СодержаниеСодержание
Аннотация 3
1. Введение 3
1.1. Глоссарий 3
1.2. Описание предметной области 3
1.3. Неформальная постановка задачи 4
1.4. Обзор существующих методов решения 4
1.4.1. Методы, работающие с областями 4
1.4.2. Методы, выделяющие границы 5
2. Требования к окружению 5
2.1. Требования к аппаратному обеспечению 5
3. Архитектура системы 5
4. Спецификация данных 6
5. Функциональные требования 6
6. Требования к интерфейсу 6
7. Прочие требования 7
7.1. Требования к производительности 7
8. Проект 8
8.1. Средства реализации 8
8.2. Модули и алгоритмы 8
8.2.1. Модули 8
8.2.1.1. Обработка внешних данных и результатов вычислений 8
8.2.1.2. Аппроксимация границ 9
8.2.1.3. Сравнение границ 10
8.2.2. Алгоритмы. 11
8.2.2.1. Алгоритм аппроксимации прямыми 11
8.2.2.2. Алгоритм уменьшения количества звеньев в ломаной 12
8.2.2.3. Алгоритм сравнения ломаных 12
8.3. Структуры данных 14
8.4. Проект интерфейса 14
9. Реализация и тестирование 16
9.1. Реализация 16
9.2. Тестирование на время выполнения 16
9.3. Тестирование с нестандартными входными данными 16
9.4. Тестирование со стандартными входными данными 16
Заключение 16
Список литературы 17ВведениеАннотация
Программа реализована в виде игры, ищущей на одном изображении место, оптимальное для того, чтобы «спрятать» на нем другое изображение. Оба изображения вводятся пользователем. Процесс поиска осуществляется по разработанному автором алгоритму, являющемуся достаточно экономным с точки зрения потребления ресурсов и эффективным в области своего применения.
1. Введение
1.1. Глоссарий
Анализ сцены — процесс упрощения и описания исходного изображения.
Апертура (скользящее окно) — совокупность линий, ограничивающая рассматриваемый фрагмент изображения на данной итерации и перемещающаяся по горизонтали или вертикали при переходе на следующий шаг.
Решающая (целевая) функция — функция, вычисляющая значение, которое рассматривается как результат выполнения некоторого этапа в процессе анализа.
Шум — искажение исходного изображения.
1.2. Описание предметной области
Необходимость обработки видео- или аудиоинформации с помощью программных средств обусловлена неспособностью среднестатистического человека к сопоставлению объектов, сведения о которых получены через органы чувств, с высокой точностью и в достаточно короткие сроки, что является важным условием эффективного функционирования ряда процессов, таких, например, как сравнение отпечатков пальцев или прогноз погоды по синоптической карте. Иными словами, человек, обладая аппаратом, использующим уникальные методы обработки информации, значительно проигрывает механическим устройствам по скорости вычислений. Таким образом, в настоящее время усилия разработчиков искусственных распознающих систем направлены на поиск эффективных алгоритмов распознавания, способных обрабатывать сигналы с качеством, сопоставимым или даже превосходящим качество обработки аналогичной информации среднестатистическим человеком.
Проблема распознавания образов содержит в себе множество аспектов, для каждого из которых существуют свои методы решения. Это и анализ изображения, и выделение характерных его признаков, и, наконец, распознавание.
Данная курсовая работа, по существу, является реализацией первого этапа построения распознающей системы – выделения признаков образа для последующего их исследования, в частности, сравнения.
Основным направлением исследования в рамках курсовой работы является поиск наиболее эффективного алгоритма, осуществляющего анализ сцены и сравнение полученных в ходе этого процесса признаков. Условно его можно разделить на два этапа: выбор объектов, которые мы будем сравнивать, и, собственно, сравнение.
Большинство разработанных методов направлено на описание сложных картин, искаженных значительными шумами, объекты на которых обладают, как правило, далеко не идеальными границами [1], [2], [3]. Это методы, базирующиеся на теории аппроксимации, пространственное дифференцирование и пространственное сглаживание, метод логического усреднения [2]. К более поздним можно отнести метод градиентных операторов, метод аппроксимации лапласиана функции интенсивности, направленный на подчеркивание перепадов полутонового уровня, методы, основанные на кластерном анализе, а также методы пространственной фильтрации и преобразование Фурье [2], [3].
Ввиду особой сложности решения проблемы указанными способами и специфики поставленной перед работой задачи (логическая игра) в данной курсовой работе производится анализ объектов с четкими границами и лишь незначительными шумовыми искажениями.ЛитератураСписок литературы
[1] Анисимов Б.В., Курганов В.Д., Злобин В.К. – Распознавание и цифровая обработка изображений (1983),
Распознавание образов\Анисимов Б.В., Курганов В.Д., Злобин В.К. - Распознавание и цифровая обработка изображений (1983)(ru).djvu
[2] Дуда Р., Харт П. – Распознавание образов и анализ сцен (1976),
Распознавание образов\Дуда Р., Харт П. - Распознавание образов и анализ сцен (1976)(ru).djvu
[3] Ту Дж., Гонсалес Р. – Принципы распознавания образов (1978),
Распознавание образов\Ту Дж., Гонсалес Р. - Принципы распознавания образов (1978)(ru).djvu
[4] Фурман Я.А., Юрьев А.Н., Яншин В.В. – Цифровые методы обработки и распознавания бинарных изображений (1992),
Распознавание образов\Фурман Я.А., Юрьев А.Н., Яншин В.В. - Цифровые методы обработки и распознавания бинарных изображений (1992)(ru).djvu
[5] Журавлёв Ю. И. – ¬Корректные алгебры над множеством некорректных (эвристических) алгоритмов (Кибернетика, №№4, 6, 1977, №2, 1978)
[6] Загоруйко Н. Г. – Методы распознавания и их применение (Советское радио, М., 1972)
[7] Дюран П., Оделл П. – Кластерный анализ (Статистика, М., 1973)
|
|
