С. М. Белан, Р. Л. Моторнюк
Винницкий государственный технический университет, Винница, Украина
Источник информации: http://www.vstu.edu.ua
Abstract
All-out introduction in the everyday life to global computer network Internet superimposes their own specific requirements to information, which is claimed by the user through this network. Take into consideration that circumstance that one of the main types such information is a graphics, which requires greater expenseses of time to processing by usual software programs, in given work is considered possibility hardware realization functions for segmenting a scene.
Given method will enable to segment expressing in the mode of real scale of time that particularly it is important when using sufficiently quick relationship channels.
Стремительное развитие новейших технологий требует создания специализированных вычислителей, которые обеспечат более высокую скорость обработки больших массивов информации по сравнении с имеющимися на данное время персональными ЭВМ. В связи с тем, что в современной сети Internet одним из основных видов информации является видеоизображение, которое требует его обработки в режиме реального времени, возникает необходимость создания программно-аппаратных средств параллельной обработки данных. Одним из направлений решения данной проблемы есть создание устройств на основе однородных клеточных структур для обработки изображений [1, 2, 3, 4, 5, 6].
В современных цифровых ЭВМ изображения обрабатываются последовательно по соответствующему закону, то есть на обработку одной зрительной сцены тратится большой объем времени, что зависит, в первую очередь, от времени сканирования рабочего поля экрана. В однородных клеточных структурах изображение полностью налагается на матрицу процессорных элементов (ПЭ), которые представляют собой пиксели, что позволяет одновременно выполнять операции по преобразованию сразу всего изображения.
На базе клеточных апериодических нейроавтоматов могут быть созданы устройства, которые выполняют разнообразные преобразования изображения [7]: вычисление расстояния между двумя точками, преобразование системы координат, выделение контуров, выделение срезов, нахождение площади, определение геометрического центра, исправление единичных ошибок. Особое место занимает сегментация изображения, поскольку некоторые преобразования выполняются на основании результатов сегментации.
Сегментация – это разбиение изображения на составные части, которые имеют смысловую суть. Существует большое количество алгоритмов сегментации изображения, но большинство из них можно разделить на две группы, каждая из которых использует фундаментальное свойство изображения – сходство и отличие. В соответствии с этим существует два основных подхода к сегментации: 1) метод поиска однородных областей; 2) метод выделения контурных линий [8].
Сегментацию по методу поиска однородных областей можно проводить по какому-либо свойству S, которое характеризует сходство элементов каждой области между собой. Это может быть цвет, текстура, уровень яркости.
Наращивание областей состоит в том, что соседние элементы с одинаковыми или близкими уровнями яркости группируют, объединяя их в однородные области. При этом надо избегать ошибок неверного определения соседних элементов в зависимости от выбранной окрестности Фон Неймана (четырёхсвязной) или окрестности Мура (восьмисвязной). Важность точного определения показана на рис. 1.
Для учета ошибок при сегментации надо учитывать следующие ситуации:
1. Три области – черный контур и две белые области (Рис. 1, а).
2. Возникает неоднозначность: если выбирать соседей окрестностью Мура, то черные элементы составляют совместный контур, а по окрестности Фон Неймана – 4 отдельных прямоугольника. Парадокс состоит в том, что белый элемент (по окрестности Мура) внутри будет связан с внешней белой областью (Рис. 1, б).
Выделение контурных линий наиболее часто используется в системах технического зрения [9]. Контурные линии на изображении образуются из участков границ объектов, которые можно видеть, причем они могут быть границами не только между объектами сцены и форм, но и между изображениями разных объектов и даже между изображениями смежных поверхностей одного и того же объекта.
Выделение контуров изображения [8] базируется на учете изменения яркости (оценка поля градиентов) и дальнейшим ее сравнением с пороговым. При этом могут быть использованы методы численного дифференцирования функций двух переменных на дискретной сетке.
Модуль вектора градиента выходной функции изображения можно оценить по трем значениям дискрета изображения (обычно в память ЭВМ вместо выходного изображения g (x, y) вводится массив значений G (i, j), которые задаются на целочисленной сетке i = 0, Nx, j = 0, Ny). Значения G в узловых точках представляют среднюю яркость g элементов изображения в окраинах этой точки:
или более точно по 4 значениям при помощи оператора Робертса:
Обе эти вычислительные схемы существенно облегчаются, если вместо квадратных корней используются абсолютные величины (модули).
Неплохие результаты дают нелинейные детекторы границы, которые реализованы на современных ЭВМ и входят в средства технического зрения [9]. Но и они не могут по быстродействию приблизиться к клеточным апериодическим нейроавтоматам.
Сегментация изображений по параметрам яркости учитывает то, что каждый сегмент изображения отделяется от других соседних. Для сегментации методом порогового распределения необходимо получить бинарное изображение из полутонового. Для этого устанавливается некоторое пороговое значение. После квантования функция изображения G (i, j) = k (целые значения) при Tk > G(i,j) ? Tk-1, k ? (0, kmax), где Tk – значение k-го порогового уровня. В случае kmax = 1 оцифрованное изображение называют бинарным (двуградационным). Элементы изображения с уровнем яркости больше порогового принимают значение 1, меньшее порогового – 0.
Сегментацию выполняет однородная, извне не синхронизированная среда клеточной структуры. Базовым элементом есть процессорный элемент (ПЭ). Каждый ПЭ, который находится в узлах решетки, соединен с соседним однородными связями, по которых передаются информационные сигналы и сигналы передачи возбуждения. Каждый ПЭ устанавливается в «1» или «0» в зависимости от входного значения пороговой интенсивности. Передача возбуждения происходит сразу по всех восьми направлениях. Во время встречи двух сигналов возбуждения формируется сигнал края сегмента. Межсегментное кодирование края обеспечивается при помощи дополнительного шара ПЭ. Структурная схема расположения дополнительных ПЭ (ДПЭ), которые составляют дополнительный шар, и информационных ПЭ (ИПЭ), которые составляют информационный шар, показано на рис. 2.
Среда содержит два входа управления: УПИ – установление пороговой интенсивности, УП – установление предела. ДПЭ расположены таким образом, что находятся напротив границы соответствующих ИПЭ. Каждый ДПЭ имеет 2 входа от соседних ИПЭ. Кроме того, каждый ДПЭ имеет всего 2 соседних ИПЭ и одного ДПЭ. Соседство определяется электрическими или оптическими связями.
Данная структура выполняет комбинированное кодирование границ каждого сегмента. Границы (контур) самого изображения кодируют только ИПЭ.
Разработанный метод позволяет построить высокопродуктивную клеточную среду, которая, без внешнего управления, позволяет разбивать исходное изображение (например, полученное по сети Internet) на отдельные сегменты по параметрам яркости и цвета для дальнейшей их обработки.
Литература:
1. Білан С.М. Теоретичні основи клітинних аперіодичних автоматів – Перша міжнародна науково-методична конференція “Методичні та організаційні аспекти використання мережі Інтернет в закладах науки та освіти” (Інтернет-Освіта-Наука-98). Матеріали конференції. Том 2. – Вінниця: “УНІВЕРСУМ Вінниця”, 1998. – с.409-416.
2. Кожемяко В.П., Білан С.М., Чернецька О.В. Методи визначення геометричних параметрів у людини і спроба їх реалізації в системі технічного зору на основі клітинних нецроавтоматів – Вимірювальна та обчислювальна техніка в технологічних процесах, №1, 1999р., с.143-147.
3. Kozhemyako V., Bilan S., Savaliuk I. Optoelectronics self-regulation neural system for treatment of vision information// SPIE Proceeding, Washington, USA, - Vol.3035, - P.120-126.
4. Білан С.М. Масштабування зображень у дискретних однорідних аперіодичних нейроавтоматах – Вісник ВПІ, №1, 1999р., с.7-11.
5. Білан С.М. Принципи побудови однорідних клітинних нейроквантронавтоматів для виділення контурів зображення – Вісник ВПІ, №3, 1999р., с.36-40.
6. Білан С.М., Коваль Д.М. Зафарбовування областей на базі клітинних аперіодичних нейроавтоматів – Вісник ЖІТІ, №10, 1999р., с.166-173.
7. Кожемяко В.П., Тимченко Л.И., Белан С.Н. Поплавский А.В. Параллельные вычислительные методы и средства пирамидальной обработки информации. – К.: Институт системных исследований, 1993. – 272с.
8. Брайс К.Р., Феннема К.Л. Анализ сцены при помощо выделения областей В кн.: Интегральные роботы. Вып. 2. – М.: Мир 1975 с.136-159.
9. Техническое зрение роботов. Под ред. Ю.Г.Якушенкова – М.: “Машиностроение” 1990. – 300с.