Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Введение

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