Önleyici Güvenlik Sistemlerinde Görüntü İşleme ve Tanıma: Bir Eğitim. Muthukrishnan R, Radha M. - Görüntü segmentasyonu için kenar algılama algoritmaları Referanslar

Doğrusal olmayan kenar algılama sistemleri, eşikten önce kontrast oluşturmak için piksel parlaklık değerlerinin doğrusal olmayan kombinasyonlarını kullanır. Yöntemlerin çoğu, veya boyutundaki bir pencereyi işlemekle sınırlıdır.

Roberts, farklılıkları karşılaştırmak ve vurgulamak için iki boyutlu ayrık farklılaşmanın aşağıdaki basit doğrusal olmayan işlemini önerdi:

.(17.4.10)

Daha az hesaplama gerektiren bir başka uzamsal farklılaşma işlemi formülle belirlenir.

Kolaylıkla gösterilebilir ki

Tespit edilen noktanın yakınında bulunan dört görüntü elemanından en yüksek parlaklık değerine sahip olanı işaretlenerek, damlanın yaklaşık yönü hakkında bilgi elde etmek mümkündür. Pirinç. 17.4.8, Roberts operatörlerinin nasıl çalıştığını gösterir.

Pirinç. 17.4.8. Roberts dedektörlerini kullanarak kenar algılama örnekleri.

Sobel, kontrast oluşturmak için bir öğe penceresine sahip doğrusal olmayan bir operatör kullanılmasını önerdi. İncirde. 17.4.9, kendisi tarafından kullanılan pencere elemanlarının tanımlarını gösterir. Farkları karşılaştırmak için değer hesaplanır

, (17.4.13а)

Değerler, Şekil 2'de gösterilen pencerenin elemanlarının parlaklığıdır. 17.4.9. Sobel operatörünü kullanarak damlaları tespit etmenin sonuçları Şekil 2'de gösterilmektedir. 17.4.10.

Farklılıkları karşılaştırmak için aynı eleman penceresine sahip başka bir doğrusal olmayan operatör Kirsch tarafından önerildi.

Pirinç. 17.4.9. Pencere boyutuna sahip kenar seçimi operatörleri için elemanların belirlenmesi.

Bu operatör aşağıdaki ifade ile tanımlanır:

, (17.4.14а)

, (17.4.14b)

Eklerin indeksleri, modulo 8 olarak hesaplanır. Özünde, Kirsch operatörü, değeri hesaba katmadan görüntünün bir noktasında rota gradyanının maksimum değerini verir. Kirsch operatörünü kullanarak damlaları tespit etme örnekleri Şekil 2'de gösterilmektedir. 17.4.11.

Wallis, homomorfik görüntü işlemeye dayalı doğrusal olmayan bir kenar algılama yöntemi önerdi. Bu yönteme göre, bu noktadaki parlaklığın logaritmasının değeri, en yakın dört komşu öğenin parlaklıklarının logaritmasının ortalama değerini sabit bir değerle aşarsa, fark üzerinde bir nokta vardır. Zıtlık unsuru şu şekilde tanımlanır:

Veya eşdeğer olarak

... (17.4.15b)

Üst ve alt eşiklerle karşılaştırma, ifadenin (17.4.156) parantez içindeki kesrinin değiştirilmiş eşik ile karşılaştırılmasına eşdeğerdir. Bu nedenle logaritma değerlerinin doğru bir şekilde hesaplanmasına gerek yoktur. Logaritmik kenar dedektörünün temel avantajı, hesaplamaların basitliğinin yanı sıra, parlaklık seviyesindeki çarpımsal değişikliklere duyarlı olmamasıdır. Pirinç. 17.4.12, logaritmik kenar detektörünün çalışmasını gösterir.

Pirinç. 17.4.10. Sobel operatörünü kullanarak farkları çıkarma örnekleri.

Pirinç. 17.4.11. Kirsch operatörünü kullanarak fark çıkarma örnekleri.

(17.4.15) ifadesi ile tanımlanan logaritmik kontrast yöntemi, öğelerin seviyeleri parlaklığın logaritmasına eşit olan görüntünün Laplace operatörü (17.4.5а) kullanılarak doğrusal kontrast olarak kabul edilebilir. Diğer karşıtlaştırma yöntemleri, damlaların daha fazla doğrusal karşıtlığı ve eşik sınırlaması ile doğrusal olmayan eleman-eleman işlemlerinin bir dizisi olarak da kolaylıkla temsil edilebilir.

Pirinç. 17.4.12. Logaritmik Laplace operatörünü kullanarak damla çıkarma örnekleri.

Rosenfeld, bir dizi belirli niceliğin çarpımını hesaplamaya dayalı olarak, kontrastı artırmak ve farklılıkları vurgulamak için doğrusal olmayan bir yöntem geliştirdi. Bu yöntem, tek boyutlu satır satır ortalama alma operatörünü kullanır. Mevcut ortalama

nerede ve görüntünün her bir öğesi için hesaplanan bir tamsayıdır. Bu işlem için yapılır istenen bir üst sınıra kadar. Ardından, görüntünün her bir öğesi için ürün hesaplanır.

Daha yüksek mertebeden ortalamaya karşılık gelen faktörlerin, damla lokalizasyonunun oldukça geniş sınırlarını gösterdiği ve bir miktar gürültü bastırma ürettiği, düşük mertebeden ortalama faktörlerinin düşüşü daha doğru bir şekilde lokalize ettiği, ancak maskelerin gürültüye karşı çok daha duyarlı olduğu açıktır. Aynı zamanda, farklı sipariş araçlarının ürününün, gerçek damlaların güvenilir bir şekilde tespit edilmesini ve lokalizasyonunu sağlaması gerektiği varsayılabilir. Rosenfeld'in bu varsayım için gerekçesi aşağıdaki gibidir.

Pirinç. 17.4.13. Sobel operatörü durumu için olağan eşik kısıtlaması ve baskın komşular tarafından bastırılan kısıtlama örnekleri: a - olağan eşik kısıtlaması; b - silahın namlusunu içeren görüntünün a büyütülmüş alanı; d - 1.5'e eşit bir bastırma katsayısına sahip aynı alan; d - 1.2'ye eşit bir bastırma katsayısına sahip aynı bölüm.

Büyüklük, gürültüyü bastırırken büyük düşüşleri tespit etme ve doğru bir şekilde lokalize etme eğilimindedir. Bu, ancak tüm faktörler büyük olduğunda ürünün büyük olması ve fark noktasından uzaklaştıkça önce küçük endeksli faktörlerin, daha sonra büyük faktörlerin azalmasıyla açıklanabilir.

Buna ek olarak, Rosenfeld, daha küçük olanlarla çevrili büyük, farklı farklılıkları izole etmek için doğrusal olmayan bir eşikleme prosedürü önerdi. Daha sonra "baskın komşular tarafından bastırma" olarak adlandıracağımız bu prosedür, küçük bir pencere ile zıt damlaların alanı taranarak gerçekleştirilir. Pencerenin ortasındaki değer, o penceredeki tüm örneklerin en büyüğü olmadığında bastırılır (sıfıra ayarlanır). Ardından normal eşik yürütülür. Bu tür işleme için başka bir seçenek de, yalnızca pencerede değerleri değerlerden çok daha yüksek olan öğeler varsa bastırmaya izin verilmesidir. Baskın Komşu Bastırma algoritması, ardından bir eşikleme, bir miktar gürültü yumuşatma sağlayan bir kontrast tekniği ile birleştirildiğinde kenarları tespit etmede oldukça etkilidir. İncirde. 17.4.13 örnekler, sonraki eşik sınırlaması ile baskın komşular tarafından bastırma için algoritmanın çalışmasını göstermek için verilmiştir.

Ayrık görüntüler için, kısmi türevlerin hesaplanması, komşu piksellerin parlaklık farkının çeşitli yöntemlerle hesaplanmasına, yani aslında uzamsal filtrelemeye indirgenir. Örneğin, parlaklık gradyanını belirlemek için minimum piksel sayısını kullanan bir Roberts filtresi f 11 (x, y) 2 | , burada b ağırlıklandırma faktörüdür; L, Laplace operatörünün dönüşümüdür; bu durumda, dönüşümden sonra çamur akışının zirvesinin parlaklığının işaretini dikkate almak gerekir. Sonuç olarak, daha az parlak bir alandan daha parlak olana geçişin başlangıcında bulunan piksellerin parlaklığı azalacaktır, çünkü bu pikseller için Laplace dönüşümünün sonucu sıfırdan büyük olacaktır. Bu geçişin sonundaki piksellerin parlaklığı sırasıyla artacaktır, çünkü onlar için Laplace dönüşümünün sonucu sıfırdan az olacaktır. Sonuç olarak, Şekil 2'de gösterildiği gibi bu geçişin keskinliği artacaktır. b = 1 için 6.7 b'nin değerini değiştirerek ve (6.3)'den Laplace operatörü için farklı maskeler seçerek, konturun altını çizme derecesini ayarlamak mümkündür. İkinci yaklaşım f 11 (x, y) 2 cf 1 (x, y) 3 (c 3 1) G, (6.4) olarak temsil edilebilir, burada c ağırlık faktörüdür; G, örneğin Gauss (6.2) gibi bulanık bir doğrusal uzaysal filtrenin eyleminin sonucudur. Bulanıklaştırma filtrelerinin uygulanmasının bir sonucu olarak, sabit parlaklığa sahip alanların değişmeden kaldığını ve ortaya çıkan görüntüde kalan alanların piksellerinin parlaklığının her zaman orijinal görüntüdeki karşılık gelen piksellerin parlaklığından daha az olduğunu hatırlayın. Ardından, (6.4)'e göre görüntü işleme sonucunda, sabit parlaklık bölgeleri orijinal görüntünün değerlerini korur ve kalan piksellerin parlaklığı, ağırlık faktörü dikkate alınarak bulanıklık miktarı kadar artar. 72 7. GÖRÜNTÜLERİN BÖLÜMLENMESİ 7.1. İkili görüntülerin bölütlenmesi Görüntü bölütleme, genellikle onu anlamlı bir anlama sahip bileşen parçalara ayırma işlemi olarak anlaşılır. Bilinen düzinelerce segmentasyon algoritması vardır, ancak bunların çoğu, bir anlamda homojen alanları bulmak için tek tek görüntü noktaları arasındaki benzerliği belirlemeye indirgenebilir. Segmentasyon sonucunda görüntünün her noktasına bu noktanın atandığı segmentin numarası atanmak zorundadır ve segment sayısı önceden bilinmez. Segmentasyon probleminin ana zorluğu, tam olarak homojenlik kavramının seçiminde ve resmileştirilmesinde yatmaktadır. Bir görüntünün bir dizi homojen alana bölünmesi, tek tek öğelerin bağlanabilirlik kuralına ve ilgili öğelerin birbirine benzerliğini belirleyen bir homojenlik ölçüsüne göre gerçekleştirilir. Öğeler, herhangi bir özelliğin yakınlığı ilkesine göre birleştirilmiş hem bireysel noktalar hem de bunların toplamları olabilir. İkinci durumda, karmaşık bir görüntünün bölütlenmesi hiyerarşik bir sürece dönüşür. Homojenliğin bir özelliği olarak parlaklık seçilirse, homojen bir bölgedeki ayrık bir görüntü için aynı veya benzer parlaklığa sahip bağlantılı pikseller gruplandırılır. İkinci durumda, segmentasyon sonucu, yakınlık eşik seviyesi seçimi ile belirlenecektir. İkili görüntüler için, parlaklıktaki yakınlık koşulu önemsizdir ve bir pikselin bir segmente ait olup olmadığına ilişkin karar, bağlantı analizine dayalı olarak verilir. Piksel bağlantısı, hangi piksellerin bitişik olarak kabul edildiğini belirleyen resmi bir kuralı tanımlar. Çoğu zaman, her piksel için, ya bir satırda ve bir sütunda kendisine bitişik dört piksellik bir bölge ya da 3'3 komşuluğundan diyagonal pikseller dahil olmak üzere en yakın sekiz piksellik bir bölge, 73 ve daha fazla olmasına rağmen ilişkili olarak kabul edilir. karmaşık olanlar bazen bağlantı tanımları olarak kullanılır. Biçimsel olarak, bir parçayı oluşturan P tepeleri kümesine, a ve b öğelerinden herhangi ikisi arasında bir dizi öğe (ek Î P) k = 0,…, K varsa, bağlı sekiz denir. 7.1. e0 = a'nın tanımı; eK = b ve herhangi bir k için 0

Kirsch pusula maskeleri, kenar tespiti için kullanılan bir başka türev maske türüdür. Bu operatör aynı zamanda yön maskesi olarak da bilinir. Bu operatörde bir maske alıyoruz ve sekiz yönün kenarlarını elde etmek için onu sekiz pusula yönünün tamamında döndürüyoruz.

kullanacağız Opencv işlev filtre2D Kirsch operatörünü görüntülere uygulamak için. Altında bulunabilir Imgproc paket. Sözdizimi aşağıda verilmiştir -

Filter2D (src, dst, derinlik, çekirdek, çapa, delta, BORDER_DEFAULT);

İşlev argümanları aşağıda açıklanmıştır -

Sr.No.	Argüman
1	Kaynak görüntüdür.
2	Hedef görüntüdür.
3	dst'nin derinliğidir. Negatif bir değer (-1 gibi) derinliğin kaynakla aynı olduğunu gösterir.
4	Görüntü üzerinden taranacak çekirdektir.
5	Çapanın çekirdeğine göre konumudur. Nokta (-1, -1) konumu varsayılan olarak merkezi gösterir.
6	Evrişim sırasında her piksele eklenecek bir değerdir. Varsayılan olarak 0'dır.
7	BORDER_DEFAULT Varsayılan olarak bu değere izin veriyoruz.

filter2D() yöntemi dışında, Imgproc sınıfı tarafından sağlanan başka yöntemler de vardır. Kısaca açıklanmıştır -

Sr.No.	Yöntem & Açıklama
1	cvtColor (Mat kaynağı, Mat dst, int kodu, int dstCn) Bir görüntüyü bir renk uzayından diğerine dönüştürür.
2	genişlet (Mat src, Mat dst, Mat kernel) Belirli bir yapılandırma elemanı kullanarak bir görüntüyü genişletir.
3	equalizeHist (Mat kaynağı, Mat dst) Gri tonlamalı bir görüntünün histogramını eşitler.
4	filter2D (Mat src, Mat dst, int derinlik, Mat çekirdek, Nokta çapa, çift delta) Bir görüntüyü çekirdekle birleştirir.
5	GaussianBlur (Mat src, Mat dst, Size ksize, double sigmaX) Gauss filtresi kullanarak bir görüntüyü bulanıklaştırır.
6	integral (Mat kaynağı, Mat toplamı) Bir görüntünün integralini hesaplar.

Örnek

Aşağıdaki örnek, Kirsch operatörünü Gri Tonlamalı bir görüntüye uygulamak için Imgproc sınıfının kullanımını gösterir.

org.opencv.core.Core'u içe aktarın; org.opencv.core.CvType'ı içe aktar; org.opencv.core.Mat'i içe aktar; org.opencv.highgui.Highgui'yi içe aktar; org.opencv.imgproc.Imgproc'u içe aktar; genel sınıf evrişim (genel statik geçersiz ana (String args) (try (int kernelSize = 9; System.loadLibrary (Core.NATIVE_LIBRARY_NAME); Mat kaynağı = Highgui.imread ("grayscale.jpg", Highgui.CV_LOAD_IMAGE_GRAYSCALE); Mat hedef = new Mat (source.rows (), source.cols (), source.type ()); Mat kernel = new Mat (kernelSize, kernelSize, CvType.CV_32F) ((put (0,0, -3); koymak ( 0,1, -3); koy (0,2, -3); koy (1,0-3); koy (1,1,0); koy (1,2, -3); koy (2, 0,5); koy (2,1,5); koy (2,2,5);)); Imgproc.filter2D (kaynak, hedef, -1, çekirdek); Highgui.imwrite ("output.jpg", hedef);) yakalama (İstisna e) (System.out.println ("Hata:" + e.getMessage ());)))

UDC: 004.932.72CH GRNTI: 28.23.15 DOI: 10.15643 / jscientia.2016.6.195

TEKNİK GÖRÜŞ SİSTEMİ İÇERİSİNDE GÖRÜNTÜ ANA HATLARININ BELİRLENMESİ İÇİN OPTİMAL ALGORİTMALAR

E. E. Pelevin *, S. V. Balyasny

Tula Devlet Üniversitesi Rusya, 300012, Tula, Lenin Ave., 92 * e-posta: [email protected]

Makale robotikte görüntü konturu tanıma konusunu ele almaktadır. Araştırmanın nesneleri dört kontur tanımlama algoritmasıdır: Kirsch, Robinson, Canny ve Marr-Hildreth. Modern robotikte sıklıkla kullanılan bu algoritmalar yardımıyla, girişte çeşitli nesne türleri bulunan bilgisayarlı görü sistemlerinde görüntü kontur tespitinin etkinliği üzerine bir çalışma yapılmıştır. Araştırmanın sonuçları, Canny yönteminin görüntüdeki konturları vurgulamada en etkili yöntem olduğunu göstermiştir. Çalışma sırasında, bu yöntemin detayın yanı sıra yüksek netlik elde etmenize izin verdiği ortaya çıktı. Marr-Hildreth yöntemi, doğrusal konturların çıkarılmasında en etkili ikinci yöntemdir. Çalışmanın sonuçlarına dayanarak, en evrensel algoritmaların olduğu sonucuna varabiliriz, ancak bunların her biri belirli görüntü sınıfları için kendi yolunda uygundur.

Anahtar kelimeler: Kirsch, Robinson, Canny, Marr-Hildreth, operatör, tanıma, kontur, robotik, görüş sistemi (STS).

BİLGİSAYAR GÖRÜŞ SİSTEMİ İÇERİSİNDE KENAR TESPİTİNİN OPTİMAL ALGORİTMASI

E. E. Pelevin *, S. V. Balyasny

Tula Devlet Üniversitesi

Prospect Lenina 92, 300012, Tula, Rusya

* e-posta: [email protected]

Makale, robotikte dijital görüntülerin kenar algılamasına değiniyor. Kirsh, Robinson, Canny ve Marr-Hildreth tarafından seçilen dört kenar tanımlama algoritması, araştırmanın konusunu oluşturmaktadır. Modern robotikte yaygın olarak kullanılan bu algoritmalar yardımıyla, çeşitli girdi tiplerini kabul eden bilgisayarlı görü sistemlerinde görüntülerin kenar tespitinin etkinliğinin araştırılması yapılmıştır. Yapılan araştırma sonuçları, Canny yönteminin görüntülerin kenar tespitinde en etkili yöntem olduğunu göstermiştir. Çalışma sürecinde, bu yöntemin hem yüksek çözünürlük hem de iyileştirme elde edilmesini sağladığı tespit edilmiştir. Marr-Hildreth yöntemi, hat konturlarının kenarlarında ikinci etkili yöntem haline geldi. Araştırma sonuçlarına dayanarak, şu sonuca varılabilir: daha evrensel algoritmalar var, ancak her biri belirli görüntü sınıflarına farklı şekilde uyuyor.

Anahtar Kelimeler: Kirsh, Robinson, Canny, Marr-Hildreth, operatör, kenar algılama, kontur, robotik, bilgisayarlı görüş sistemi.

Kuşkusuz, bilgisayar teknolojisi çağında robotik, modern bilimde artan bir yer işgal ediyor. Bu, fabrikalarda, benzin istasyonlarında, havaalanlarında ve diğer insan faaliyet alanlarında yeni ekipmanların tanıtılmasından kaynaklanmaktadır. Bu yeni tanıtılan sistemlerin bir kısmı, örneğin çeşitli parçaların veya mekanizmaların konturlarının seçiminin uygulanması gibi görüntülerin konturlarını tanımak için bir veya başka algoritmaya sahip bir programdır. Robotik sistemin bir bütün olarak sonraki tüm çalışması, bu algoritmanın etkinliğine bağlıdır.

Şu anda, kontur seçimi için çok sayıda farklı algoritma vardır, ancak çok yönlülükleri nedeniyle bunlardan sadece birkaçı yaygındır. Bu yazıda en popüler algoritmalar ele alınacaktır: Kirsch operatörü, Robinson operatörü, Canny sınır detektörü ve Marr-Hildreth yöntemi. Bu yöntemleri test etmek için bir test görüntüsü kullanılacaktır (Şekil 1).

Ele alınan yöntemlerden ilki Kirsch operatörüdür. Bu yöntem, 1971 yılında Russell A. Kirsch tarafından geliştirilmiştir. Bu algoritma, sekiz ana kenar boyunca sırayla döndürülen bir algılama matrisinin (maske) kullanımına dayanmaktadır.

Pirinç. 1. Kenar algılama için kaynak görüntü.

ışıklar: kuzey, kuzeybatı, batı, güneybatı, güney, güneydoğu, doğu ve kuzeydoğu. Araştırmadan sonra, Russell A. Kirsch her bir ana nokta için aşağıdaki maskeleri türetti:

5 5 5 -3 0 -3 -3 -3 -3J

BİLGİSAYAR BİLİMİ | Juvenis scientia 2016 No. 6

Bu durumda sınırın değeri, maske kullanılarak bulunabilecek maksimum değer olarak tanımlanır. Belirli bir maske, yönün maksimum değeri vermesine yardımcı olur. Bundan, ko maskesinin dikey sınırları ve k5 maskesini - diyagonal olanları seçmenize izin verdiği sonucuna varabiliriz. Maskelerden, ikincisinin ilk dördüne benzer olduğu, ancak kullanılan matrisin merkezi ekseni boyunca ayna görüntüleri olduğu da fark edilir.

Test görüntüsünün işlenmesi sırasında aşağıdaki sonucu alabilirsiniz (Şekil 2).

Pirinç. 2. Kirsch operatörü tarafından konturların tanımlanması.

Daha sonra 1977'de, aslında Kirsch yönteminin bir analogu olan Robinson operatörü geliştirildi, ancak o, 1 ve 2 katsayılarının kullanılması nedeniyle uygulanması daha kolay hale geldi. Bu operatör tarafından kullanılan matrisler, her biri sıfırlarla dolu olan merkez eksenlerine göre simetriktir. Bu nedenle, yalnızca ilk dört matris kullanılabilir ve sonuçların geri kalanı, birincinin ters çevrilmesiyle elde edilebilir. Robinson operatörü şöyle görünecektir:

Pirinç. 3. Robinson operatörünün çalışmasının sonucu.

Önceki operatörün basitliğine rağmen, Canny sınır dedektörü nihayetinde en büyük popülerliği kazandı. Yöntem ilk olarak 1983 yılında bilim adamı John Canney tarafından yüksek lisans tezinde tanımlanmıştır. Bu yöntem, otuz yıldan daha uzun bir süre önce geliştirilmiş olsa bile, verimliliğinde birçok modern yöntemi geride bırakıyor. Ayırt edici özelliği, şüphesiz nihai sonucu etkileyen görüntünün konturlarındaki gürültünün ortadan kaldırılmasıdır. Bu algoritma aşağıdaki adımları gerçekleştirmekten oluşur:

Orijinal görüntüyü c) Gauss yöntemini ^ (r, c) kullanarak bulanıklaştırın. ^ (r, c) = f (r, c) * G (r, c, 6);

Bir degrade arayın. Gradyanın maksimum olduğu yerde sınırlar çizilir;

Maksimum olmayanların bastırılması. Yalnızca yerel yüksekler sınır olarak işaretlenir;

Ortaya çıkan sınırlar, belirli bir sınıra bağlı olmayan tüm kenarları bastırarak belirlenir.

Algoritmanın çalışmasının sonucu, görüntüdeki konturlardır. Özellikleri nedeniyle bu yöntem gürültüye karşı çok hassas değildir (Şekil 4).

Matrislerden, her biri ardışık olarak bir piksele ve çevresine uygulandıktan sonra, alacağı maksimum değerin degradenin büyüklüğü olarak kabul edileceği sonucu çıkar. Daha sonra gradyan açısı, maksimum yanıtı veren maskedeki sıfırlarla dolu çizginin açısı olarak yaklaşık olarak hesaplanabilir.

Önceki durumda olduğu gibi, orijinal görüntüleri işleyebilirsiniz (Şekil 3).

Pirinç. 4. Canny yönteminin sonucu.

Dijital görüntülerin sınırlarını tespit etmek için en son yöntem, 1980 yılında geliştirilen Magg-Nure ^ olarak adlandırılır. Piksel gruplarının parlaklığında keskin bir değişimin olduğu tüm alanlarda eğrilerin algılanmasını ifade eder. Bu yöntem basittir ve orijinal görüntüyü birleştirerek çalışır

LoG fonksiyonu ile veya DoG ile hızlı yaklaşım olarak. Yöntemde, ters sonuçtaki sıfırlar görüntünün konturlarını gösterir. Yöntemin çalışması için algoritmanın aşağıdaki adımlarına uymalısınız:

Gauss yöntemini kullanarak görüntüyü bulanıklaştırın;

Laplace operatörünü bulanık bir görüntüye uygulamak (genellikle ilk iki adım tek adımda birleştirilir);

Bir hesaplama döngüsü gerçekleştirilir ve sonuç olarak işaret değişikliğine bakarlar. İşaret negatiften pozitife değişirse ve değer önceden belirlenmiş bir eşikten daha fazla değişirse, bu noktayı bir sınır olarak tanımlamak gerekir;

En iyi sonuçlar için, Laplace operatörünü kullanan bir adım, Canny algoritmasında uygulandığı gibi histerezis yoluyla gerçekleştirilebilir.

Bu algoritmanın test görüntüsü üzerinde çalışmasının sonucu aşağıdaki gibi olacaktır (Şekil 5).

Yapılan çalışmalara dayanarak, sınırların en keskinliğini ve yüksek detayı elde etmenizi sağlayan Canny yönteminin, mekanizmaları ve kavisli konturlardan oluşan diğer nesneleri tanımak için robotikte en etkili şekilde kullanılabileceği sonucuna varabiliriz. Nesnelerin lineer konturlarının seçimi için, örneğin konveyör hatlarında görüş sistemlerinin kullanıldığı durumlarda, görüntülerdeki küçük lineer konturları bile vurgulayan Marr-Hildreth yöntemi en uygunudur. Bu nedenle, robotikte, açıklanan tüm seçim algoritmaları kullanılabilir, ancak her biri belirli bir problem sınıfı için en etkilidir ve ayrıca belirli bir kalitede bir sonuç elde etmeyi amaçlar.

EDEBİYAT

1. Ammeral L. Bilgisayar grafiklerinde programlama ilkeleri / L. Ammeral. M.: Sol Sistemi, 1992.665 s.

2. Butakov E.A. Bilgisayar görüntü işleme: monograf. / E.A. Butakov, V.I. Ostrovsky, I.L. Fadeev. M.: Radyo ve iletişim, 1987.205 s.

3. Pratt W. Dijital görüntü işleme / W. Pratt. Moskova: Mir, 1982. Cilt 2.716 s.

4. Tu J. Örüntü tanıma ilkeleri / J. Tu, R. Gonzalez. Moskova: Mir, 1978.764 s.

5. İnce V.S. Görüntü tanıma / V.S. İyi. Moskova: Nauka, 20033.322 s.

6. Yanshin V. IBM PC için C dilinde görüntü işleme: Algoritmalar ve programlar / V. Yanshin, G. Kalinin. Moskova: Mir, 1994.358 s.