пространства признаков приблизительно на 2/3 без ухудшения результатов классификации.

В качестве результирующих информативных признаков предлагается использовать кольцевые и секторные моментные функции. Секторные моментные функции Ss(m) инвариантны относительно сдвига и изменения масштаба исходного изображения.

Кольцевые моментные функции Sr(m) инвариантны относительно сдвига и вращения.

Следует отметить, что преобразование Хаара не обладает свойством инвариантности спектра к циклическим сдвигам исходного сигнала, но с помощью описанных моментных функции получаем инвариантность относительно вращения и масштабирования.

Эффективным средством понижения размерности исходных данных является модифицированное преобразование Адамара - двоичное представление преобразования Фурье. В предложены эффективные по быстродействию алгоритмы выделения информативных признаков изображений на основе усеченных спектральных разложений в базисах одно- и двумерного преобразования Адамара и показана возможность редуцирования пространства признаков приблизительно на 2/3 без ухудшения результатов классификации.

Для минимизации обучающей выборки для структурного классификатора на основе сравнения с эталоном с помощью функции расстояния в [22] предложен метод, который ориентирован для работы в случае, когда классические методы кластеризации неприменимы. В основе метода лежит понятие покрытия одним идеальным описанием другого, которое можно удалить без ущерба для качества распознавания, если данные описания относятся к одному классу. Применение метода позволило сократить объем базы описаний на 25 % без существенной потери качества.

Центральной задачей распознавания образов является получение признаков, обеспечивающих хорошую разделимость классов. Модифицированные алгоритмы преобразования Фоли-Сэммона и Хотеллинга для вычисления дискриминантных векторов в редуцированном пространстве признаков приводят к улучшению кластеризации данных при использовании одно- и двумерного преобразования Адамара. Экспериментально определены уровни равных ошибок распознавания с селектором признаков на основе одно- и двумерного усеченного преобразования Адамара, и показано, что двумерное преобразование является более эффективным селектором признаком, чем одномерное (81 и 69 процентов соответственно).

1.5 Степенные преобразования

Степенные преобразования имеют вид:

где и являются положительными константами.

Иногда уравнение (1) записывается в виде для того, чтобы ввести смещение, т.е. измеримый (ненулевой) выход, когда на входе ноль. Впрочем, смещения возникают при калибровке устройства воспроизведения, и поэтому в уравнении (1) они обычно игнорируются. Графики зависимостей от при различных значениях показаны на рис. 3. Так же как в случае логарифмического преобразования, кривые степенных зависимостей при малых отображают узкий диапазон малых входных значений в широкий диапазон выходных значений, при этом для больших входных значений верно обратное утверждение. Однако, в отличие от логарифмических функций, здесь возникает целое семейство кривых возможного преобразования, получаемых простым изменением параметра . Как и следовало ожидать на рис. 3 видно, что кривые, полученные со значениями дают прямо противоположный эффект по сравнению с теми, которые получены при . Наконец отметим, что уравнение (1) приводится к тождественному преобразованию .

Графики уравнений , для различных значений ( во всех случаях)

Амплитудная характеристика многих устройств, используемых для ввода, печати или визуализации изображений, соответствует степенному закону. По традиции, показатель степени в уравнении степенного преобразования называют гамма, и именно поэтому символ y использован в уравнении (1). Процедура, используемая для коррекции такой степенной характеристики, называется гамма-коррекцией. Например, устройства с электронно-лучевой трубкой (ЭЛТ) имеют степенную зависимость яркости от напряжения с показателем степени в диапазоне от1,8 до 2,5. Обращая внимание на кривую для на рис. 3 можно видеть, что подобная система отображения будет иметь тенденцию к воспроизведению изображений темнее, чем они есть на самом деле. Этот эффект иллюстрируется на рис. 4. На рис. 4(а) показан простой полутоновой линейный клин, подающийся на вход монитора с ЭЛТ. Как и ожидалось, изображение на вход монитора с ЭЛТ. Как и ожидалось, изображение на экране реального монитора оказывается темнее, чем должно быть на экране идеального монитора, что и видно на рис. 4(б).необходимость применения гамма-коррекции очевидна. Все, что требуется для компенсации - это произвести предобработку визуализируемого изображения с помощью преобразованияпрежде, чем оно поступит на вход монитора. Результат показан на рис.4(с). При воспроизведении на том же мониторе, такая гамма-коррекция обеспечивает вывод, визуально близкий к оригинальному изображению, как и показано на рис. 4(г). Аналогичные исследования должны быть применении по отношению к другим устройствам для работы с изображениями, таким как сканеры и принтеры. Единственным различием между ними должно быть значение гамма, зависящее от конкретного устройства.

программа обработка изображение зрение

(а) Полутоновое изображение с линейным кликом. (б) Отклик монитора на линейный клин. (в) Клин, подвергнутый гамма-коррекции. (г) Результат на экране монитора.

Гамма-коррекция необходима, если требуется точное воcпроизведение изображения на экране компьютера. Изображения, которые не откорректированы правильно, могут выглядеть или как выбеленные, или, что более невероятно, как слишком тёмные. Правильное воспроизведение цветов также требует некоторых знаний о гамма-коррекции, поскольку подобное преобразование меняет не только яркость, но также соотношения между красным, зелёным и синим цветами. В последние годы гамма-коррекция становится более важной, поскольку увеличивается коммерческое использование цифровых изображений в Интернете. Зачастую изображения, размещённые на популярных сайтах в интернете, рассматриваются миллионами людей, большинство из которых имеет различные мониторы или их настройки. Некоторые компьютерные системы даже включают в себя встроенную частичную гамма-коррекцию. К тому же, используемые в настоящее время стандарты изображений не содержат исходного значения гамма, с которым изображение формировалось, усложняя тем самым получение правильного результата. Имея подобные ограничения, разумным подходом, при храни изображений на сайте в Интернете, является их предобработка со значением гамма, отражающим «средние» параметры мониторов и компьютерных систем.

2. Практическая часть

Реализация захвата изображения и его обработки:

Рабочая панель с элементами для обработки и сравнения изображений

При нажатии на кнопку «Эталон» выполняется следующий код:

privatevoid button1_Click(object sender, EventArgs e)

{

FrameEvent2 += newHeFrame(this.InCaptureDone);

if (savedArray == null)

{

int size = videoInfoHeader.BmiHeader.ImageSize;

if ((size < 1000) || (size > 16000000))

return;

savedArray = newbyte[size + 64000];

}

captured = false;

sampGrabber.SetCallback(this, 1);

indexImage = 1;

}

При нажатии на кнопку «Объект» выполняется следующий код:

privatevoid button2_Click(object sender, EventArgs e)

{

FrameEvent2 += newHeFrame(this.InCaptureDone);

if (savedArray == null)

{

int size = videoInfoHeader.BmiHeader.ImageSize;

if ((size < 1000) || (size > 16000000))

return;

savedArray = newbyte[size + 64000];

}

captured = false;

sampGrabber.SetCallback(this, 1);

indexImage = 2;

for (int i = 0; i < bmp2.Width; i++)

for (int j = 0; j < bmp2.Height; j++)

{

c1 = bmp2.GetPixel(i, j);

R = c1.R;

G = c1.G;

B = c1.B;

int gray = (R + G + B) / 3;

w = Math.Pow(2, 8 * gray / 255) - 1;

g = (int)w;

c2 = Color.FromArgb(g, g, g);

bmp2.SetPixel(i, j, c2);

}

pictureBox1.Refresh();

}

При нажатии на кнопку «Измерение» выполняется следующий код:

privatevoid button3_Click(object sender, EventArgs e)

{

Bitmap bmp1, bmp2;

Color c1, c2;

int R, G, B, gray, b, c;

double a;

bmp1 = newBitmap("1.bmp");

bmp2 = newBitmap("2.bmp");

//Обработкаэталона

for (int i = 0; i < bmp1.Width; i++)

{

for (int j = 0; j < bmp1.Height; j++)

{

c1 = bmp1.GetPixel(i, j);

R = c1.R;

G = c1.G;

B = c1.B;

gray = (R + G + B) / 3;

a = Math.Pow(2, 8 * gray / 255) - 1;

b = (int)a;

c2 = Color.FromArgb(b, b, b);

bmp1.SetPixel(i, j, c2);

}

}

pictureBox2.Image = bmp1;

//Обработкаобъекта

for (int i = 0; i < bmp2.Width; i++)

{

for (int j = 0; j < bmp2.Height; j++)

{

c1 = bmp2.GetPixel(i, j);

R = c1.R;

G = c1.G;

B = c1.B;

gray = (R + G + B) / 3;

a = Math.Pow(2, 8 * gray / 255) - 1;

b = (int)a;

c2 = Color.FromArgb(b, b, b);

bmp2.SetPixel(i, j, c2);

}

}

pictureBox3.Image = bmp2;

//Статистика

int w;

int q;

bool br;

int[] m = newint[64];

int[] n = newint[64];

for (int i = 0; i < bmp1.Width; i++)

for (int j = 0; j < bmp1.Height; j++)

{

c1 = bmp1.GetPixel(i, j);

R = c1.R;

w = 0;

q = 0;

br = false;

while (br == false)

{

if ((R >= q) && (R < (q + 4))) { m[w] += 1; br = true; }

q = q + 4;

w++;

}

}

for (int i = 0; i < bmp2.Width; i++)

for (int j = 0; j < bmp2.Height; j++)

{

c1 = bmp2.GetPixel(i, j);

R = c1.R;

w = 0;

q = 0;

br = false;

while (br == false)

{

if ((R >= q) && (R < (q + 4))) { n[w] += 1; br = true; }

q = q + 4;

w++;

}

}

int g = 0;

int d = 0;

for (int i = 0; i < 64; i++)

{

g = ((m[i] - n[i]) * (m[i] - n[i]));

d = d + g;

}

d = d / 64;

string z;

z = Convert.ToString(d);

label1.Text = label1.Text + z;

if (d < 40000) label2.Text = label2.Text + "Эталон!!!";

else label2.Text = label2.Text + "Объектынепохожи";

}

Заключение

Итогом курсовой работы было создание формы с захватом изображения с помощью DirectShow. После чего через объект захвата изображения были созданы эталонное и тестируемое с ним изображения, которые впоследствии были сохранены. Затем были созданы негативы этих изображений. После была осуществлена проверка на сходство между объектами.

Данный метод позволяет выполнять проверку на сходства наблюдаемого объекта с эталоном, с помощью web-камеры.

Размещено на Allbest.ru

Размещено на Allbest.ru


Подобные документы

  • Цифровые рентгенографические системы. Методы автоматического анализа изображений в среде MatLab. Анализ рентгеновского изображения. Фильтрация, сегментация, улучшение изображений. Аппаратурные возможности предварительной нормализации изображений.

    курсовая работа [890,9 K], добавлен 07.12.2013

  • Задачи цифровой обработки изображений. Методы пороговой сегментации. Создание программы представления рисунка в виде матрицы и применения к нему пороговой обработки. Разработка интерфейса программы загрузки и фильтрации изображения с выбранным порогом.

    курсовая работа [2,0 M], добавлен 12.11.2012

  • Описание математических методов представления и обработки графических изображений. Описание разработанного программного дополнения. Описание функций и их атрибутов. Представление и обработка графических изображений. Результаты тестирования программы.

    курсовая работа [1,7 M], добавлен 27.01.2015

  • Обработка изображений на современных вычислительных устройствах. Устройство и представление различных форматов изображений. Исследование алгоритмов обработки изображений на базе различных архитектур. Сжатие изображений на основе сверточных нейросетей.

    дипломная работа [6,1 M], добавлен 03.06.2022

  • Обзор существующего программного обеспечения для автоматизации выделения границ на изображении. Разработка математической модели обработки изображений и выделения контуров в оттенках серого и программного обеспечения для алгоритмов обработки изображений.

    дипломная работа [1,7 M], добавлен 27.03.2013

  • Методы обработки растровых изображений (кластеризация, пороговая и интерактивная сегментация). Разработка программного модуля для системы мониторинга биосферы и дистанционного зондирования. Создание пользовательского интерфейса программного модуля.

    курсовая работа [2,2 M], добавлен 29.04.2015

  • Изучение и программная реализация в среде Matlab методов обработки, анализа, фильтрации, сегментации и улучшения качества рентгеновских медицинских изображений. Цифровые рентгенографические системы. Разработка статически обоснованных алгоритмов.

    курсовая работа [4,7 M], добавлен 20.01.2016

  • История появления и основные понятия графического дизайна. Выявление главных преимуществ и недостатков недеструктивной обработки изображений. Сравнение деструктивной и недеструктивной обработки изображений. Сущность и особенности двухмерной графики.

    реферат [5,2 M], добавлен 05.05.2023

  • Описание метода обработки "Выделение контурных линий" и особенностей его применения и программной реализации. Способы увеличения контрастности. Значение правильного подбора формы гистограммы для качества компьютерной обработки растрового изображения.

    курсовая работа [940,2 K], добавлен 24.06.2013

  • Изучение современных методик компьютерной обработки биомедицинских изображений с целью улучшения изображений для их наилучшего визуального восприятия врачом-диагностом и эффективного сжатия изображений – для надежного хранения и быстрой передачи данных.

    курсовая работа [2,3 M], добавлен 15.04.2019

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.