Попередня обробка зображень

1. Дискретизація (оцифрування), поділ на пікселі з певним кроком.

2. Зменшення шумів і підвищення якості зображення.

3. Сегментація

4. Отримання ознак зображення.

Відрізняють 3 випадки представлення зображень: 1) монохромні; 2) півтонові; 3) кольорові.

Сегментація зображення

Сегментація – це розділення зображення на складові частини, що мають спільні властивості. Існує два основних підходи до сегментації:

· метод пошуку однорідних областей;

· метод виділення контурних ліній.

Сегментацію по методу пошуку однорідних областей можна проводити по будь-якій властивості S (колір, текстура, рівень яскравості, ...).

Нарощування областей полягає в тому, що сусідні елементи з однаковими або близькими рівнями яскравості групують, об’єднуючи їх в однорідні області. Сусідні елементи визначаються для вибраної області фон Неймана (чотирьохзв’язної) або області Мура (восьмизв’язної) (рис.1, 2).

Сегментація зображень по параметрам яскравості враховує те, що кожний сегмент зображення відділяється від інших сусідніх. Для сегментації методом порогового розподілу необхідно отримати бінарне зображення з напівтонового. Для цього встановлюється деяке порогове значення. Після квантування функція зображення G (i, j) = k (цілі значення) при

T_k > G(i,j) ³ T_k-1, k Î (0, k_max),

де T_k – значення k-го порогового рівня.

Рис.1. Вигляд восьмизв’язної області Мура Рис. 2. Сегментація

2.4. Основні методи розпізнання

1. Шаблонні системи, метод суміщення з еталоном(шаблоном, маскою, набором еталонів) (структура графу однакова для всіх зображень, але різні стани вершин), задано клас перетворень.

1.1. Кореляційний метод розпізнавання- розпізнавання накладанням зображень.

1.2. Метод допустимих перетворень об’єкта (гумовий аркуш)

1.3. Просторово-частотний метод (Фур’є перетворення)

2. Структурні системи, складання зображення з елементарних частин (як мозаїки).

2.1. Квазітопологічний, синтаксичний (лінгвістичний) метод - на основі лінгвістики математичної, зокрема граматик формальних. В основному для одномірних (мовних) сигналів.

2.2. Логічні методи, засновані на дискретному аналізі і обчисленні висловлювань. З використанням логічних ознак об’єкта розв’язується система булевих рівнянь.

3. Ознакові системи,Розпізнавання у просторі ознак, дискримінантні методи (ймовірнісні і детерміновані), об’єкт – точка у просторі ознак.

3.1. Кластерний аналіз(cluster-скупчення), за допомогою певної функції точки зображення об’єднуються в кластери, які мають бути максимально компактними.

3.2. Метод потенціалів – ознака об’єкту розглядається як його електричний потенціал.

3.3. Байесівські методи

3.4. Метод опорного словника

3.5. Метод зондів

4. Нейронні мережі, перцептрон.

5. Експертні системи.

2.5. Шаблонні системи (метод суміщення з еталоном)

Шаблонні системи перетворюють зображення окремого символу в растрове, порівнюють його з усіма шаблонами бази і вибирають шаблон, який найбільше співпадає з вхідним зображенням.

2.5.1. Кореляційний метод розпізнавання

Розпізнавальні системи розділяються за способом зберігання еталонних наборів, сформованих при проектуванні систем РО: системи з фотомаскою, системи з електричними моделями еталонів (у вигляді схем резисторів; феритових осердь з котушками і т.п.) та математичні системи.

Розглянемо систему РО з фотомаскою, у якій використовується метод суміщення об’єкта з еталоном. Об’єкт, що розпізнається (наприклад, літера), проектується на еталонні маски. Кожна маска – це трафаретний отвір у непрозорому матеріалі. Промінь світла освітлює об’єкт (який звичайно має темний колір на білому фоні) і через оптичну систему направляться через маску на фотодетектор, розміщений за еталонною маскою. Чим більше темний об’єкт співпадає з еталоном, тим менше освітлюється фотодетектор. Недоліки такої системи РО: забруднення об’єкта призведе до невірної класифікації; об’єкт повинен бути строго визначених розмірів та ін.

У системах РО з електричними моделями розпізнавання «зважується» сума сигналів від рецепторного поля об’єкта з еталонами у вигляді матриць опорів, феритових осердь ...

Математична модель системи РО поділяє зображення на багато елементарних прямокутних комірок (пікселі). Набір результатів таких вимірювань рецепторного поля створює вектор, який у двійковій системі числення має, наприклад, вигляд P={0011010………111100010}. Відповідний математичний еталон теж має вигляд вектора Е_j={0010010………101100010}.

Скалярний добуток К_j=P*M_j^Tхарактеризує їхню схожість і має назву «коефіцієнт кореляції» (за аналогією з подібними обчисленнями в теорії ймовірності). Задача полягає у знаходженні еталону, який має найбільший коефіцієнт кореляції з зображенням.

Недоліки математичної моделі: метод може застосовуватись, коли зображення одного і того ж класу мають одне і те ж накреслення і сталі розміри; метод є чутливим до товщини і контрасту ліній, і на результат класифікації впливає зміщення зображення щодо точного положення.