4. МЕТОДЫ КОНТУРНОГО АНАЛИЗА В ЗАДАЧАХ РАСПОЗНАВАНИЯ ИЗОБРАЖЕНИЙ ПО ИХ ФОРМЕ

4.1. ВВОДНЫЕ ЗАМЕЧАНИЯ

В данном разделе будет рассмотрен подход к распознаванию изображений по их форме, задаваемой контурами этих изображений. Контуры изображений являются областями с высокой концентрацией информации, слабо зависящей от цвета и яркости, вследствие того, что подавляющее количество информации в сообщении находится в местах изменения сигнала [7, 34].

В экспериментальных исследованиях по психологии оператора радиолокационной станции обзора земной поверхности было показано, что предварительное формирование у него зрительного образа происходит в следующем порядке: грубое различение общих пропорций изображения и его положения, мерцание формы, различение резких перепадов контура, выделение отдельных деталей и, наконец, восприятие формы и деталей всего контура [18].

В работе [24] приводится гипотеза о формировании зрительного образа в сознании человека, в которой предполагается, что при восприятии глаз производит отслеживание линии контура, вследствие чего в сознании отмечаются все его характерные детали. В работах [47, 69] приводится мнение, что при восприятиии в сознании человека формируются два образа: образ контура и образ внутренней части изображения. Необходимым этапом восприятия считается сканирование по линии контура с целью выработки кода объекта для дальнейшего распознавания [17].

Приведенные данные вскрывают важную роль контуров при распознавании изображения. Исключительно важная роль анализа контуров подчеркивается в целом ряде оригинальный и обобщающих работ по распознаванию зрительных образов в области создания систем машинного зрения [3, 12, 25, 26, 44, 67, 78 и др.].

Из приведенных данных видно, что контурный анализ, под которым будем понимать совокупность методов выделения, описания и преобразования контуров изображений, является важным этапом обработки изображений и распознавания зрительных образов. Контур целиком определяет форму изображения и содержит всю необходимую информацию для распознавания изображений по их форме. Такой подход позволяет не рассматривать внутренние точки изображения и тем самым значительно сократить объем перерабатываемой информации за счет перехода от анализа функции двух переменных к функции одной переменной. Следствием этого часто становится возможность обеспечения работы системы распознавания в реальном масштабе времени. Однако даже в задачах, где нельзя отказаться от, анализа внутренних точек изображения, методы контурного анализа играют роль дополняющих и безусловно необходимы.

Другим доводом в пользу этих методов является резкое сокращение объема запоминающих устройств системы распознавания. Учитывая, что в современных вычислительных устройствах количество корпусов запоминающих устройств составляет 40—80% от общего количества корпусов микросхем, данный фактор дает возможность значительно уменьшить стоимость, снизить размеры, вес, энергопотребление.

Третий серьезный довод в пользу применения методов контурного анализа для автоматической обработки и распознавания зрительных образов состоит в следующем. Совершенствуя датчики и увеличивая объем запоминающих устройств, можно сформировать слабо искаженные шумом многоэлементные изображения. При этом задача распознавания облегчается, но основные трудности принятия решения о классе изображения вызваны искажениями распознаваемого изображения по отношению к эталону вследствие случайных переносов, поворотов и изменения масштаба. Применение методов контурного анализа в большей степени, чем пространственных методов, дает возможность получить модели, инвариантные к параметрам этих линейных преобразований изображения. Свойство инвариантности аналитических описаний контуров к группе линейных преобразований проявляется при соответствующем выборе линейного пространства для представления контуров как разновидности сигналов и позволяет резко снизить трудоемкость операций обработки и распознавания изображений.

Четвертым доводом в пользу методов контурного анализа служит устойчивость контуров изображений, получаемых одним и тем же или другими датчиками в разное время и при различных условиях. Другие характеристики изображения при этом значительно варьируются [42].

Способы аналитического задания контуров кодами тесно связаны с вопросами представления изображения для цифровой обработки, которые, в свою очередь, являются одним из разделов клеточной логики. Первые работы в этой области относятся к 50-м годам и были обязаны этим развитию теории автоматов. Для рассматриваемых далее вопросов нам будут важны следующие положения в отношении алгоритмов обработки изображений с использованием клеточной логики [18].

1. Правило дискретизации непрерывного бинарного по яркости изображения на сетчатке состоит в следующем: клетке присваивается значение единица, если изображение занимает площадь больше определенного порогового значения, например, больше 50 % площади, и значение ноль — в противном случае.

2. С позиций упрощения программирования задач обработки изображений, выражения координат точек на сетчатке в целых числах и обеспечения сопряжения с аппаратурой сканирования целесообразно выбирать для рецепторных полей квадратную сетчатку.