Лингвистические методы в задачах распознавания изображений Текст научной статьи по специальности «Компьютерные и информационные науки»

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Тупиков Владимир Алексеевич, Павлова Валерия Анатольевна, Крюков Сергей Николаевич, Созинова Мария Владимировна, Шульженко Петр Константинович

Основной проблемой при решении задачи распознавания цели является сложность задания эталонов для распознавания, поскольку большинство современных методов для обеспечения высокой эффективности своей работы требуют точного задания изображе-ния распознаваемого эталона, что не всегда возможно. В связи с этим, целью данной ра-боты является рассмотрение методов обработки изображений, позволяющих упростить задание эталонов для распознавания. В статье предлагается использование лингвистиче-ских методов для задач автоматического распознавания изображений . Лингвистические методы применяются к задачам распознавания образов, в которых важна информация, описывающая структуру каждого объекта. Лингвистические методы распознавания бази-руются на представлении изображения в виде набора примитивов разного уровня, описы-вающих наиболее значимые части сцены, и сопоставлении их с эталонным описанием в соответствии с заданными правилами. Преимуществом лингвистического подхода явля-ется возможность распознавания объекта по заданному описанию наиболее значимых особенностей эталона, без необходимости задания точного эталонного изображения. Кроме того, на результат распознавания не влияет масштаб и ориентация объекта в пространстве. Таким образом, лингвистические методы являются эффективным средством для распознавания урбанистических объектов.

LINGUISTIC METHODS IN THE PROBLEMS OF IMAGE RECOGNITION

The main problem in solving the ATR tasks is the complexity of standard creation. It is just because the most of modern methods need the accurate assignments of the standard image for target recognition and this is not always possible. In this connection the aim of the suggested work is to observe the image processing methods, giving the possibility to simplify the process of stand-ards creations. The given article proposes the use of linguistic methods in solving the problems of automatic image recognition . The linguistic methods are applicable in the problems of images recognition, which need information descripting the structure of every image object. The linguistic recognition methods are based on the image representation in the set form of primitive elements of different levels, describing the most significant parts of scene and the matching them with the given standard description according to given rules. The main advantage of linguistic methods is the possibility of given object recognition according to the given description of most significant standard features without the necessity of precise standard image assignment. Moreover the recognition result does not depend on scale and space orientation of object. Thus, the proposed linguistic methods are effective instrument for urbanistic objects recognition.

Текст научной работы на тему «Лингвистические методы в задачах распознавания изображений»

В.А. Тупиков, В.А. Павлова, С.Н. Крюков, М.В. Созинова, П.К. Шульженко

ЛИНГВИСТИЧЕСКИЕ МЕТОДЫ В ЗАДАЧАХ РАСПОЗНАВАНИЯ

Основной проблемой при решении задачи распознавания цели является сложность задания эталонов для распознавания, поскольку большинство современных методов для обеспечения высокой эффективности своей работы требуют точного задания изображения распознаваемого эталона, что не всегда возможно. В связи с этим, целью данной работы является рассмотрение методов обработки изображений, позволяющих упростить задание эталонов для распознавания. В статье предлагается использование лингвистических методов для задач автоматического распознавания изображений. Лингвистические методы применяются к задачам распознавания образов, в которых важна информация, описывающая структуру каждого объекта. Лингвистические методы распознавания базируются на представлении изображения в виде набора примитивов разного уровня, описывающих наиболее значимые части сцены, и сопоставлении их с эталонным описанием в соответствии с заданными правилами. Преимуществом лингвистического подхода является возможность распознавания объекта по заданному описанию наиболее значимых особенностей эталона, без необходимости задания точного эталонного изображения. Кроме того, на результат распознавания не влияет масштаб и ориентация объекта в пространстве. Таким образом, лингвистические методы являются эффективным средством для распознавания урбанистических объектов.

Структурное описание; лингвистические алгоритмы; автоматическое распознавание изображений; алгоритмы всеракурсного распознавания; преобразование Хафа.

V.A. Tupikov, V.A. Pavlova, S.N. Krjukov, M.V Sozinova, P.K. Shulzhenko LINGUISTIC METHODS IN THE PROBLEMS OF IMAGE RECOGNITION

The main problem in solving the ATR tasks is the complexity of standard creation. It is just because the most of modern methods need the accurate assignments of the standard image for target recognition and this is not always possible. In this connection the aim of the suggested work is to observe the image processing methods, giving the possibility to simplify the process of standards creations. The given article proposes the use of linguistic methods in solving the problems of automatic image recognition. The linguistic methods are applicable in the problems of images recognition, which need information descripting the structure of every image object. The linguistic recognition methods are based on the image representation in the set form ofprimitive elements of different levels, describing the most significant parts of scene and the matching them with the given standard description according to given rules. The main advantage of linguistic methods is the possibility of given object recognition according to the given description of most significant standard features without the necessity of precise standard image assignment. Moreover the recognition result does not depend on scale and space orientation of object. Thus, the proposed linguistic methods are effective instrument for urbanistic objects recognition.

Structure description; linguistic algorithms; automatic image recognition; the all aspects recognition algorithms; Haugh transformation.

В настоящее время в мире выполняется огромное количество исследований и разработок, направленных на создание алгоритмов и устройств автоматического распознавания целевых объектов путем цифровой обработки видеоинформации, поступающей с оптико-электронных и радиолокационных систем наблюдения [1-16]. Определяющая роль в процессе построения подобного рода систем отводится формированию устойчивых и компактных различительных признаков образа распознаваемого объекта. При этом необходим анализ всех тонкостей процесса формирования признаков, которые определяют потенциальные возможности и эффективность применения автоматических систем распознавания.

Ни один из существующих методов автоматического распознавания не позволяет создать универсальный распознаватель. Каждый метод предназначен для работы по конкретному ограниченному алфавиту объектов и функционирует в достаточно ограниченном диапазоне условий получения текущего изображения объекта (размер, ракурс, контраст относительно фона, наличие фоновых помех, шумы различного происхождения и т.д.). Чаще всего для классификации трехмерных объектов на фоне разнородной подстилающей поверхности используются корреляционные и нейросетевые методы цифровой обработки изображений. Однако, к основным недостаткам этих методов относится резкое снижение вероятности правильного распознавания при геометрических искажениях объектов, таких как поворот и изменение масштаба. Кроме того, данные подходы к распознаванию изображений более или менее успешно применяются для анализа единичных объектов. Однако при наличии сложного многокомпонентного изображения, состоящего из множества разнородных объектов, таких как мосты, нефтехранилища и т.п., необходимо учитывать взаимное расположение объектов, составляющих исходную трехмерную сцену. Для успешного распознавания таких сцен более эффективными оказываются алгоритмы, основанные на лингвистических методах. Суть этих методов заключается в построении сжатого описания структуры изображения. Так, если заменить каждый объект его описанием, то элементы описания могут быть использованы как признаки объекта, а само описание сцены можно будет анализировать с применением аппарата математической лингвистики. Основным отличием лингвистического распознавания образов является непосредственное использование структуры образов в процессе распознавания. Поэтому такие методы также часто называют структурными методами распознавания.

Такой подход к задачам распознавания имеет ряд преимуществ:

♦ лингвистическое описание сцены является более компактным и занимает меньше места в памяти устройств, в котором оно хранится;

♦ построение лингвистического описания позволяет отбросить несущественные детали изображения, которые могли бы привести к снижению вероятности распознавания при использовании корреляционных методов;

♦ использование при лингвистическом распознавании относительных характеристик объектов сцены (таких как относительные размеры соседних объектов, из расположение относительно друг друга) позволяет компенсировать главный недостаток корреляционных и контурных алгоритмов - зависимость вероятности правильного распознавания от масштаба и поворота объектов.

Основные трудности в лингвистическом методе распознавания возникают на этапе построения описания изображений. Для корректного построения описания необходимо точно выделять отдельные объекты на изображении, определять их границы и параметры. Поэтому решающую роль в построении описания промышленного пейзажа играют используемые методы предварительной обработки изображения. Точное определение "структуры" изображения является необходимым для успешного применения лингвистического метода распознавания. Именно поэтому исследования в области лингвистического распознавания в основном сводятся к распознаванию изображений, характеризующихся хорошо различимыми формами, в частности символов, в то время как распознавание промышленных пейзажей с использованием лингвистических методов является малоизученной областью распознавания изображений.

В связи с этим в данной статье были исследованы возможности применения лингвистических методов для распознавания изображений промышленных пейзажей.

В случае применения лингвистических алгоритмов эталон для распознавания задается в виде описания типа и количества ожидаемых объектов, их площади, а также их положение друг относительно друга. Типом ожидаемого объекта может быть, как простая фигура (круг, прямоугольник, линия), так и некоторый сложный геометрический объект. Более сложные геометрические объекты, которые не могут быть описаны простейшими геометрическими фигурами, описываются как совокупность значимых точек (концевых точек, точек перегибов линий и точек пересечения нескольких линий) и связи между ними. По заданным данным строится структурное описание эталона.

Для применения лингвистического алгоритма распознавания полутоновое изображение необходимо привести к структурному виду [17]. Структурное описание изображения подразумевает разбиение изображения на различные объекты и подъо-бекты разного уровня подробности. Самым нижним уровнем структурного описания изображения являются так называемые значимые точки изображения. Это точки окончания линий, перегибов, точки пересечения нескольких линий. Кроме того, структурное описание изображения содержит информацию о связях между объектами каждого уровня. Пример структурной схемы представлен на рис. 1.

Уровень I _______—

Объект 1 Объект 2 . Объект N

Уровень 2 Окружность Прямоугольник Прямоугольник

Уровень 3 1 Концевая 1 точка 1 I \ \ Концевая точка 2 Концевая \ точка 3 Точка перегиба 2 Точка перегиба 4

Точка Точка Точка Точка

перегиба 1 пересечения 1 перегиба 1 перегиба .1

Рис. 1. Пример структурной схемы изображения

Для построения структурного описания изображения и последующего автоматического распознавания, использующего лингвистические методы, выполняется ряд операций обработки изображения:

1. Из исходного изображения строится бинарное контурное изображение. Для этого может быть использован любой контурный алгоритм, например, фильтр Робертса или Кирша, или алгоритмы, основанные на вычислении поля модулей градиентов яркостей изображения. Выбор алгоритма контурирования обуславливается конкретными условиями использования алгоритма. В данной работе предлагается алгоритм контурирования, основанный на последовательной бинаризации каждой точки изображения в соответствии со значением порога. В качестве порогового значения выбирается среднее значения яркости изображения в некоторой зоне вокруг текущей точки.

Для выделения контура полученного бинарного изображения предлагается использовать морфологическую функцию выделения границ. Суть алгоритма морфологического выделения границ заключается в выполнении операции эрозии для заданного бинарного изображения с последующим вычитанием полученного результата из исходного бинарного изображения.

Полученное таким образом контурное изображение имеет ширину контура в один пиксел, что упрощает дальнейшую обработку изображения. Кроме того, описанный метод выделения контуров является устойчивым к засветам или затемнениям отдельных областей изображения.

2. На полученном контурном изображении производится фильтрация объектов. Изображение фильтруется по принципу 8-ми связности [18]. Объект считается связанным, если между любыми двумя точками объекта существует путь, целиком состоящий из точек этого объекта и при этом все точки пути являются 8-мисмежными (рис. 2).

Рис. 2. Точка ^^ У\) и 8 смежных с ней точек

При фильтрации отслеживается площадь выделяемых объектов. Те объекты, площадь которых выходит за пределы допустимых границ, не рассматриваются. При последующей обработке каждый выделенный объект изображения анализируется отдельно.

3. Для каждого объекта определяются его лингвистические параметры.

С помощью морфологических функций, а также алгоритмов, использующих преобразование Хафа [19], выделяются основные параметры каждого объекта. В том числе, определяются концевые точки, точки перегибов и пересечения нескольких линий. В зависимости от структуры эталонного изображения, для анализируемого объекта выделяются основные геометрические фигуры, такие как окружность или прямоугольник. Все эти параметры станут основой для лингвистического описания изображения.

Концевые точки, точки перегибов и точки пересечения нескольких линий называются узловыми точками. Для их обнаружения используются алгоритмы прохода с заданными масками. Так, например, на рисунке 3 приведены примеры масок для обнаружения концевых точек. Значения ячеек масок, отмеченных знаком

📎📎📎📎📎📎📎📎📎📎