В связи с широким применением систем технического зрения в промышленности и народном хозяйстве актуальным направлением являются разработки, связанные с нахождением и распознаванием объектов изображения. Большой интерес и значимость обнаружения и распознавания объектов изображения обусловлены и тем обстоятельством, что решение данной задачи находит широкое применение при осуществлении автоматизированного контроля за объектами исследования и определения их параметров.

	Рисунок 1

Данное устройство выделяет объекты изображения и распознает их с использованием нечеткой кластеризации. Кластеризация представляет собой метод разбиения множества разбросанных данных на несколько групп. Разбиение осуществляется так, чтобы данные в одной группе обладали похожими свойствами, а свойства в среднем между группами максимально различались. Пусть х₁, х₂,…, х_n – n данных, а Х – множество этих данных; х_j –            d-мерный вектор, тогда

Х={ х₁,х₂,…,х_n}, x_jÎR^d.                                           (1)

это множество разбивается на с кластеров (2≤с<n). Степень принадлежности х_j к к-му кластеру обозначим через  u_kj. При этом u_kjÎ[0,1] (2). Нечеткая кластеризация допускает принадлежность данных двум и более кластерам, но сумма степеней принадлежности составляет 1, а u является весом принадлежности к кластеру.

Пусть М_fc – множество с´n-матриц U (называемых матрицами разделения), элементами которых являются u_kj, удовлетворяющие выражению (2). R^d в выражении (1) называют пространством особенностей, а х_k={х_k1, х_k2,…, х_kd} – вектором признаков.

Сумма квадратичных ошибок в обобщенной группе принимается за целевую функцию

                 (3)

где x_j – d-мерные измеренные данные, v_k – d–мерный вектор, центр k–го кластера, ||*|| – произвольная норма, отражающая подобие измеренных данных и центра кластера.

Значения u_kj и v_k, при которых формула (3) минимальна, при m>1 удовлетворяют следующим условиям:

условие 1:                                   (4)

условие 2:                                                               (5)

Значение u’_kj, обеспечивающее минимум (3), можно найти с помощью следующей итеративной процедуры.

1) Выбрать значение m и число кластеров с и определить соответствующим образом норму в выражении (4). Для U задать начальное значение U⁽⁰⁾ÎМ_fc (U⁽⁰⁾ выбирается случайным образом независимо от u_kj).

2) Вычислить центр кластера {v_k⁽⁰⁾}, используя U⁽⁰⁾ и формулу (5).

3) Определить U⁽¹⁾, используя {v_k⁽⁰⁾}и формулу (4).

4) Задать подходящую норму и граничное значение e и выполнять предыдущие шаги до тех пор, пока || U^(p) – U^(p-1) ||£ e.

Полученные таким образом элементы u’_kj матрицы U характеризуют степень принадлежности x_j кластеру k.

Изображение делится на 32 х 32 элемента; каждый элемент состоит из     10 х 10 ячеек. Далее задаются основные виды кластеров, например, автомобиль, строение, пешеход, к которым и определяется степень принадлежности.

Предложенное устройство осуществляет оцифровку аналогового видеосигнала, выделение и распознавание объектов изображения с разрешением 640 х 480 и передачу результата в ОЗУ ЭВМ в реальном масштабе времени.