Objekti tuvastamise tõenäosus mitme vaatluspunkti järgi. Objekti tuvastamine otsu meetodil
- Vene Föderatsiooni Kõrgema Atesteerimiskomisjoni eriala05.09.07
- Lehtede arv 240
1. KAASAEGSED MEETODID AVASTAMISE TÕENÄOSUSE ARVUTAMISEKS
OBJEKTID VAATLEJA POOLT.
1.1. Visuaalse taju funktsioonid.
1. 2. Füsioloogilised mudelid.
1.3. Infomudelid.
1.4. Statistilised mudelid.
1.4.1. Lihtsamad statistilised mudelid.
1.4.2. Statistilisel otsustusteoorial põhinevad mudelid.
2. VISUAALORGANI STATISTILISE MUDELI ARENDAMINE
OBJEKTIDE TUVASTAMISE PROBLEEMI LAHENDUSED JUHUSLIKUL TAUSTAL.
2.1. Nägemisorgani mudelis läve tõenäosussuhte määramine.
2. 2. Juhuslikul taustal objektide tuvastamise tõenäosuse määramine.
2.2.1. Tõenäosuse suhte logaritmi arvutamine ruumiliste teostuste valdkonnas.
2.2.2. Tõenäosuse suhte logaritmi arvutamine ruumilises sageduspiirkonnas.
2.3. Optilis-elektroonilise kujutise visualiseerimissüsteemi optiliste elementide omaduste arvestamine.
2.4. Saadud avaldiste analüüs tuvastamise tõenäosuse arvutamiseks juhuslikul taustal.
2.5. Objektipaaride äratundmise tõenäosuse määramine juhuslikul taustal.
3. NÄGEMISEELUNDI MUDELI PÕHIPARAMEERITE MÄÄRAMINE
TÖÖHELEDUSE VALIKUS KOHANDAMISEKS.
3.1. Silma optika tegelike omaduste arvessevõtmine nägemisorgani mudelis.
3.2. Nägemisorgani toimimise tunnused kõrge tausta heleduse korral.
3.3. Nägemisorgani retseptorite tundlikkuse funktsionaalne sõltuvus kohanemise heledusest ja stiimuli asukohast võrkkestale.
3.4. Nägemisorgani mudeli põhiparameetrite määramine programmi APPRC0N abil.
4. VORMI NÄGEMISELUNDI MATEMATILINE MUDEL
RAKENDUSPROGRAMMI PAKETT.
4.1. Programmi DETECTOR kirjeldus juhusliku taustaga objektide tuvastamise tõenäosuse arvutamiseks.
4.2. Programmi DETECTOR muutmine juhusliku taustaga objektide paaride tuvastamiseks.
5. ARVUTUSVIGADE ANALÜÜS ANDURIPROGRAMMI KASUTAMISEL.
5.1. Viga objekti häguse kujutise lõikamisel ühtlasel taustal.
5.2. Vead korrelatsioonifunktsioonide lõikamisel.
5.3. Objekti hägusa kujutise diskreetimisviga ühtlasel taustal.
5.4. Korrelatsioonifunktsioonide diskretiseerimisvead.
5.5. Võttes arvesse vigade ühismõju
Arvutuste täpsusest programmi DETECTOR abil.
6. EKSPERIMENTAALSE UURIMISE MEETOD JA PAIGALDAMISSKEEM VAATLIJA POOLT OBJEKTIDE AVASTAMISE TÕENÄOSUSE MÄÄRAMISEKS.
6.1. Paigalduse funktsionaalse skeemi väljatöötamine.
6. 2. Eksperimentaalse seadistuse tarkvara arendamine.
6.3. Adaptomeetri ploki kirjeldus.
6.4. Paigalduse kalibreerimise ja visuaalse katse läbiviimise meetodi kirjeldus.
6.5. Katsetulemuste vea hindamise metoodika.
6.6. Pakutud mudelit kasutavate arvutustulemuste võrdlus katseandmetega.
Soovitatav lõputööde loetelu
Kujutise tajumise statistiline teooria optoelektroonilistes visualiseerimissüsteemides 2001, tehnikateaduste doktor Grigorjev, Andrei Andrejevitš
Vaatleja matemaatiline mudel visuaalse pilditöötluse protsessis 1998, tehnikateaduste doktor Trifonov, Mihhail Ivanovitš
Optilis-elektrooniliste seiresüsteemide infovõimekuse uurimine 2007, tehnikateaduste kandidaat Sivjakov, Igor Nikolajevitš
Objekti piiride tuvastamine ja hindamine piltidel aditiivse müra ja deformeerivate moonutuste tingimustes 2011, füüsika- ja matemaatikateaduste kandidaat Solomatin, Aleksei Ivanovitš
Füsioloogilise süsteemi spetsiifiliste värvikoordinaatide määramise metoodika väljatöötamine 2011, tehnikateaduste kandidaat Gordyukhina, Svetlana Sergeevna
Lõputöö tutvustus (osa referaadist) teemal “Meetod, kuidas arvutada tõenäosus, et vaatleja tuvastab objekte juhuslikul taustal”
Praegu on optilis-elektrooniliste kujutiste visualiseerimissüsteemide (OEIS) väljundkarakteristikute määramise põhimeetodiks otsese eksperimentaaluuringu meetod (eksperthinnangute meetod). Statistiliselt usaldusväärsete tulemuste saamiseks nõuab see meetod suure hulga koolitatud vaatlejate kaasamist. Selle tagajärjeks on märkimisväärsed aja- ja majanduslikud kulud OESVI töönäidiste loomiseks. Eksperthinnangute meetodi kasutamisel süsteemi parameetrite optimeerimiseks tekib vajadus luua mitu erinevate parameetritega süsteemi või üks süsteem, milles uuritav parameeter varieerub, mis muudab katsetulemuste saamise veelgi kulukamaks.
Neid puudusi on võimalik kõrvaldada, luues OESVI matemaatilise mudeli, mis sisaldab vaatleja nägemisorgani matemaatilist mudelit (03). Sel juhul väheneb oluliselt vajalike katsete maht, kuna neid on vaja ainult mudelis sisalduvate tundmatute funktsioonide ja koefitsientide leidmiseks, samuti selle rakendatavuse piiride määramiseks. Matemaatilised mudelid võimaldavad mitte ainult oluliselt vähendada olemasolevate OESVI tüüpide uurimise aega, vaid ka analüüsida paljutõotavaid OES-e ilma prototüüpe loomata, mis vähendab oluliselt aja- ja majanduskulusid.
Enamiku visuaalsete tööde tunnuseks, mida tehakse nii OESVI abil kui ka palja silmaga, on heleduse juhuslik ja ebaühtlane jaotus vaateväljas. Seega võib vaatlus OESVI-s toimuda elektrooniliselt teelt lähtuva müra aditiivse superpositsiooni tingimustes ("additiivne müra") mittejuhuslikul objektil ja taustal. Välivaatluse käigus asendab objekt (eelkõige juhusliku värvusega) reeglina aplikatiivselt juhusliku tausta lõiku nagu maastik, veepind, pilved jne, mille tulemusena pildialad objekti kontuuri sees ja väljaspool lakkab korrelatsioonist (“rakenduslik taust”). Lisaks vaadeldakse koos aditiivse müra ja rakendusliku tausta juhtumeid.
Nagu on näidanud kirjanduse andmete analüüs, puudub hetkel matemaatiline kirjeldus, kuidas vaatleja tuvastab reaalsel taustal objekte, millel on nii aditiivsed kui ka rakenduslikud komponendid, mis muudab selle jaoks võimatuks OESVI matemaatilise mudeli väljatöötamise. juhtum. Seetõttu võib lõputöö pakutud teemat pidada asjakohaseks.
Lõputöö koosneb sisukorrast, sissejuhatusest, kuuest peatükist, järeldustest töö kohta ja kirjanduse loetelust.
Esimene peatükk sisaldab enam kui 100 erineva inimese lävenägemise mudeli kirjanduslikku analüüsi, tuues välja nende eelised ja puudused. Pakutakse välja selliste mudelite klassifikatsioon, mille järgi saab nende loomisel eristada nelja lähenemist: empiiriline, füsioloogiline, informatiivne ja statistiline. Saadud tulemuste põhjal võime järeldada, et statistiline lähenemine on sõnastatud probleemi lahendamiseks kõige lootustandvam.
Teises peatükis on välja pakutud statistilise mudeli 03 struktuurskeem, mis põhineb tõenäosussuhte funktsioonil ning saadakse arvutatud seosed, mis võimaldavad leida objektide tuvastamise ja objektide paaride äratundmise tõenäosust vaatleja poolt juhuslikel taustadel, võttes arvesse võtta objekti aplikatiivse tausta, aditiivse müra ja maskeeriva värvuse ühismõju. Saadud seosed võimaldavad mudelit kasutades arvestada ka OESVI ja 03 vaatleja optiliste elementide mõju arvutustulemustele.
Kolmanda peatüki alguses saadakse silmaoptika punkti hajutamisfunktsiooni analüütiline kirjeldus, mis põhineb mitmete autorite katsete tulemustel ja võimaldab arvestada mudeli 03 silmaoptika tegelikke omadusi. Järgmisena analüüsitakse visuaalse analüsaatori tööd kohanemise kõrgel heledustasemel ning vaadeldakse võrkkesta tundlikkuse jaotuse funktsionaalse sõltuvuse saavutamise protsessi tausta heledusest ja kaugusest keskpunktist. fovea. Kirjeldatakse selleks loodud tarkvara. See sõltuvus on mudeli oluline komponent, mis võimaldab liikuda objektide ruumi heleduse jaotumiselt retseptori reaktsioonide jaotumiseni üle võrkkesta 03.
Neljandas peatükis kirjeldatakse rakendusprogrammide paketti, mis rakendavad väljatöötatud mudelit 03 ja võimaldavad arvutada objektide tuvastamise ja objektipaaride tuvastamise tõenäosust juhuslikul taustal.
Viiendas peatükis tuuakse välja pidevate funktsioonide esitamise tunnused arvutis ja põhjendatakse vajadust arvestada arvutustes tekkivate vigadega, kasutades DETECTOR programmi, mis realiseerib loodud mudeli 03. Meetod nende vigade hindamiseks, mis on põhjustatud nii jämedast mudeli arvutatud avaldistesse kaasatud funktsioonide massiivide diskretiseerimine ja lõikamine. See meetod võimaldab teil valida diskreetimisintervalli, mis minimeerib programmi DETECTOR arvutuste koguvea.
Kuues peatükk sisaldab eksperimentaalse uurimismeetodi ja seadistusskeemi kirjeldust objektide tuvastamise tõenäosuse määramiseks ja objektide orientatsiooni tuvastamiseks vaatleja poolt juhuslikul taustal. Määratud meetod ja skeem on mõeldud pakutud mudeli 03 toimivuse testimiseks erinevates vaatlustingimustes 8. Antakse eksperimentaalse seadistuse tarkvara kirjeldus ja selle kalibreerimise metoodika. Samuti kirjeldatakse visuaalsete katsete läbiviimise ja tulemuste vea hindamise meetodeid. Mudelit kasutavate arvutustulemuste võrdlus eksperimentaalsete andmetega näitas nende kokkulangevust usaldustasemega 0,9 paljudes vaatlustingimustes.
Lõputöö tulemused avaldati kuues trükis, testitud rahvusvahelisel teadus-tehnilisel konverentsil "0lighting"9b" (Varna, 1996), Moskva üliõpilaste teadus-tehnilisel konverentsil "Raadioelektroonika ja elektrotehnika rahvamajanduses" (MPEI, 1997), III rahvusvahelisel valgustustehnika konverentsil (Novgorod, 1997) ja MPEI valgustustehnika osakonna teaduslikel seminaridel.
Sarnased väitekirjad erialal "Valgustustehnika", 09/05/07 kood VAK
Statistilised ja närvivõrgu algoritmid juhuslike protsesside ja väljade analüüsimiseks laserinterferomeetria süsteemides 2008, füüsika- ja matemaatikateaduste kandidaat Popov, Vassili Georgievich
2002, füüsika- ja matemaatikateaduste doktor Kostlev, Vladimir Ivanovitš
Juhuslike protsesside ja väljade filtreerimisalgoritmide süntees ja analüüs olekute ja vaatluste ruumi juhusliku Markovi struktuuri tingimustes 2004, füüsika- ja matemaatikateaduste kandidaat Lantyukhov, Mihhail Nikolajevitš
Meetodid ja algoritmid mitmemõõtmeliste kujutiste ajalise ruumilise deformatsiooni korduvaks hindamiseks 1999, tehnikateaduste doktor Tašlinski, Aleksander Grigorjevitš
Juhuslike Gaussi väljade ruumiliste ebahomogeensuste statistiline analüüs 2002, füüsika- ja matemaatikateaduste kandidaat Pribytkov, Juri Nikolajevitš
Lõputöö kokkuvõte teemal “Valgustustehnika”, Arhipov, Boriss Borisovitš
JÄRELDUSED TÖÖ KOHTA
1. Juhusliku taustaga objektide tuvastamise probleemi lahendamise 03 mudelite väljatöötamisel saadi kõige olulisemad tulemused TCP baasil, kuid kirjanduses puudub 03 mudelite kirjeldus objektide tuvastamise probleemi lahendamiseks. tõelised taustad, millel on nii lisa- kui ka rakenduskomponente.
2. Välja on töötatud statistiline mudel 03, mis võimaldab arvutada objekti tuvastamise tõenäosust, võttes arvesse objekti omadusi, aditiivset müra ja rakenduslikku tausta. Mudeli 03 jõudlus juhuslikel taustadel, st tingimustes, mis põhimõtteliselt erinevad selle normaliseerimise tingimustest, näitab, et mudelisse manustatud algoritm on üsna lähedane nägemisorgani rakendatavale algoritmile.
3. Näidatakse, et objektide tuvastamise tõenäosuse arvutamiseks reaalsel taustal piisab mudeli 03 kahe karakteristiku määramisest: läve tõenäosussuhe ja võrkkesta tundlikkuse funktsionaalne sõltuvus kohanemise heledusest ja kaugusest pildi keskpunktist. fovea. Arvutuste ja katsetulemuste võrdlus näitab läve tõenäosussuhte püsivust keskmise tausta heleduse variatsioonidega, heleduse jaotust objektil ja vaadeldavate kujutiste statistilisi omadusi.
4. Mitmemõõtmelised arvutused mudeli 03 abil, mis on realiseeritud rakendustarkvara paketi kujul, näitasid mudeli arvutusavaldistes sisalduvate funktsioonide diskreetimisintervalli olulist mõju arvutustulemustele. Väljatöötatud meetod arvutusvea hindamiseks võimaldab valida valimivahemiku, mis annab selle vea minimaalse väärtuse, mis tüüpiliste vaatlustingimuste korral ei ületa 20%.
5. Näidatakse, et peentekstuurilisel taustal vaatlemisel saab objekti värvimise ratsionaalse valikuga alati saavutada oma efektiivse kamuflaaži, samas kui tugevas korrelatsioonis taustal vaadeldes on võimatu objekti maskeerida seda juhuslikult värvides. Aplikatiivse tausta hajuvuse suurenemine viib esmalt objektide tuvastamise tõenäosuse vähenemiseni ja seejärel selle suurenemiseni. Lisamüra hajuvuse suurendamine võib objektide tuvastamise tingimusi ainult halvendada.
6. Välja töötatud eksperimentaalne seadistus, mis ühendas kujutise moodustamise elektroonilised ja optilised meetodid, võimaldas saada objektide tuvastamise tõenäosuse sõltuvuse vaatlustingimustest veaga kuni 17%. On näidatud, et väljatöötatud mudeli 03 abil saadud arvutustulemused langevad kokku katsetulemustega usaldustasemega 0,9.
7. Saadud tulemused näitavad, et väljatöötatud mudeli 03 rakendamine objektide tuvastamise tõenäosuse arvutamisel on õigustatud, kui tausta heledus on 10~2,102 cd/m2 ja objektide nurksuurused on O.Yu0. Arvutatud ja eksperimentaalsete sõltuvuste head kokkusobivust täheldatakse, kui piltide statistilised omadused varieeruvad järgmises vahemikus:
Lisamüra korrelatsiooni intervall 0,30";
Rakendusliku tausta korrelatsioonivahemik 0,80";
Objekti maskeerimise korrelatsioonivahemik 0,30";
Lisamüra suhteline standardhälve o,0,1;
Rakendusliku tausta suhteline standardhälve o,0,14;
Objekti kamuflaaži suhteline standardhälve on umbes 0,05.
8. Arvutuslik ja eksperimentaalne uuring objektide paaride äratundmise tõenäosuse sõltuvuste kohta vaatlustingimustest kinnitab hüpoteesi, et objekti tuvastamine ja objektide paari äratundmine on vaatleja jaoks samaväärsed ülesanded.
Doktoritöö uurimistöö viidete loetelu Tehnikateaduste kandidaat Arkhipov, Boriss Borisovitš, 1999
1. Blackwell H.R. Inimsilma kontrastläved // J. Opt. Soc. Amer. - 1946. - V. 36, nr. 11. - Lk 624 - 643.
2. Conner J.P., Ganoung R.E. Visuaalsete lävede eksperimentaalne määramine madalate valgustusväärtuste juures // J. Opt. Soc. Amer. 1935. - V. 25, nr. 9. - lk 287 - 294.
3. Siedentopf H. Kontrastschwelle und Sehschärfe // Das Licht. 1941. - N5 2. - S. 35 - 37.
4. Nikitina E.A., Murašova M.A. Võrdselt heledate hajutatud ketaste lävikontrast // Teaduslik. Üleliidulise Ametiühingute Kesknõukogu Töökaitse Instituudi töö. Vol. 81. - M.: Profizdat, 1973. - Lk 75 - 81.
5. Lazarev D. N. Nägemise omadused läve vaatlustingimustes // Valgustustehnika. 1989. - N5 4. - Lk 6 - 9.
6. Luizov A.B. Nägemise inerts. M.: Oborongiz, 1961. - 248 lk.
7. Nikitina E. A. Ristkülikukujuliste objektide lävikontrast // Teaduslik. Üleliidulise Ametiühingute Kesknõukogu Töökaitse Instituudi töö. Vol. 74. - M.: Profizdat, 1971. - Lk 77 - 80.
8. Tulemärk M.A. Katseobjektide kuju mõju visuaalse ülesande keerukusele // Svetotekhnika. 1964. - N* 11. - Lk 13 - 15.
9. Ostrovski M. A. Teekatte heleduse ebaühtlase jaotumise mõju juhtide visuaalsele jõudlusele // Valgustustehnika. 1969. - N5 4. - P. 1 - 4.
10. Adrian W., Eberbach K. Visuaalse läve ja ümbritseva välja suuruse vahelisest seosest // Lighting Res. ja Technol. 1969. - Ei. 4. - Lk 251 - 254.
11. I. Gutorov M.M., Nikitina E.A. Visuaalse süsteemi parameetrite modelleerimine seoses objektide tuvastamise probleemidega // Valgustustehnika. 1977. - U 6. - P. 4-6.
12. Middleton W.E. Fotomeetriline diskrimineerimine hajutatud piiriga // J. Opt. Soc. Amer. 1937. - V. 27, nr. 3. - Lk 112 -116.
13. Analüütiline mudel valgustusparameetrite mõju kirjeldamiseks visuaalsele jõudlusele // CIE väljaanne. 1981.- V. 1. Nr. 19/2.
14. Meshkov V.V., Matveev A.B. Valgustehnika alused: 2 osas Osa 2. Füsioloogiline optika ja kolorimeetria. M.: Energoatomizdat, 1989. - 432 lk.
15. Le Grand Y. Valgus, värv ja nägemus. London: Chapman ja Hall, 1957. - 512 lk.
16. Nikitina E.A., Murashova M.A., Panova A.I. Lävikontrast võrdse heledusega lamedate objektide tuvastamisel võrdse heledusega taustal // Proc. instituut / Moskva. energiat int. 1972. – väljaanne. 123. - lk 98-108.
17. Belova L. T. Laiendatud objektide nähtavus // Valgustehnika. 1965. - K 11. - P. 6 - 8.
18. Gorin A.I. Visuaalse taju funktsioon // Opt.-mech. tööstusele 1983. - ja 10. - lk 4 - 7.
19. Luizov A.V. Visuaalse tuvastamise algoritmid // Proc. instituut / riik. optiline int. 1982. - T. 51, väljaanne. 185, – lk 99–104.
20. Luizov A.V. Silm ja valgus. L.: Energoatomizdat, 1983.144 lk.
21. Ivanova E. G., Travnikova N. P. Objektide visuaalne tuvastamine ebaühtlasel taustal // Valgustustehnika. 1990. - N5 1. - Lk 7 - 10.
22. Vavilov S.I. Valguse mikrostruktuur. M.: NSVL Teaduste Akadeemia Kirjastus, 1950. - 199 lk.
23. Rose A. Inimese nägemine ja elektrooniline nägemine. M.: Mir, 1977. 216 S.
24. Ratner E. S. 0 seoseid nägemise omaduste ja valguse kvantkõikumiste vahel // Dokl. NSVL Teaduste Akadeemia. 1955. - t 105, N5 1. - lk 90-104.
25. Kagan V.K., Kondratjev K.Ja Atmosfääris nähtavuse infoteooria alused - J1. : Gidrometeoizdat, 1968. 156 lk.
26. Shestov N. S. Optiliste signaalide isoleerimine juhusliku müra taustal. M.: Sov. raadio, 1967. - 348 lk.
27. Peterson V., Birdsall T., Fox V. Signaali tuvastamise teooria // Infoteooria ja selle rakendused / Toim. A. A. Harkevitš. M.: Nauka, 1959. - Lk 210 - 274.
28. Titkov B.V. Valgusvastuvõtjate kontrasttundlikkuse kõikumise läve kohta // Valgustustehnika. 1966. - N3 1. - P. 12-15.
29. Ratner E.S., Matskovskaja Yu.Z. Kahemõõtmeliste kujutiste vastuvõtjate tundlikkuse läve kohta // Opt.-mech. tööstusele 1972. -N5 2. - Lk 3 - 6.
30. Ratner E. S., Matskovskaja Yu. 3. Kahemõõtmelise kujutise elemendi eristamiseks kasutatava lävekriteeriumi kohaldatavus // Opt. - karusnahk. prom-ST. 1974. - N" 4. - Lk 59 - 60.
31. Schnitzler A. Pildidetektori mudel ja inimese visuaalse süsteemi parameetrid // J. Opt. Soc. Amer. 1973. - V. 63, nr. 11.- Lk 1357 1368.
32. Gubisch R.W. Inimsilma optiline jõudlus // J. Opt. Soc. Amer. 1967. - V. 57, nr. 3. - Lk 407 - 415.
33. Hay G.A., Chesters M.S. Signaaliedastusfunktsioonid lävi- ja läveüleses nägemises // J. Opt. Soc. Amer. 1972.- V. 62, nr. 8. Lk 990–998.
34. Zeevi Y.Y., Mangoubi S.S. Mürasummutus fotoretseptorites ja selle seos intensiivsuse suurenemise lävedega // J. Opt. SOC. Amer. 1978. - V. 68, nr. 12. - Lk 1772 - 1776.
35. Campbell F.W., Robson J.G. Fourier' analüüsi rakendamine restide nähtavusele // J. Physiol. 1968. - V. 197, nr. 3. - Lk 551 - 566.
36. Sachs M.B., Nachmias J., Robson J.G. Ruumisageduslikud kanalid inimese nägemises // J. Opt. Soc. Amer. 1971. - V. 61, nr. 9. - Lk 1176 - 1186.
37. Glezer V. D. Nägemus ja mõtlemine. M.: Nauka, 1993, - 283 lk.
38. Glezer V. D. Ruumilise nägemise lävimudelid // Inimese füsioloogia. 1982. - K 4. - Lk 547 - 558.
39. Kiire R.F. Kontrastsuse tuvastamise vektor-suurusmudel // Kybernetik. 1974. - V. 16, nr. 1. - lk 65 - 67.
40. Quick R.F., Reichert T.A. Ruumisageduslik selektiivsus kontrasti tuvastamisel // Vision Res. 1975. - V. 15, nr. 6. - Lk 637 - 643.
41. Schnitzler A.D. Inimese visuaalse süsteemi ruumilise sagedusfiltreerimise teooria // J. Opt. Soc. Amer. 1976. - V. 66, nr. 6. - lk 608 - 617; 617-625.
42. Wilson H.R. , Bergen R. Ruumilise nägemisläve nelja mehhanismi mudel // Vision Res. 1979. - V. 19, nr. 1. - lk 19 - 32.
43. Wilson H.R., Gelb D.J. Modifitseeritud joonelementide teooria ruumilise sageduse ja laiuse eristamiseks // J. Opt. Soc. Amer. A. 1984. - V. 1, nr. 1. - lk 124 - 131.
44. Visuaalse süsteemi RC mudelid. Arvustus / G.Molesini, G.Viliani // Atti Fondaz. G.Ronchi e Contrib. 1. Naz. Ottica. 1974. V. 29, nr. 1. - Lk 103 - 148.
45. Schade O.H. Silma optiline ja fotoelektriline analoog
46. J. Opt. SOC. Amer. 1956. - V. 46, Mo. 9. - Lk 721 - 739.
47. Logvinenko A. D. Ruumitaju sensoorsed alused. M.: Moskva Riikliku Ülikooli kirjastus, 1985. - 222 lk.
48. Novikova N.M., Danilova L.V. Läve visuaalse tuvastamise matemaatiline mudel / Voroneži ülikool. Voronež, 1992. - dep. VINITI-s 21.07.92, N5 2392 - B92.
49. Hay G.A., Chesters M.S. Visuaalse läve tuvastamise mudel // J. Theor. Biol. 1977. - V. 67, nr. 2. - lk 221 - 240.
50. Burton G.J. Perioodiliste mustrite visuaalne tuvastamine kahes mõõtmes // Vision Res. 1976. - V. 16, nr. 9. - Lk 991 - 998.
51. Kingdom F., Moulden V., Hall R. Mudel liinisignaalide tuvastamiseks visuaalses müras // J. Opt. Soc. Amer. A. 1987. - V. 4, nr. 12. - Lk 2342 - 2354.
52. Limb J.O., Rubinstein C.B. Nägemisläve mudel, sealhulgas nägemisvälja ebahomogeensus // Vision Res. 1977. V. 17, nr 0. 4. - Lk 571 - 584.
53. Kretz F., Scarabin F., Bourguignat E. Ebahomogeense mudeli ennustused. Kohalike ja laiendatud ruumiliste stiimulite tuvastamine // J. Opt. Soc. Amer. 1979. - V. 69, nr. 12. - Lk 1635 -1648.
54. Emelyanov S.N., Savenkov V.I. Akromaatiliste stiimulite visuaalse taju läve mudel // Artiklite kogu. teaduslik tr. / Moskva energiat int. 1984. - N 33. - S. 64 - 75.
55. Lavin E. R., Overington I. Fotoopilise nägemise läve tuvastamise mudel // Opt. acta. 1972. - V. 19, nr. 5. - Lk 365 - 367.
56. Overington I. Nägemus ja omandamine. London: Pentech press, 1976. - 380 lk.
57. Overington I. Fotoopilise visuaalse läve jõudluse täieliku mudeli poole // Opt. Eng. 1982. - V. 21, nr. 1. - lk 2 - 13.
58. Granrath D., Hunt B.R. Kahe kanaliga pilditöötlusmudel inimese võrkkestas // Proc. SPIE. 1979. - V. 199. - Lk 126 - 133.
59. Blackwell H.R. Sisevalgustuse tasemete spetsifikatsioon // Ilium. Eng. 1959. - V. 54, nr. 6. - Lk 317 - 353.
60. Murashova M. A. Analüütilised meetodid objektide läve kontrastide määramiseks taustaga erineva keerukusega visuaalsete probleemide lahendamisel: Dis. . Ph.D. tehnika. Sci. M., 1976. - 252 lk.
61. Kontrast ja nähtavus: tehn. Rep. poolt CIE TC 1-17 "Nähtavuse kontrastimeeter" / A.Korn et al. 1984. - 52 lk.
62. Julesz B. Visuaalne mustrite diskrimineerimine // IRE Trans. Teavitada. teooria. 1962. - IT-8, nr. 2. - lk 84 - 92.
63. Julesz B. Eksperimendid tekstuuri visuaalsel tajumisel // sci. Amer. 1975. - V. 232, nr. 1. - lk 34 - 43.
64. Kharkevitš A. A. Spektrid ja analüüs. M.: Fizmatgiz, 1962.236 lk.
65. Kujutist moodustavate süsteemide parameetrite mõju uurimine teabe edastamisele: Uurimisaruanne (kokkuvõte) / I. P. Kontrolsky; Moskva energiat int. M., 1976. - 152 lk.
66. Katajev S.I., Khromov JI. I. Pildikvaliteedi hindamise üldistatud kriteeriumist // Tekhn. kino ja televisioon. 1962. - N5 4. -S. 17-18.
67. Shulman M. Ya. Pildisüsteemide kvaliteedi gradient- ja teabekriteeriumid // Zh. science. ja adj. fotogr. ja kinema-togr. 1974. - T. 19, nr 6. - Lk 401 - 406.
68. Richards E.A. Põhilised piirangud otsevaate pildivõimendussüsteemide vähese valguse taseme osas //1.fr. Phys. 1968. - V. 8, nr. 1. - lk 101 - 115.
69. Lihtsaima kujuga objektide äratundmise tõenäosuse ja vaatlusseadme parameetrite seos / N.F.Koštšavtsev jt // Proc. instituut / Moskva. energiat int. 1972. – väljaanne. 123. - lk 42 - 49.
70. Koštšavtsev N.F., Sokolov D.S. Optilise süsteemi MTF-i mõju edastatava teabe hulgale // Proc. instituut / Moskva. energiat int. 1974. – väljaanne. 210. - lk 47 - 54.
71. Saghri J.A., Cheatham P.S., Habibi A. Pildikvaliteedi mõõtmine inimese visuaalsüsteemi mudelil // Opt. Eng. 1989.-V. 28, nr. 7. - Lk 813 -818.
72. Pearlman W.A. Visuaalse süsteemi mudel ja uus moonutusmõõtmine pilditöötluse kontekstis // J. Opt. Soc. Amer. 1978. V. 68, NR. 3. - lk 374 - 386.
73. Sakrison D.J. Vaatleja rollist ja moonutusmõõdust pildiedastuses // IEEE Trans. kommuunis. 1977. C0M-25, nr. 11. - Lk 1251 - 1266.
74. Swete J., Tanner W., Birdsall T. Statistiline otsustusteooria ja taju // Tehniline psühholoogia / Toim. D. Yu. Panova ja V. P. Zinchenko. M.: Progress, 1964. - Lk 269 - 335.
75. Geisler W.S. Ideaalne vaatleja teooria psühhofüüsikas ja psühholoogias // Phys. Scr. 1989. - V. 39, nr. 1. - lk 153 - 160.
76. Pelli DG. Ebakindlus selgitab visuaalse kontrasti tuvastamise ja diskrimineerimise paljusid aspekte // J. Opt. Soc. Amer. A. 1985. V. 2, nr. 9. - Lk 1508 - 1532.
77. Foley J.M., Legge G.E. Kontrastsuse tuvastamine ja lävilähedane diskrimineerimine inimese nägemises // Vision Res. 1981. - V. 21, nr. 7. - Lk 1041 - 1053.
78. Kornfeld G.H., Lawson W.R. Visuaal-taju mudelid // J. Opt. Soc. Amer. 1971. - V. 61, nr. 6. - Lk 811 - 820.
79. Saal C.F., saal E.L. Inimese visuaalse süsteemi ruumiliste omaduste mittelineaarne mudel // IEEE Trans. Süst., mees, küber. 1977. - SMC-7, nr. 3. - lk 161 - 170.
80. Martõnov V. N. Ebavõrdse taustaga objektide nähtavuse arvutamise ja uurimise meetod: Dis. . Ph.D. tehnika. Sci. M., 1979. 218 S.
81. Martõnov V.N., Shkursky B.I. Visuaalse analüsaatori kui optimaalse tuvastussüsteemi mudel // Opt. - karusnahk. tööstus. 1980. N5 8. - P. 1 - 4.
82. Martõnov V.N., Shkursky B.I. Objektide visuaalne tuvastamine ebavõrdselt heledal taustal // Opt. - karusnahk. tööstusele 1982. - M 1. - Lk 6 - 9.
83. Krasilnikov N. N. Kujutiste edastamise ja tajumise teooria. M.: Raadio ja Svjaz, 1986. - 248 lk.
84. Voronin Yu. M. Vaatlejamudelid, mida kasutatakse objektide kujutiste eristamiseks müra taustal // Proc. instituut / riik. OPTILINE int. 1984. - T. 57, VÄLJAS. 191. - lk 88 - 92.
85. Krasilnikov N. N. Nägemise funktsionaalse mudeli uued arengud ja selle kasutamise tulemused // Opt. - karusnahk. tööstus. 1991. Nr 11. - Lk 24 - 26.
86. Krasilnikov N. N. Uus infosüsteemide üldistatud funktsionaalse nägemise mudeli väljatöötamisel // Automeetria. 1992. N3 2. - lk 73 ~ 78.
87. Vaskovsky A. A. Arvutusmeetod ja märke sünteesivate indikaatorite visuaalse tajumise omaduste uurimine - Dis. . Ph.D. tehnika. Sci. M., 1987. - 188 lk.
88. Sivjakov I.N., Makulov V.B., Pavlovskaja M.B. Häguste ja mürarikaste piltide visuaalne tajumine // Proc. instituut / riik. OPTILINE int. 1987. - T. 64, VÄLJAS. 198. - lk 119 - 128.
89. Korolev A. N., Morozova S. JI. , Sivyakov I. N. Optilis-elektrooniliste vaatlussüsteemide teabeomaduste analüüs ja optimeerimine // Optich. ja. 1995. - nr 5. - lk 54 - 58.
90. Kononov V.I., Fedorovsky A.D., Dubinsky G.P. Optilised pildisüsteemid. Kiiev: Tehnika, 1981. - 134 lk.
91. Burgess A.E. Statistiliselt määratletud taust: modifitseeritud mittevalgendava vaatleja mudeli jõudlus // J. Opt. Soc. Amer. A. 1994. - V. 11, nr. 4. - Lk 1237 - 1242.
92. Mürakorrelatsiooni mõju kettasignaalide tuvastatavusele meditsiinilises pildistamises / K.J.Myers et al. // J. Opt. Soc. Amer. A. 1985. - V. 2, nr. 10. - Lk 1752 - 1759.
93. Judy P.F., Swenson R.G. Kahjustuse tuvastamine ja signaali-müra suhe CT-piltidel // Med. Phys.- 1981,- V. 8, Nr. 1.- Lk 13 23.
94. Hotellide jälgimise kriteerium ja selle korrelatsioon inimvaatleja jõudlusega / R.D.Fiete et al. // J. Opt. Soc. Amer. A. 1987. V. 4, NR. 6. - Lk 945 - 953.
95. Myers K.J., Barrett H.H. Ideaal-vaatleja mudelile kanalimehhanismi lisamine // J. Opt. Soc. Amer. A. 1987. - V. 4, nr. 12. - Lk 2447 - 2457.
96. Rolland J.P., Barrett H.H. Juhusliku tausta ebahomogeensuse mõju vaatleja tuvastamise jõudlusele // J. Opt. Soc. Amer. A. 1992. - V. 9, nr. 5. - Lk 649 - 658.
97. Grigorjev A.A., Koštšavtsev N.F. Statistiline teooria valgussignaalide tuvastamiseks visuaalse analüsaatoriga // Proc. instituut / Moskva. energiat int. 1977. – väljaanne. 316. - S. I - 14.
98. Grigorjev A.A., Koštšavtsev N.F. Objektide tuvastamise tõenäosuse määramine ebaühtlasel taustal // Proc. instituut / Moskva. energiat int. 1977. – väljaanne. 316. - lk 15 - 18.
99. Grigorjev A. A. Objektide tuvastamise tõhususe hindamine vaatleja poolt juhuslikel mitteliituvatel taustadel // Proc. teaduslik tr. / Moskva energiat int. 1983. - Kui 12. - lk 24 - 28.
100. Levi L. Müra tüübid visuaalses süsteemis // Opt. Ing.- 1981. V. 20, nr. 1. - lk 98 - 102.
101. Cohn T.E., Thibos L.N., Kleinstein R.N. Heleduse juurdekasvu tuvastatavus // J. Opt. Soc. Amer. 1974. - V. 64, nr. 10. - Lk 1321 - 1327.
102. Cohn T.E. Heleduse juurdekasvu tuvastatavus: katva juhusliku heleduse kõikumise mõju // J. Opt. Soc. Amer.- 1976. V. 66, nr. 12. - Lk 1426 - 1428.
103. Kramer G. Statistika matemaatilised meetodid. M.: Mir, 1975. - 648 S.
104. SW. Korn G., Korn T. Matemaatika käsiraamat teadlastele ja inseneridele: definitsioonid, teoreemid, valemid. M.: Nauka, 1984. - 831 lk.
105. Grigorjev A. A. Tulemuste töötlemise meetod katsete läbiviimisel sundvaliku meetodil // II Intern. valgustustehnika konf. 22. 27. mai 1995: Kokkuvõte. aruanne - Suzdal, 1995. -S. 152-153.
106. Bardin K.V. Tundlikkuse lävede ja psühhofüüsiliste meetodite probleem. M.: Nauka, 1976. - 396 lk.
107. Tarasenko F. P. Sissejuhatus infoteooria kursusesse. Tomsk: Tomski ülikooli kirjastus, 1963. 240 lk.
108. Grigorjev A. A. Optilis-elektrooniliste seadmete füüsilised alused. M.: Mosk. energiat Instituut, 1986. - 32 lk.
109. Grigorjev A. A., Firsov O. Yu. Statistiliste lahenduste teooria rakendamine objektide tuvastamise probleemile mittejuhuslikul taustal // Valgustustehnika, valgusallikad ja nende valmistamise tehnoloogia.
110. Ülikoolidevaheline. laup. teaduslik tr. / Mordov. olek univ. Saransk, 1990. - lk 64 - 70.
111. Berezin N. P., Trifonov M. I., Romanov S. S. Visuaalse tuvastamise formaalsed mudelid // Proc. instituut / riik. optiline int. -1984. T. 57, VÄLJAS. 191. - lk 17-29.
112. Samarsky A.A., Gulin A.V. Numbrilised meetodid. M.: Nauka, 1989. - 429 lk.
113. Sensoorsete süsteemide füsioloogia: 3 osas Osa 1. Nägemise füsioloogia / E. G. Shkolnik-Yarros et al.; Ed. V. G. Samsonova. D.: Nauka, 1971. - 416 lk.
114. Vos J.J., Walraven J., van Meeteren A. Punktallika foveai kujutise valgusprofiilid // Vision Res. 1976. - V. 16, nr. 2. - lk 215 - 219.
115. Kravkov S.V. Silm ja selle töö. Nägemise psühhofüsioloogia, valgushügieen. M. - L.: NSVL Teaduste Akadeemia Kirjastus, 1950. - 532 lk.
116. Johnson S.A., Keltner J.L., Balestrery F. Sihtmärgi suuruse ja ekstsentrilisuse mõju visuaalsele tuvastamisele ja eraldusvõimele // Vision Res. 1978. - V. 18, nr. 9. - Lk 1217 - 1222.
117. Pointer J.S., Hess R.F. Kontrastsuse tundlikkuse gradient inimese nägemisvälja peamiste kaldus meridiaanide vahel // Vision Res. 1990. - V. 30, nr. 3. - Lk 497 - 501.
118. Vale I. Visuaalne tuvastamine ja eraldusvõime võrkkesta lookuse funktsioonina // Vision Res. 1980. - V. 20, nr. 11. - Lk 967 -974.
119. Uurimisaruanne 134/78 (lõpp) teemal "Quinta" / A. A. Grigorjev; Moskva energiat int. Arv. K SB-1245s. - M., 1980.- 142 lk.
120. Grigorjev A. A., Rasskazov A. I., Shestopalova I. P. Maatriksgaasilahendusnäidiku kasutamise efektiivsuse uuring äratundmisprobleemide lahendamisel // Proc. teaduslik tr. / Mosk.energ. int. 1984. - N 46. - Lk 102 - 107.
121. Grigorjev A. A., Levtšuk Yu.A. Televiisorisatsioon tundlikkuse jaotumise uurimiseks piki nägemisorgani võrkkesta // Coll. teaduslik tr. / Moskva energiat int. 1988. - nr 164. - lk 129 - 134.
122. Pavlov N.I., Voronin Yu.M. Objektide tuvastamise tõenäosus optilis-elektroonilise valvesüsteemi monitori ekraanil Opt. J. 1994. - N5 7. - P. 3 - 7.
123. Värvitorude tootmine / V.I. Baranovsky et al.; Üldise all toim. V. I. Baranovski. M.: Energia, 1978, - 368 lk.
124. GOST 7721-89. Valgusallikad värvide mõõtmiseks. Tüübid. Tehnilised nõuded. Märgistus. M.: Standardite kirjastus, 1989.- 19 lk.
125. Gurevich M. M. Fotomeetria (teooria, meetodid ja instrumendid). L.: Energoatomizdat, 1983. 272 lk.
126. Optilis-mehaaniliste seadmete projekteerija käsiraamat / V.A.Panov jt; Üldise all toim. V.A.Panova. L.: Masinaehitus, 1980. - 742 lk.
128. Rabinovich S. G. Mõõtmisvead. L.: Energia, 1978. - 261 lk.
129. Metroloogia ja elektrilised mõõteseadmed / V.I.Didenko jt; Ed. V. N. Malinovski. M.: Kirjastus MPEI, 1991. - 80 lk.
130. Volkenshtein A. A. Madalate heleduste visuaalne fotomeetria.- M. L.: Energy, 1965. - 142 lk.
131. Litvinov V. S., Rokhlin G. N. Optilise kiirguse soojusallikad (teooria ja arvutus). M.: Energia, 1975. - 248 lk.
132. Arhipov B.B., Grigorjev A.A. Kaasaegsed meetodid vaatleja poolt objektide tuvastamise tõenäosuse arvutamiseks // Valgustus"96: Aruannete kokkuvõtted. Rahvusvaheline teadus- ja tehnikakonverents. 9.-11.oktoober 1996 - Varna, 1996. Lk 14.
133. Arkhipov B. B., Grigoriev A. A. Nägemisorgani matemaatiline mudel objektide tuvastamiseks rakenduslikul taustal // Valgustus "96: Rahvusvahelise teadus- ja tehnikakonverentsi kokkuvõtted. 9.-11. oktoober 1996 Varna, 1996. - lk 90-91.
134. Arkhipov B. B., Grigorjev A. A. Võrkkesta tundlikkuse jaotuse analüütiline uuring nägemisorgani statistilises mudelis // III Intern. valgustustehnika konf. 9.-12. juuni 1997: Kokkuvõte. aruanne Novgorod, 1997. - lk 64.
135. Arkhipov B. B., Grigoriev A. A. Installatsioon objektide tuvastamise ja tuvastamise tõenäosuse uurimiseks juhusliku taustaga vaatleja poolt // III Intern. valgustustehnika konf. 9.-12. juuni 1997: Kokkuvõte. aruanne Novgorod, 1997. - lk 65.
Pange tähele, et ülaltoodud teaduslikud tekstid on postitatud ainult informatiivsel eesmärgil ja need saadi algse väitekirja tekstituvastuse (OCR) abil. Seetõttu võivad need sisaldada ebatäiuslike tuvastamisalgoritmidega seotud vigu. Meie poolt edastatavate lõputööde ja kokkuvõtete PDF-failides selliseid vigu pole.
Tere, kallid habra lugejad ja habrakriitikud. Tahaksin selle postituse pühendada täna nii aktuaalsele teemale nagu objektide tuvastamine piltidel.
Sellise tuvastamise ühe algoritmina kaaluge kiire ja tõhusa läve valimist Otsu meetod.
Sissejuhatus
Niisiis, alustame järjekorras. Üldjuhul on objekti tuvastamise ülesandeks määrata kindlaks objekti olemasolu pildil, millel on teatud spetsiifilised omadused.Selliseks tunnuseks võib olla näiteks heledus. Üks lihtsamaid ja loomulikumaid viise objekti (või objektide) tuvastamiseks on valida heleduse lävi ehk läve klassifikatsioon (lävi). Sellise läve eesmärk on jagada pilt heledaks objektiks (esiplaan) ja tumedaks taustaks (taust). Need. objekt on nende pikslite kogum, mille heledus ületab läve ( I > T) ja taust on ülejäänud pikslite kogum, mille heledus on alla läve ( I < T).
Seega on põhiparameeter lävi T. Kuidas seda valida?
Lävendi valimiseks on kümneid meetodeid. Kiire ja tõhus meetod on Jaapani teadlase Nobuyuki Otsu 1979. aastal leiutatud meetod. Sellest räägime edaspidi.
Otsu meetod
Olgu 8-bitine pilt, mille jaoks peate künnise arvutama T. 24-bitise pildi puhul saab selle halltoonides hõlpsasti 8-bitiseks teisendada:I = 0.2125 R + 0.7154 G + 0.0721 B
Otsu meetod kasutab läve arvutamiseks pildi histogrammi.Tuletan meelde, et histogramm on kogum salve, millest igaüks iseloomustab sinna sattuvate näidiselementide hulka.Meie puhul on valimiks erineva heledusega pikslid mis võib võtta täisarvud vahemikus 0 kuni 255.
Näidispildi objektiga:
Selle pildi histogramm: 
Histogrammilt näeb inimene kergesti, et on kaks selgelt eraldatud klassi. Otsu meetodi olemus on seada klassidevaheline lävi selliselt, et igaüks neist oleks võimalikult “tihe”. Matemaatilises mõttes taandub see klassisisese dispersiooni minimeerimisele, mis on määratletud kahe klassi dispersioonide kaalutud summana: 
Siin w 1 ja w 2 - vastavalt esimese ja teise klassi tõenäosused.
Otsu näitab oma töös, et klassisisese dispersiooni minimeerimine on samaväärne maksimeerimisega vahel klassi dispersioon, mis on võrdne: 
Selles valemis a 1 ja a 2 - iga klassi aritmeetilised keskmised.
Selle valemi eripära on see w 1 (t + 1), w 2 (t + 1), a 1 (t + 1), a 2 (t+ 1) on kergesti väljendatavad eelmiste väärtuste kaudu w 1 (t), w 2 (t), a 1 (t), a 2 (t) (t- praegune lävi). See funktsioon võimaldas meil välja töötada kiire algoritmi:
- Arvutame histogrammi (üks pikslite massiivi läbimine). Järgmiseks vajate ainult histogrammi; kogu pildi läbimine pole enam vajalik.
- Lävendist alustades t= 1, läbime kogu histogrammi, arvutades dispersiooni igal etapil ümber σ b (t). Kui mõnel etapil on dispersioon suurem kui maksimaalne, uuendame dispersiooni ja T = t.
- Nõutav lävi on T.
See on tulemus, mis saadakse ülaltoodud algoritmi rakendamisel: 
Arvutatud lävi: 
Tõeline näide
Lisaks kunstlikult genereeritud näitele tahaksin näidata ka reaalsetmeetodit kasutades.
Minu praegune lõputöö nõuab pildil vöötkoodi lokaliseerimist: 
Enne Otsu meetodi kasutamist tuleb teha eeltöötlus, et ühemõõtmelise vöötkoodi struktuurilisi iseärasusi kuidagi arvesse võtta. Kui te seda ei tee, ei tee meetod lihtsalt midagi. Vöötkoodi struktuuri eripära on see, et see koosneb vertikaalsetest triipudest ja seetõttu on sellel suured horisontaalsed tuletised ja väikesed vertikaalsed. Seega, kui võtame pildi horisontaalse ja vertikaalse tuletise erinevusena ja rakendame seejärel keskmistamisfiltrit, saame järgmise: 
Pole paha, eks? Vöötkoodipilt on pildil selgelt nähtav ja paistab silma ümbritsevate objektidega võrreldes oluliselt suurema heledusega. Nüüd saate Otsu meetodit ohutult kasutada: 
Selle tulemusena saime õigesti lokaliseeritud vöötkoodi.
Rakendamine C++ keeles
Noh, nagu lubasin, läve arvutamise rakendamine Otsu meetodil C++ keeles koos kommentaaridega:* See lähtekood tõsteti esile Source Code Highlighteriga.
- typedef unsigned char imageInt;
- // Läve määramine Otsu meetodil
- int otsuThreshold(imageInt *pilt, int suurus)
- // Kontrollib NULL-i ja nii edasi. laseme selle keskendumiseks madalamale
- // meetodi töös
- // Arvutage kõigi pikslite minimaalne ja maksimaalne heledus
- int min = pilt;
- int max = pilt;
- jaoks (int i = 1; i< size; i++)
- int väärtus = pilt[i];
- if(väärtus< min)
- min = väärtus ;
- if (väärtus > max)
- max = väärtus ;
- // Histogrammi piiravad allpool ja ülevalt minimaalsed ja maksimaalsed väärtused,
- // seega pole mõtet luua 256 salvest koosnevat histogrammi
- int histSize = max - min + 1;
- int * hist = uus int ;
- // Täida histogramm nullidega
- jaoks (int t = 0; t< histSize; t++)
- hist[t] = 0;
- // Ja arvutage prügikastide kõrgus
- jaoks (int i = 0; i< size; i++)
- hist - min]++;
- // Sisestame kaks abinumbrit:
- int m = 0; // m - kõigi prügikastide kõrguste summa, korrutatuna nende keskkoha asukohaga
- int n = 0; // n - kõigi prügikastide kõrguste summa
- jaoks (int t = 0; t<= max - min; t++)
- m += t * hist[t];
- n += hist[t];
- ujuki maxSigma = -1; // Klassidevahelise dispersiooni maksimaalne väärtus
- int lävi = 0; // MaxSigmale vastav lävi
- int alfa1 = 0; // 1. klassi kõigi prügikastide kõrguste summa
- int beeta1 = 0; // 1. klassi kõigi prügikastide kõrguste summa, korrutatuna nende keskmise asukohaga
- // Muutujat alfa2 pole vaja, sest see on võrdne m - alfa1
- // Beeta2 muutujat pole vaja, sest see on võrdne n - alfa1
- // t jookseb läbi kõigist võimalikest läviväärtustest
- jaoks (int t = 0; t< max - min; t++)
- alfa1 += t * hist[t];
- beeta1 += hist[t];
- // Arvutage klassi 1 tõenäosus.
- ujuki w1 = (ujuk)beeta1 / n;
- // Pole raske arvata, et ka w2 pole vaja, sest see on võrdne 1 - w1
- // a = a1 - a2, kus a1, a2 on klasside 1 ja 2 aritmeetilised keskmised
- hõljuk a = (ujuk )alfa1 / beeta1 - (ujuk )(m - alfa1) / (n - beeta1);
- // Lõpuks arvutame sigma
- ujuki sigma = w1 * (1 - w1) * a * a;
- // Kui sigma on suurem kui praegune maksimum, värskendage maxSigmat ja lävi
- kui (sigma > maxSigma)
- maxSigma = sigma;
- lävi = t;
- // Ärgem unustagem, et läve loeti min-st, mitte nullist
- lävi += min;
- // See on kõik, lävi on arvutatud, tagastage see üles :)
- tagastuslävi;
Järeldus
Niisiis, vaatasime Otsu meetodi kasutamist piltidelt objektide tuvastamiseks. Selle meetodi eelised on järgmised:- Rakendamise lihtsus.
- Meetod kohandub hästi erinevat tüüpi piltidega, valides optimaalseima läve.
- Kiire tööaeg. Nõutud O(N) toimingud, kus N- pildi pikslite arv.
- Meetodil pole parameetreid, lihtsalt võtke see ja rakendage seda. MatLabis on see funktsioon graythresh() ilma argumentideta (miks ma tõin näite MatLabist? See on lihtsalt see tööriist, mis on pilditöötluse de facto standard).
- Läve binariseerimine ise on tundlik pildi ebaühtlase heleduse suhtes. Selle probleemi lahenduseks võiks olla kohalike künniste kehtestamine ühe globaalse künnise asemel.
Allikad
- Otsu, N., "A Threshold Selection Method from Grey-Level Histograms", IEEE Transactions on Systems, Man, and Cybernetics, Vol. 9, nr. 1, 1979, lk. 62-66.
Objekti tuvastamine luureseadmete abil on signaalide vastuvõtmise ja töötlemise tulemusena otsustamine objekti olemasolu või puudumise kohta antud ruumipiirkonnas.
Vastuvõtt Signaalide edastamine toimub alati ühte või teist tüüpi häirete taustal (vastuvõtja enda müra, raadiomüra kosmosest, peegeldus hüdrometeooridelt, maapinnalt jne).
Häirete esinemine põhjustab edastatavate signaalide moonutusi ja vigu olukorra hindamisel. Tuvastamisel on võimalik neli olukorda.
Esiteks, kui objekt tõesti on ja signaalid saabuvad häirete olemasolul, siis saab vaatleja luureandmete põhjal teha kaks otsust: esiteks - objekt on ja teiseks - objekti pole. Esimesel juhul (st otsustada, mis on objekt, kui objekt on reaalsuses) nimetatakse õige tuvastamine objektiks. Teisel juhul (otsuse tegemine objekti puudumise kohta, kui objekt on seal) - objekti vahelejätmine. Ebamäärase vastuse võimalus - "pole teada, kas objekt on olemas või mitte" - on välistatud.
Teiseks, kui objekti pole, siis interferentsi olemasolul on võimalik ka kaks lahendust: objekt on ja objekti pole. Sel juhul nimetatakse otsuse langetamist objekti olemasolu kohta (kui seda tegelikult pole). valeärevus ja otsus objekti puudumise kohta - õige mitteavastamine.
Sihtmärgi puudumine ja valehäire on vead objekti tuvastamisel. Kuna üldiselt on signaalid ja müra aja juhuslikud funktsioonid, siis on ühe või teise otsuse vastuvõtmine olemuselt juhuslik. Seetõttu iseloomustatakse loetletud olukordade esinemise võimalust tavaliselt vastavate tõenäosustega: W õige tuvastamise tõenäosus Wpr väljajätmise, valehäire Wlt ja W pn õige mittetuvastamise tõenäosusega.
Objekti õige tuvastamine ja väljajätmine (kui objekt on tegelikult olemas) moodustavad tervikliku kokkusobimatute sündmuste rühma, mistõttu
Samamoodi moodustavad valehäire ja õige tuvastamata jätmine objekti puudumisel täieliku kokkusobimatute sündmuste rühma
W LT + W PH =l (2)
Neli kaalutud tõenäosust on tingimuslikud, sest need iseloomustavad sündmusi, mis toimuvad objekti olemasolu või puudumise tingimustes. Luurejaama reaalsetes töötingimustes ei saa me ette teada, kas vaadeldavas ruumipiirkonnas on objekte või neid pole.
Tähistame objekti olemasolu tõenäosust meid huvipakkuvas ruumi piirkonnas W(t) ja objekti puudumise tõenäosust W(o-ga).
Neli mainitud sündmust moodustavad ka täieliku kokkusobimatute sündmuste rühma, nii et
W(ts).Wpo+W(ts)Wpr+W(o)Wlt+W(o)W PN =l (3)
kus: W(t).Wpo – õige tuvastamise tingimusteta tõenäosus,
W(ts)Wpr – tingimusteta tõenäosus sihtmärgist puududa,
W(o)Wlt on valehäire tingimusteta tõenäosus,
W(o)W PN on korrektse mittetuvastamise tingimusteta tõenäosus. Optimaalne tuvastusseade on seade, millega on võimalik saavutada valitud kriteeriumi parim (võrreldes teistega) väärtus, kui kõik muud tingimused on võrdsed. Kõige sagedamini kasutatakse kolme kriteeriumi: ideaalse vaatleja kriteerium, Neymani-Pearsoni kriteerium ja järjestikuse analüüsi kriteerium.
Ideaalse vaatleja kriteeriumi kohaselt peab optimaalne tuvastusseade tagama minimaalse tingimusteta tuvastamisvigade tõenäosuse, s.o.
Wosh=W(ts).Wnp+W(o)Wlt -»min (4)
Ideaalse vaatleja kriteeriumit kasutatakse raadiosidesüsteemide puhul, kui tõenäosused W(t) ja W(o) on a priori teada.
Vigade suhteline sagedus määratakse vastavalt eeltõenäosustega W(t) ja W(o). Seetõttu on üldise (kogu)vea keskmine tõenäosus võrdne
Wosh = W(ts) Wpr+ W(o) Wlt, (5)
ja signaali õige tuvastamise tõenäosus on võrdne
Vastavalt Neymani-Pearsoni kriteeriumile iseloomustab optimaalset seadet maksimaalne erinevus
Wpo*Wlt ja Wlt<=(Wлт)доп (6)
Seetõttu on Neyman-Pearsoni testi optimaalne olemus see, et see maksimeerib õige tuvastamise tõenäosust, arvestades valehäire fikseeritud tõenäosust.
Vastuvõtvas seadmes, mille abil signaale tuvastatakse, määratakse erinevate teadete posterioorsed tõenäosused (näiteks teade - objekt on või ei ole) ja indikatsiooniks otsusena on see teade, tõenäosus. millest suurem kui teised. Signaalide tuvastamiseks kasutatava seadme peamised omadused on vastuvõtja tööomadused.
Vastuvõtja (detektori) töökarakteristikud näitavad Wpo sõltuvust signaali-müra suhtest detektori sisendis (q) antud Wlt väärtuse korral.
Joonisel fig. Joonisel 1 on näidatud seosega kirjeldatud detektori vastavad sõltuvused
ja kitsariba impulsssignaali puhul. Seega, olles arvutanud signaali-müra suhte vastuvõtupunktis ja teades Wlt , W saab määrata.
Joonis 1 Wpo sõltuvus signaali-müra suhtest
Sissetungi avastamise tõenäosuse arvutamine
Pärast valehäirete perioodi arvutamist on vaja arvutada CO ASO tuvastamise tõenäosus.
Sõltumata teabetöötlusalgoritmist ja tuvastuskohtade arvust igas piiris, üldkujul (SLOS m puhul n-st) on tarkvara tuvastamise tõenäosuse arvutamise valem järgmine:
kus k on summaliikme järgarv, arvestades esimest nulliks, ;
K+1 elementide kombinatsioonide arv k võrra;
i-liini tuvastamise tõenäosus;
Kõigi võimalike n-terminali tuvastamise tõenäosuste korrutiste summa n+k võrra, tegurid, hulga liikmete arv võrdub n elemendi kombinatsioonide liikmega n-m-k. Juhul, kui tarkvara sisaldab 3 tuvastusliini, kui sissetungija saab tarkvarast üle, on sõltuvalt valitud SLOS-ist võimalikud erinevad tuvastamise tõenäosuste väärtused.
Tuba 1
2. tuba
2. variant
1. tuba
2. tuba
3. võimalus
1. tuba
Tuba 2
Saadud tulemustest on selge, et ainult SLOS 2:3 ja 3:4 kasutamisel kõigis valitud ruumide TSO paigutusvalikutes saavutatakse sissetungija tuvastamise tõenäosuse nõutav väärtus.
Optimaalse infotöötlusalgoritmi määramine
Olles saanud minimaalse kuluga infosüsteemi, on vaja kindlaks määrata selle sissetungija tuvastamise tõenäosus ja valehäirete periood. Valehäirete periood on CO ajutine tunnusjoon. See on tihedalt seotud infotöötlusalgoritmiga, mis võimaldab määrata optimaalse signaalitöötlusalgoritmi.
Praegu kasutatakse laialdaselt kahte SLOS-algoritmi, nimelt:
a) Algoritm A - seisneb selles, et pärast ühe põhivõrguettevõtja esimest aktiveerimist võetakse ülejäänud n-1 põhivõrguettevõtjalt aja jooksul vastu veel m-1 signaale ja nende vastuvõtmisel genereerib tuvastamise alamsüsteem häiresignaali. Kui määratud arv signaale ei ole tähtaja jooksul vastu võetud, siis signaal lähtestatakse ja kõike korratakse algusest peale.
b) Algoritm B - seisneb selles, et pärast esimest toimingut võetakse teatud aja jooksul vastu signaal ühest ülejäänud m-1 tehnilisest tuvastamisvahendist. Kui võetakse vastu teine signaal, siis jälle teatud aja jooksul võetakse signaal vastu ühelt ülejäänud m-2 põhivõrguettevõtjalt jne. Kuni m häiret vastu võetakse ja CO häiresignaal genereeritakse. Kui teabe sisestamise käigus vähemalt korra teatud aja jooksul TSO-lt signaali vastu ei võeta, lähtestatakse teave ja protsessi korratakse.
Pange tähele, et arvväärtusi ja saab seostada seosega:
Valehäire perioodi arvutamine
Valehäirete perioodi arvutame algoritmi B valemi abil, kuna just see algoritm on valehäirete suhtes kõige vastupidavam (eelistatud). Sellel sõltuvusel on järgmine vorm:
kus on valehäirete periood algoritmiga B;
k - põhivõrguettevõtjate lõikude arv igas piiris;
n on SO verstapostide arv;
m-arv TCO signaale tarkvara aktiveerimissignaali genereerimiseks;
Loogilise signaali töötlemise aeg algoritmiga B; (750 ms)
TSO valehäire perioodide kõigi võimalike korrutiste summa, erinevad piirid n-m teguritega igas.
valik 1
1. tuba.
2. tuba.
2. variant
1. tuba.
2. tuba.
3. võimalus
1. tuba.
2. tuba.
Saadud andmete põhjal valin SLOS 2:4, kuna see annab sissetungija tuvastamise tõenäosuse maksimumväärtused ja valehäire periood on nõutust pikem.
Siseruumide LT perioodide arvutamisel tuleb arvestada, et neisse paigaldatud detektorid ei tööta reeglina ööpäevaringselt, vaid ainult osa neist. Seda arvestust saab teha koormusteguri kaudu, mis kujutab detektori tööaja nädala jooksul suhet 168 tundi (tundide arv nädalas). Regulaarselt mitteavatavatele ruumidele, ühes vahetuses töötavatele ruumidele, kahes vahetuses töötavatele ruumidele ja kolmes vahetuses töötavatele ruumidele (ööpäevaringselt) (kahe puhkepäeva tõttu).
Valik 1:
1. tuba
2. tuba
2. variant
1. tuba
2. tuba
3. võimalus
1. tuba
2. tuba
Turvatuvastussüsteemi kulude arvutamine
Tuvastustsooni pikkus (Loobn) mõjutab oluliselt tarkvara maksumust ja mõju määra määrab seos:
