Апаратні засоби та методи обробки і аналізу зображень плоских фігур

 вона має три сусідніх клітини, що належать контуру, і ортогональні;

 вона має три сусіда, у котрих діагональний збуджений, а два недіагональних сусіда (між собою вони сусіди по діагоналі) не збуджені;

 вона має тільки одного сусіда, який належить контуру.

Для видалення таких завад використовується околиця другого порядку, клітини якої є найближчими сусідами клітин околиці першого порядку, а також визначаються клітини, що знаходяться у найкоротшому сусідстві.

Визначення 6. Три клітини, що належать контуру зображення фігури, знаходяться у найкоротшому сусідстві, якщо одна з них є сусідньою для інших, котрі не є сусідами між собою і не мають сусідів, які не є сусідами для загальної клітини.

Виходячи з даного визначення вводиться визначення контурної завади.

Визначення 7. Клітина є контурною завадою в тому випадку, якщо вона знаходиться у сусідстві з клітинами, які знаходяться у найкоротшому сусідстві між собою.

Визначення, що характеризують відношення між сторонами полягає у розробці алгоритмів визначення кутів у вершинах, для чого фігура розбивається на трикутники, дві сторони кожного з них належать контуру, і застосовується наступна формула

 

 .

 

Для визначення кутів також використовується метод визначення сусідніх вершин, що утворюють кут, і який полягає у зсуві зображення фігури до крайнього лівого стовпчика, в якому визначаються сусідні вершини. Даний алгоритм найбільш ефективний у випадку, коли відомі вершини, але не відомо їх місце розташування.

Третій розділ присвячений розробці і дослідженню пристрою розпізнавання зображень плоских фігур з вільною орієнтацією на вході. Розроблені та досліджені багатофункціональні структури паралельної обробки інформації на основі базового аперіодичного елемента, які дозволяють організувати принцип паралельного порівняння операндів, а також реалізують паралельний стиск зображень. В основі таких спеціалізованих структур лежить базовий аперіодичний елемент (БАЕ), який дозволяє за рахунок аперіодичної організації функціонування реалізувати паралельні процеси в схемах.

Модель мережі Петрі для БАЕ подана на рис. 4, а модель каналу передачі сигналу збудження – на рис. 5. Такий БАЕ призначений тільки для передачі сигналу збудження в середовищі КАНА і складається з основного Аосн та доповняльного Адоп пунктів мережі.

При дослідженні запропонованих структур визначено максимальний час, що витрачається на стиск зображень. Отримані VHDL – моделі таких пристроїв.

Клітинне середовище вводу (КСВ) зображення на вході пристрою здійснює його перетворення у форму, доступну для внутрішньої обробки. Перетворене зображення надходить до клітинного середовища попередньої обробки (КСПО) де проводяться необхідні операції попередньої обробки для визначення заданих ознак у клітинному середовищі формування вектору ознак (КСФО). Блок порівняння (БП) проводить порівняння з еталоном, що зберігається в блоці еталонів (БЕ), і якщо вектор не визначений, то отриманий вектор, по сигналу управління (СУ) додається до еталонних векторів з привласненням імені.

Розглянуті структури, що реалізують кожний блок, приведені їх принципи функціонування по реалізації розроблених методів. Проведено їх моделювання в середовищі Active-HDL, що доводить їх надійність функціонування, а також дає можливість простої реалізації отриманих структур на основі ПЛІС.

Проведено аналіз ефективності розпізнавання і попередньої обробки зображень в КАНА з точки зору точності і швидкості розпізнавання для зображень з вільною орієнтацією, а також дана оцінка продуктивності пристрою розпізнавання. Завдяки оригінальності структури КАНА дана оцінка аперіодичності нейроструктур на основі коефіцієнта глибини розповсюдження, а також енерговитратам, поданих коефіцієнтом енергоспоживання.

Розглянуто рівень багатофункціональності і подана графічна часова залежність дискретних однорідних обчислювальних середовищ для розв’язання задач попередньої обробки і опису зображень. На рис. 7 розглянуті графіки залежності відношення часу виконання алгоритму на ЕОМ tS/tP – часу виконання алгоритму на клітинному автоматі від розмірності n матриці цифрового зображення для кожної поданої задачі.

У четвертому розділі приведено комп’ютерне моделювання процесів впливу властивостей вектору ознак на точність розпізнавання плоских фігур.

Отримані залежності впливу зміни форми геометричної фігури на її площу, які подаються як залежність від висоти багатокутника, або окремих його складових фігур, наприклад, трикутників (рис. 8). Для обчислення таких даних використовувалась теорема Герона.

За допомогою комп’ютерного моделювання проведено дослідження точності визначення кількості вершин від кута повороту зображення фігури з урахуванням аліайзінгу. Встановлено оптимальний кут повороту, при котрому точність є максимальною і який дорівнюється 3 градусам для будь якої точки вершини.

Якщо використовувати алгоритм підрахунку ступеньок у прямій, то тут оптимальним кутом повороту є кут, що дорівнюється 10 градусів, а при застосуванні алгоритму, що використовує різні ширини стовпчиків, кут визначається 8 градусами.

Дослідження контурних зображень на наявність завад під час повороту показало, що практично всі контурні завади розташовані при вершинах фігур, а залежності кількості завад від повороту показали однакові форми для різних фігур.

Досліджено також вплив повороту фігури на визначення її геометричних розмірів і визначена величина відхилень, яка дорівнює 1 піксель.

 

 

В дисертаційній роботі подано теоретичне обґрунтування і нове рішення наукової задачі підвищення точності і швидкодії розпізнавання зображень плоских фігур, які змінили орієнтацію у полі вхідної апертури пристрою розпізнавання.

1. Досліджені методи розпізнавання зображень плоских