ВІННИЦЬКИЙ НАЦІОНАЛЬНИЙ ТЕХНІЧНИЙ УНІВЕРСИТЕТ

САЛІМ ІССА САЛІМ АЛ-ЗОБІ

УДК 658.012:681.32:621.38

АПАРАТНІ ЗАСОБИ ТА МЕТОДИ ОБРОБКИ І АНАЛІЗУ ЗОБРАЖЕНЬ

ПЛОСКИХ ФІГУР

Спеціальність: 05.13.05 – Елементи та пристрої обчислювальної техніки та систем керування

АВТОРЕФЕРАТ

дисертації на здобуття наукового ступеня

кандидата технічних наук

Вінниця – 2004

Дисертацією є рукопис.

Робота виконана у Вінницькому національному технічному університеті Міністерства освіти і науки України.

Науковий керівник: кандидат технічних наук, доцент Білан Степан Миколайович, Київський університет економіки та технологій транспорту, доцент кафедри автометрії та цифрових систем передачі

Офіційні опоненти: доктор технічних наук, професор Квєтний Роман Наумович, Вінницький національний технічний університет, завідувач кафедри автоматики та інформаційно – вимірювальної техніки

доктор технічних наук, професор Хаханов Володимир Іванович, Харківський національний технічний університет радіоелектроніки, професор кафедри автоматизації проектування обчислювальної техніки

Провідна установа: Інститут проблем реєстрації інформації НАН

України, відділ спеціалізованих засобів моделювання, м. Київ

Захист відбудеться “ 19 ” травня 2004 р. о 930 годин на засіданні спеціалізованої вченої ради Д 05.052.01 у Вінницькому національному технічному університеті за адресою: 21021, м. Вінниця, Хмельницьке шосе, 95.

З дисертацією можна ознайомитися у бібліотеці Вінницького національного технічного університету за адресою: 21021, м. Вінниця, Хмельницьке шосе, 95.

Автореферат розісланий “16 ” квітня 2004 р.

Вчений секретар

спеціалізованої вченої ради Захарченко С.М.

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. В наш час об’єм інформації, що постійно зростає, накопичується і надходить від різних джерел, стимулює проведення пошуку нових наукових підходів по розробці принципово нових методів та засобів автоматичної обробки інформації.

Але, на теперішній час, темпи розвитку засобів обчислювальної техніки не задовольняють тим вимогам, котрі висуваються до ЕОМ для підвищення їх продуктивності. Розроблено багато методів та технічних засобів, котрі визначають приналежність їх до визначеного історичного покоління розвитку ЕОМ.

Сучасний етап розвитку обчислювальних систем характеризується повним переглядом попередніх позицій, які базуються на фон-Нейманівській архітектурі. Потреба у створенні принципово нових обчислювальних систем, які були б здатні сприймати і розуміти інформацію, подану у формі звукових сигналів, зорових сцен, текстів, креслень та у формі інших образів, що описують сукупність властивостей об’єкта, вимагає проводити пошуки принципово нових найбільш ефективних апаратних засобів та методів паралельної обробки інформації.

Паралельність характеризується синхронною реалізацією архітектури системи. Самосинхронізація окремих модулів на апаратному рівні подається самосинхронною (аперіодичною) схемотехнікою, котра ще не має класичних підходів до реалізації і синтезу обчислювальних структур, що вимагає в окремих аспектах, винахідництва.

При цьому створення аперіодичної структури приводить до визначених відхилень її функціонування. Тому в реальних системах неможливо відмовитися від процесу синхронізації окремих вузлів і дій.

Для вирішення проблем, що виникають при паралельній обробці великих масивів інформації широке використання отримали нейромережеві технології, використання яких ефективне при розпізнаванні зображень. Але такі структури мають недоліки, які полягають у неможливості розпізнавання зображень, над якими були проведені афінні перетворення.

Суміщення нейромережевого і аперіодичного підходів з синхронізацією на загальному рівні управління призвело до побудови дискретних аперіодичних нейросередовищ, які отримали назву клітинних аперіодичних нейроавтоматів (КАНА).

Особливі переваги КАНА отримали у випадку використання їх для розв’язку проблемних задач при розпізнавання зображень.

Зв’язок роботи з науковими програмами, планами, темами. Робота виконувалась згідно з планом наукових досліджень Вінницького національного технічного університету по темі: “Методи та засоби паралельної обробки, аналізу і розпізнавання зображень на основі клітинних аперіодичних нейроавтоматів”.

Мета і задачі дослідження. Метою даної роботи є підвищення точності і швидкодії розпізнавання зображень плоских фігур, при зміні їх орієнтації в полі вхідної апертури пристрою розпізнавання.

Основні задачі, що визначаються поставленою метою:

- дослідження методів розпізнавання зображень плоских фігур, при їх афінних перетвореннях в полі вхідної апертури пристрою розпізнавання;

- розробка методу розпізнавання зображень плоских фігур;

- дослідження впливу основних параметрів вектора ознак на точність і швидкодію розпізнавання;

- розробка і дослідження системи розпізнавання плоских фігур на базі КАНА;

- розробка і дослідження спеціалізованих обчислювальних структур на основі базового аперіодичного елементу.

Об’єктом досліджень є процес розпізнавання зображень фігур, що змінили свою орієнтацію на вході пристрою розпізнавання.

Предметом досліджень є методи та пристрої розпізнавання зображень плоских фігур, до яких використано перетворення зсуву, повороту і симетрії.

Методи досліджень базуються на використанні апарату математичного аналізу , теорії множин, математичної логіки для побудови моделі процесу розпізнавання на основі відношень контурів, теорії алгоритмів, теорії електронних схем і теорії цифрової обробки сигналів для розробки висопродуктивних пристроїв розпізнавання зображень на основі клітинних аперіодичних нейроавтоматів; теорії інформації та методів машинного аналізу зображень для дослідження впливу вибраних ознак на точність розпізнавання.

Наукова новизна одержаних результатів. В роботі отримані наступні наукові результати:

1. Розроблена нова комплексна класифікація методів розпізнавання зображень і загальний підхід до розв’язку задачі розпізнавання вільно орієнтованих зображень плоских фігур у полі вхідної апертури пристрою розпізнавання.

2. Розроблено новий метод розпізнавання плоских фігур, який побудований на формуванні та використанні вектору ознак і дозволяє реалізувати пристрої з підвищеною точністю і швидкодією процесу розпізнавання вільно орієнтованих плоских фігур.

3. Розроблені нові принципи розпаралелювання обчислювального процесу розпізнавання зображень в середовищі клітинних аперіодичних нейроавтоматів, котрі, на відміну від існуючих, дають можливість одночасного визначення усіх кількісних характеристик ознак вектору, а також дозволяють побудувати пристрої з високою швидкодією пошуку еталонного вектору.

4. Одержані аналітичні залежності у матричній формі для визначення відношень контурів, а також модернізована модель розпізнавання зображень, що дало можливість створити універсальні структури розпізнавання вільно орієнтованих зображень фігур.

5. Одержані аналітичні вирази для параметрів аперіодичного ущільнення зображень, що дозволяють, у часових характеристиках, проводити їх кодування і декодування, а також зменшити витрати часу на їх оброблення.

6. Розроблені моделі завад у зображенні фігури в середовищі клітинних аперіодичних нейроавтоматів, які дозволяють визначати та видаляти існуючі завади для їх подання у зручній формі, при визначенні кількісних характеристик ознак.

7. Запропоновано новий підхід реалізації багатофункціональних обчислювальних структур з підвищеною швидкодією обробки інформації, основним вузлом котрого є базовий аперіодичний елемент.

Новизна отриманих у роботі наукових результатів підтверджується виданими статтями у наукових журналах, що входять до переліку періодичних наукових фахових видань України, а також двома патентами України на винахід.

Практичне значення одержаних результатів. Практична цінність роботи полягає в тому, що:

1. Розроблена методика проектування пристроїв розпізнавання зображень в середовищі КАНА.

2. Розроблені багатофункціональні операційні аперіодичні структури для розпізнавання зображень.

3. Виділено і обгрунтовано достатній набір ознак для гарантованого розпізнавання зображень в середовищі КАНА.

4. Розроблені високоефективні алгоритми і програмні засоби для попередньої обробки і аналізу зображень, які дозволяють зменшити час, що витрачається на розпізнавання.

5. Отримані експериментальні оцінки основних параметрів методу розпізнавання зображень, які дозволяють оцінити вплив основних ознак на точність розпізнавання.

6. Удосконалена методологія розпізнавання фігур при їх неточному центруванні.

Результаті диссертації використовувались у Вінницькому національному медичному університеті на курсі “Клінична вертебрологія” для обробки рентгенографічних зображень.

Особистий внесок здобувача.

Всі основні результати дисертаційної роботи отримані автором особисто. В роботах, котрі написані у співавторстві, автору належать: структурна схема процесорного елемента, здатного виконувати операції по попередній обробці зображень [1]; спосіб розпізнавання зображень фігур, що змінили свою орієнтацію на вході і структура пристрою розпізнавання [2]; структура і алгоритми роботи блоків виділення вершин фігури і обчислення відстаней між ними, а також дослідження впливу геометричного повороту на зміни довжин сторін [3,10,11]; структурно-функціональні моделі багатофункціональних структур паралельної обробки інформації на основі базового аперіодичного елемента [5]; досліджено вплив геометричних властивостей вектора ознак при розпізнаванні плоских фігур [4]; розглянуті варіанти визначення відношень між суміжними сторонами у вершинах фігури на основі КАНА [8]; структурно – функціональна модель системи розпізнавання плоских фігур [7]; структурно – функціональна схема порівняння чисел на основі базового аперіодичного елемента [9]; спосіб розпізнавання плоских геометричних фігур на базі КАНА [6].

Апробація результатів дисертації. Основні положення дисертаційної роботи та результати досліджень доповідалися і обговорювалися на конференціях різного рівня:

- “Оптоелектронні інформаційні технології “Фотоніка ОДС 2002”” (м. Вінниця).

- Современные технологии проектирования систем на микросхемах с программируемой логикой (Харьков, 2003).

- 7-й международный молодежный форум “Радиоэлектроника и молодежь в ХХ1 веке”, Сб. материалов форума – Харьков: ХНУРЕ.

Щорічних науково-технічних конференціях професорсько-викладацького складу Вінницького національного технічного університету(Вінниця 2002-2003рр.).

Публікації. Результати дисертаційної роботи опубліковані в 6 статтях у наукових журналах та збірниках наукових праць, 3 статті у матеріалах і тезах наукових конференцій та 2 патенти на винахід.

Структура та обсяг дисертації. Робота складається зі вступу, чотирьох розділів, восьми додатків. Загальний обсяг дисертації складає 245 сторінок, з яких основний зміст викладений на 183 сторінках друкованого тексту, 87 рисунків, 3 таблиці. Список використаних літературних джерел складається з 140 найменувань.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтовано актуальність теми, викладено зв’язок даного напрямку досліджень з науковими програмами, планами та темами кафедри, визначено мету роботи, вказано задачі, які необхідно вирішити для досягнення поставленої мети, подано коротку анотацію нових наукових положень та відмінність одержаних результатів від відомих раніше, визначена практична цінність одержаних результатів.

У першому розділі дисертації виконано огляд сучасних методів розпізнавання зображень, представлена загальна структура процесу розпізнавання з розбиттям на класи.

Проведений класифікаційний аналіз методів розпізнавання зображень дозволив визначити недоліки та переваги відомих методів з точки зору розв’язання проблемних задач. Доведена необхідність дослідження задачі розпізнавання плоских фігур з різною орієнтацією і однаковим геометричним смислом.

Відомі засоби, які в змозі розв’язувати поставлену задачу мають вагомий недолік, який полягає у складності використання сучасних апаратних засобів для їх реалізації.

Огляд сучасних матричних однорідних обчислювальних середовищ паралельної обробки інформації дозволив виділити основні характеристики клітинних аперіодичних нейроавтоматів (КАНА) і визначити їх місце у загальній класифікації пристроїв обробки і розпізнавання зображень. Проведено аналіз можливих реалізацій клітинних однорідних обчислювальних середовищ. Розглянуті відомі варіанти міжз’єднань між клітинами середовища.

Відомі структурні організації процесорних елементів (ПЕ) машин Унгера, SOLOMON, ILLIAC, CLIP здатні виконувати операції попередньої обробки зображень, ПЕ машинного процесору BASE здатний виконувати операції попередньої обробки зображень, а ПНЕ для КАНА має можливість виконання операції попередньої обробки зображень, а також операції по розпізнаванню та по графіці. На базі проведеного аналізу встановлені основні вимоги до однорідних матричних структур, доведена перспективність застосування КАНА до розв’язання проблемних задач, які виникають в процесі розпізнавання зорових сцен, особливо для задачі розпізнавання плоских фігур вільно орієнтованих на вході пристрою розпізнавання.

В другому розділі розглянуто принципи паралельного функціонування пристроїв обробки і розпізнавання зображень в середовищі КАНА.

Процес розпізнавання зображення плоскої фігури здійснюється шляхом перетворення її на вході пристрою до вигляду, найбільш зручного для виділення необхідних ознак, і формування з них вектору V ознак. Даний процес подається наступною моделлю

,

де - початкове зображення на вході пристрою; - початкове зображення, що записане в електронному багатопроцесорному матричному середовищі; - множина зображень , кожне з котрих призначено для отримання інформації про вибрану ознаку; V – вектор, що містить необхідні ознаки для отримання найбільш повної інформації про зображення, котре розпізнається;

T0 – операція перетворення початкового зображення I в зображення середовища КАНА ; T1 – операція перетворення у множину зображень =, форма котрих сприяє найбільш ефективному визначенню відповідної ознаки; TM – множина операцій над множиною зображень , котрі орієнтовані на визначення відповідної ознаки.

Отриманий вектор V порівнюється з еталонним і визначається його приналежність до того або іншого класу, а також зсередини класу. Точність розпізнавання залежить від вибору усієї сукупності необхідних ознак, а також точності визначення їх кількісних характеристик. Вектор ознак, необхідних для розпізнавання зображень має вигляд

,

де S – площа фігури на вході системи., яка вимірюється у відповідних розмірностях одиничних дискретів середовища; N – кількість вершин фігури на вході системи і вимірюється у відповідних розмірностях одиничних дискретів середовища; li,i+1 – відношення між i-ю та (i+1)-ю вершинами, котре виражається довжиною з урахуванням геометричних розмірів одиничного дискрета середовища; - кут між двома сусідніми сторонами в i-й вершині .

Для точного виділення елементів контуру фігури використовується модель вигляду

,

де - елементи середовища, що належать околиці елемента ; - відношення, що задається між дискретним відрахунком і елементами .

Сторона подається як множина точок, що належать контуру, між двома сусідніми вершинами

,

де - точки, що належать контуру зображення між сусідніми m-ю та (m+1)-ю вершинами. Вершина подається як

.

Зображення фігури, приклад якої подано на рис. 1 може бути подане множиною відношень, що подають контур фігури у матричному вигляді

Рис. 1. Завдання чотирикутника сторонами та вершинами

,

Розглянуті алгоритми визначення вершин зображення фігури в КАНА, а також дані визначення вершин при різних підходах.

Визначення 1. Вершиною зображення плоскої фігури, спроектованої в середовище КАНА, є ПЕ, що подає точку контуру, при умові, що сума значень сусідніх ПЕ-ів, які подають внутрішню область фігури не дорівнюється сумі значень сусідніх ПЕ-ів, що не належать зображенню.

,

де , - елементи середовища, які належать околиці ПЕi,j і, приймають значення, відповідно, логічних “1” і “0”; - елементи околиці ПЕi,j, що належать контуру; - значення ПЕi,j в вершині

Але дане визначення справедливе у випадку наявності двох сусідніх клітин контуру. Для залитих фігур справедливим також є наступне визначення.

Визначення 2. Вершиною зображення плоскої фігури, спроектованої в середовище КАНА, є ПЕ, що подає точку контуру при умові, що сума значень сусідніх ПЕ-ів, які подають внутрішню область фігури дорівнювалась одиниці.

.

Для визначення опуклої та ввігнутої вершин вводяться наступні визначення

Визначення 3. Клітина є опуклою вершиною, коли сума значень усіх восьми сусідніх клітин середовища, які належать околиці Мура менше п’яти.

.

Визначення 4. Клітина є ввігнутою вершиною у випадку, коли сума значень усіх восьми сусідніх клітин середовища, які належать околиці Мура більше п’яти.

.

При врахуванні аліайзінгу для точного виділення вершин вводиться доповняльний шар (рис.2) і використовуються наступні моделі.

Клітина С є вершина, котра визначається у другому шарі, в тому випадку, якщо виконується наступна умова.

Клітина В(А) є вершина, котра визначається у першому шарі, в тому випадку, якщо виконується наступна умова.

.

Приклад виділених вершин подано на рис. 3.

За результатами операцій попередньої обробки зображень можлива поява завад, які діляться на одиночні, зв’язані та контурні. Кожна з них подається логічною моделлю, в залежності від околу, що застосовується. Враховуючи це подані моделі та алгоритми видалення завад в КАНА.

Одиничні завади видаляються шляхом реалізації наступного логічного виразу

Рис. 2. Приклад двошарового середовища з позначенням клітин

Рис. 3. Приклад виділення вершин у двошаровій структурі

Видалення зв’язаних завад є визначення суми значень сусідніх клітин, що описується моделлю

.

Контурні завади визначаються наступним чином.

Визначення 5. Клітина Р є контурна завада в тому випадку коли:

§ вона сусідня до двох клітин контуру (одна з цих клітин збуджена) по вертикалі та горизонталі, і , при цьому, вони (дві клітини контуру) є сусіди по діагоналі між собою, а також мають інших сусідів;

§ вона має три сусідніх клітини, що належать контуру, і ортогональні;

§ вона має три сусіда, у котрих діагональний збуджений, а два недіагональних сусіда (між собою вони сусіди по діагоналі) не збуджені;

§ вона має тільки одного сусіда, який належить контуру.

Для видалення таких завад використовується околиця другого порядку, клітини якої є найближчими сусідами клітин околиці першого порядку, а також визначаються клітини, що знаходяться у найкоротшому сусідстві.

Визначення 6. Три клітини, що належать контуру зображення фігури, знаходяться у найкоротшому сусідстві, якщо одна з них є сусідньою для інших, котрі не є сусідами між собою і не мають сусідів, які не є сусідами для загальної клітини.

Виходячи з даного визначення вводиться визначення контурної завади.

Визначення 7. Клітина є контурною завадою в тому випадку, якщо вона знаходиться у сусідстві з клітинами, які знаходяться у найкоротшому сусідстві між собою.

Визначення, що характеризують відношення між сторонами полягає у розробці алгоритмів визначення кутів у вершинах, для чого фігура розбивається на трикутники, дві сторони кожного з них належать контуру, і застосовується наступна формула

.

Для визначення кутів також використовується метод визначення сусідніх вершин, що утворюють кут, і який полягає у зсуві зображення фігури до крайнього лівого стовпчика, в якому визначаються сусідні вершини. Даний алгоритм найбільш ефективний у випадку, коли відомі вершини, але не відомо їх місце розташування.

Третій розділ присвячений розробці і дослідженню пристрою розпізнавання зображень плоских фігур з вільною орієнтацією на вході. Розроблені та досліджені багатофункціональні структури паралельної обробки інформації на основі базового аперіодичного елемента, які дозволяють організувати принцип паралельного порівняння операндів, а також реалізують паралельний стиск зображень. В основі таких спеціалізованих структур лежить базовий аперіодичний елемент (БАЕ), який дозволяє за рахунок аперіодичної організації функціонування реалізувати паралельні процеси в схемах.

Рис. 4. Модель мережі Петрі простого БАЕ

Модель мережі Петрі для БАЕ подана на рис. 4, а модель каналу передачі сигналу збудження – на рис. 5.Такий БАЕ призначений тільки для передачі сигналу збудження в середовищі КАНА і складається з основного Аосн та доповняльного Адоп пунктів мережі.

Рис. 5. Мережа Петрі каналу передачі сигналу збудження.

При дослідженні запропонованих структур визначено максимальний час, що витрачається на стиск зображень. Отримані VHDL – моделі таких пристроїв.

Розроблена структурно – функційна модель пристрою розпізнавання зображень (рис. 6.).

Рис. 6. Структурно – функційна схема пристрою розпізнавання

Клітинне середовище вводу (КСВ) зображення на вході пристрою здійснює його перетворення у форму, доступну для внутрішньої обробки. Перетворене зображення надходить до клітинного середовища попередньої обробки (КСПО) де проводяться необхідні операції попередньої обробки для визначення заданих ознак у клітинному середовищі формування вектору ознак (КСФО). Блок порівняння (БП) проводить порівняння з еталоном, що зберігається в блоці еталонів (БЕ), і якщо вектор не визначений, то отриманий вектор, по сигналу управління (СУ) додається до еталонних векторів з привласненням імені.

Розглянуті структури, що реалізують кожний блок, приведені їх принципи функціонування по реалізації розроблених методів. Проведено їх моделювання в середовищі Active-HDL, що доводить їх надійність функціонування, а також дає можливість простої реалізації отриманих структур на основі ПЛІС.

Проведено аналіз ефективності розпізнавання і попередньої обробки зображень в КАНА з точки зору точності і швидкості розпізнавання для зображень з вільною орієнтацією, а також дана оцінка продуктивності пристрою розпізнавання. Завдяки оригінальності структури КАНА дана оцінка аперіодичності нейроструктур на основі коефіцієнта глибини розповсюдження, а також енерговитратам, поданих коефіцієнтом енергоспоживання.

Розглянуто рівень багатофункціональності і подана графічна часова залежність дискретних однорідних обчислювальних середовищ для розв’язання задач попередньої обробки і опису зображень. На рис.7 розглянуті графіки залежності відношення часу виконання алгоритму на ЕОМ tS/tP – часу виконання алгоритму на клітинному автоматі від розмірності n матриці цифрового зображення для кожної поданої задачі.

Рис. 7.Графічне подання відношень tS/tP як функції від n задач: згладжування (крива 1), бінарне квантування (2), зтоншення (3), виділення контуру (4), обчислення периметру (5), обчислення площі (6). Виділення вершин (7), обчислення довжини сторін (8), видалення завад (9), визначення відношення у вершинах (10).

У четвертому розділі приведено комп’ютерне моделювання процесів впливу властивостей вектору ознак на точність розпізнавання плоских фігур.

Отримані залежності впливу зміни форми геометричної фігури на її площу, які подаються як залежність від висоти багатокутника, або окремих його складових фігур, наприклад, трикутників (рис. 8). Для обчислення таких даних використовувалась теорема Герона.

За допомогою комп’ютерного моделювання проведено дослідження точності визначення кількості вершин від кута повороту зображення фігури з урахуванням аліайзінгу. Встановлено оптимальний кут повороту, при котрому точність є максимальною і який дорівнюється 3 градусам для будь якої точки вершини.

Рис. 8. Графік залежності площі багатокутника від висоти

Якщо використовувати алгоритм підрахунку ступеньок у прямій , то тут оптимальним кутом повороту є кут, що дорівнюється 10 градусів, а при застосуванні алгоритму, що використовує різні ширини стовпчиків, кут визначається 8 градусами.

Дослідження контурних зображень на наявність завад під час повороту показало, що практично всі контурні завади розташовані при вершинах фігур, а залежності кількості завад від повороту показали однакові форми для різних фігур.

Досліджено також вплив повороту фігури на визначення її геометричних розмірів і визначена величина відхилень, яка дорівнює 1 піксель.

ОСНОВНІ РЕЗУЛЬТАТИ РОБОТИ ТА ВИСНОВКИ

В дисертаційній роботі подано теоретичне обґрунтування і нове рішення наукової задачі підвищення точності і швидкодії розпізнавання зображень плоских фігур, які змінили орієнтацію у полі вхідної апертури пристрою розпізнавання.

1. Досліджені методи розпізнавання зображень плоских фігур, до яких застосовані афінні перетворення у полі вхідної апертури пристрою розпізнавання, а також запропонована структура процесорного нейроелемента клітинного аперіодичного нейроавтомата, яка дозволяє здійснити операції попередньої обробки зображень, а також операції по розпізнаванню.

2. Вперше запропонована модель розпізнавання плоских фігур з використанням клітинних аперіодичних нейроавтоматів, в якій формується вектор ознак, що дає можливість отримати повний смисловий зміст фігури.

3. На основі аперіодичного принципу функціонування клітинних аперіодичних нейроавтоматів розроблені алгоритми попередньої обробки зображень, які дозволяють у повному обсязі описати плоску фігуру шляхом найбільш точного визначення кількісного параметру.

4. Досліджені апаратні засоби та алгоритми визначення вершин фігури і запропоновані найбільш ефективні, які дозволяють підвищити точність розпізнавання. Розроблені пристрої і алгоритми пошуку завад та їх усунення.

5. Для більш повного опису зображення розроблені матричні структури і алгоритми визначення відношень контурів.

6. Вперше запропоновано принцип побудови аперіодичного елементу і на його основі досліджені спеціалізовані обчислювальні структури на прикладі операції порівняння операндів та стиску інформації.

7. Розроблено універсальний пристрій для розпізнавання плоских фігур на основі клітинних аперіодичних нейроавтоматів, який дозволяє виділити кількісні характеристики складових вектору ознак з високою точністю. Розглянуті структурно-функціональні організації основних блоків пристрою, які дозволяють обчислювати величину кожної ознаки з високою точністю. Шляхом моделювання їх в середовищі Activ-HDL доведена можливість реалізації пристрою на основі сучасних ПЛІС.

8. Проведено аналіз ефективності засобів розпізнавання і попередньої обробки зображень в клітинних аперіодичних нейроавтоматах з точки зору швидкодії та точності розпізнавання для зображень з вільною орієнтацією.

9. Доведено вплив кожної ознаки на повний опис фігури. Досліджена величина відхилень від реального значення основних параметрів при здійсненні повороту. Отримана величина оптимального кута повороту для різних алгоритмів визначення вершин.

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Білан С.М., Ал - Зобі Салім. Структурно-функціональна організація простих клітинних аперіодичних нейроавтоматів // “Вісник ЧІТІ”, спецвипуск: Матеріали НТК “Приладобудування - 2001” –2001. - С. 385 – 389.

2. Білан С.М., Ал – Зобі Салім. Розпізнавання вільноорієнтованих плоских фігур в середовищі клітинних аперіодичних нейроавтоматів // Оптоелектронні інформаційно-енергетичні технології - 2001. - №1. - С. 161 – 168.

3. Кожемяко В.П., Белан С.Н., Ал-Зоби Салим. Модели алгоритмов выделения вершин изображения плоской фигуры и определение расстояний между ними в системах распознавания // Оптоелектронні інформаційно-енергетичні технології - 2001. - №2. - С. 39-44.

4. Белан С.Н., Кондратенко Н.Р., Ал-Зоби Салим. Исследование влияния геометрических свойств вектора признаков при распознавании плоских фигур // Радиоэлектроника и информатика – 2002. - №2. - С.70-74.

5. Білан С.М., Ал-Зобі Салім. Реалізація багатофункціональних структур паралельної обробки інформації на базі базового аперіодичного елементу та моделювання їх в середовищі Active-HDL // Вимірювальна та обчислювальна техніка в технологічних процесах - 2001. - №2. - С. 89-94.

6. Деклараційний патент на винахід №51190А, G06K 9/00. Спосіб розпізнавання плоских геометричних фігур. // Білан С.М., Ал-Зобі Салім. - Опубл. 15.11.02 -, Бюл. №11,.

7. Белан С. Н. Ал-Зоби Салим. Структурно – функциональная модель системы распознавания изображений плоских фигур на основе клеточных апериодических нейроавтоматов // Вісник Технологічного університету Поділля – 2003. - №3, Т. 1. - С.154-158.

8. Ал – Зоби Салим. Определение отношений между ребрами плоской правильной фигуры в клеточных апериодических нейроавтоматах // Труды 7-го международного молодежного форума “Радиоэлектроника и молодежь в ХХ1 веке”.- Сб. материалов форума. – Харьков: ХНУРЕ. – 2003. - 667с.

9. Деклараційний патент на винахід №48935А, кл. 606F 7/04. Пристрій для порівняння чисел. // Білан С.М., Ал – Зобі Салім., Опубл. 2002. - Бюл. №8,

10. Кожемяко В.П., Белан С.Н., Аль-Зоуби Салим. Исследование влияния параметров количества вершин и расстояний между ними, при распознавании плоских фигур. // Збірник тез доповідей другої міжнародної науково-технічної конференції “Оптоелектронні інформаційні технології “Фотоніка-ОДС - 2002”.- м. Вінниця, “Універсум-Вінниця”.- 2002 – С.22.

11. Active-HDL medium use for reflection of parallelel algoritms of apexes of figure in cell aperiodic neuroautomatos. // Материалы научно-практической конференции “Современные технологии проектирования систем на микросхемах с программируемой логикой”. – Харьков. - 2003. - С. 14-15.

АНОТАЦІЇ

Салім Ісса Салім Ал – Зобі. Апаратні засоби та методи обробки і аналізу зображень плоских фігур. – Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.05 – елементи та пристрої обчислювальної техніки та систем керування. – Вінницький національний технічний університет, Вінниця, 2004.

Дисертація присвячена розробці апаратних засобів та методів обробки і аналізу зображень плоских фігур, які змінили свою орієнтацію в полі вхідної апертури пристрою розпізнавання. Обгрунтовано ефективність використання клітинних аперіодичних нейроавтоматів для обробки, аналізу та розпізнавання зображень. Застосування запропонованих методів та апаратних засобів для обробки зображень дало змогу підвищити точність та швидкодію розпізнавання зображень плоских фігур з вільною орієнтацією.

Ключові слова: клітинний аперіодичний нейроавтомат, вектор ознак, паралельна обробка.

Saleem Issa Saleem Al-Zoubi. Apparatus means and methods of imagination treatment and analysis of flat figures.

Dissertation on scientific grade of technical sciences candidate by specialty 05.13.05 - Elements and design of computing technical and operating systems. - Vinnytsya National Technical University, Vinnytsya, 2004.

The dissertation is dedicated to the working up of apparatus means and methods of treatment and analysis of imagination for flat figures which has changed its orientation into the filial of input aperture in a recognition construction. The efficacy of cellular a periodical neuroautomats use for imagination treatment, analysis and recognition has been proved.

Use of the methods and apparatus means proposed for the treatment of imagination has allowed to increase preciseness and high speed of imagination recognition of flat figures with free orientation.

Key words: cellular aperiodical neuroautomat, vector of signs, parallel treatment.

Салим Исса Салим Ал – Зоби. Аппаратные средства и методы обработки и анализа изображений плоских фигур. – Рукопись.

Дисертация на соискание ученой степени кандидата технических наук по специальности 05.13.05 – элементы и устройства вычислительной техники и систем управления. – Винницкий национальный технический университет, Винница, 2004г.

Диссертация посвящена разработке аппаратных средств и методов обработки и анализа изображений плоских фигур, которые изменили свою ориентацию в поле входной апертуры устройства распознавания.

В работе разработана новая комплексная класификация методов распознавания изображений и общий подход к решению задачи распознавания свободно ориентированных изображений плоских фигур. Рассмотрена структурная организация известных типов ПЭ-ов и представлена структура ПНЭ-та КАНА, позволяющая осуществлять операции предварительной обработки изображений, а также операции по распознаванию. Определено место КАНА в общей классификации устройств распознавания.

Разработан новый метод распознавания изображений плоских фигур со свободной ориентацией, который позволил повысить точность и быстродействие распознавания, а также на его основе разработаны алгоритмы предварительной обработки и анализа изображений с использованием КАНА. Метод основан на анализе геометрических свойств плоских фигур, которые дают возможность получить полное смысловое содержание фигуры. Получены аналитические зависимости, которые позволяют реализовать устройство распознавания универсальным относительно свободно ориентированных фигур.

Предложен новый подход к реализации многофункциональных структур с повышенным быстродействием обработки информации. На основе предложенного базового апериодического элемента разработаны модели временного сжатия изображений. Разработано устройство распознавания изображений плоских фигур, в основе которого лежат КАНА, позволяющие выделять количественные характеристики составляющих вектора признаков с высокой точностью. Обосновано эффективность использования клеточных апериодических нейроавтоматов для обработки, анализа и распознавания изображений с точки зрения точности и скорости распознавания для изображений со свободной ориентацией. Использование среды Active-HDL позволило получить VHDL-коды всех схемотехнических решений, предложенных в работе, что дает возможность реализации их на современных ПЛИС.

По результатам компьютерного моделирования доказано влияние каждого признака на полное описание фигуры. Исследована величина отклонений от реального значения основных параметров при осуществлении поворота. Получена оптимальная величина угла поворота для различных алгоритмов определения вершин, а также исследованы искажения, возникающие при повороте фигуры.

Использование предложенных методов и аппаратных средств для обработки изображений дало возможность повысить точность и быстродействие распознавания изображений плоских фигур со свободной ориентацией.

Ключевые слова: клеточный апериодический нейроавтомат, вектор признаков, параллельная обработка.