Белорусский национальный технический университет

Факультет Информационных технологий и робототехники

Кафедра «Системы автоматизированного проектирования»

КУРСОВОЙ ПРОЕКТ

По дисциплине

“Методы распознавания образов”

Тема: “Разработка подсистемы распознавания обозначения вида и габаритных размеров на изображении сборочного чертежа”

Исполнитель: студент гр. 107522 Мартинович Виталий Васильевич

Руководитель проекта: доцент Ковалева Ирина Львовна

Минск, 2015

Белорусский национальный технический университет

Факультет информационных технологий и робототехники

Кафедра «Системы автоматизированного проектирования»

ПОЯСНИТЕЛЬНАЯ ЗАПИСКА

к курсовому проекту

по дисциплине “Методы распознавания образов”

Тема: “ Разработка подсистемы распознавания обозначения вида и габаритных размеров на изображении сборочного чертежа”

Исполнитель: Мартинович В. В.

Руководитель: Ковалёва И. Л.

Минск, 2015

Оглавление

Введение 4

1. ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ 5

1.1 Методы бинаризации 6

1.2 Способы сегментации 7

1.3 Способы распознавания. 8

2. ПОСТАНОВКА ЗАДАЧИ 9

3. АДАПТАЦИЯ И ОПИСАНИЕ ИСПОЛЬЗУЕМЫХ АЛГОРИТМОВ 10

3.1 Сегментация изображения методом выделения краев 10

3.2 Бинаризация пороговым методом 10

3.3 Выделение контуров (метод «Жук») 11

3.4 Распознавание 11

4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ 13

4.1 Схема программного обеспечения 13

4.2 Описание функций и методов 13

4.3 Тестирование и руководство для пользователя 13

ЗАКЛЮЧЕНИЕ 16

ЛИТЕРАТУРА 17

Приложение 1. Схема IDEF трех уровней и UML диаграмма классов 18

Приложение 2. Исходный код класса Recognition 20

Приложение 3. Исходный код класса Perseptron 21

Приложение 4. Исходный код класса Next neighbor 22

Введение

Технологии преобразования растровых чертежей, полученных путем оцифровки традиционных источников - бумажных носителей, в настоящий момент являются весьма востребованными. Это связано с развитием систем автоматизированного проектирования, которые способны интерпретировать векторный формат, а также с существенными преимуществами векторной формы по сравнению с растровым представлением: простота манипуляций и управления, необходимость в меньшем объеме памяти. Под векторной формой понимается модель (структура) данных, представляющая собой упорядоченный набор слоев объектов, которые моделируются точками, ломаными, либо многоугольниками, расположенными на плоскости или сфере с заданной системой координат.

Следует добавить, что на текущий момент не существует удовлетворительных моделей представления растрового чертежа, обладающих достаточной степенью соответствия объектной структуре изображения вместе с устойчивостью к таким входным характеристикам как разворот, разрешение, степень зашумленности входного растра.

В данном курсовом проекте необходимо распознать такие обозначения сборочного чертежа как вид и габаритные размеры. Возможность автоматически распознавать информацию на подобных чертежах может быть весьма полезной в случае возникновения необходимости учета этой информации в базе данных.

Данный курсовой проект состоит из 4 разделов:

• В первом разделе описывается предметная область, существующие программные продукты и их недостатки, существующие методы для подготовки изображения к распознаванию.

• Во втором разделе описывается цель курсового проекта, какими должны быть входные и выходные параметры, ограничения.

• В третьем разделе идет описание используемых алгоритмов для подготовки к распознаванию и непосредственно самого распознавания.

• В четвертом разделе представлена программная реализация используемых алгоритмов.

4

1. Обзор предметной области

Задачей распознавания чертежей является либо получение некоторого описания чертежа, поданного на вход системы, либо отнесение этого изображения чертежа к некоторому определенному классу. Процедура распознавания применяется к некоторому изображению чертежа и обеспечивает преобразование его в некоторое абстрактное описание: набор чисел, цепочку символов или граф. Последующая обработка такого описания позволяет отнести исходное изображение к одному из нескольких классов.

Зачастую возникает ряд трудностей и проблем. Обычно они связаны с тем, что входные изображения не совпадают с эталонами за счет помех и неточностей, с тем, что входные изображения и эталоны отличаются расположением в поле зрения, а так же с тем, что изображения предъявляются на сложном фоне.

Перед оцифровкой бумажного носителя применяется обработка, которая включает следующие этапы: сегментация, бинаризация, оконтуривание и центрирование. На следующем рисунке 1.1 представлен один из примеров бумажных носителей.

Рис. 1.1 – Пример бумажного носителя

5

1.1 Методы бинаризации

Бинаризацией называется процесс преобразования полутонового изображения в изображение, яркость пикселей которого может иметь только два значения – 0 или 1. Такое изображение называется бинарным.

В зависимости от вида изображения применяются различные методы бинаризации:

Метод средней яркости (локальный метод):

- Вычисляем среднюю яркость;

- Определяем граничное значение яркости по формуле: ГЗ=255 – СЯ, где ГЗ - граничное значение, СЯ - средняя яркость;

- Пиксель становится черным, если среди его соседей есть хотя бы один пиксель, яркость которого удовлетворяет условию:

Яркость ≤ ГЗ, либо яркость анализируемого пикселя ≤ яркости связного с ним + Step, Step= 1…2.

При этом важно чтобы связующий пиксель был уже включен в группу пикселей, которые будут отмечены как черные.

Метод «Мод»:

Выполняется построение гистограммы яркости. По построенной гистограмме выбирается значение яркости соответствующее впадине или минимуму между двумя максимальными вершинами гистограммы. Недостатком данного метода является зависимость результата от гистограммы.

Метод 120:

- Строится гистограмма;

- Находится максимальный уровень серого в диапазоне t=[0, 120];

- Черный цвет устанавливается у пикселей, яркость которых меньше либо равна порогового значения плюс 12…15, в остальных случаях цвет белый.

Метод 40%:

- Строится гистограмма;

- Находится количество пикселей, соответствующий заданному проценту;

- Отсчитывается количество пикселей по градациям яркости, начиная с 0 и до момента, когда это количество будет превышать количество пикселей, заданных в постановке задачи бинаризации, и градация, на которой произошла постановка становится порогом бинаризации.

6

Пороговый метод:

Определяется порог яркости t. Все что больше этого порога считается белым, все что меньше — черным.

При переводе в бинарное изображение могут быть потери или наоборот шумы из-за неточности сканера, поэтому после бинаризации может следовать фильтрация.

Для бинаризации изображения, полученного сканированием чертежа, целесообразно было бы использовать пороговый метод.