Обнаружение и анализ объектов на бинарных изображениях с использованием модификаций расстояния Хаусдорфа и полигональной аппроксимации контуров

• Автор: Хмелёв, Ростислав Викторович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Самара
• Количество страниц: 119 с. : ил.

Содержание
Введение

Иерархия использовавшихся моделей и методов

1. Методы сравнения объекта и эталона с помощью модификаций расстояния Хаусдорфа

1.1. Метод сравнения объекта и эталона как простых множеств с помощью модификаций расстояния Хаусдорфа

1.1.1. Основная идея метода

1.1.2. Обнаружение объекта, близкого к эталону, в присутствии шума

1.1.3. Алгоритм вычисления среднеквадратической модификации расстояния Хаусдорфа

1.1.4. Поиск эталона путем полного сканирования с заданными шагами по размеру и углу ориентации эталона
1.2. Учет структуры контура при сравнении объекта и эталона с помощью модификаций расстояния Хаусдорфа
1.2.1. Сравнение бинарных контурных изображений с учетом направлений обхода контурной цепи
1.2.2. Использование значимых областей для повышения помехоустойчивости
1.3. Низкоуровневые оптимизации алгоритма сравнения объекта и эталона по взаимному отклонению контуров для процессоров архитектуры х86
1.3.1. Преобразование координат точек импульсной характеристики в смещения
1.3.2. Использование набора машинных команд ММХ для оптимизации горизонтальных сегментов
1.3.3. Оптимизация горизонтальных и вертикальных сегментов с помощью накапливаемых сумм и ММХ
1.3.4. Сравнительное тестирование оптимизаций вычисления прямых бинарных корреляций
Выводы к главе
2. Итеративная аппроксимация многоугольников по критерию максимума периметра
2.1. Задача полигональной аппроксимации
2.2. Принцип максимизации периметра аппроксимирующего многоугольника
2.3. Алгоритм максимального периметра (0(N4))
2.4. Алгоритм треугольного слияния (0(N log N))
2.5. Алгоритм треугольного слияния по локальным минимумам (0(N) - 0(N log N))
2.6. Сравнение критериев максимума периметра и минимума погрешности в алгоритмах полигональной аппроксимации
2.6.1. Сравнение критериев оптимизации в алгоритмах сложности 0(144)
2.6.2. Сравнение пригодности быстрых алгоритмов для локализации изломов
2.6.3. Сравнение по числовым критериям
2.6.4. Сравнение вычислительной сложности
2.7. Получение информации об изломах контура с помощью полигональных аппроксимаций
2.7.1. Сравнительное тестирование
Выводы к главе
3. Система распознавания номеров железнодорожных цистерн с использованием быстрой локализации и сравнения объекта с эталоном по среднеквадратической модификации расстояния Хаусдорфа
3.1. Постановка задачи
3.2. Программно-аппаратная структура системы регистрации и распознавания номеров железнодорожных цистерн
3.2.1. Описание площадки и аппаратной части системы технического зрения
3.2.2. Программный комплекс системы технического зрения
3.2.2.1. ЯероЛМаксг - программа регистрации составов и распознавания номеров вагонов
3.2.2.2. ЯероЛЕсШог - редактор отчетов о прохождении поездов
3.3. Технология распознавания номеров цистерн
3.3.1. Обзор проблем распознавания номеров и методов их решения
3.3.2. Вычисление локального контраста и локального порога для бинаризации
3.3.3. Локализация области номера
3.3.4. Поиск эталонов в области локализации
3.3.5. Обработка результатов сканирования
3.3.6. Оптимизации поиска эталонов
3.3.7. Результаты
Выводы к главе 3 ... 111 Заключение... 112 Библиографический указатель
Приложение. Акт о внедрении результатов кандидатской диссертационной работы

Введение
Диссертация посвящена разработке методов обнаружения и анализа, объектов на бинарных контурных изображениях, выделяющихся из окружающего контекста благодаря своим геометрическим свойствам. Методы, рассматриваемые в диссертации, сводятся к измерениям геометрических расстояний между точками изображений. Исследуются два основных подхода к решению поставленной задачи — а) обнаружение с помощью модификаций расстояния Хаусдорфа объектов, геометрически близких к произвольным эталонам, задаваемым битовыми масками, и б) построение и анализ полигональных аппроксимаций контура объекта.
Актуальность проблемы. С начала эпохи цифровой обработки информации и до наших дней актуальной остается проблема распознавания изображений. Известно, что самая важная информация о форме содержится в контурах объектов. Многие объекты реального мира могут быть узнаны по изображениям их контуров, без использования исходных полутоновых изображений, поэтому алгоритмы распознавания чаще всего ориентированы на работу с контурными изображениями или бинарными изображениями, близкими к контурным (с толщиной линий много меньше размеров исследуемых особенностей).
Первый вопрос, исследовавшийся в диссертации - обнаружение на бинарных или контурных изображениях объектов, геометрически близких к произвольным эталонам (без каких-либо специальных ограничений формы), задаваемым битовыми масками. Существует несколько популярных подходов к решению задачи поиска эталонов. Самыми простыми являются алгоритмы поточечного сравнения эталонного и объектного изображений (например, простейший корреляционный метод [1,2, 3]). Данные алгоритмы удовлетворительно работают при сравнении широких полутоновых областей, при условии, что объектное изображение слабо зашумлено, а яркость и контраст эталона и объекта слабо отличаются. Однако поточечные алгоритмы крайне мало пригодны для распознавания контурных изображений, поскольку контура, как правило, являются узкими, и даже если формы контуров эталона и объекта похожи с точки зрения человека, из-за неточного совпадения пикселов алгоритм сочтет их непохожими.
К другой группе относятся алгоритмы, использующие инварианты, например, моментные [1, 10]. Достоинством данных алгоритмов является возможность быстрого расчета числовых характеристик, недостатком является то, что сложные объекты представляются небольшим набором чисел, часто не имеющих ясной геометрической интерпретации, и совершенно не похожие с точки зрения человека объекты могут иметь одинаковые значения инвариантов.

Кривая ложных обнаружений символов с учетом направлений не показана (на всех графиках при любом значении порога нет ложных обнаружений).
Рис. 1.2.12. Графики ошибок классификации в сравнительном тесте обнару-жения символов шрифта Arial с помощью ориентированных и неориентиро-ваных значимых областей и среднеквадратического признака локального увеличения плотности объектных точек (1.1.9), ширина значимых областей от 1 до 5 пикселов. Абсцисса — пороговое значение d (1.1.9), ордината — процент ошибок, а) Шум — случайные кружки, б) Шум — случайные прямые. Под графиками указаны средние отношения сигнал / шум для всего набора символов.
Итоговые выводы:
1. Использование направлений обхода контура (т.е. учет структуры контура на элементарном уровне) даст более адекватное представление об отличии объекта и эталона.
2. Из-за хаотической ориентации своих контуров шумы на объектном изображении могут оказывать большее негативное влияние на подсчет взаимных отклонений ориентированных контуров, чем на подсчет взаимных отклонений без учета ориентации.
3. Использование набора значимых областей эталона, строящихся с учетом ориентации нормалей, повышает помехоустойчивость и позволяет сделать влияние шумов меньшим по сравнению с технологией значимых областей, не учитывающей ориентацию нормалей.