Сегментация изображения методом выделения краев

Для нахождения области распознавания нам необходимо найти линию и выделить область над ней.

Для этого мы идем с середины изображения снизу вверх и считаем количество перепадов, если это количество соответствует заданному – это нужная линия, а значит выделяем область над этой линией.

Рисунок 3.1 – Сегментация изображения.

Зная координату по вертикали и общие размеры листа, мы можем приблизительно выделить область, содержащую габаритный размер. Результат сегментации приведен на рисунке 3.2.

Рисунок 3.2 – Сегментация изображения.

Бинаризация пороговым методом

В рамках данного проекта был реализован алгоритм бинаризации пороговым методом.

Если значения объектов и фона достаточно однородны, то можно использовать одно пороговое значение для всего изображения (глобальное). В этом случае задается значение яркости, которое выступает в качестве порога. Все пиксели полутонового изображения обращаются в 1, если их яркость меньше порога, остальные 0.

Далее интенсивность каждого исследуемого пикселя вычисляется по формуле: где f(m,n) - яркость пикселя на исходном изображении, f'(m,n) - яркость пикселя на новом изображении, t - пороговое значение.

Результат бинаризации приведен на рисунке 3.3.

Рисунок 3.3 – Бинаризация пороговым методом (порог 175).

Выделение контуров (метод «Жук»)

"Жук" начинает движение с белой области по направлению к черной. Как только он попадает на черный элемент, он поворачивает налево и переходит к следующему элементу. Если этот элемент белый, то жук поворачивается направо, иначе - налево. Процедура повторяется до тех пор, пока жук не вернется в исходную точку. Координаты точек перехода с черного на белое и с белого на черное и описывают границу объекта. Результат оконтуривания приведен на рисунке 3.4.

Рисунок 3.4 – Выделение контура (метод «Жук»).

Распознавание

Для распознавания выделенных в предыдущем пункте символов будут использоваться 2 метода: метод ближайшего соседа и персептрон.

Реализация метода ближайшего соседа предполагает создание базы изображений, которые содержат наборы различных информативных признаков для каждого символа. Алгоритм работает следующим образом: при распознавании очередного символа, используя яркость каждого пикселя, производится расчет евклидового расстояния от него до каждого символа базы. Минимальное из этих расстояний и определяет символ. На следующем рисунке 3.5 показан пример работы этого метода.

Рис 3.5 – Метод ближайшего соседа

Также для распознавания выделенных символов используется персептрон. Предположим, что на поле рецепторов проектируются фигуры, принадлежащие к двум различным образам. Если окажется возможным привести персептрон в такое состояние, чтобы он с достаточной надежностью выдавал на выходе 1, при появлении на его входе фигур одного образа, то это будет означать, что персептрон обладает способностью обучаться различению двух образов.

Описанная структура персептрона позволяет разделять предъявляемые объекты только на два множества. Для распознавания большего числа образов, например, трех образов А, В и С, может быть применен персептрон, построенный по схеме, представленной на рис. 3.6.

Выходной сигнал каждого А-элемента поступает не на один, а на несколько (по числу различаемых образов) усилителей. После умножения на λ выходные сигналы поступают на сумматоры Σ, количество которых также равно числу различаемых образов. Вместо R-элемента установлено устройство, сравнивающее между собой выходные сигналы сумматоров. Предъявленный объект относится к тому образу, сумматор которого имеет наибольший сигнал.

Рис. 3.6 Структурная схема персептрона с несколькими выходами

На следующем рисунке 3.7 показан пример работы персептрона.

Рис. 3.7 – Персептрон

ПРОГРАММНАЯ РЕАЛИЗАЦИЯ

Схема программного обеспечения

Приложение разработано на языке программирования C# в среде разработки Visual Studio 2015. В этом проекте разработка происходила под OS Windows.

Не нашли, что искали? Воспользуйтесь поиском по сайту: