Строительные исследования

- эффективность обработки признана неудовлетворительной.

В любом из этих случаев текущий размер структурирующего элемента Bcur не может быть использован для окончательной обработки и, следовательно, должен быть скорректирован. Уменьшив его значение на 2, мы получим оптимальный размер структурирующего элемента B, который может быть использован для сглаживания данного бинарного растрового изображения по методу, описанному в п. 2.

4. Практические результаты

Вначале мы бы хотели уделить внимание вопросу, связанному с обработкой наклонных линий. Чтобы оценить результаты обработки мы использовали коммерческую программу - векторизатор, которая преобразовывала исходные и обработанные линии в контуры, состоящие из кривых Безье. Чем больше неровностей имеет линия, тем больше количество узлов на векторном контуре. Наклон линии изменялся от 0 до 45 градусов. Результаты обработки представлены в таб. 1. Общее заключение таково: чем больше наклон линии, тем меньше эффективность процедуры сглаживания. Данное обстоятельство может быть отнесено к недостаткам оригинального метода сглаживания средствами математической морфологии. При приближении к 0 или 90 градусам линия представляет собой совокупность коротких горизонтальных или вертикальных сегментов. В этом случае алгоритм выбора оптимального размера структурирующего элемента функционирует, как если бы эти сегменты были отдельными линиями. Однако, необходимо отметить, что не зависимо от положения линий изображения описанный выше алгоритм позволяет гарантировать сохранение топологии объекта.

Мы протестировали программу на базе описанного алгоритма на множестве различных изображений, включая сканированный текст (печатный и рукописный), рисованные бинарные растровые изображения (логотипы, картинки из библиотек и т. п.), машиностроительные чертежи и другие объекты (рис. 6). Если оригинальное изображение

Таблица 1.

Угол	Изображение	Увсличсппая часть изображения		Размер структ. эл-та	Количество узлов
Угол	Изображение	До обработки	После обработки	Размер структ. эл-та	оораГк)П\И	После обработки
0°		-»"		5	88	24
9°	--			5	118	68
18°		*****		5	149	107
27°	\			3	188	164
36°	\			3	200	183
45°	\	ч	Ч	3	209	204

было полутоновым (gray scale), то предварительно использовалась бинаризация по порогу для перевода в бинарную форму.

Необходимо отметить, что мы изначально пытались найти решение проблемы только для тех изображений, которые представляют собой комбинацию графических примитивов: отрезков, окружностей, дуг, эллипсов, кривых Безье и т. п., т. е. таких изображений, которые обычно подвергаются векторизации для извлечения низкоуровневой информации. Поэтому использование описанного метода для обработки фотоизображений (даже если они бинаризованы) неэффективно, поскольку подобные изображения обрабатываются с помощью отличных от векторизации методов для извлечения сущностей иного рода.

Особенный интерес может представлять использование предлагаемого метода для

предварительной обработки рукописного или печатного текста перед распознаванием. Присутствие небелого фона, низкий контраст, многократное копирование приводят к появлению шумов на цифровом изображении. Шумы проявляются как отдельные пикселы и "зазубренные" границы линий объекта, что ведет к ухудшению результатов распознавания. Задача удаления шума усложняется тем, что отдельные символы могут иметь элементы различной толщины, поэтому необходимо настраивать параметры обработки для каждого отдельного символа. Мы использовали предложенный метод для решения этой проблемы и получили обнадеживающие результаты: количество нераспознанных или распознанных неправильно OCR - системой символов уменьшилось. Однако, данное приложение требует дополнительного рассмотрения, и, возможно, создания адаптированной и/или модифицированной версии алгоритма, которая бы

Рис. 6. Примеры работы алгоритма. Слева - начальное изображение, справа - обработанное.

учитывала особенности работы конкретных OCR - систем.

Другое приложение связано с необходимостью преобразования твердых копий конструкторской документации (рабочих и сборочных чертежей, "синек", и т. п.) в цифровой векторный формат. Такого рода документация обычно содержит изображения низкого

процесса векторизации. Чтобы уменьшить количество ошибок, необходимоподвергнуть

изображениефильтрации,

качества, что ведет к некорректномурезультату

например, с помощью средств

Рис. 7. Пример обработки сканированного чертежа. Слева исходное изображение, справа - обработанное.

математическойморфологии.

Главное ограничение для указанных фильтров заключается в различной толщине линий

объектов (Рис. 7). Описанный метод позволяет преодолеть указанное ограничение, предоставляя информацию для разделения изображение на участки в зависимости от

размера структурирующего элемента, использующегося для обработки каждого из них.

5. Заключение

В данной работе описан новый алгоритм, позволяющий автоматически выбирать размер структурирующего элемента для сглаживания бинарных растровых изображений при помощи базовых операторов математической морфологии. С одной стороны, использование указанного алгоритма позволяет гарантировать сохранение топологии объекта, с другой - обеспечивает выбор оптимального размера структурирующего

6. Литература

1.N. I. Tikhonov, O. L. Konevsky, I. V. Pikalev, "Intelligent Parametric Product Modelling System (IPPMS) as New Paradigm for Visual Thinking Prototypes in Real-Time Control Strategies", Proc. of the International Symposium Artificial Intelligence in Real-Time Control-AIRTC 98, pp. 118-121, 1998.

2.C. F. Olson, "Decomposition of the Hough Transform: Curve Detection with Efficient Error Propagation", Proc. of the European Conference on Computer Vision, pp. 263-272, 1996.

3.C. F. Olson, "Constrained Hough Transform for Curve Detection", Computer Vision and Image Understanding, vol. 73, No. 3, March, pp. 329-345, 1999.

4.J. Serra, Image Analysis and Mathematical Morphology, Vol. 2, Academic Press, 1988.

5.H. J. A. M. Heijmans, "Mathematical morphology: a Geometric Approach to Image Processing", Nieuw Archief voor Wiskunde, Vierde Serie, Deel 10, No 3, pp. 237-276, 1992.

6.H.J.A.M. Heijmans, "Connected morphological operators for binary images", Computer

элемента.

содержание:
[стр.Введение] [стр.1] [стр.2] [стр.3]