Модель и методы распознавания объектов на изображениях в виде скалярных полей

• Автор: Чечель, Андрей Олегович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Санкт-Петербург
• Количество страниц: 145 с. : ил.

Оглавление
Введение
Актуальность исследования
Общая характеристика работы
Структура диссертации и взаимосвязь отдельных глав
1. Состояние вопроса по проблематике распознавания изображений
1.1. Детерминистские методы распознавания
1.1.1. Решающие функции
1.1.2. Метод потенциальных функций
1.1.3. Функции расстояния
1.1.4. Методы выявления кластеров
1.2. Статистические методы распознавания
1.2.1. Последовательные процедуры распознавания
1.3. Структурные методы распознавания
1.3.1. Синтаксическое распознавание
1.4. Сегментация изображения
1.4.1. Сегментация на основе анализа пикселей
1.4.2. Сегментация на основе анализа контуров
1.4.3. Сегментация на основе анализа областей
1.5. Вывод
2. Распознавание объектов на изображениях в виде скалярных полей
2.1. Представление изображений в виде скалярных полей
2.2. Выделение контуров фрагментов в полевой модели
2.3. Модель графических объектов на изображениях в виде скалярных полей..
2.4. Статический метод идентификации объектов

2.4.1. Идентификация объекта без искажений
2.4.2. Идентификация искаженного объекта
2.5. Обработка на ранней стадии: детектирование изломов
2.6. Алгоритм объединения цепных кодов
2.7. Механизм идентификации в задачах распознавания текста
2.8. Динамический метод локализации объектов
3. Практическая реализация системы распознавания объектов
3.1. Введение в платформу .NET Framework
3.2. Построение системы распознавания в платформе .NET Framework
3.3. Разработка модулей системы распознавания
3.3.1. Модуль ввода и обработки изображений
3.3.2. Модуль ввода видеосигнала
3.3.3. Сериализатор объектов
3.3.4. Система работы с неуправляемой памятью
3.3.5. Многопоточный обработчик подзадач
3.3.6. Детектор кромок
3.3.7. Подсистема распознавания
3.3.8. Подсистема видео трекинга объектов
3.3.9. Система построения шаблонов
3.3.10. Пользовательский интерфейс
Заключение
Список литературы
Приложение 1. XML схема сериализации данных (алгоритм ChSerializer)
Приложение 2. Области, охваченные цепными кодами

Введение
Диссертационная работа посвящена исследованию процессов распознавания графических объектов. Предлагается использовать концепцию представления графической информации в виде скалярных полей (полевой модели) для построения систем распознавания, использующих анализ структурной составляющей обрабатываемых фрагментов. Такой подход позволяет повысить помехоустойчивость системы распознавания. В диссертационной работе созданы модель и методы идентификации искаженных графических объектов, исследованы способы повышения производительности процесса распознавания. Результаты использованы в разработке программной системы, выполняющей идентификацию объектов, классификацию символьной информации, видеотрекинг объектов.
Актуальность исследования
Системы распознавания графической информации являются важными компонентами вычислительных устройств, применяемых в различных областях гражданской и военной техники. Такие системы позволяют многократно упростить решение повседневных задач, связанных с обработкой графической информации. Повышенный спрос на автоматизацию рутинных процессов способствует созданию новых методов, а также совершенствованию существующих подходов. С развитием информационных технологий появилась возможность реализовывать аппаратно-программные комплексы, выполняющие анализ информации на новом качественном уровне. Речь идет о визуальной информации, обработка которой ранее была доступна только живым организмам. В результате образовалось новое направление в сфере цифровой обработки сигналов - цифровая обработка изображений [1].
Задача распознавания объектов представляет собой одно из перспективных направлений цифровой обработки изображений. Проблема распознавания волнует человечество со времен древнегреческих философов, задававшихся вопросом,

правило, пиксели, яркость которых меньше порогового значения, образуют фон изображения. Другими словами, в процессе сегментации пороговое значение сопоставляется со значением яркости каждого пикселя, в результате пиксели зачисляется в одну из двух групп в зависимости от результата сравнения.
В простом случае пороговое значение может задаваться среднем уровнем яркости между значениями яркости фона и идентифицируемого объекта - такой подход может быть использован преимущественно для изображений хорошего качества с однообразным освещением фона (в качестве типового примера можно привести задачу распознавания текста). Обычно средний уровень яркости определяется при помощи гистограммы изображения — для изображения, на котором на белом фоне изображены темные фрагменты, гистограмма будет иметь два выраженных пика. Пороговое значение выбирается как среднее между двумя пиками. Другой способ определения порога - метод перцентилей. Он применяется в случае, если известна приблизительная площадь искомого фрагмента. Пороговое значение выбирается таким образом, чтобы совокупность пикселей, значение яркости которых превышает пороговое - образовывали область, площадь которой сопоставима с площадью искомого объекта. Если для искомого фрагмента известно значение яркости - то оптимальным способом нахождения порога будет метод моды, при котором на гистограмме отыскивается пик, соответствующей яркости фрагмента, а в качестве пороговых значений выбираются локальные минимумы распределения по обе стороны от пика. Исходя из приведенных подходов, можно сделать вывод, что значение порога специфично для каждого отдельного изображения и его нельзя задать заранее для целого ряда изображений. Однако существуют методы автоматического определения порога, но в общем случае, задача определения порогового значения нетривиальна.
Другой способ анализа пикселей основывается на обработке разрывов яркости [34]. По сути, наиболее простой реализацией является применение подхода, использующегося для пространственной фильтрации. Схема