Признаки корреляционного типа в системе распознавания текстурных изображений

Вид материала

Документы

Содержание L и средней яркостью I TIC корреляционные зависимости.Другое направление модификации системы TIC

Подобный материал:

• Метод распознавания изображений гистологических препаратов в задачах медицинской диагностики, 31.25kb.
• Некоторые методы распознавания изображений, 261.7kb.
• Нелинейная цифровая фильтрация лазерных изображений при регистрации и обработке, 242.95kb.
• Нейрокомпьютерная обработка сигналов и изображений, 236.58kb.
• 4. Лекция: Распознавание изображений, 196.23kb.
• Разработка алгоритмов выделения контуров для оптико-электронного корреляционного различения, 25.15kb.
• Доклад посвящен методам сопоставления образов с шаблоном в системе автоматической обработки, 31.12kb.
• Моделирование корреляционного метода измерения расхода теплоносителя проводится с использованием, 445.49kb.
• Белорусский государственный университет применение информационных технологий при анализе, 187.23kb.
• Задача№1. Тема «Составление таблиц и графических изображений», 1841.95kb.

ВИН ТХЕЙ

Научный руководитель – МИШУЛИНА О.А., к.т.н., доцент

Московский инженерно-физический институт (государственный университет)


ПРИЗНАКИ КОРРЕЛЯЦИОННОГО ТИПА В СИСТЕМЕ РАСПОЗНАВАНИЯ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ


В докладе рассмотрены методические основы формирования набора статистических признаков для распознавания текстурных изображений. Предложено применить векторную параметрическую нейронную сеть для решения задачи распознавания. Представлена реализация разработанного подхода в рамках программной системы TIC.


В [1, 2] сформулирован методический подход к построению признаков для распознавания текстурных изображений и представлена программная система TIC, предназначенная для проведения исследовательской работы. Новизна предложенного методического подхода состоит в построении секущих линий изображения и проведении одномерной сегментации линейных объектов, расположенных в сечениях яркостного поля. Полученные в результате этой вычислительной процедуры сегменты характеризуются координатами центра , углом наклона сегмента к горизонтальной оси , длиной L и средней яркостью I. Массив характеристик сегментов служит основой для построения статистических признаков, используемых для распознавания текстурного изображения.

В предыдущих работах были определены и реализованы в программной системе TIC только статистические характеристики, отражающие распределение сегментов по длине и яркости, то есть связанные с законом распределения вероятностей яркостного поля первого порядка. Взаимное расположение сегментов с разными признаками длины и яркости такими статистиками не принимается во внимание [3]. Оно может быть отражено статистическими характеристиками корреляционного типа, связанными с законом распределения вероятностей второго порядка для яркостного поля. В работе предлагаются две группы статистических признаков корреляционного типа: матрицы смежности сегментов по длине и яркости и корреляционные функции плотности сегментов с разными показателями длины и яркости. Доработка программной системы TIC позволила провести вычислительные эксперименты, подтвердившие устойчивость введенных корреляционных показателей текстурного изображения, их быструю сходимость при увеличении числа секущих линий и значимость при решении задачи распознавания.

Н
а рисунке для текстурного изображения представлены некоторые полученные в системе TIC корреляционные зависимости.


Другое направление модификации системы TIC состоит в реализации векторной параметрической нейронной сети [4], которая позволяет по представительному набору статистик, рассчитанных по разработанной методике, найти в базе данных эталонное изображение, наиболее подобное анализируемому по своим яркостным и структурным свойствам. Специальная организация базы данных позволила реализовать быстродействующие вычислительные процедуры для решения задачи распознавания текстурных изображений.

Изложенная в докладе методика, а также реализованные в системе TIC алгоритмы, структуры данных и специализированный интерфейс могут быть использованы в разных приложениях, в том числе для распознавания гистологических препаратов в задачах медицинской диагностики.


Список литературы

1. Вин Тхей. Система обработки изображений в задаче медицинской диагностики. // «Научная сессия МИФИ -2006». Сб. науч. тр., т. 2. М.: МИФИ, 2006.
   
2. Мишулина О.А., Вин Тхей. Метод распознавания изображений гистологических препаратов в задаче медицинской диагностики. // «Научная сессия МИФИ -2006». Сб. науч. тр., т. 2. М.: МИФИ, 2006.
   
3. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.:Техносфера, 2006.
   
4. Крыжановский Б.В., Микаэлян А.Л.. Ассоциативная память, способная распознавать сильно скоррелированные образы. Доклады АН, Информатика. Т. 390, №1, 2003.