Опознавание изображений цепочечных структур из групп точечных объектов по корреляции элементов кодов их контуров

DOI:

Дата направления статьи в редакцию:

Дата публикации:

Аннотация: Распознавание формы изображений групп точечных и/или малоразмерных объектов (ГТО) представляют собой нетривиальную задачу из-за несвязности и вырожденности их элементов. Дополнительно задача усложняется для ГТО с нестационарной конфигурацией, таких как «цепочки» и «скопления». Различение данных типов изображений имеет самостоятельное значение, а также может использоваться для разветвления алгоритма более детального распознавания ГТО. Для синтеза эффективных различителей цепочек и скоплений важно определиться с принципом описания формы ГТО и дискриминационным признакам, определить статистику и характеристики принятия решений в условиях действия мешающих факторов. Решение данной задачи достигается методами теории обработки цифровых изображений и сигналов, теории контурного анализа для синтеза алгоритмов описания и анализа формы изображений, методами теории вероятности и математической статистики для синтеза методов принятия решений. Для связывания изолированных элементов ГТО в единый объект используется процедура построения минимального остовного дерева. Его форма описывается цепным комплекснозначным кодом – его контуром. Зависимость ширины энергетического спектра такого контура или величины интервала корреляции его отсчетов от степени сложности формы дало основание выбрать в качестве дискриминационного признака различения цепочек и скоплений характеристики автокорреляционной функции (АКФ) контура. В качестве таких характеристик исследуются ширина АКФ (интервал корреляции) и корреляция соседних элементов контуров ГТО. Синтезированы соответствующие алгоритмы различения ГТО указанных классов как опознавателей цепочек. Найдены характеристики алгоритмов принятия решений для различных условий наблюдения. Выполнен сравнительный анализ их эффективности и ограничений применимости.

Ключевые слова:

Abstract:  Recognizing the image shapes of the groups of point and / or small objects (TRP) is a non-trivial task due to the incoherence and degeneracy of their elements. The task becomes furthermore complicated for TRPs with non-stationary configuration, such as "chains" and "congestions". The differentiation of these types of images holds an independent value, and it can also be used  in order to branch out the algorithm for more detailed recognition of the TRP. In order to synthesize effective chain and clusters differentiators, it is important to determine the principle for describing the TRP form, as well as  discriminatory characteristics, to determine the statistics and characteristics of decision-making in the presence of disrupting factors. The solution of this problem is achieved by the methods found within the theory of processing digital images and signals, the theory of contour analysis for the synthesis of algorithms used in order to describе and analyzе the shape of images, methods of probability theory and mathematical statistics for the synthesis of decision-making methods. The procedure for constructing a minimal spanning tree is used in order to link isolated TRP elements to a single object. Its shape is described by a chain complex-valued code which is its contour. The dependence between the width of the energy spectrum of such a contour or the value of the correlation interval of its readings and the degree of complexity of the form allowed the authors to choose the distinction between chains and clusters of the characteristic of the autocorrelation function (ACF) of the contour as a discriminating feature . The width of the ACF (correlation interval) and the correlation of neighboring elements of the contours of the TRP are studied as such characteristics. The corresponding algorithms for distinguishing TRTs of these classes as chain identifiers are synthesized. The characteristics of decision algorithms for various observation conditions are found. A comparative analysis of their effectiveness and applicability limits is also performed.

Keywords: