Института информационных технологий, математики и механики Нижегородского государственного университета им. Н.И. Лобачевского 603005, Россия, Нижний Новгород, ул. Ульянова, 10, ЦИИТ ИИТММ ННГУ.


Чтобы посмотреть этот PDF файл с форматированием и разметкой, скачайте его и откройте на своем компьютере.
по
описаниям
объекта

эталона
которые задаются
посредством
векторной контурной
модели
представления информации:

,
где
-
дисперсии эталона и объекта соотве
ственно. а
-
величина. вычисленная по значениям см
шанных корреляционных моментов
:
,
,
.
Оценка близости
корректна только для согласова
ных описаний
контуров. В общем случае она зависит от
положения начальной точки
описания
контура объекта
Задача нахождения согласованных описаний св
дится к решению оптимизационной задачи вида
O

Ìåæäóíàðîäíàÿ
êîíôåðåíöèÿ
Ðîññèÿ,
Íîâãîðîä,
ñåíòÿáðÿ
ã.
International
Nizhny
Novgorod,
September
m
(,)
wxy
cov(,)cov(,)
Snxyyx
cov(,)cov(,)
Csxxyy
Q
()
Q
m
min()
min
(,)
eee
wxy
E
DwRDw
e
Dw
Dw
R
222
RSnCs
для расстояния
Хаусдорфа
вычисляемо
по опис
ниям контуров исходного
и восстановленного объекта
,
Метод нахождения величины
предусматривает
числение
этого расстояния по вспомогательным описан
ям исходного и восстановленного объект
для которых
была получена
минимальн
оценка
близости
[2,3,6
]. Расстояние Хаусдорфа
вычисляется только в
том случае. если значение
. то есть когда оценка
близости
не будет превосходить заданный порог
Если в этом случае
. то рассматриваемый объект
вносится в список эталонов. Так как в
этот
момент
всех
ядр
процессора вычисления завершены. то алгоритм
нахождения величины
в целях увеличения быстр
действия также распараллеливается. Суть алгоритма ра
параллеливания здесь состоит в следующем. Вычисляю
ся расстояния
между узловыми точками
,
. вспомогательных описаний контуров
объекта и эталона
. Если
. то оба о
резка. прилежащих к
тому узлу. заносятся в соотве
ствующий набор данных. Далее. аналогичным образом.
осуществляется распараллеливание на уровне потоков для
полученного набора отрезков. В совокупности распара
леливание алгоритма распознавания позволяет при удво
нии числа ядер увеличить быстродействие
3.8 раз.
В результате решения
задачи распознавания
с самообуч
нием
все объекты разбиваются
на классы эквивалентн
стей.
Далее требуется классам эквивалентностей присв
ить соответствующий
идентификатор
[7]
В соответствии
с предлагаемой технологией присвоение идентификаторов
осуществляется в интерактивном режиме при визуализ
ции и просмотре эталонов. С целью оптимизации време
ных затрат на этапе
интерактивной
идентификации сов
купности выделенных эталонов были разработаны алг
ритмы логической фильтрации. позволяющие автоматич
ски осуществлять исключение эталонов. явно не относ
щихся к классам распознаваемых объектов шумовые
точки. объекты
,
не удовлетворяющие заданным критер
ям по размерам и др.. Для
множества
оставшихся этал
нов разработаны методы их кластеризации
на подмнож
ства в целях одновременного присвоения меток всем эл
ментам. входящих в полученное подмножество
Для р
шения кластер
-
анализа эталоны представлялись в пр
знаковом пространстве. В качестве компонент
при
знакового пространства
были использованы оценки
близости эталонов
с базовым эталоном
при ра
личных циклических заданиях начальной точки описания
контура
:
,
,
-
длина базового контура. Получение этих оценок близости
не требует дополнительных вычислительных затрат. так
как они в обязательном порядке находятся при согласов
нии описаний в методе относительных смещений [5
].
Для обеспечения инвариантности относительно полож
ния на контуре начальной точки описания в качестве пе
вого признака пространства
путем циклических сдв
гов выбирается компонента с наименьшим значением
оценки близости. Само решение задачи кластер–анализа в
пространстве
осуществлялось с использование метрик
Евклида
и Чебышева
. Для построения очередн
го кластера выбирался непомеченный эталон с наибол
шим числом распознанных
по нему объектов. Описание
этого эталона в признаковом пространстве
рется в качестве центра кластера. Элементами кластера
первого уровня будут эталоны из числа непомеченных.
описание которых в пространстве
с учетом визуал
ной идентификации удовлетворяет условиям:
,
,
Далее по
описаниям в пространстве
эталонов кластера первого
уровня формируются новые центры множеств и опред
ляются эталоны второго уровня. удовлетворяющие тем же
условиям
и которые не являются элементами множеств
,
как предыдущего уровня
,
так и уже ранее сформирова
ных
множеств
рассматриваемого уровня. Этот процесс
заканчивается. если на текущем
уровне
не будет выделено
элементов кластера следующего уровня. Таким образом.
кластер будет состо
из совокупности множеств всех
уровней и представлять
собой
планарный
граф с древ
видной структурой без петель и самопересечений. Пор
говые величины

приближенно можно оц
нить следующим
образом
Рассмотрим
согласованны
е с
базов
эталон
описания эталонов
следует отметить. что описания всех эталонов центрир
ваны. Преобразуем
описание контура
в соответствии
с параметрами его оптимального наложения на контур
. Учитывая инвариантность оценок близости к ОПМ.
величины

после этих преобразований не изм
нятся. Полученные описания
эталонов
будем рассматр
вать
как точки в некотором пространстве
в котором
по осям откладываются значения компонент точек конт
ров. Тогда

это длины сторон треугольника.
образованного этими точками. Отсюда. их разность
меньше третьей стороны. приближенно являющейся
оценкой близости
эталонов
. Для
эталонов. принадлежащих одному классу. максимальное
допустимое значение равное
и будет вел
чиной
. Далее. если допустить. что величины
на отрезке
подчиняются некоторому
d
H
d
H
r
i
wO
i
e
wO
i
1,2,...,
rww
iii
r
i
i
j
c
i
O
R
n
j
E
B
(,)
cE,BsiS

SSn
b
S
R
n

maxsupinf,supinf
ww
ww
wOwOwOwO


*
k
c
**
j
kk
cc
**
j
kk
cc
ii
1,
in
*
k
b
E
*
k
E
*
k
c
i
min
(,)
*
j
k
cc
ii
*
0,
k
min
закону распределения. то значение порога
также
легко оценить.
В результате
для интерактивной идентификации нужно
предъявлять не отдельные эталоны. а кластеры. которых в
разы меньше. что позволяет существенно снизить време
ные затраты на создание цифровых документов.
Для формирования сложных объектов
надписи. отметки
глубин. структурированные линейные объекты и т. д.
состоящих из последовательности распознанных дискре
ных и линейных объектов
,
реализован
режим автомат
ческой сборки таких элементов содержания документа
].
Еще одной возможностью снижения временных затрат
является автоматический анализ большеформатных об
ектов.
Часть этих объектов представляют собой составные
объекты. образованные в результате прилипания дискре
ных объектов к линейным. В этом случае решение задачи
разделения слипшихся линейных и дискретных объектов
осуществляется на основе перехода к сегментно
узловой
модели или применения методов распознавания соста
ных объектов на базе КЭКМ [
9-
ЗАКЛЮЧЕНИЕ
Выбор эталонов на основе методов распознавания КЭКМ
с самообучением позволило существенно повысить дост
верность распознавания. а методы автоматизации пов
сить эффективность интерактивных процедур.
В итоге
при оцифровке планшетов
гидрографической съемки
зависимости от качества документа
было получено
жение временных затрат
раз
Работа выполнена при поддержке Российского Научного
Фонда. проект № 36
-00068.
Список литературы
Васин Ю.Г.. Лебедев Л.И.. Пучкова О.В. Контурные
корреляционно
экстремальные методы обнаружения и
совмещения объектов видеоинформ
ции./Автоматизация обработки сложной графической
информации: Межвуз. темат. сб. науч. тр./Под ред.
Ю.Г. Васина.
Горьков. гос.
т. Горький. 3987. С.97
112.
Васин Ю.Г.. Лебедев Л.И. Задача нахождения соглас
ванных описаний в корреляционно
экстремальных
контурных методах распознавания. //Математические
методы распознавания образов ММРО
15): 15
ая
Всеросс. конф.: Сборник докладо
в. / М.: Изд
во ООО
«МАКС Пресс. 4033.
С.544
345.
Vasin Yu.G.,Lebedev L.I. The problem of obtaining c
herent contour descriptions in the calculation of similarity
estimates. //8th Open German-
Russian orkshop “Pattrn
ronition an ima unrstanin”
(OGRW-8-2011):
Workshop Proceedings. 2011. P. 324-327.
Vasin Yu.G., Lebedev L.I. An effective format for repr
senting graphic information
Pattern Recognition and
Image Analysis, 2012, Vol. 22, No. 2, pp. 393
–598. ©
Pleiades Publishing, Ltd., 2012.
Lebedev L.I., Vasin Yu.G. Optimization of the represent
tion structure and complexity in the development of an i
telligent format for graphic images information // Pattern
Recognition and Image Analysis, 2014, Vol. 24, No. 4, pp.
–554. © Pias Pubishin.
Ltd., 2014.
Лебедев Л.И. Корреляционно
экстремальные ко
турные методы распознавания. Теоретические основы:
Учебное пособие./ Нижний Новгород. Изд
во Нижег
родского государственного университета. 4035.
335 с.
ISBN 978
91326
308
Vasin Yu.G, Lebedev L.I. Automation methods for tec
nologies to produce digital graphic documents with wea
ly formalized description of objects // The 11-th Intern
tional Conference "Pattern recognition and image analysis:
new information technologies" (PRIA-
-2013)
Septe
ber 23-28, 2013. Conference proceedings, Samara: IPSI
RAS, 2013. Vol. I. P.342-344.
Васин Ю.Г.. Лебедев Л.И.. Морозов В.А. Модифик
ция двухуровневого алгоритма распознавания посл
довательностей графических изображений.
//Математические методы распознавани
я образов
ММРО
10): 10
ая Всеросс. конф.: Тез.докл. / М.: Изд
во «АЛЕВ
В. 4003.
С.376
179.
Васин Ю.Г.. Лебедев Л.И. Распознавание составных
объектов изображения на базе структурного и корр
ляционно
экстремальных методов. //Математические
методы распозна
вания образов ММРО
13): 13
ая
Всеросс. конф.: Сборник докладов. / М.: Изд
во ООО
«МАКС Пресс. 4007.
С.485
288.
Vasin Yu.G, Gromov V.P. Structural analysis of raster
images
The 11-th International Conference "Pattern
recognition and image analysis: new information techno
ogies" (PRIA-
-2013)
September 23-28, 2013. Confe
ence proceedings, Samara: IPSI RAS, 2013. Vol. I. P.338-
341.
*
k

Приложенные файлы

  • pdf 14886724
    Размер файла: 368 kB Загрузок: 0

Добавить комментарий