Реферат

Введение

Вычислительная техника с каждым годом все шире применяется в различных сферах человеческой деятельности. Ее применяют в процессе научных исследований, при автоматизации работы машин и оборудования, для выполнения многочисленных технических расчетов, составления графиков и расписания работы бригад, расчета экономических показателей, текущего контроля выполнения планов и др.
На сегодняшний день техника внедрена во все области общественной жизни. Человек пытается автоматизировать любой процесс с целью извлечения максимальных результатов, затрачивая при этом минимум усилий при использовании.
Автоматизированные системы управления стали неотъемлемой частью сегодняшнего общества. И, как не странно, иногда именно машины выполняют те функции, которые человеку не под силу. С каждым днем число новых идей растет, со временем они получают реальную поддержку с помощью автоматизации. Таким образом, человек расширяет круг своих возможностей в различных сферах своей жизни.
В данной работе разрабатывется система, которая в последствии облегчит восприятие человеческим глазом отдельных областей изображения, а именно, автоматизированная система выделения и обработки отдельных объектов на изображении с помощью методов контурного анализа, речь о которых пойдет далее. В качестве предметной области выступают снимки автомобилей, а в качестве интересующих нас объектов – области изображений с номерами машин. Данный выбор, возможно, поможет решить в дальнейшем проблему, которая весьма актуальна на данный момент, а именно, данная система будет на фиксированных снимках автомобилей, превышающих скорость, выделять области их номерных знаков для их дальнейшего распознавания. Это позволит не только регулировать правила дорожного движения, но и отслеживать автомобили, находящиеся в розыске. Каждый день на дорогах, к сожалению, происходит немалое количество дорожно-транспортных происшествий, так как мы постоянно находимся в движении, а движение требует скорости, и не всегда контролируемой нами. Данная автоматизированная система при ее внедрении поможет регулировать движение на дорогах нашей страны, и, будем надеяться, снизить число ДТП.

1.Цель и задачи

Целью данной автоматизированной системы является выделить контуры всех объектов на изображении с использованием методов контурного анализа, а затем, с помощью определенных заданных характеристик найти область, соответствующую номерному знаку автомобиля. Далее выделенная область посылается на вход систем распознавания символов.
В нашем случае рассматриваются фиксированные фотографии автомобилей, сделанные при их движении на дорогах специальными фотодатчиками. Данные устройства срабатывают не на все движущиеся машины на дорогах, а только в том случае, если сработали специальные датчики превышения скорости. Датчики контроля скорости располагаются в определенных местах дорожного движения на необходимом расстоянии друг от друга. При прохождении через первый датчик машина фиксируется с определенным значением в реальном времени, и в том случае, если эта же машина фиксируется вторым датчиком через время, меньшее минимального допустимого времени для прохождения данного расстояния, срабатывает фотодатчик, в результате чего получается снимок машины, превысившей скорость.
Данное изображение является цифровым, с разрешением 3,264 х 2,448. Что касается его внешних характеристик, то, как таковых, ограничений по размерам нет, а в отношении цветовых особенностей – 256 градаций яркости. В качестве примера приведу несколько снимков.
     (1)  (2)
    Рисунок 1-2. Пример прослеживания внешних контуров
    
Новизна данной разработки состоит в том, что на данный момент в Украине пока таких систем в обиходе нет, в отличие от европейских стран.

2.Основные понятия и определения
2.1 Определение анализа и признаков изображения

Анализ изображения – выделение из изображений нужной информации с помощью автоматических или полуавтоматических приборов и систем.
Анализ изображений отличается также от классического распознавания образов тем, что системы анализа по определению не ограничиваются разделением областей сцены на фиксированное число классов, а предназначены для описания сложных сцен, разнообразие которых может быть настолько большим, что их нельзя описать с помощью заранее заданных терминов. В системе анализа также могут использоваться методы искусственного интеллекта для управления различными блоками системы и организации эффективного доступа к базе априорных сведений об объектах.
Признак изображения - это его простейшая характеристика или свойство. Некоторые признаки являются естественными в том смысле, что они устанавливаются визуальным анализом изображения, тогда как другие, так называемые искусственные признаки, получаются в результате его специальной обработки и измерений. К естественным признакам относятся светлота (яркость) и текстура различных областей изображения, форма контуров объектов. Гистограммы распределения яркости и спектры пространственных частот дают примеры искусственных признаков.
Обычно анализ изображений включает такие операции, как получение внешнего контура изображенных объектов и запись координат точек этого контура. Чаще всего требуется получить внешний контур в виде замкнутой кривой или совокупности отрезков дуг. Имеется три общих подхода к представлению границ объекта, а именно:
  - Аппроксимация кривых
  - Прослеживание контуров
  - Связывание точек перепадов
Наиболее приемлемые в нашем случае подходы будут рассмотрены несколько позже в описании возможных методов для реализации решения поставленной задачи.
Так как нас интересует контурный анализ изображения, то рассмотрим его определения несколько подробней.

2.2 Принцип контурного анализа и контурные признаки

Резкие изменения (разрывы яркости), координат цвета или параметров, характеризующих текстуру, являются важными простейшими признаками, поскольку они часто определяют очертания изображенных объектов. Локальные разрывы значений яркости называются яркостными перепадами, или яркостными контурами.
Общий подход к обнаружению перепадов на одноцветном изображении можно описать следующим образом. Исходное изображение, представленное массивом чисел F(j, k), подвергается линейной или нелинейной обработке с тем, чтобы усилить перепады яркости. В результате образуется массив чисел G (j, k), описывающий изображения с подчеркнутыми изменениями яркости. Затем выполняется операция сравнения с порогом Т и определяется положение элементов изображения с ярко выраженными перепадами. Если
    G (j, k) < T_L (j, k),
то имеет место нисходящий перепад, а при
    G (j, k) > T_U (j, k)
  - восходящий перепад.
Величины T_L (j, k) и T_U (j, k) представляют собой нижнее и верхнее пороговые значения. Эти значения можно сделать переменными в плоскости изображения для компенсации влияния сильных изменений яркости на результаты обнаружения перепадов.
Выбор порога является одним из ключевых вопросов выделения перепадов. При слишком высоком уровне порога не будут обнаружены структурные элементы с низким контрастом. Наоборот, слишком низкий уровень порога явится причиной того, что шум будет ложно принят за перепад. Для обозначения положения перепадов на изображении часто формируется контурный препарат – массив элементов Е (j, k).
При рассмотрении контурного анализа следует дать определение понятию края.
Края – это такие кривые на изображениях вдоль которых происходит резкое изменение яркости или ее производных по пространственным переменным. Интуитивно краем обычно является граница между двумя областями, каждая из которых имеет приблизительную равномерную яркость. Часто края на изображениях возникают как результат наличия силуэтных линий объектов. В этом случае две упомянутые области являются изображениями двух разных поверхностей. Нас более всего интересуют такие изменения яркости, которые отражают важные особенности изображаемой поверхности. К ним относятся места, где ориентация поверхности меняется скачкообразно, либо один элемент загораживает другой, или же ложится граница отброшенной тени, либо отсутствует непрерывность в отражательных свойствах поверхности.

3.Методы, выбранные для решения поставленной задачи
3.1 Метод активных контуров без предварительного выделения границ

Данный метод весьма похож на обычный метод активных контуров, или как его еще называют, метод змеек. Но отличие этого метода состоит в том, что он не требует предварительного выделения границ объекта. Это новая модель для определения объектов на изображении, причем границы этих объектов необязательно должны быть определены градиентом. Исходная кривая может быть в любом месте изображения. Развитие и направление этой кривой связано с сегментацией изображения. При развитии кривая останавливается на желаемой границе объекта.
Одним из достоинств данного метода является то, что исходное изображение не нужно сглаживать. С помощью данного метода определяются внутренние контуры, используя изначально только 1 исходную кривую. Ее позиция может быть выбрана произвольно, в любом месте изображения. Кроме того, эта кривая не обязательно должна окружать определяемый нами объект.
Принцип действия данного метода можно схематически представить с помощью следующей анимации:

На данном изображении змейка (как правило, она замкнутой округлой формы) начинает двигаться из произвольной точки. При пересечении границ она останавливается и начинает деформироваться, принимая форму контура исследуемого объекта. Момент определения пересечения границы мог произойти раньше, все зависит от заданных параметров метода. Кроме того стоит заметить, что сам процесс конечно же происходит значительно быстрее, - данное изображение для наглядности иллюстрирует весьма замедленную обработку.
Далее представим несколько базовых переменных для описания математической модели данного метода.

3.2 Математическая модель метода

Активный контур – это упорядоченная последовательность из n точек на плоскости изображения.
Пусть функция J (c) описывает поведение кривой внутри и вне объекта.
С – это параметрическая кривая, выбранная произвольно, которая зависит от x и y.
          (1)
где - это положительные параметры, u₀ – данное изображение. Первые две интегральные части контролируют гладкость контура (т. е., его внутреннюю энергию), в то время, как третья часть отражает направленность контура по отношению к объекту (т. е., его внешнюю энергию).
Учитывая это, мы минимизируем энергию, пытаясь расположить кривую в точках , действуя как детекторы границ.
Детектор границ в общем виде определен положительной и убывающей функцией g зависящей от градиента на изображении u₀, так что
              (2)
Например,
             (3)
при
где - более гладкий вариант u₀,
- положительна в однородных областях и равна 0 на границах. Другими словами, исследуется гладкость контура. Гладкость контура на изображениях характеризуется скачком градиента в сингулярных точках контура. Чем больше скачок градиента, тем менее гладкий контур.
Определить месторасположение кривой можно с помощью следующего выражения:
          (4)
где С – иная переменная кривая, а константы с₁ и с₂, зависящие от С, - это средние составляющие u₀, внутри С и, соответственно, за пределами С. Проще говоря, возможны следующие варианты:
   - если кривая С находится за пределами объекта,
тогда F₁(C) > 0 и F₂(C)≈0 ;
   - если кривая С находится внутри объекта,
тогда F₁(C)≈0, но F₂(C) > 0 ;
   - если кривая С находится как внутри, так и за пределами объекта,
тогда F₁(C) > 0 и F₂(C) > 0;
   - наконец, соответствующая энергия сминимизирована, если С = С₀, т. е. кривая С находится на границе объекта.
Для получения более точного контура было принято решение полученное изображение обработать с помощью стандартного метода змеек. Используя предыдущий метод, был получен первоначальный контур, который теперь будет уточнен традиционным методом активных контуров.

4.Практическая реализация

Итак, для построения системы поиска и обработки объектов на изображениях данной предметной области необходимо выполнение следующих действий, а именно:

• обзор систем отслеживания объектов;
• математическое моделирование и программная реализация методов контурного анализа (в данном случае, методов активных контуров – с предварительным выделением границ и традиционных);
• выбор значений параметров метода, обеспечивающих наиболее точное выделение номера на автомобиле;
• экспериментальное подтверждение работы методов на конкретных изображениях.

5.Обзор некоторых существующих методов

Теперь, когда даны определения основным понятиям для более свободной ориентации в исследовании данной задачи, перейдем к обзору нескольких существующих методов, используемых для обработки изображений, выделим их основные принципы и выясним недостатки при тех или иных условиях.

5.1 Использование вторых призводных

Для подчеркивания перепадов яркости изображения можно использовать вторые производные. Двумерный дифференциальный оператор носит название ОПЕРАТОРА ЛАПЛАСА или ЛАПЛАСИАНА и имеет следующий вид:
        (5)
Применение этого оператора к изображению I(i,j) сводится к свертке изображения с маской вида:
       0 -1 0
      -1 4 -1
       0 -1 0.
В качестве недостатка использования оператора Лапласа можно отметить, что в отличие от градиента, лапласиан - скалярная, а не векторная величина. Следовательно, с его помощью нельзя получить направление границы.
Кроме того, данный оператор усиливает шум на изображении Причем, чем выше порядок производной, тем больше это усиление. Поскольку масштаб шума на изображении всегда меньше масштаба содержащихся на нем объектов, использование градиента и, особенно, оператора Лапласа приводит к усилению шумов. Для борьбы с этим явлением изображение предварительно сглаживают, уменьшая высокочастотный шум.

5.2 Детектор границ Canny

John Canny описал алгоритмы обнаружения границ, которые с тех пор стали одними из наиболее широко используемых. Можно сказать, что они стали классикой в области обнаружения границ. Canny исходил из трех критериев, которым должен удовлетворять детектор границ:
      1) хорошее обнаружение (Canny трактовал это свойство как повышение отношения сигнал/шум);
      2) хорошая локализация (правильное определение положения границы);
      3) единственный отклик на одну границу.
Из этих критериев затем строилась целевая функция стоимости ошибок, минимизацией которой находится "оптимальный" линейный оператор для свертки с изображением.
Алгоритм детектора границ Canny не ограничивается вычислением градиента сглаженного изображения. В контуре границы оставляются только точки максимума градиента изображения, а не максимальные точки, лежащие рядом с границей, удаляются. Здесь также используется информация о направлении границы для того, чтобы удалять точки именно рядом с границей и не разрывать саму границу вблизи локальных максимумов градиента. Затем с помощью двух порогов удаляются слабые границы. Фрагмент границы при этом обрабатывается как целое. Если значение градиента где-нибудь на прослеживаемом фрагменте превысит верхний порог, то этот фрагмент остается также "допустимой" границей и в тех местах, где значение градиента падает ниже этого порога, до тех пор пока она не станет ниже нижнего порога. Если же на всем фрагменте нет ни одной точки со значением большим верхнего порога, то он удаляется. Такой гистерезис позволяет снизить число разрывов в выходных границах.
Включение в алгоритм Canny шумоподавления с одной стороны повышает устойчивость результатов, а с другой – увеличивает вычислительные затраты и приводит к искажению и даже потере подробностей границ. Так, например, таким алгоритмом скругляются углы объектов и разрушаются границы в точках соединений.

5.3 Прослеживание контуров

Следующим из упомянутых выше подходов являлось прослеживание контуров. Данный метод напоминает поведение жука, обходящего препятствие. В случае двоичного изображения воображаемый жук начинает свой путь на белом фоне и движется по направлению к области черных элементов изображения. После того как жук пересечет черный элемент, он поворачивается налево и переходит к следующему элементу. Если этот элемент черный, жук снова поворачивает налево, если же элемент оказывается белым, то жук поворачивает направо. Эта процедура продолжается до тех пор, пока жук не вернется в исходную точку. Декартовы координаты точек перехода с черного на белое или с белого на черное дают местоположение границы.
            
    Рисунок 3. Пример прослеживания внешних контуров
  
Определение границы также зависит от точки начала движения жука. Один из недостатков этого метода заключается с наличием дыр внутри объекта, которые жук может пропустить. Проблемы такого характера можно преодолеть, снабдив жука некоторой памятью и интеллектом, что позволит ему запомнить свои прошлые шаги и возобновлять прослеживание, если данный путь окажется ошибочным. Описанный алгоритм чаще всего применяется к яркостным изображениям, подвергнутым пороговому ограничению, но данную идею можно легко распространить и на многоградационные изображения. Один из подходов состоит в том, что граничная точка отмечается, если разности яркостей соседних элементов изображения достаточно велика. В результате жук формирует контуры по ходу своего движения.
Кроме того, что этот метод является весьма устарелым, еще одним из недостатков данного подхода является большое количество повторений вычислений, т.е. маршрутов, жука для получения более точного контура. Т. е. временные затраты не всегда, и даже в большинстве случаев, совсем не оправдают полученных результатов.
Noble использует математическую морфологию для нахождения структуры изображения. Описывается несколько различных морфологических операций, которые используются для улучшения границы и обнаружения двумерных особенностей. "Erode-dilate" оператор подобен производной первого порядка, и "open-close" оператор подобен производной второго порядка. Границы хорошего качества обнаруживаются при прослеживании с обеих сторон каждой границы и затем эти "половины границ" сшиваются вместе. Связность в соединениях, как правило, хорошая, хотя иногда появляются ложные короткие "хвосты" в структурах типа T-соединений. Алгоритм, и особенно часть прослеживания границы, требует довольно больших вычислительных затрат.

6. Проблемы и нерешенные вопросы в области контурного анализа изображения

Исследуя данную проблему, становятся очевидным, что с одной стороны этот вопрос освещается весьма широко, хотя непосредственно в Украине он затронут весьма поверхностно, больше внимания его изучению уделяется за рубежом. Со временем исследования в области методов контурного анализа становятся все глубже и глубже, однако по мере того, как изучаемая область становится шире, появляется все больше и больше вопросов для дальнейшего рассмотрения.
Все еще не решена проблема получения идеального замкнутого контура, хотя современные методы весьма приближают решение этой проблемы. Также остается открытым вопрос о том, как отбросить ложные контуры, не затронув при этом другие, которые являются истинными. Кроме того, часто при получении изображения для дальнейшей обработки возникает проблема наложения контура. Таким образом, разделение контуров также является все еще не до конца нерешенной проблемой.
Исследования в данной области будут актуальными до тех пор, пока не решатся хотя бы эти вопросы. Обработка изображений довольно современная проблема и многие ученые, работающие в данном направлении предлагают свои методы решения. Например, Хейнс С. М. и Джейн Р. В своих работах «Определение движущихся краев» предлагают следующую идею: по их мнению, точность выделения краев можно повысить путем их прослеживания на последовательности изображений, полученных в разные моменты времени.

Заключение

На сегодняшний день в Украине данные системы не используются в реальном времени на транспортных дорогах. Поэтому в дальнейшем будет сделана попытка углубиться в исследования с целью внедрения новых разработанных технологий в различные сферы деятельности, в том числе и дорожное движение.
За рубежом использование данных систем встречается практически повсеместно, т. к. выделение контуров отдельных объектов весьма облегчает дальнейший поиск этих объектов. Будем надеяться, что развитие передовых технологий в данной области в нашей стране в скором также будет иметь место.

Список источников

• 1. У. Претт «Цифровая обработка изображений», том 2, Москва – 1982г.-c.499-500,564-566.
• 2. Kaas M., Witkin A., Terzopoulos D. Snakes: Active Contour Models. // Int. Journal of Computer Vision. - 1987, N1, -p.312-331.
• 3. Павлидис Т. Алгоритмы машинной графики и обработки изображений. / М.: Радио и связь, 1986. - 399 с.
• 4. Б. К. П. Хорн «Зрение роботов», Москва – 1989г.-c.173-188
• 5. Canny J.F. Finding edges and lines in images. / Master's thesis, MIT, Cambridge, USA, 1983.