ДОСЛІДЖЕННЯ ТЕОРІЇ ЗОБРАЖЕНЬ: ПОПЕРЕДНЯ ОБРОБКА – ВИДІЛЕННЯ КРАЇВ
DOI:
https://doi.org/10.32782/mathematical-modelling/2023-6-1-2Ключові слова:
порівняння, виділення контурів на зображеннях, комп’ютерний зірАнотація
Упродовж десятиліть розпізнавання образів та опрацювання зображень зокрема залишається актуальним завданням. Сьогодні ми маємо добре пророблений теоретичний фундамент базових понять, операцій і потребу зіставлення базових операцій передобробки вхідної (початкової) інформації, що допускає ефективне застосування теорії розпізнавання. У роботі автори подають частковий розв’язок, дослідивши можливості десяти операторів виділення країв (контурів), порівняють поведінку операторів у різних умовах, зокрема умовами є різні значення діапазонів видимого спектру. Видимий спектр поділено на чотири діапазони, які ефективно сприймаються світлочутливою матрицею вебкамери. Ці діапазони відповідають денному освітленню. Досліджено такі оператори: покращення країв за допомогою дискретної різниці (Edge Enhancement by Discrete Differencing), логарифмічне виявлення краю Уолліса (Wallis logarithmic edge detection), виявлення країв і ліній Frei-Chen (Frei-Chen edge and line detection), детектор краю Кірша (Kirsch Edge detector), спрямоване визначення краю (Directional edge detection), добуток різниці середніх (Product of the difference of averages), виявлення країв тріщин (Crack Edge detection), виявлення країв Марра-Хілдрета (Marr-Hildreth edge detection), виявлення локального краю в тривимірних зображеннях (Local Edge Detection in three-dimentional images), виявлення ієрархічного краю (Hierarchical edge detection). Для проведення досліджень розроблено систему адаптивного пошуку оптимального детектора краю зображення відповідно до рівня освітлення. Ця система призначена для роботи з веб-камерою персонального комп’ютера або смартфона, виділення на ній об’єктів і в подальшому накладення на них фільтрів. У кінцевому підсумку система буде підбирати для певного освітлення найкращий метод, який було визначено. Подано методи й результати. Робота охоплює розробку й застосування методів виділення країв для виявлення суттєвих ознак та особливостей на зображеннях, використовуючи адаптивний підхід, на відміну від усталеної послідовності попередньої обробки. Завдання, розв’язані під час проведення дослідження: реалізовано методи виділення ключових характеристик об’єкта; реалізовано частину аналітичного ядра з об’єктивною оцінкою, яка є кращою за MSE та PSNR і їх найближчих варіацій, зокрема використано індекс структурної схожості (SSIM). Реалізовано частину аналітичного ядра з прийняття рішення за результатами об’єктивного оцінювання, що дало змогу адаптивно визначати оптимальний алгоритм знаходження об’єктів у полі уваги, створена база векторів-еталонів людського сприйняття об’єктів, розроблено навчальний складник під час навчання комп’ютерного зору людських понять образів цифр.
Посилання
Hrytsyk V., Grondzal A., Bilenkyj A. Augmented reality for people with disabilities. CSIT’2015. Lviv : LPNU, 2015. P. 188–191.
Hrytsyk V., Nazarkevych M. Real-Time Sensing, Reasoning and Adaptation for Computer Vision Systems. Lecture Notes on Data Engineering and Communications Technologies. 2022. Vol. 77. Р. 573–585.
Cutting-edge facial recognition goes mainstream. Reasearch*eu results magazine. December 2017 – January 2018. Vol. 68. Р. 39.
Hrytsyk V., Medykovskyy M., Nazarkevych M. Estimation of Symmetry in the Recognition System with Adaptive Application of Filters. Symmetry. 2022. Vol. 14. № 5.
Competitive Diffusion of Gases in a Zeolite Bed: NMR and Slice Selection Procedure, Modeling, and Parameter Identification / M. Petryk et al. Journal of Physical Chemistry C. 2015. Vol. 119. № 47. Р. 519–525.
Krak I., Barmak O., Manziuk E. Using visual analytics to develop human and machine-centric models: A review of approaches and proposed information technology. Computitional Intelligence. 2020. № 26. P. 20–26.
Szeliski R. Computer Vision. London : Springer, 2011. Р. XX.
Katsaggelos A.K. Fundamentals of Digital Image and Video Processing. Coursera. 2020. URL: https://www.coursera.org/learn/digital
Pitsun О. OpenCV image segmentation. 2016. URL: https://github.com/olehpitsun/CVforStudents/tree/master/src/task2
Scikit-learn. Machine learning in Python. 2023. URL: https://scikit-learn.org/stable/
Jeffrey A. Klark (Alex) and contributors. Pillow (Python Imaging Library) 9.5.0 documentation. Pillow. 2023. URL: https://pillow.readthedocs.io/en/stable/
Tensor Flow. Machine learning models. Convolutional neural network. URL: https://www.tensorflow.org/
Forsyth D., J. Ponce. Computer Vision: A Modern Approach. 1 August 2002.
Method of detecting special points on biometric images based on new filtering methods / М. Nazarkevych et al. Workshop on Cybersecurity Providing in Information and Telecommunication Systems, CPITS 2021. Kyiv, 2021.
Evaluation of the effectiveness of different image skeletonization methods in biometric security systems / М. Nazarkevych et al. International Journal of Sensors, Wireless Communications and Control. 2021. Vol. 11. № 5. Р. 542–552.
