Структурно-ієрархічні методи аналізу та розпізнавання зображень в умовах впливу просторових завад

Рис. 4. Залежності вірогідності помилки від порогу

Аналіз рис. 4 показує, що при суттєвих відмінностях (A=10) ієрархічний метод має відчутні переваги: мінімум вірогідності помилки складає 0,16 проти 0,35 для традиційного методу. Водночас при незначних відмінностях показники практично однакові: мінімуми дорівнюють 0,48 та 0,43. Це пояснюється більш значними інтегральними властивостями традиційного методу, тому що при значенні дію просторових перешкод можна вважати еквівалентною адитивним флуктуаціям. Цей факт підкреслює тісний зв'язок більш універсального СІМ та традиційного методу, який можна вважати його окремим випадком. Переваги застосування СІМ посилюються із збільшенням відмінностей між значеннями завади та об'єкта.

У сьомому розділі пропонуються методи аналізу та обробки множин ХО для досягнення необхідних показників ефективності СІМ. Розроблено метод фільтрації множини відповідностей елементів описів на підставі кластеризації у просторі геометричних перетворень, набули подальшого розвитку моделі стиснення структурних описів із використанням просторових характеристик та побудови списку подібних дескрипторів задля скорочення часу розпізнавання, удосконалено метод побудови і зіставлення ієрархії описів з використанням багаторівневих ознак.

Оцінка подібності описів на основі підрахунку відповідностей для ХО у вигляді

, (23)

де - коефіцієнт нормування, не враховує важливу інформацію про геометричну структуру і може містити помилки у вигляді хибних відповідностей, що характерно для впливу складного фону.

Розглянемо метод фільтрації шляхом просторової кластеризації на множині відповідностей ХО. Множина відповідностей з елементами є основою для визначення параметрів геометричних перетворень. Подамо вектор перетворень як , - група, отриманий при аналізі пари : - поворот, - однорідний масштаб, - зсуви. У загальному вигляді фільтрація визначається як відображення , яке для конкретної підмножини набуває вигляду , де - підмножина з заданими властивостями. Для кластеризації можна використати відстані або . Досліджено три види кластеризації у просторі перетворень із : групування за нормою, на основі просіювання та ієрархічна класифікація. У результаті оцінка схожості, параметрів і ухвалення рішення про клас об'єкта реалізуються на основі комплексного використання негеометричних і геометричних даних, що в цілому підвищує вірогідність розпізнавання. Порівняльна оцінка завадостійкості вказує на значні переваги розробленого методу. Якщо традиційний метод на основі детектора SIFT забезпечує вірогідність лише при ССШ , то метод з використанням ієрархічної кластеризації досягає цього показника при значно нижчому рівні . Відзначимо, що при вірогідність розпізнавання для традиційного методу не перевищує 0,6, що неприйнятно для практики.

Етапи методу: 1) визначення множини відповідностей ХО; 2) обчислення множини векторів для кожного ; 3) кластеризація на множині ; 4) визначення найбільшого кластеру та відсіювання як хибних відповідностей, що не потрапили до нього.

Ще одним шляхом підвищення достовірності в СІМ є голосування з урахуванням просторово близьких ХО (підтримка). Гістограма голосів набуває чіткіше вираженого максимуму, що робить розпізнавання стійкішим до дії перешкод. Експерименти показали підвищення достовірності до 30% .

Розвинення моделей стиснення структурного опису із використанням просторових характеристик та побудови списку подібних дескрипторів при їх застосуванні у СІМ націлено на скорочення часу розпізнавання. Основною умовою формування значень просторових ХО афінних інваріантів є відсутність колінеарності точок базису, в якому вони визначаються. У дискретному уявленні перевірка умови колінеарності виконується відповідно до виразу

, де - координати базису, - поріг, з яким пов'яжемо фільтрацію. Із ростом число базисів, що задовольняють нерівності, скорочується. Комп'ютерне моделювання показало, що зі зменшенням числа ХО на 20% час розпізнавання для бази coil-20 скорочується у 6 разів. Через проріджування опису усувається надмірність даних зі збереженням достатньої вірогідності розпізнавання на скороченому описі. Результати моделювання для баз зображень показали, що без збитку для вірогідності розпізнавання допускається стиснення об'єму початкового опису в три рази.

Узагальнюючи запропоноване удосконалення, розглянемо дворівневу модель , де - формування стисненого опису, - розпізнавання на його основі. Одна з вирішуваних проблем є забезпечення заданого рівня достовірності (або завадостійкості) зі скороченим об'ємом обчислень. Можна подати як спосіб, коли спочатку застосовується , наприклад, у вигляді відбору найбільш значущих відповідностей між описами, а далі шляхом використання на їх основі формуються та зіставляються багаторівневі подання у вигляді пар та тріад ХО, що забезпечує найприйнятніші практичні результати. Кращим правилом для визначення є сумісний аналіз множин , який спирається на еталонні дані і має достатні показники швидкодії та завадостійкості. Застосування моделі для бази акваріумних риб знизило час розпізнавання для пар ХО в 3 рази, для тріад - в десятки разів. Середня величина відношення локального та глобального максимуму голосів як характеристика достовірності склала: для пар - 0,58; для тріад - 0,39; для стислих пар - 0,57; для стислих тріад - 0,5. Ці дані підтверджують збереження рівня достовірності при стисненні.

На множині відношень ХО за аналогією з ієрархіями ознак доцільно формувати багаторівневі відношення. Удосконалимо метод побудови і зіставлення ієрархії описів, спираючись на ієрархічну систему, побудовану на основі атрибутивних відношень ХО. Застосуємо до множини ХО на прикладі афінних інваріантів як просторових відношень для тетрад ХО систему бінарних відношень і побудуємо модифікацію СІМ зі значно меншими часовими затратами. Основне обчислювальне навантаження у традиційному методі пов'язане з побудовою підмножини базисів для ХО об'єкта і визначення інваріантів . Кожна ХО неодноразово розглядається як елемент базису. На множині базисів об'єкта формуємо і аналізуємо бінарне відношення , що полягає у тому, що афінні координати , для ХО у двох різних базисах відносяться до однієї моделі . Введене атрибутивне відношення відображує просторовий взаємозв'язок базисів. Формалізуємо як

(23)

де аргументом таблиці еталонів є модель . Ієрархію відношень подамо як , причому потужність традиційно вища від . Для компенсації зростання об'єму даних сформуємо шляхом фільтрації підмножину меншої потужності . Формуванням , наприклад, у вигляді ланцюжка точок, можна добитися суттєвого зниження числа ХО. В експериментах для зображень символів час розпізнавання для удосконаленого методу у 4 рази менший при збереженні тієї ж завадостійкості.

Розв'язано задачу застосування розширеного аналізу альтернатив класів на локальному та глобальному рівнях СІМ з метою забезпечення високої ймовірності розпізнавання. Формалізуємо систему розпізнавання як , де - функція формування, а - функція обробки альтернатив класів. Альтернатива - це пара , що включає оцінку приналежності -му класу. У СІМ таке подання можна використати як на рівні ХО (елемент належить класу елементів), так і на глобальному рівні (об'єкт належить класу об'єктів). Застосовано функції обробки альтернатив на локальному і на глобальному рівнях, причому та мають взаємний вплив. Введена обробка зменшує помилки класифікуючої функції, оскільки класичне правило максимальної альтернативи у СІМ не завжди дає правильний результат із-за близькості ХО помилкових структур та об'єктів. Показано, що застосування у СІМ аналізу розширеного набору альтернатив підвищує достовірність, збільшення вірогідності розпізнавання досягається за рахунок істотного зниження помилкової тривоги. Експеримент показав незначну вірогідність помилкової тривоги (0,02), тоді як для традиційного підходу на базі оптимальної альтернативи вона склала 0,16-0,22. Перевага введеної обробки зростає із зменшенням ССШ.

Восьмий розділ містить найважливіші результати експериментальних досліджень розроблених у дисертації методів, що в цілому підтверджує доцільність і ефективність їх використання у прикладних задачах. Наведено також аналіз результатів впровадження запропонованих розробок у науковій сфері, виробництві і навчальному процесі.

Основна практична значущість дослідження детекторів ХО полягає в експериментальному підтвердженні таких ключових властивостей, як інваріантність в межах діапазону перетворень, універсальність застосування для різних ситуацій на основі аналізу реальних зображень. Порівняння варіантів СІМ показало, що у плані стійкості до адитивного шуму метод голосування ХО дещо поступається МЧК. ССШ, при яких забезпечується розпізнавання з вірогідністю вище 0,95, склали величини 6 і 3. Водночас стійкість до просторових перешкод типу затуляння виявилася вищою у методу голосування. Відповідні ССШ для локальної перешкоди складають 0,25 і 0,45 на користь голосування. Величина 0,25 відповідає ухваленню рішення за 1/5 частиною розпізнаваного об'єкта. При цьому час розпізнавання при голосуванні, обумовлений ефективними процедурами фільтрації при формуванні множин ХО для СІМ, для реалізованої комп'ютерної моделі в п'ять разів менший у порівнянні з МЧК.

З метою оцінки прикладної цінності розроблених методів у дисертації розглянуто і досліджено практичні бази реальних зображень: coil-20, акваріумних риб (рис. 3), автомобілів, корів молочних порід. Проведення експериментів на зображеннях систематизованих баз відеоданих для оцінки достовірності, завадостійкості і часу розпізнавання дає можливість поширити висновки на довільні класи відеооб'єктів. Визначено та досліджено основні фактори, від яких у переважній мірі залежить якість розпізнавання на основі СІМ: число ХО, що визначається порогом значущості при їх формуванні; поріг для співвідношення глобального і локального мінімумів при зіставленні ХО при формуванні відповідностей; поріг для відносного числа відповідностей, яке вважається достатнім для ухвалення глобального рішення. У свою чергу, ці параметри залежать від виду відеобази, допустимого рівня завад та зовнішніх умов формування зображення. Проведено практичне дослідження з оптимізації порогів, де критеріями є швидкодія та завадостійкість.

Актуальним практичним завданням застосування СІМ є моніторинг магнітограм з метою неруйнівного контролю металургійного устаткування. Найперспективнішими тут є аналіз фрагментів, оцінка статистичних і граничних характеристик, використання манхеттенської відстані, метрики і дисперсійних мір, на основі чого упевнено здійснюється розділення магнітограм для нормальних і аномальних типів деталей. Основним інформаційним показником є статистичне відхилення характеристик від еталонних значень. Оскільки критерій математичного очікування у цьому випадку не є достатньо надійним, а величина дисперсії означає лише можливість аномалії, то основою рішення є комбінація граничних значень і довірчих інтервалів з урахуванням аналізу подання у виді фрагментів.

Впровадження результатів дисертації у задачах ідентифікації протяжних радіолокаційних об'єктів, зображень сільськогосподарських тварин, при космічному моніторингу навколишнього середовища, а також при контролі якості шляхом аналізу магнітних характеристик підтверджує практичну цінність проведених досліджень.

Додатки містять результати досліджень властивостей детекторів ХО та акти впровадження.

ВИСНОВКИ

Результатом дисертаційної роботи є вирішення важливої науково-практичної проблеми розпізнавання зображень відеооб'єктів в умовах їх зміни під дією геометричних перетворень і просторових перешкод зовнішнього середовища на основі застосування розроблених структурно-ієрархічних методів. Застосування структурно-ієрархічних методів забезпечує високу достовірність розпізнавання і дає можливість здійснити оцінку параметрів об'єктів в умовах дії викривлень просторового типу.

Проведені дослідження дають можливість зробити такі висновки.

1. У результаті аналізу сучасного стану вирішення проблеми встановлено, що новим ефективним напрямом її розв'язання є розробка структурно-ієрархічних методів, які дають можливість забезпечити високу достовірність розпізнавання в реальній обстановці зовнішнього середовища при впливові фону та локальних завад.

2. Вперше запропоновано та теоретично обґрунтовано принцип побудови структурно-ієрархічних методів для розпізнавання відеооб'єктів шляхом оцінки локально-просторової подібності їх структурних описів у вигляді множин або векторів характерних ознак. Теоретичні розрахунки призводять до висновку про значно ширшу область застосування запропонованих методів порівняно з традиційними. Допустимий рівень локальних спотворень складає 75-80% від об'єму опису при імовірності розпізнавання більше 0,98.

3. Вперше запропоновано та узагальнено модель локально-просторової подібності при розпізнаванні відеооб'єктів шляхом зіставлення їх структурних описів на підставі голосування, яка враховує властивості елементів опису, забезпечуючи оперативність і можливість ухвалювати рішення про клас відео-об'єктів за наявності неповних і помилкових даних.

4. Вперше синтезовано ієрархічний метод розпізнавання відеооб'єктів в умовах складного фону шляхом побудови інтегрального опису, що на основі одновимірної інтегрально-диференційної узгодженої обробки та визначення групових ознак для підмножин опису забезпечує достовірність розпізнавання при дії просторових завад. Вірогідність виявлення об'єктів за наявності складного фону і просторових перешкод склала не менше 0,95 при співвідношенні сигнал/шум вище 5.

5. Вперше розроблено метод побудови та оцінки подібності описів відео-об'єктів для системи ознак стратифікованого уявлення, який визначає та аналізує ознаки компонент на основі атрибутивних і просторових відношень. Застосування багаторівневих ознак за рахунок точнішої апроксимації опису підвищує достовірність розпізнавання. Для усунення просторових викривлень рекомендовано застосування дво- або тримісних відносин. Запропонована класифікація структурно-ієрархічних методів дає можливість відповідно до умов розпізнавання підібрати найбільш прийнятний варіант обробки.

6. Вперше запропоновано та обґрунтовано принцип оптимізації параметрів розроблених ієрархічних кореляційних методів розпізнавання, який полягає в оптимізації аналітично поданих статистичних критеріїв з урахуванням міри подібності фрагментів, а також розподілів завад, що підтвердило переваги та універсальність синтезованих методів.

Аналітично доведено, що у разі суттєвих відмінностей просторової завади і об'єкта ієрархічний метод має відчутні переваги з точки зору вірогідності помилки. Переваги посилюються із збільшенням відмінності.

7. Вперше розроблено метод фільтрації для множини однозначних відповідностей елементів описів, який із використанням кластеризації у просторі геометричних перетворень усуває помилкові відповідності характерних ознак. Порівняльна експериментальна оцінка завадостійкості показує переваги методів із кластеризацією: співвідношення сигнал-шум для вірогідності розпізнавання 0,98 склали значення 5 і 8.

8. Набули подальшого розвитку моделі стиснення структурних описів відеооб'єктів, які засновані на просторових властивостях опису та використовують списки близьких дескрипторів, що скорочує час розпізнавання при збереженні достатньої достовірності.

9. Удосконалено метод побудови і зіставлення ієрархії для описів відео-об'єктів на основі багаторівневих ознак, що скорочує час розпізнавання за рахунок застосування підмножин стратифікованого опису.

10. Проведені експерименти для систематизованих баз відеоданих з метою аналізу достовірності, завадостійкості та швидкодії розпізнавання дають можливість отримати узагальнені характеристики застосування розроблених методів для довільних класів зображень. Вирішення практичних задач ідентифікації протяжних об'єктів, космічного моніторингу середовища, при контролі якості устаткування підтверджує прикладну цінність розроблених методів, що забезпечують високу якість розпізнавання в умовах просторових перешкод. Отримані теоретичні результати відкривають перспективу науково обґрунтованого рішення широкого кола прикладних завдань.

Практичне значення результатів підтверджується їх впровадженням у Центрі радіофізичного зондування Землі НАН України, у Північно-східному філіалі Державного НВЦ «Природа», у Харківському національному технічному університеті сільського господарства, у науково-виробничій фірмі «Спеціальні наукові розробки», а також використанням у навчальному процесі Харківського національного університету радіоелектроніки.

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Гороховатский В.А. Распознавание изображений в условиях неполной информации/ В.А. Гороховатский.- Х.: ХНУРЭ, 2003. -112с.

2. Гороховатский В.А. Оптимизация иерархических корреляционных алго-ритмов анализа изображений/ В.А. Гороховатский, В.В. Шляхов// Изв. вузов. Радиоэлектроника.-1988.-Т.31. - №1. - С.28-33.

3. Гороховатский В.А. Анализ иерархических алгоритмов совмещения изображений на фоне пространственных локальных помех / В.А. Гороховатский, В.В. Шляхов // Изв. вузов. Радиоэлектроника. - 1991. - Т.34. - №1. - С. 75-78.

4. Трипутень В.В. Алгоритм параллельной нормализации аффинных преобразований для цветных изображений / В.В. Трипутень, В.А. Гороховат- ский//Радиоэлектроника и информатика.-1997.-№1.-С.97-98.

5. Гороховатский В.А. Распознавание изображений по параметрам преобразований /В.А. Гороховатский // Радиоэлектроника и информатика. - 1998.- №4. - С. 43-45.

6. Путятин Е.П. Распознавание изображений в пространстве инвариантных локальных признаков/ Е.П. Путятин, В.А. Гороховатский, С.В. Кузьмин // Радиоэлектроника и информатика. - 2006.- №1. - С. 69-73.

7. Гороховатский В.А. Исследование детекторов точек интереса при построении локальных признаков изображений / В.А. Гороховатский, С.В. Кузьмин // Бионика интеллекта.-2006. - №1(64).- C.96 -100.

8. Гороховатский В.А. Статистический анализ значений характерных признаков при распознавании изображений/ В.А. Гороховатский, С.В. Кузьмин // Радіоелектроніка. Інформатика. Управління. - 2007. - №2(18). - С.37- 44.

9. Гороховатский В.А. Структурное распознавание изображений на основе моделей голосования признаков характерных точек / В.А. Гороховатский, Е.П. Путятин // Реєстрація, зберігання і обробка даних.-2008.-Т.10. - №4.- С.75-85.

10. Гороховатский В.А. Методы анализа магнитограмм при контроле дефектов оборудования/ В.А. Гороховатский, Н.Е. Долбня// Прикладная радиоэлектроника.-2008. - Т. 7. - №1. - С. 37 -42.

11. Гороховатский В.А. Применение отношений на множестве характерных признаков изображений при распознавании на основе голосования / В.А. Гороховатский // Бионика интеллекта.-2008. - №1(68).- C. 87 -93.

12. Гороховатский В.А. Метрики на множествах ключевых точек изображений / В.А. Гороховатский //Бионика интеллекта.-2008. - №2(69). -C.45-50.

13. Гороховатский В.А. Корреляционные методы распознавания изображений путем голосования систем фрагментов/ В.А. Гороховатский, Е.О. Передрий // Радіоелектроніка. Інформатика. Управління. - 2009.-№1(20). - С.74-81.

14. Гороховатский В.А. Фильтрация ложных соответствий дескрипторов ключевых точек на основе анализа геометрических данных / В.А. Гороховатский // Реєстрація, зберігання і обробка даних. -2009.-Т. 11. - №1.- С.11-19.

15. Гороховатский В.А. Иерархические меры в структурном распознавании изображений с применением сжатия описаний / В.А. Гороховатский, Р.В. Гребинник // Реєстрація, зберігання і обробка даних. -2009.-Т. 11.- №3.- С.26-33.

16. Гороховатский В.А. Теоретический анализ помехозащищенности методов определения параметров нормализации изображений/ В.А. Гороховатский // Проблемы бионики: сб. науч. тр. - Х.: ХНУРЭ. -1986. - №37.-С. 10-16.

17. Гороховатский В.А. Двухуровневый подход при нормализации изображений/ В.А. Гороховатский // АСУ и приборы автоматики: сб. науч. тр. - Х.: ХНУРЭ.-1986. -№ 77. - С. 73-78.

18. Метод экстремально-логической фильтрации в задачах автоматической сегментации изображений/ Е.П. Путятин, В.А. Гороховатский, Ю.Н. Ересько, В.И. Стрельченко // АСУ и приборы автоматики: сб. науч. тр. - Х.:ХНУРЭ. -1987. -№ 83. -С. 3-8.

19. Гороховатский В.А. Применение функций Уолша при формировании признаков изображений/ В.А. Гороховатский, В.П. Машталир, И.А. Кобылин // Проблемы бионики: сб. науч. тр. - Х.: ХНУРЭ. - 1989. - № 42. - С. 81-85.

20. Гиренко А.В. Совмещение изображений при пирамидальном представлении / А.В. Гиренко, В.А. Гороховатский // АСУ и приборы автоматики: сб. науч. тр. - Х.:ХНУРЭ. - 1989. - № 91. - С. 42-46.

21. Гороховатский В.А. Выбор порогов в иерархических статистических алгоритмах анализа изображений/ В.А. Гороховатский // Радиотехника: сб. науч. тр. - Х.:ХНУРЭ. -1989. -№91. -С.63-68.

22. Гороховатский В.А. Структурно-иерархические методы определения сходства изображений объектов/ В.А. Гороховатский // АСУ и приборы автоматики: сб. науч. тр. - Х.:ХНУРЭ. - 2005. - №131. - С. 55-62.

23. Гороховатский В.А. Обнаружение подвижных объектов при анализе последовательности видеокадров/ В.А. Гороховатский, О.В. Сытник // АСУ и приборы автоматики: сб. науч. тр. - Х.:ХНУРЭ. -2001. - № 115. - С. 32-36.

24. Гороховатский В.А. Применение процедур голосования в структурных методах распознавания визуальных объектов/ В.А. Гороховатский // Вестник НТУ ХПИ. Системный анализ, управление и информационные технологии: сб. науч. тр. - Х.: НТУ ХПИ. -2006. - №39. - С.132-140.

25. Гороховатский В.А. Иерархия пространственных отношений структурных признаков в задачах сопоставления визуальных объектов / В.А. Гороховатский// Системи управління, навігації та зв'язку: зб. наук. пр. - К.: ЦНДІ навігації і управління. - 2008.- Вип. 3(7).-С. 85-89.

26. Гороховатский В.А. Анализ вектора альтернатив как способ повышения достоверности решений в методах структурного распознавания/ В.А. Гороховатский // Системи управління, навігації та зв'язку: зб. наук. пр.- К.: Центральний НДІ навігації і управління. - 2008. - Вип. 4(8).- С. 45-52.

27. Гороховатский В.А. Исследование мер структурного соответствия компонентных объектов/ В.А. Гороховатский // Системи обробки інформації: зб. наук. пр. - Х.: ХУ ПС. - 2009.- Вип. 2 (76).- С.36-42.

28. Гороховатский В.А. Повышение быстродействия метода аффинных инвариантов при сопоставлении структурных описаний визуальных объектов/ В.А. Гороховатский, Т.В. Полякова // Системи управління, навігації та зв'язку: зб. наук. пр. - К.: Центральний НДІ навігації і управління, 2009. - Вип. 2(10).-С. 81-84.

29. Гороховатский В.А. Анализ изображений в условиях локальных искажений/ Гороховатский В.А., Кацалап С.Ф., Путятин Е.П. // Автометрия.-1986.- №6. - С.46-51.

30. Гороховатский В.А. Фильтры для выделения признаков объектов на изображении/ В.А. Гороховатский, В.И. Стрельченко // Автометрия. -1990. - №2. - С.36-40.

31. Локализация объектов на изображениях визуальных сцен/ В.А. Гороховатский, Ю.Н. Ересько, Е.П. Путятин, В.И. Стрельченко // Автометрия.-1990. - №6. -С.3-7.

32. Gorochowatskij W. Bestimmung von Parametern fur hierarchische Algorithmen der Bildanalyse/ W. Gorochowatskij // Wissenschaftliche Zeitschrift Technische Universitat Dresden. - 1990. -V. 39 - №5. - S. 69-71.

33. Gorochowatskij W. Partielle Ahnlichkeitsmase von Objekten in der Bilderkennung/ W. Gorochowatskij // Wissenschaftliche Zeitschrift Technische Universitat Dresden. - 1990. -V. 39 - №5. - S. 73-75.

34. Гороховатский В.А. Комбинированные алгоритмы статистической оценки параметров объектов на изображении/ В.А. Гороховатский, О.В. Сытник // Автометрия. -1990. - №2. - С.93-96.

35. Определение параметров объектов по серии изображений/ Е.П. Путятин, В.А. Гороховатский, А.А. Добрынин, Ю.Н. Ересько, О.В. Сытник // Автометрия.- 1992. - №4.-С. 18-23.

36. Гороховатский В.А. Структурно-корреляционные методы при описании и распознавании объектов на изображении/ В.А. Гороховатский // Автометрия. -1992. - №4. - С. 11-18.

37. Путятин Е.П. Алгоритмы выделения движущихся объектов на изображениях с применением преобразования Хо/ Е.П. Путятин, В.А. Гороховатский, С.В. Ищенко // Автометрия. -1993. - №6. - С. 88-93.

38. Gorokhovatsky V.A. Image Likelihood Measures of the Basis of the Set of Conformities / V.A. Gorokhovatsky, Ye. P. Putyatin // Telecommunications and Radio Engineering. - 2009.- 68 (9). - P. 763-778.

39. А. с. 1238269 СССР. МКИ H 04 N 7/18. Способ распознавания изображений и устройство для его осуществления / Путятин Е.П., Гороховатский В.А., Ересько Ю.Н., Кацалап С.Ф., Савенков В.А.(СССР) - Опубл. в Б.И. 1986, №22. - 9с.

40. Гороховатский В.А. Структурно-корреляционные алгоритмы распознавания объектов/ В.А. Гороховатский // Обработка растровых изображений в автоматических системах: межреспубл. науч.-техн. конф., 5-7 июня 1991 г. : тез. докл. - Тула: НПО «Старт». - 1991. - С. 9-11.

41. Гороховатский В.А. Методы распознавания изображений на основе локальных инвариантов/ В.А. Гороховатский, С.В. Кузьмин //Искусственный интеллект. Интеллектуальные и многопроцессорные системы: VII-я Межд. научно-техн. конф.- Таганрог-Донецк, 25-30 сент. 2006г. - Т. 3. - С.93-95.

42. Гороховатский В.А. Модели анализа локальных признаков изображений/ В.А. Гороховатский// Современные информационные системы. Проблемы и тенденции развития: II-я Межд. конф.-Харьков-Туапсе, 2-5 окт. 2007. - Харьков: ХНУРЭ. - С.219-220.

43. Гороховатский В.А. Построение и анализ характерных признаков изображений/ В.А. Гороховатский, С.В. Кузьмин //Искусственный интеллект. Интеллектуальные системы (ИИ-2007): VIII-я Межд. науч.-техн. конф., Дивноморское, Россия, 24-29 сент. 2007г. - Донецк: ИПИИ «Наука і освіта» - С.198-203.

44. Projective methods of image recognition / Y. Putyatin, V. Gorohovatsky, A. Gorohovatsky, E. Peredriy // Intelligent Technologies and Application; K. Markov et al. (Eds.). - Sofia: FOI ITHEA. - Information Science and Computing.- 2008.- № 5. - P. 37-43.

45. Гороховатский В.А. Совместное голосование признаков особенных точек изображений / В.А.Гороховатский // Інтелектуальні системи прийняття рішень і проблеми обчислювального інтелекту (ISDMCI'08): зб. наук. праць міжн. наук. конф.: Євпаторія, 19-23 травня 2008.-Херсон: ХНТУ. - Т.1. - Ч.1. - С. 46-49.

46. Гороховатський В.О. Дослідження завадостійкості методів зіставлення множин структурних елементів/ В.О. Гороховатський, Р.В. Гребінник // Штучний інтелект. Інтелектуальні системи (ШІ-2008): IX-та Міжн. наук. -техн. конф.- Донецьк-Кацивелі, 22-27 верес. 2008 р. - Донецьк: ИПШІ «Наука і освіта» -Т. 1. - С.301-305.

47. Гороховатский В.А. Формирование отношений аффинных базисов при распознавании по структурным признакам/ В.А. Гороховатский, Н.Е. Долбня, А.Ю. Русаков // Межд. радиоэлектр. форум “Прикладная радиоэлектроника. Состояние и перспективы развития“ (МРФ - 2008). - Сб. научн. трудов межд. конф. «Информац. компьют. технологии и системы».-Харьков, 22-24 окт. 2008 г. - Х. :АНПРЭ. -С.112-114.

48. Гороховатский В.А. Интеллектуальный анализ альтернативных решений в структурном распознавании изображений / В.А.Гороховатский // Інтелектуальні системи прийняття рішень і проблеми обчислювального інтелекту (ISDMCI'2009): Матеріали міжн. наук. конф.: Євпаторія, 18-22 травня 2009.-Херсон: ХНТУ. - Т.2. -С. 290-294.

49. Гороховатский В.А. Методы сжатия множеств структурных признаков при построении описаний объектов на изображениях / В.А.Гороховатский //Сучасні інформаційні технології управління екологічною безпекою, природокористуванням, заходами в надзвичайних ситуаціях: матер. VIII-ї Міжн. наук.-практ. конф.: с. Рибаче, Крим, 7-11 вересня 2009.-К.: АДЕФ-Україна.-С. 87-94.

50. Гороховатський В. Стиснення описів при застосуванні структурно-ієрархічних методів розпізнавання зображень/ В. Гороховатський, Р. Гребінник, Т. Полякова // Комп'ютерні науки та інформаційні технології (csit2009): матер. IV-ї Міжн. наук.-техн. конф., Львів, 15-17 жовтня 2009.-Львів: Вежа і Ко. - С. 79-81.

51. Гороховатский В.А. Метод структурного распознавания изображений с использованием разнотипных признаков / В.А. Гороховатский, Т.В. Полякова // Математичне та програмне забезпечення інтелектуальних систем (MPZIS2009): матер. VII-ї Міжн. наук.-практ. конф., Дніпропетровськ, 25-27 листопада 2009.- Дніпропетровськ: ДНУ. - С. 71-72.

АНОТАЦІЯ

структурний ієрархічний локальний просторовий

Гороховатський В.О. Структурно-ієрархічні методи аналізу та розпізнавання зображень в умовах впливу просторових завад. - Рукопис.

Дисертація на здобуття наукового ступеня доктора технічних наук за спеціальністю 05.13.23 - системи та засоби штучного інтелекту. - Харківський національний університет радіоелектроніки, Харків, 2010.

Дисертацію присвячено дослідженню та розробці методів розпізнавання зображень відеооб'єктів в умовах дії геометричних перетворень і просторових перешкод зовнішнього середовища.

Наведено теоретичні основи побудови структурно-ієрархічних методів розпізнавання при впливі фону і локальних перешкод. Розроблено та узагальнено модель локально-просторової подібності при зіставленні структурних описів на підставі голосування. Синтезовано ієрархічний метод розпізнавання в умовах складного фону шляхом побудови інтегрального опису. Розроблено метод побудови та оцінки подібності описів для ознак стратифікованого уявлення.

Обґрунтовано принцип оптимізації розроблених методів розпізнавання на базі статистичних критеріїв, вирішено задачу оптимального вибору параметрів. Розроблено метод фільтрації для елементів описів із застосуванням кластеризації у просторі перетворень. Набули розвитку моделі стиснення структурних описів та методи побудови ієрархії з використанням багаторівневих ознак.

З використанням розроблених методів розв'язано ряд прикладних задач, зокрема, ідентифікації протяжних об'єктів різного типу, візуального моніторингу, контролю якості із застосуванням магнітних вимірювань.

Ключові слова: аналіз та розпізнавання зображень, геометричні перетворення, просторові завади, інваріантні ознаки, структурно-ієрархічні методи, голосування, відношення, достовірність, завадостійкість.

АННОТАЦИЯ

Гороховатский В.А. Структурно-иерархические методы анализа и распознавания изображений в условиях влияния пространственных помех.- Рукопись.

Диссертация на соискание ученой степени доктора технических наук по специальности 05.13.23 - системы и средства искусственного интеллекта.- Харьковский национальный университет радиоэлектроники, Харьков, 2010.

Диссертация посвящена исследованию и разработке методов распознавания изображений видео-объектов в условиях действия геометрических преобразований и пространственных помех внешней среды.

Предложен и теоретически обоснован принцип построения структурно- иерархических методов для распознавания видеообъектов путем оценки локально-пространственного подобия их структурных описаний в виде векторов или множеств характерных признаков и их комбинаций, что дает возможность с высокой достоверностью осуществить распознавание в реальной обстановке внешней среды при влиянии фона и локальных помех.

Предложена и обобщена модель локально-пространственного подобия при распознавании видео-объектов путем сопоставления их структурных описаний на основе голосования, которая учитывает способ получения, вид меры для сравнения, статистические и структурные свойства элементов описания, обеспечивая оперативность и возможность принимать решение о классе видео-объектов при наличии неполных и ошибочных данных.

Синтезирован иерархический метод распознавания в условиях сложного фона путем построения интегрального описания, который на основе одномерной интегрально-дифференциальной согласованной обработки изображения и определения групповых признаков для подмножеств элементов описания обеспечивает достоверность распознавания при действии пространственных помех.

Разработан метод построения и оценки подобия описаний видеообъектов для системы признаков стратифицированного представления, включающий определение и анализ признаков компонент с применением атрибутивных и пространственных отношений, что в целом повышает достоверность распознавания относительно действия аддитивных помех.

Предложен и обоснован принцип оптимизации параметров разработанных иерархических методов распознавания путем представленных в аналитическом виде статистических критериев с учетом меры подобия фрагментов изображений, а также распределений аддитивной и локальной помех, что подтвердило преимущества и универсальность применения структурно-иерархических методов в смысле управляемости и гибкости для достижения оптимальных значений критерия.

Разработан метод фильтрации однозначных соответствий элементов описаний видеообъектов, который предусматривает применение кластеризации в пространстве значений геометрических преобразований, что способствует устранению ошибочных соответствий характерных признаков для достижения необходимых показателей помехоустойчивости.

Получили развитие модели сжатия структурных описаний объектов с использованием пространственных характеристик элементов описания и построением списка близких дескрипторов, которые учитывают координаты характерных признаков и определяют подобие на множестве наиболее значимых соответствий, что в результате обеспечивает сокращение времени распознавания при сохранении достаточной достоверности.

Усовершенствован метод построения и сопоставления иерархии для описаний видеообъектов с использованием пространственных многоуровневых признаков, который применяет при голосовании правило совпадения для оценок классов в двух разных аффинных базисах, что сокращает время распознавания за счет использования подмножеств стратифицированного описания.

В процессе исследований решен ряд конкретных прикладных задач: автоматизации контроля качества и выявления дефектов оборудования путем анализа фрагментов магнитограмм; локализации движущихся пространственно-протяженных объектов на фоне нестационарных помех; выбора адекватной статистической модели для значений структурных признаков изображений и определения оптимального порога для установления эквивалентности фрагментов и векторов признаков; применения расширенного анализа альтернатив классов на локальном и глобальном уровнях структурно-иерархического метода с целью обеспечения высокой вероятности распознавания.

С использованием разработанных методов решены прикладные задачи идентификации протяженных объектов, визуального мониторинга, контроля качества на основе магнитных характеристик.

Ключевые слова: анализ и распознавание изображений, геометрические преобразования, пространственные помехи, инвариантные признаки, структурно-иерархические методы, голосование, отношения, достоверность, помехозащищенность.

ABSTRACT

Gorokhovatskyi V.O. Structural-hierarchical methods of analysis and image recognition under the conditions of the influence of spatial distortions.- Manuscript.

Thesis for Doctor's Degree in technical sciences on the specialty 05.13.23 - Artificial Intelligence Systems and Tools. - Kharkiv National University of Radio Electronics, Kharkiv, 2010.

The thesis is devoted to research and development of pattern recognition of video-objects in the conditions of geometrical transformations and spatial ambient environment interference.

Theoretical basis of structural-hierarchical methods of recognition construction is suggested under background and local interference. Model of local spatial similarity using structural descriptions comparison based on voting is generalized. Hierarchical recognition method in the conditions of complex background by constructing integral description has been synthesized. Method of construction and estimation of description similarity for attributes of stratified presentation has been developed. Principle of developed recognition methods optimization based on statistical criteria optimization has been grounded as well as the problem of parameters optimal selection has been solved. Method of element descriptions filtration based on clusterization procedure has been developed. Model and methods of structural descriptions compression and hierarchy construction with the use of multilevel signs have been improved.

Set of applied tasks has been solved using developed methods, in particular, prolonged objects of different type authentications, visual monitoring, quality control based on magnetic descriptions.

Keywords: analysis and pattern recognition, geometrical transforms, spatial interference, invariant features, structural-hierarchical methods, voting, relations, authenticity, noise immunity.

Размещено на Allbest.ru