Нечітке моделювання в задачі оцінки якості зображень лазерних плям
Laser beam spot images have been analyzed according to a number of features which were specific to graphical objects of this kind. Statistical and geometrical informa-tional features of laser spot images were extracted; in particular, the Hemming distance between fuzzy hash function values for the a...
Saved in:
| Date: | 2014 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2014
|
| Online Access: | https://journal.iasa.kpi.ua/article/view/32104 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | System research and information technologies |
| Download file: |  |
Institution
System research and information technologies| _version_ | 1866301349109432320 |
|---|---|
| author | Kondratenko, N. R. Snihur, O. O. |
| author_facet | Kondratenko, N. R. Snihur, O. O. |
| author_sort | Kondratenko, N. R. |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2014-12-22T16:35:13Z |
| description | Laser beam spot images have been analyzed according to a number of features which were specific to graphical objects of this kind. Statistical and geometrical informa-tional features of laser spot images were extracted; in particular, the Hemming distance between fuzzy hash function values for the analyzed and the template images is proposed as one of the features. Fuzzy hash functions allow identifying an image even in a case of small modifications. A slight change in an argument of such a function does not result in the change of its value. A fuzzy classifier model has been developed, which assigns input images to classes according to the quality of the laser spot image in them. Classification results may be interpreted as a laser beam quality indication; a measure of how well the laser beam can be focused. The system does not only identify the object on an image, a laser spot in the current context, but also provides a qualitative estimation of its correspondence to the template image. |
| first_indexed | 2025-07-17T10:17:51Z |
| format | Article |
| fulltext |
© Н.Р. Кондратенко, О.О. Cнігур, 2014
Системні дослідження та інформаційні технології, 2014, № 3 7
TIДC
ПРОГРЕСИВНІ ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ,
ВИСОКОПРОДУКТИВНІ КОМП’ЮТЕРНІ
СИСТЕМИ
УДК 004.8
НЕЧIТКЕ МОДЕЛЮВАННЯ В ЗАДАЧІ ОЦІНКИ ЯКОСТІ
ЗОБРАЖЕНЬ ЛАЗЕРНИХ ПЛЯМ
Н.Р. КОНДРАТЕНКО, О.О. СНІГУР
Аналізуються зображення плям лазерних пучків за рядом характеристик, спе-
цифічних для графічних об’єктів такого роду. Виділено статистичні та геомет-
ричні інформаційні ознаки зображень лазерних плям, зокрема запропоновано
як одну з ознак ввести кодову відстань між значеннями нечітких хеш-функцій
для досліджуваного та еталонного зображень. Нечіткі хеш-функції дають змо-
гу ідентифікувати зображення навіть за наявності в ньому незначних змін. Не-
значна зміна аргумента такої функції не веде до зміни її значення. Побудовано
модель нечіткого класифікатора, що розподіляє вхідні зображення на класи за
якістю представленої на них лазерної плями. Результати класифікації можуть
інтерпретуватися як показник якості пучка лазера, міру того, наскільки добре
лазерний промінь може бути сфокусований. Система не лише ідентифікує
об’єкт на зображенні, в даному випадку лазерну пляму, але й надає якісну
оцінку міри його відповідності заданому об’єкту-еталону.
ВСТУП
У системах iнтелектуального аналiзу даних часто виникає необхiднiсть пра-
цювати з експериментальними даними, представленими у виглядi графiчних
зображень, тому задача розпiзнавання та аналiзу графiчних об’єктiв широко
розповсюджена. Незважаючи на це, вона не має універсальних методів
розв’язання. Кожен клас зображень має власну специфіку та вимагає особ-
ливого підходу. Так, у роботi [1] для побудови інтелектуальної системи кла-
сифiкацiї об’єктiв на електрооптичних зображеннях використовується метод
iдентифiкацiї графiчних об’єктiв за допомогою нечiтких нейронних мереж.
Прикладне застосування технік розпізнавання образів та цифрової об-
робки зображень включає розпізнавання символів [2, 3], аналіз біомедичних
зображень із метою постановки діагнозу [4–7], системи комп’ютерного зору
[8–11], ідентифікацію людських облич [10, 12–14] тощо.
Так, у [5] запропоновано підхід до класифікації медичних зображень на
основі комбінації статистичного та синтаксичного підходів із використан-
ням двонаправленої асоціативної пам’яті на нейронних мережах.
У [15] розглянуто різні підходи до класифікації відбитків пальців, зок-
рема нейромережевий, лінійний класифікатор та метод найближчого сусіда.
Н.Р. Кондратенко, О.О. Cнігур
ISSN 1681–6048 System Research & Information Technologies, 2014, № 3 8
Пiдхiд на основi засобiв математичної статистики та криптографiчних
хешiв представлено в [16]. На основi набору ознак зображення генерується
хеш-функцiя за алгоритмом, що допускає незначнi модифiкацiї зображення
за незмiнного значення хеш-функцiї. При цьому цей пiдхiд не дозволяє ре-
гулювати поріг, що задає межу мiж вiдносно неушкодженим зображенням та
таким, що не пiддається iдентифiкацiї; так само цей метод не дозволяє оцiнити
мiру видозміненості аналiзованого зображення порівняно з оригіналом.
Його виходом є єдине чiтке значення — зображення iдентифiковано або нi.
У цій роботі аналізуються зображення плям лазерних пучків за низкою
характеристик, специфічних для графічних об’єктів такого роду. Результати
аналізу можуть інтерпретуватися як показник якості пучка лазера, міру того,
наскільки добре лазерний промінь може бути сфокусований. У галузі лазер-
ної обробки матеріалів, друку, маркування, різання і свердління потрібна
висока якість пучка, тоді як зварювання і різні види обробки поверхні менш
критичні в цьому відношенні, тому що вони працюють із більшими пляма-
ми, тому можливе застосування потужних діодних лазерів з низькою якістю
пучка [17].
Виходячи з цього, доцільне створення системи, що не лише ідентифікує
об’єкт на зображенні, в даному випадку лазерну пляму, але й надає якісну
оцінку міри його відповідності заданому об’єкту-еталону. Розв’язувати цю
задачу пропонується, побудувавши нечіткий класифікатор, який кожному
зображенню, що подається на його вхід, ставить у відповідність клас із
множини нечітких термів {«висока», «середня», «низька»}, які характери-
зують якість цього зображення профілю пучка.
ПОСТАНОВКА ЗАДАЧІ АНАЛІЗУ ХАРАКТЕРУ ЗОБРАЖЕННЯ ЛАЗЕРНИХ
ПЛЯМ
Нехай є зображення лазерної плями І, що характеризується низкою інфор-
маційних ознак РІ = р1, р2, … рn. Необхідно поставити у відповідність зобра-
женню І клас С із заданої множини класів-нечітких термів змінної «Якість»:
{«добра»; «задовільна»; «незадовільна»} залежно від міри відповідності йо-
го еталонному зображенню Е з аналогічним набором ознак PE.
Мета роботи — визначення набору інформаційних ознак зображення
та об’єкта на ньому та розробка системи класифікації зображень лазерних
плям за характером профілю пучка відповідно до цих ознак на основі нечіт-
ких множин.
ВИБІР ІНФОРМАТИВНИХ ОЗНАК ЗОБРАЖЕННЯ ЛАЗЕРНОЇ ПЛЯМИ
Існує дві основні групи ознак зображень — це ознаки пікселя зображення
(як правило, це характеристики кольору пікселя) та ознаки ідентифікованого
об’єкта, тобто множини пікселів, з яких складається зображення об’єкта (як
правило, це геометричні характеристики) [8].
Виділяють декілька основних підходів до формування ознак: статистич-
ний, геометричний, структурний (морфологічний), лінгвістичний, нейросис-
темний. Далі у роботі буде розглянуто низку статистичних та геометричних
ознак зображення.
Нечiтке моделювання в задачі оцінки якості зображень лазерних плям
Системні дослідження та інформаційні технології, 2014, № 3 9
До статистичних ознак належать коефіцієнт кореляції, моменти різних
порядків, закон розподілу, матриці суміжності. Недоліками цих ознак є:
• значні обчислювальні витрати;
• відсутність знань про закон розподілу;
• неоднозначність опису області зображення. (Дві текстури, що розрі-
зняються людиною, мають однакові моментні ознаки першого і другого по-
рядків. Застосування моментних ознак більш високих порядків різко збіль-
шує обчислювальні витрати).
Незважаючи на ці недоліки, для більшості реальних зображень ознаки,
отримані на основі статистичного аналізу, здатні однозначно описувати об-
ласті зображення.
Геометричні ознаки поділяються на прості та похідні. До простих ознак
належать: периметр, площа фігури, максимальна відстань між зовнішніми
паралельними дотичними та границями, відстань у напрямку між зовнішні-
ми паралельними дотичними — діаметри Фере, число Ейлера. До похідних
ознак належать: середня довжина хорди, ексцентриситет, характеристики
контуру, пористість, спіральність, периметр найменшої опуклої фігури, яка
описує об’єкт.
Крім цього, геометричні ознаки можуть бути класифіковано на площеві
та контурні. Площевий опис є більш інформативним, але його складніше
отримати; контурний опис отримати простіше, але при цьому втрачається
інформація щодо внутрішнього вмісту області, обмеженої контуром.
Контурними ознаками є: довжина контуру, що визначається як число
елементів у контурі, код Фрімена або ланцюговий код, кривизна лінії, апро-
ксимація лінійними сегментами, функціями, структурна апроксимація, акти-
вний контур, спектральна характеристика, структурна функція, полярне
представлення контуру, спіральна розгортка.
Площевими ознаками є: площа, координати центру мас, товщина або
компактність, ексцентриситет, орієнтація області тощо.
Недоліком цих ознак є необхідність якісної сегментації зображення на
об’єкт і фон. В іншому випадку достовірність ознак значною мірою знижу-
ється [8].
Зображення лазерної плями будемо характеризувати за ознаками як зо-
браження в цілому, так і ознаками, специфічними для об’єкта, наявного на
ньому, при цьому застосуємо як статистичні, так і геометричні ознаки:
• Площа лазерної плями. Характеризується трьома лінгвістичними
термами: {«незначна»; «середня»; «значна»}.
• Відхилення центру мас плями від центру зображення по горизонталі.
Характеризується трьома лінгвістичними термами: {«незначне»; «середнє»;
«значне»}.
• Відхилення центру мас плями від центру зображення по вертикалі.
Характеризується трьома лінгвістичними термами: {«незначне»; «середнє»;
«значне»}.
• Відстань Хемінга між хеш-функціями зображення, яке аналізується,
та еталону, яка отримана за алгоритмом робастного хешування, описаним
нижче. Параметр має три лінгвістичні терми: {«незначна»; «середня»;
«значна»}.
• Кількість пікселів із яскравістю понад деякий поріг. Поріг пропону-
ється визначати за методом Отсу — найбільш поширеним методом визна-
Н.Р. Кондратенко, О.О. Cнігур
ISSN 1681–6048 System Research & Information Technologies, 2014, № 3 10
чення порогу бінаризації [8]. Характеризується лінгвістичними термами
{«незначна»; «помірна»; «значна»}.
• Коефіцієнт кореляції між зображенням плями та еталонним зобра-
женням. Характеризується лінгвістичними термами {«високий»; «середній»;
«малий»}.
• Ексцентриситет. Характеризується лінгвістичними термами {«висо-
кий»; «середній»; «малий»}.
• Пропорції фігури (відношення довжин малої та великої півосей). Ха-
рактеризується лінгвістичними термами {«округла»; «овальна»; «видовже-
на»}.
• Довжина периметру фігури. Характеризується лінгвістичними терма-
ми {«незначна»; «середня»; «значна»}.
• Взаємна інформація зображення плями та еталонного зображення.
Для двох зображень X (досліджуване) та E (еталонне) взаємна інформація
МI визначається так:
),|()(),( XEHEHXEMI −=
де )(EH — оцінка ентропії Шеннона для еталонного зображення ,E обчис-
лена на основі оцінки ймовірностей відтінків сірого; )|( XEH — оцінка
умовної ентропії, обчислена на основі оцінки умовних імовірностей відтін-
ків сірого .)|( abp Під умовною ймовірністю .)|( abp слід розуміти ймовір-
ність появи пікселя з інтенсивністю ji в зображенні ,E що відповідає піксе-
лю інтенсивності jk в зображенні .X
Інтерпретуючи ентропію як міру невизначеності, це визначення взаєм-
ної інформації можна записати як «кількість невизначеності про зображення
X за вирахуванням невизначеності про зображення ,X коли відомо зобра-
ження Е». Іншими словами взаємна інформація — це кількість інформації,
що міститься в зображенні X про зображення .E
Взаємну ентропію досліджуваного та еталонного зображень будемо
описувати лінгвістичними термами {«незначна»; «помірна»; «значна»}.
Робастний (перцептивний) хеш. Криптографічні хеші традиційно ви-
користовуються для перевірки зображень на автентичність, тобто відповід-
ність заданому оригіналу. Вони, як правило, чутливі до змін у кожному біті
вихідного зображення. В результаті, розпізнати зображення можна лише
в тому разі, якщо жоден його біт не зазнав зміни. Така чутливість у більшос-
ті випадків цілком прийнятна в задачі ідентифікації текстових повідомлень,
проте для мультимедійних даних вона не дає змогу побудувати систему, яка
мала б реальну практичну цінність. Мультимедійні дані допускають незнач-
ні втрати та викривлення, які неможливо розрізнити візуально, але які при-
зведуть до розпізнання двох ідентичних із погляду людини зображень як
різних.
Інформація, що передається мультимедійним трафіком, зберігається
практично повністю навіть після внесення несуттєвих змін у зображення,
як-то фільтрація, геометричні перетворення або зашумлення. Нечіткі (роба-
стні, перцептивні) хеш-функції дають змогу ідентифікувати зображення на-
віть за наявності в ньому незначних змін. Незначна зміна аргумента такої
функції не веде до зміни її значення взагалі. Найпростіший спосіб отриман-
Нечiтке моделювання в задачі оцінки якості зображень лазерних плям
Системні дослідження та інформаційні технології, 2014, № 3 11
ня нечіткого хешу зображення, який найчастіше використовується в при-
кладних програмах, такий [18].
• Виділення низьких частот. На низькій частоті будуть міститися най-
крупніші деталі, загальний розподіл яскравості й кольору, тобто форма
об’єкта.
• Переведення зображення в форму, коли одному пікселю відповідає
єдине значення яскравості. Традиційний спосіб — переведення зображення
в градації сірого.
• Бінаризація зображення — підрахунок середнього значення яскраво-
сті й використання його як порогу бінаризації. Пікселі з яскравістю, нижчою
за поріг, отримують значення «0», пікселі ж із яскравістю понад поріг —
значення «1».
• Отримані біти записуються підряд у довільній послідовності, по-
стійній для всіх аналізованих зображень.
Цей алгоритм пропонується застосувати для обчислення міри розхо-
дження між досліджуваним зображенням та еталоном. Для цього підрахуємо
відстань Хемінга між значеннями хешів, отриманими для аналізованого зо-
браження та еталону.
МЕТОДИКА ДОСЛІДЖЕННЯ ТА КОМП’ЮТЕРНИЙ ЕКСПЕРИМЕНТ
Для розв’язання поставленої задачі запропоновано нечітку логічну систему,
зображену на рис. 1.
Задачу аналізу характеру зображення лазерної плями будемо розгляда-
ти як процес прийняття рішення в системі з n вхідними та одним вихідним
параметром (якість). Процес аналізу розпочинається з отримання значень
інформаційних ознак зображення (відхилення від центру, кореляція тощо),
використовуючи традиційні методи цифрової обробки зображень. Результа-
том цього етапу є набір значень вхідних змінних, приклад якого наведено
в табл. 1. Зображення, яким відповідають дані з табл. 1 (еталонне та два зо-
браження з тестової вибірки), наведено на рис. 2.
Рис. 1. Нечітка логічна система аналізу зображення
n
… …
Н.Р. Кондратенко, О.О. Cнігур
ISSN 1681–6048 System Research & Information Technologies, 2014, № 3 12
Т а б л и ц я 1 . Інформаційні ознаки зображення
Ознака Еталон Приклад 1 Приклад 2
Площа лазерної плями 317 1576 1378
Відхилення по горизонталі 0 1 2
Відхилення по вертикалі 0 2 15
Відстань між хеш-функціями 0 40 19
Кількість пікселів із яскравістю понад поріг 341 2459 2751
Коефіцієнт кореляції 1 0,527 0,558
Ексцентриситет 0 0,812 0,801
Пропорції фігури 1 0,584 0,598
Довжина периметру фігури 65,941 676,1 706,83
Взаємна інформація 1 0,223 0,233
Як вхідні, так і вихідний параметри являють собою лінгвістичні змінні.
На рис. 3 наведено терм-множини деяких вхідних (а, б) та вихідної (в) змін-
них та вигляд їхніх функцій належності. В ролі функції належності викорис-
товується гаусова функція:
2
)(
⎟
⎠
⎞
⎜
⎝
⎛ −
−
= c
bx
exμ .
Процес нечіткого логічного висновування відбувається, керуючись ба-
зою правил, що містить нечіткі висловлювання у формі «ЯКЩО – ТО» та
функції належності для відповідних лінгвістичних термів.
Беручи до уваги інформаційні ознаки, обрані для аналізу, сформульо-
вано 72 правила, які вважатимемо відображенням множини станів вхідних
змінних у множину станів вихідної.
На початковому етапі ваги всіх правил приймалися рівними одиниці,
а параметри функцій належності задавались емпірично. Для досягнення ста-
ну, коли розроблена модель відповідає реальності, було здійснено налашту-
вання її параметрів шляхом оптимізації за допомогою генетичного алгорит-
му. Структуру хромосоми, використану для кодування параметрів функцій
належності терм-множин та ваг правил, наведено на рис. 4.
На кожному поколінні алгоритм працює з популяцією з 20 особин,
кожній з яких відповідає варіант розв’язку задачі, закодований у наведеному
вище вигляді. Вихідна популяція генерується випадково.
На кожній ітерації над особинами з робочої популяції проводяться опе-
рації:
Рис. 2. Приклади зображень лазерної плями: а — еталонне; б, в — тестові
a б в
Нечiтке моделювання в задачі оцінки якості зображень лазерних плям
Системні дослідження та інформаційні технології, 2014, № 3 13
• одноточкового схрещування з імовірністю 0,8;
• двоточкового схрещування з імовірністю 0,5;
• мутації з імовірністю 0,02;
• відбору за турнірною схемою.
Описаний алгоритм працює на мінімізацію суми середньоквадратичних
відхилень результатів, отриманих системою для кожного з зображень на-
вчальної вибірки, від оцінки характеру плями, запропонованої експертом.
Рис. 3. Функції належності вхідних змінних з емпірично заданими параметрами
а — вхідна змінна «Коефіцієнт кореляції», б — вхідна змінна «Площа лазерної
плями», в — вихідна змінна «Якість зображення»
а
б
в
Рис. 4. Структура хромосоми
Н.Р. Кондратенко, О.О. Cнігур
ISSN 1681–6048 System Research & Information Technologies, 2014, № 3 14
Навчальна вибірка складається з 205 зображень лазерних плям, для
яких відомий бажаний вихід системи.
В результаті навчання системи було отримано нові ваги правил
(табл. 2) та параметри функцій належності (рис. 5). Тестування системи на
навчальній вибірці показало помилковий результат для 2 із 205 прикладів,
що свідчить про те, що генетичний алгоритм не збігся до оптимального
результату, а зупинився в локальному мінімумі. Генетичні алгоритми до-
пускають таку можливість, оскільки вони за означенням відшукують на-
ближений розв’язок, а тому результат, якого досягнуто, можна вважати
прийнятним у цьому застосуванні.
Т а б л и ц я 2 . Ваги правил після оптимізації
№
правила 1 2 3 4 5 6 7 K 71 72
Вага
правила 0,783 0,290 0,349 0,868 0,506 0,105 0,250 K 0,664 0,966
Працездатність системи було також перевірено на тестовій вибірці, яка
складалася з 50 зображень лазерної плями, що не входили в навчальну
вибірку. Помилковий результат було отримано для 2 зображень. Такий ре-
зультат дає змогу стверджувати, що запропонована система задовільно ви-
конує свою функцію нечіткого апроксиматора.
У процесі подальшого вдосконалення системи та її адаптації до прак-
тичного використання варто взяти до уваги такі рекомендації:
Рис. 5. Функції належності вхідних змінних після оптимізації а — вхідна
змінна «Коефіцієнт кореляції», б — вхідна змінна «Площа лазерної плями»
а
б
Нечiтке моделювання в задачі оцінки якості зображень лазерних плям
Системні дослідження та інформаційні технології, 2014, № 3 15
• В рамках цього дослідження зображення лазерних плям аналізу-
валися з позицій теорії розпізнавання образів та цифрової обробки зобра-
жень; для наближення результатів роботи розробленої системи до реальних
умов рекомендується на етапі налаштування в ролі експерта залучити
фахівця з лазерної техніки.
• Частину функцій експерта, пов’язаних із виділенням вихідних класів
зображень та формування бази правил, може взяти на себе алгоритм класте-
ризації.
ВИСНОВКИ
У багатьох задачах, у тому числі в різного роду інженерних дослідженнях,
вхідні дані системи представлено у вигляді зображень. Необхідність їх по-
передньої оцінки та аналізу на предмет придатності до обробки ставить за-
дачу класифікації зображень за ступенем видозміненості порівняно з деяким
еталоном.
У цій роботі було виділено статистичні та геометричні інформаційні
ознаки зображень лазерних плям та промодельовано нечітку логічну систе-
му оцінки їх видозміненості порівняно з еталонним зображенням, прийня-
тим за ідеальне зображення профілю лазерного пучка. Показано можливість
використання нечітких хеш-функцій у ролі вхідних змінних системи. Отри-
мані експериментальні результати свідчать про необхідність поліпшення
процесу навчання шляхом удосконалення алгоритму оптимізації параметрів
системи та/або розширення навчальної вибірки.
ЛІТЕРАТУРA
1. Зайченко Ю.П., Петросюк И.М., Ярошенко М.С. Исследование нечетких
нейронных сетей в задачах распознавания объектов электрооптических
зображений // Системнi дослiдження та iнформацiйнi технологiї. — 2009. —
№ 4. — С. 61–76. — http://journal.iasa.kpi.ua/zm456st/2009/No4/2009-n4-
zaychenko-text.
2. Granlund G.H. Fourier Preprocessing for Hand Print Character Recognition // IEEE
Transactions on Computers. — 1972. — C-21, № 2. — P. 195–201.
3. Chow C.K. An optimum character recognition system using decision functions //
IRE Transactions on Electronic Computers. — 1957. — EC-6, № 4. —
P. 247–254.
4. Pluim J.P.W., Maintz J.B.A., Viergever M.A. Mutual-information-based registration
of medical images: a survey // IEEE Transactions on Medical Imaging. —
2003. — № 22. — P. 986–1004.
5. Sharma N., Ray A.K., Sharma S., Shukla K.K., Pradhan S., Aggarwal L.M. Segmen-
tation and classification of medical images using texture-primitive features: Ap-
plication of BAM-type artificial neural network // Journal of Medical Physics. —
2008. — № 33. — P. 119–126.
6. Wu C.M., Chen Y.C. Texture features for classification of ultrasonic liver images //
IEEE Transactions on Medical Imaging. — 1992. — № 11. — P.141–152.
7. Miller P., Astley S. Classification of breast tissue by texture analysis // Image and
Vision Computing. — 1992. — № 10. — P. 277–282.
Н.Р. Кондратенко, О.О. Cнігур
ISSN 1681–6048 System Research & Information Technologies, 2014, № 3 16
8. Рубан И.В., Шитова О.В. Классификация методов обработки статических
изображений для локализации объектов (областей «интереса») на них
в системах технического зрения // Системи управління, навігації та
зв’язку. — 2009. — № 3 (11). — С. 139–143.
9. Moeslund T.B., Granum E. A survey of computer vision-based human motion cap-
ture // Computer Vision and Image Understanding. — 2001. — № 81.3. —
P. 231–268.
10. Bradski G.R. Computer vision face tracking for use in a perceptual user interface //
Intel Technology Journal. — 1998. — № 2. — http://citeseerx.ist.psu.edu/ view-
doc/download?doi=10.1.1.14.7673&rep=rep1&type=pdf.
11. Oliver N.M., Rosario B., Pentland A.P. A Bayesian computer vision system for
modeling human interactions // IEEE Transactions on Pattern Analysis and Ma-
chine Intelligence. — 2000. — 22, № 8. — P. 831–843.
12. Turk M.A., Pentland A.P. Face recognition using eigenfaces // IEEE Computer Soci-
ety Conference on Computer Vision and Pattern Recognition. Proceedings
CVPR'9. — 1991. — http://www.cs.bgu.ac.il/~icbv061/Readings/1991-Turk_
and_Pentland-Face_Recognition_Using_Eigenfaces.pdf.
13. Wiskott L., Fellous. J.-M., Krueger N., C. von der Malsburg. Face recognition by
elastic bunch graph matching // IEEE Transactions on Pattern Analysis and Ma-
chine Intelligence. — 1997. — № 19.7. — P. 775–779.
14. Brunelli R., Poggio T. Face recognition: Features versus templates // IEEE Transac-
tions on Pattern Analysis and Machine Intelligence. — 1993. — №15.10. —
P. 1042–1052.
15. Coetzee L., Botha E.C. Fingerprint recognition in low quality images // Pattern Rec-
ognition. — 1993. — № 26.10. — P. 1441–1460.
16. Swaminathan A., Mao Y., Wu M. Robust and Secure Image Hashing // IEEE Transac-
tions on Information Forensics and Security. — 2006. — 1, № 2. — P. 215–230.
Надійшла 11.06.2013
|
| id | journaliasakpiua-article-32104 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2025-07-17T10:17:51Z |
| publishDate | 2014 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/4a/078dcba64b48688558c8059f1165b64a.pdf |
| spelling | journaliasakpiua-article-321042014-12-22T16:35:13Z Fuzzy modeling in the problem of evaluating the laser spot image quality Нечеткое моделирование в задаче оценки качества изображений лазерних пятен Нечітке моделювання в задачі оцінки якості зображень лазерних плям Kondratenko, N. R. Snihur, O. O. Laser beam spot images have been analyzed according to a number of features which were specific to graphical objects of this kind. Statistical and geometrical informa-tional features of laser spot images were extracted; in particular, the Hemming distance between fuzzy hash function values for the analyzed and the template images is proposed as one of the features. Fuzzy hash functions allow identifying an image even in a case of small modifications. A slight change in an argument of such a function does not result in the change of its value. A fuzzy classifier model has been developed, which assigns input images to classes according to the quality of the laser spot image in them. Classification results may be interpreted as a laser beam quality indication; a measure of how well the laser beam can be focused. The system does not only identify the object on an image, a laser spot in the current context, but also provides a qualitative estimation of its correspondence to the template image. Проанализированы изображения пятен лазерных пучков по ряду характеристик, специфических для графических объектов такого рода. Выделены статистические и геометрические информационные признаки изображений лазерных пятен, в частности предложено кодовое расстояние между значениями нечетких хэш-функций для изучаемого и эталонного изображений в качестве одного из признаков. Нечеткие хеш-функции дают возможность идентифицировать изображение даже при наличии в нем незначительных изменений. Несущественное изменение аргумента такой функции не ведет к изменению ее значения. Построена модель нечеткого классификатора, распределяющая входные изображения на классы по качеству представленного на них лазерного пятна. Результаты классификации могут интерпретироваться как показатель качества пучка лазера, степень того, насколько хорошо лазерный луч может быть сфокусирован. Система не только идентифицирует объект на изображении, в данном случае лазерное пятно, но и предоставляет качественную оценку меры его соответствия заданному объекту-эталону. Аналізуються зображення плям лазерних пучків за рядом характеристик, специфічних для графічних об’єктів такого роду. Виділено статистичні та геометричні інформаційні ознаки зображень лазерних плям, зокрема запропоновано як одну з ознак ввести кодову відстань між значеннями нечітких хеш-функцій для досліджуваного та еталонного зображень. Нечіткі хеш-функції дають змогу ідентифікувати зображення навіть за наявності в ньому незначних змін. Незначна зміна аргумента такої функції не веде до зміни її значення. Побудовано модель нечіткого класифікатора, що розподіляє вхідні зображення на класи за якістю представленої на них лазерної плями. Результати класифікації можуть інтерпретуватися як показник якості пучка лазера, міру того, наскільки добре лазерний промінь може бути сфокусований. Система не лише ідентифікує об’єкт на зображенні, в даному випадку лазерну пляму, але й надає якісну оцінку міри його відповідності заданому об’єкту-еталону. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2014-09-30 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/32104 System research and information technologies; No. 3 (2014); 7-16 Системные исследования и информационные технологии; № 3 (2014); 7-16 Системні дослідження та інформаційні технології; № 3 (2014); 7-16 2308-8893 1681-6048 uk https://journal.iasa.kpi.ua/article/view/32104/28783 Copyright (c) 2021 System research and information technologies |
| spellingShingle | Kondratenko, N. R. Snihur, O. O. Нечітке моделювання в задачі оцінки якості зображень лазерних плям |
| title | Нечітке моделювання в задачі оцінки якості зображень лазерних плям |
| title_alt | Fuzzy modeling in the problem of evaluating the laser spot image quality Нечеткое моделирование в задаче оценки качества изображений лазерних пятен |
| title_full | Нечітке моделювання в задачі оцінки якості зображень лазерних плям |
| title_fullStr | Нечітке моделювання в задачі оцінки якості зображень лазерних плям |
| title_full_unstemmed | Нечітке моделювання в задачі оцінки якості зображень лазерних плям |
| title_short | Нечітке моделювання в задачі оцінки якості зображень лазерних плям |
| title_sort | нечітке моделювання в задачі оцінки якості зображень лазерних плям |
| url | https://journal.iasa.kpi.ua/article/view/32104 |
| work_keys_str_mv | AT kondratenkonr fuzzymodelingintheproblemofevaluatingthelaserspotimagequality AT snihuroo fuzzymodelingintheproblemofevaluatingthelaserspotimagequality AT kondratenkonr nečetkoemodelirovanievzadačeocenkikačestvaizobraženijlazernihpâten AT snihuroo nečetkoemodelirovanievzadačeocenkikačestvaizobraženijlazernihpâten AT kondratenkonr nečítkemodelûvannâvzadačíocínkiâkostízobraženʹlazernihplâm AT snihuroo nečítkemodelûvannâvzadačíocínkiâkostízobraženʹlazernihplâm |