Методы улучшения выделенной области изображения при быстродействующей обработке символьной информации

Целью исследования является нахождение оптимальных методов подготовки изображения для более стабильного выполнения алгоритма обнаружения символьной информации. Для повышения скорости работы и улучшения алгоритмов обнаружения и распознавания символов необходимо подобрать оптимальные методы обработки изображения, поскольку в настоящий момент это является актуальной и часто встречающейся задачей. Задачи распознавания образов, в частности распознавание текстовой информации, возникают в повседневной жизни, на производстве, транспортной логистике и т. д.

Методы. В работе применены методы повышения качества изображений за счет увеличения малых параметров интенсивности, оцифровки и коррекции цифрового изображения, удаления шумовых пикселов, методы восстановления изображения, методы снижения хроматических аберраций.

Результаты: проведен анализ методов повышения качества и восстановления изображений; найдены параметры веса с применением фильтра Гаусса; приведен метод коррекции угла наклона исходного изображения с использованием встроенной функции cvWarpAffine() библиотеки OpenCV, которая позволяет использовать аффинные преобразования для поворота изображения или части исследуемого изображения; приведена таблица вероятности обнаружения и распознавания символьной информации после применения методов улучшения выделенной области изображения для быстродействующей обработки символьной информации.

Заключение. В ходе работы было выявлено, что при достаточном разрешении изображения использование методов улучшения выделенной области позволяет с вероятностью до 95% обнаружить и распознать символьную информацию со скоростью приемлемой для быстродействующего устройства (до 280 мс) в зависимости от качества исходного изображения и количества обнаруженных участков, содержащих символьную информацию

1. Распознавание символьной информации для автоматизации производственных процессов / В. С. Панищев, М. И. Труфанов, О. Г. Добросердов, О. О. Хомяков // Известия Юго-Западного государственного университета. 2021. Т. 25, № 1. С. 122-137.

2. Шапиро Л., Стокман. Компьютерное зрение. М.: Бином. 2006. 762 с.

3. Труфанов М. И., Панищев В. С., Фролов М. М. Система технического зрения с множественными источниками изображений // Информационные технологии и математическое моделирование систем 2020: труды Международной научно-технической конференции / Центр информационных технологий в проектировании Российской академии наук. Одинцово, 2020. С. 124-126.

4. Konanykhin A. U., Panishchev V. S. Algorithm for high-speed processing of symbolic information // Сборник научных статей VIII Международной научно-практической конференции ИИС-2020 / Юго-Западный государственный университет; Московский политехнический университет. Курск, 2020. С. 7-9.

5. Волков Д. А., Панищев В. С., Труфанов М. И. Метод коррекции дисторсии в задачах обработки изображений этикеток // Известия Юго-Западного государственного университета. 2019. Т. 23, № 3. С. 135-147.

6. Бурмака А. А., Говорухина Т. Н., Разумова К. В. Системная модель распознавания и идентификации состояния предстательной железы по ее изображениям УЗИ И ТРУЗИ // Наукоемкие технологии. 2014. Т. 15, № 12. С. 13-20.

7. Бурмака А. А., Говорухина Т. Н., Терехова О. А. Многоканальная измерительная система с нечетким описанием её состояний // Биомедицинская радиоэлектроника. 2014. № 9. С. 28-31.

8. Кореневский Н. А., Юлдашев З. М., Конаныхина Т. Н. Математические методы обработки медико-биологической информации. Математическая статистика. Старый Оскол: Новые наукоемкие технолоогии, 2021. 304 с.

9. Konanykhin A. Y., Konanykhina T. N. Algorithm for finding contours for the purpose of processing symbolic information in conditions of small symbol size and chromatic aberrations // Conference Series. 10. Ser. "X International Scientific and Practical Conference Information and Measuring Equipment and Technologies, IMET 2020". Top Publishing, 2021. P. 012018.

10. Системный анализ сигналов в информационно-измерительных системах распределенного типа / Т. Н. Конаныхина, Л. А. Лисицин, Д. О. Бобынцев, Т. В. Абрамова. Курск: Университетская книга, 2021. 141 с.

11. Васин Д., Ершов М. Распознавание символов на базе низкоуровневых моделей описания графических изображений // Графикон-2014: труды XXIV Международной конференции по компьютерной графике и зрению. М.: Графика, 2014. С. 62-64.

12. Потапов А. Системы компьютерного зрения: современные задачи и методы // Control Engineering. Russia. 2014. № 1. С. 20-26.

13. Ishmam Zabir, Sudip Paul, Md. Abu Rayhan, Tanmoy Sarker, Shaikh Anowarul Fattah, Celia Shahnaz. Automatic Brain Tumor Detection and Segmentation from MultiModal MRI Images Based on Region Growing and Level Set Evolution // IEEE International WIE Conference on Electrical and Computer Engineering, 2015. P. 503-506.

14. Хасан А. А., Панищев В. С., Решетникова В. П. Анализ текстурных признаков на изображениях // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2014. № 2. С. 102-107.

15. Мишин А. Б., Панищев В. С., Ткачев П. Ю. Выбор структуры нейросетевого фильтра для обработки цифровых изображений // Известия Юго-Западного государственного университета. 2013. № 3 (48). С. 14-18.

16. Хасан А. А. А., Панищев В. С., Труфанов М. И. Алгоритм сравнения изображений на основе анализа статистических характеристик текстуры // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2017. Т. 7, № 4 (25). С. 34-40.

17. Моделирование нейросети для подавления шумов на изображении / М. И. Булаев, В. С. Панищев, В. П. Решетникова, М. И. Труфанов // Известия Юго-Западного государственного университета. 2015. № 6 (63). С. 58-62.

18. Панищев В. С., Хомяков О. О. Распознавание символьной информации на маркировке автоматических выключателей // Информационные технологии и математическое моделирование систем 2020: труды Международной научно-технической конференции / Центр информационных технологий в проектировании Российской академии наук. Одинцово, 2019. С. 106-109.

19. Панищев В. С., Бысов И. Д. Нейронная сеть для распознавания рукописных изображений // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2018: сборник материалов XIV Международной научно-технической конференции / Юго-Зап. гос. ун-т. Курск, 2018. С. 205-206.

20. Галеев Д. Т., Мирошниченко С. Ю., Панищев В. С. Разработка искусственной нейронной сети для решения задачи интерполяции изображений // Телекоммуникации. 2021. № 3. С. 11-16.

21. Панищев В. С. Алгоритм восстановления пикселей изображения на основе нейронной сети // Известия Юго-Западного государственного университета. 2018. Т. 22, № 6 (81). С. 183-188.