Разработка математических моделей и методов распознавания изображений на основе геометрической интерпретации тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Штанчаев Хайрутин Баширович

• Штанчаев Хайрутин Баширович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Штанчаев Хайрутин Баширович

ВВЕДЕНИЕ

ГЛАВА 1. ОСНОВНЫЕ ПОНЯТИЯ, ЗАДАЧИ И ПРОБЛЕМЫ ТЕОРИИ РАСПОЗНАВАНИЯ ОБРАЗОВ. АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ РАСПОЗНАВАНИЯ

1.1 Основные понятия и определения теории распознавания образов

1.2 Описание и анализ методов распознавания

1.3 Основные проблемы распознавания

1.4 Автоматическая локализация и выделение лица человека на изображении

1.5 Описание и анализ методов распознавания человека

Выводы и основные результаты

ГЛАВА 2. РАЗРАБОТКА МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ПРЕДСТАВЛЕНИЯ ИЗОБРАЖЕНИЙ

2.1 Классическая и графоаналитическая модель изображения

2.2 Обобщенная графоаналитическая (графовая) модель

2.3 Цветная графовая модель

2.4 Раздельная графовая модель

2.5 Нечеткая графовая модель

2.6 Частные случаи и комбинации графовых моделей

2.7 Переходы между графовыми моделями

Выводы и основные результаты

ГЛАВА 3. РАЗРАБОТКА ИНСТРУМЕНТАЛЬНЫХ СРЕДСТВ РАСПОЗНАВАНИЯ ОБРАЗОВ НА ОСНОВЕ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ИЗОБРАЖЕНИЙ

3.1 Моделирование процессов сегментации

3.1.1 Сегментация графовой модели

3.1.2 Нечеткая сегментация на базе нечеткой графовой модели

3.2 Моделирование процессов фильтрации на основе нечеткой графовой модели

3.3 Моделирование процессов распознавания

3.3.1 Расчет точек интереса для формирования вектора признаков

3.3.2 Метод распознавания по прямой аналогии сравниваемых образов (ВА)

3.3.3 Распознавание образов методом подсчета нечетко представленных отклонений между значениями сравниваемых между собой признаков эталона и распознаваемого изображения (РТ)

3.3.4 Распознавание образов методом раздельного подсчета нечетко представленных отклонений между значениями сравниваемых между собой признаков эталона и распознаваемого изображения (РТТ)

Выводы и основные результаты

ГЛАВА 4. МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ИНСТРУМЕНТАЛЬНЫХ СРЕДСТВ И МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ

4.1 Декомпозиция задачи разработки комплекса программ и обобщенный алгоритм

4.2 Декомпозиция обобщенного алгоритма

4.2.1 Алгоритм модуля сегментации

4.2.2 Алгоритм модуля фильтрации

4.2.3 Блок-схема модуля выделения краевых точек

4.2.3 Блок-схема модуля распознавания вычислением прямой аналогии

4.2.4 Блок-схема модуля распознавания методом вычисления разностных термов

4.2.5 Блок-схема модуля распознавания методом раздельного вычисления разностных термов

4.3 Блок-схема преобразования графоаналитической модели

4.4 Описание модулей и среды разработки

4.5 Описание структуры вершины графовой модели

4.6 Апробация нечеткого метода сегментации

4.7 Апробация комплекса программ

Выводы и основные результаты

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Разработка математических моделей и методов распознавания изображений на основе геометрической интерпретации»

ВВЕДЕНИЕ

Актуальность темы исследования. Проблема исследования процессов распознавания образов является одной из актуальных проблем математического моделирования сложных технических систем. В течение последних 10 лет количество научных исследований и публикаций по данной тематике выросло в несколько раз, что свидетельствует об отсутствии и необходимости эффективного решения данной проблемы. Этому способствует значительный рост вычислительной мощности современных ЭВМ, открывших новые возможности их применения для решения сложных прикладных задач, требующих проведения трудоемких вычислений.

Распознавание человека по его портрету является лишь одной из класса задач, непосредственно связанных с анализом различных изображений. Задачи данного класса, наряду с автоматическим сканированием изображений и оценки его основных характеристик, которые являются подзадачами предварительной обработки изображений, предполагают также и другие сложные подзадачи, например идентификация, фильтрация, сегментация, связанные с распознаванием образов.

Однако большинство современных систем распознавания не могут эффективным образом справиться с решением этой сложной проблемы. Данное обстоятельство является весомым аргументом необходимости комплексного исследования проблемы распознавания образов, требующим разработки математических моделей и решающих правил для построения эффективных систем решения данной задачи.

Таким образом, разработка эффективных математических моделей и методов, связанных с решением задачи распознавания образов в настоящее время остается открытой и требует проведение дальнейших исследований. Отмеченные выше обстоятельства и определяют актуальность настоящего диссертационного исследования.

Степень проработанности проблемы. Теории и практики распознавания образов и, в частности, распознавания лица человека посвящено достаточно большое количество научных работ. Большой вклад в решение проблемы принятия решений в процессе распознавания образов внесли такие отечественные ученые Л. Т. Кузин, А. Л. Горелик, Д. А. Поспелов, В. Н. Вапник, В. А. Скрипкин, Г. Я. Волошин, О. В. Сенько, В. В. Рязанов, А. Я. Червоненкис. Отдельные теоретические и научно-практические аспекты повышения точности распознавания образов по изображению отражены в трудах следующих иностранных ученых: Дж. Ту, Р. Гонсалес, Р.Дуда, П.Харт, К.Фу,JengS-H., LiaoH-Y., LuiY-T, GuttaS., WuH., ChenQ., YashidaM.

Однако, несмотря на глубокую проработанность основных аспектов проблемы, отсутствует универсальный метод распознавания образов. В этой связи возникает необходимость в разработке и исследовании таких математических моделей и методов распознавания, которые эффективным образом могут быть согласованы с известными моделями представления знаний в системах искусственного интеллекта. Кроме того, математические модели и методы распознавания образов должны быть достаточно устойчивыми к помехам, различным особенностям распознаваемого изображения, к его освещенности и количеству источников света. Необходимо также обеспечить требуемую точность распознавания, например, в процессе идентификации лица человека. Данные обстоятельства и определили направление, цели и задачи проводимого в диссертационной работе исследования.

Целью диссертационного исследования является разработка, программная реализация и исследование математических моделей связанных с исследованием методов распознавания изображений.

Основные задачи, обеспечивающие достижение поставленной цели: - провести анализ существующих методов сегментации изображений на примере лица и методов его распознавания;

- разработать математические модели представления изображений для решения задач сегментации, фильтрации и их распознавания;

- синтезировать математические модели сегментации объектов с применением нечетких множеств;

- разработать и исследовать метод выделения ключевых точек изображений;

- синтезировать и исследовать эффективные математические модели и методы распознавания изображений;

- разработать комплекс программ для реализации и исследования предложенных моделей и методов.

Методология и методы исследования. При решении поставленных задач в работе использованы методы цифровой обработки изображений, теории распознавания образов, искусственного интеллекта, аппарата теории четких и нечетких множеств, а также численные методы линейной алгебры. Экспериментальные исследования выполнены с использованием наборов реальных и синтетических изображений. Программный комплекс разработан в среде VisualStudio 2019 в редакции 'community', с применением языка программирования C#.

На защиту выносятся следующие научные положения, составляющие новизну проведенного исследования:

- оригинальные математические модели, позволяющие формализовать различные задачи представления, сегментации и фильтрации изображений в процессе распознавания образов, отличающиеся от известных моделей описанием различных характеристик идентифицируемых объектов с применением математического аппарата нечетких множеств. Это позволяет обобщить исходные данные и повысить сложность распознаваемых объектов;

- математические модели обобщенного, цветного и раздельного описания распознаваемых изображений и условия их комбинирования в соответствии с решаемой задачей, которые отличаются от известных

аналогов топологией представления исследуемых процессов. Это позволяет эффективным способом обеспечить сопряжение данных, полученных в процессе распознавания образов с априори заданными моделями представления знаний в распознающей системе;

- нечеткие математические модели сегментации изображений, отличающиеся от известных содержанием условий принадлежности идентифицируемого объекта к определенной области изображений, а также возможностью оценки большего числа условий принадлежности распознаваемого изображения к эталону. Это позволяет повысить точность проводимой сегментации распознаваемого изображения.

- методы распознавания изображений, отличающиеся от известных методов использованием системы поиска ключевых точек для выделения контуров анализируемых объектов, что позволяет повысить быстродействие и точность их распознавания;

- разработанный и апробированный комплекс программ, позволяющий провести машинные эксперименты и исследовать предложенные математические модели, инструментальные средства и методы распознавания изображений.

Теоретическая значимость результатов исследования заключается в расширении знаний в области математического моделирования и распознавания образов за счет разработанных методов сегментации, фильтрации, обобщении, цветного и раздельного представлений идентифицируемых объектов.

Полученные теоретические результаты исследования являются основой для дальнейшего развития инструментальных средств распознавания образов.

Практическая значимость заключается в эффективности практического использования разработанных математических моделей и методов в системах:

- идентификации человека или контроля доступа (СКУД) с целью исключения несанкционированного проникновения на защищенные объекты;

- в базах данных различных организаций для поиска и идентификации личности по портретам;

Кроме того, предложенные математические модели и методы и их программная реализация могут быть эффективно использованы в системах технического зрения и искусственного интеллекта для распознавания образов и идентификации сложных объектов в различных проблемных средах.

Степень достоверности результатов исследования.

Достоверность результатов исследования подтверждается:

- совпадением с допустимой погрешностью результатов, полученных в процессе проведения машинного эксперимента с использованием предложенных математических моделей, инструментальных средств и методов распознавания образов, с результатами аналитических расчетов, выполненных на основе известных методов сегментации, фильтрации и распознавания;

- корректным использованием теоретических основ распознавания образов, математического аппарата нечетких множеств, теории графов и комбинаторного анализа.

Апробация результатов проведенного исследования. Основные положения и выводы, полученные в диссертационной работе, докладывались и получили одобрение на международных и всероссийских научных конференциях, в том числе: XXV Международная научно-практическая конференция «Современные проблемы гуманитарных и естественных наук» (г. Москва, 2015); Международная конференция «Наука и инновации в глобализированном мире» (г. Сан-Диего, 2016); Международная научно-практическая конференции «Актуальные вопросы образования и науки» (г. Тамбов, 2015г.); XIII Международная научно-практическая конференция «Естественные и технические науки в современном мире» (г. Москва, 2017); XXI Международная научно-практическая конференция «Технические науки

- от теории к практике» (г. Санкт-Петербург, 2017); Международная научно-практическая конференция «Современное общество, образование и наука» (г. Тамбов, 2021).

Разработанный комплекс программ распознавания образов выиграл грант и был профинансирован по программе «У.М.Н.И.К.» (Участник молодежного научно-инновационного конкурса) Фондом содействия развитию малых форм предприятий в научно-технической сфере. Для внедрения программного комплекса создано малое инновационное предприятие, которое выиграло конкурс «СТАРТ». Проект для развития предложенных в диссертации моделей и методов получил финансирование в объеме 2 млн рублей от Фонда содействия инновациям.

Комплекс программ был представлен в качестве проекта на «Дагестанском инновационном конвенте 2018», где стал победителем в номинации «Лучший проект в области благоустройства городской среды».

Публикации. По теме диссертации опубликовано 14 научных трудов, из них рецензируемых - 5, в том числе 2 статьи в рецензируемых научных изданиях, включенных в Перечень ВАК РФ, и 3 свидетельства о государственной регистрации программ для ЭВМ.

Структура и объем диссертации. Диссертация состоит из введения, 4 глав, заключения и списка использованных источников. Основная часть работы изложена на 150 страницах машинописного текста, включает 88 рисунков, 3 таблицы и 8 приложений. Список литературы содержит 96 наименований, из них 26 из иностранных источников.

ГЛАВА 1. ОСНОВНЫЕ ПОНЯТИЯ, ЗАДАЧИ И ПРОБЛЕМЫ ТЕОРИИ РАСПОЗНАВАНИЯ ОБРАЗОВ. АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ РАСПОЗНАВАНИЯ

Функция различать свойства и процессы окружающей среды одна из важнейших и необходимых способностей человека. Благодаря умению различать окружающие образы человек перемещается, совершает какие-либо действия.

Во всеобщем понимании распознавание подразделяется на две категории:

1) распознавание реальных объектов;

2) распознавание теоретических образов.

Выбор зависит от самих распознаваемых образов. Человек опознает увиденные символы, картины, изображения, услышанные звуки и т. д. Если процедура распознавания включает в себя опознавание образов, связанных с органами чувств, то такое распознавание считается «сенсорным» [47]. Такое распознавание дает человеку систематизацию и опознавание пространственно-временных образов. Однако человек так же способен органами слуха и зрения распознать давний аргумент или решение проблемы. Такой процесс дает человеку опознавание абстрактных объектов и называется такое распознавание «понятийным» [47].

Авторы (Дж. Ту [43] и Р. Гонсалес [47]) выделяют две основные ветви в теории распознавании образов (далее - ТРО):

1. Освоение возможности различать объекты людьми и другими существами.

2. Разработка и исследование отдельных методик, алгоритмов и моделей для использования распознающих систем для различных задач во всех областях деятельности человека.

Исследование в первом направлении используются в психологических, физиологических и биологических дисциплинах. Второе направление напрямую связано с техническим зрением, вычислительной техникой и промышленностью [47,11].

Независимо от вышеописанных направлений, задачи распознавания делятся на три: представление знаний, выделение признаков, принятие решения и вывод результата.

Задача представления знаний напрямую связана с получением исходных знаний об объекте или с результатами измерений распознаваемого объекта. Всякая такая измеренная величина, выражается некоторой «характеристикой» [47,18] образа или объекта. Полученные знания обычно выражаются в виде вектора или матрицы. Знания содержат всю информацию, о распознаваемом объекте которую можно измерить: описание самого объекта, реакция на воздействие или поведение. При наличии достаточного количества знаний о распознаваемом объекте и сколь угодно большого количества времени, можно получить адекватный уровень распознавания. При использовании большинства автоматически распознающих систем возникают проблемы. Связаны они в первую очередь с недостаточным количеством характеристик для объекта и отсутствием достаточного времени на их получение. Увеличивая время для задачи представления знаний, с целью измерить как можно большее количество характеристик, пропорционально увеличивается суммарное время распознавания. Так же стоит отметить, что большое количество измеренных характеристик объекта не всегда гарантирует адекватный ответ системы распознавания, т. к. система должна учитывать знания только в необходимой предметной области.

Задача выделения характерных признаков или свойств, направлена на снижение объема представленных знаний или «снижение размерности векторов» [43,16] объекта выделяя те, которые будут использованы непосредственно при опознавании. Определение ключевых признаков является проблемной задачей, т. к. неправильное извлечение вектора

признаков и выбор ключевых характеристик ведет к ухудшению результата распознавания. Тем самым снижается точность системы распознавания образов (далее - СРО). Если знания представлены в полной и достаточной мере, получить ключевые характеристики не составляет труда.

Следующая же задача определяет выбор оптимальных решающих функций принятия и вывода решений. При правильном представлении знаний и выборе ключевых характеристик, процесс распознавания в СРО сводится к сравнению объекта, представленного к распознаванию с эталонным объектом. Сравниваются их характеристики (например, в табличной форме). Оптимальные решающие процедуры могут быть определены различными способами. Если характеристики нечеткие или объект описывается в нечеткой проблемной среде, то процедура принятия и выводы решения будет исследована под конкретную задачу с различными допущениями и ограничениями. В случае же конечного набора признаков процедура будет иметь достаточно простой вид. Как показывает практика, не бывает конечного набора признаков достаточного для распознавания, что не позволяет разработать единственную и универсальную процедуру принятия и вывода решений.

Приняв во внимание вышеописанное, представим распознающую систему в виде структурной схемы, представленной на рисунке 1.1.

Рисунок 1.1 - Структурная схема системы распознавания

1.1 Основные понятия и определения теории распознавания образов

Различные авторы [8,18,26,47,56] (Дж.Ту[47], Р.Гонсалес[47], Ю.И.Журавлев[18], Л.Т.Кузин[26] Л.Н.Чабан[56], В.Н. Вапник[8]) приводят определения понятий образ и класс. Наиболее простыми и понятными являются определения, описанные автором (Л.Т.Кузин[26]):

Определение 1.1 Класс - множество объектов, объединённых посредствам одинаковых свойств или характеристик. В СРО имеется «множество классов» [26]:

А = {А1,А2, ...А¿,...Am},

где А; - отдельно взятый класс;

т - количество элементов в множестве Ат.

В случае, когда имеется всего один класс, т. е. т = 1 распознавание не имеет смысла. Зачастую анализируется задача отнесения объекта к одному из классов т = 2. В случае, когда т = го распознавание «нереально» [26].

Определение 1.2 Объект (реализация, образец) - то, чем представляется класс в алфавите.

Все реализации для всех классов образуют множество вероятных «реализаций» [26]:

в = {В1 B2,... ... ад

Т - конечно и Т>т правило для большинства задач.

Определение 1.3 Признак класса - свойство или характеристика, посредством которых объекты связываются в классы.

Если обозначить совокупность признаков для алфавита А можно получить следующее множество:

х = {х1, х2,... х^,... х^}.

Если рассмотреть дискретно, каждый признак xfc принимает одно значение из совокупности [11,26].

^ = {х£, х2, .■■ х£, .■■ хА:}.

1.2 Описание и анализ методов распознавания

Исследованием и описанием методов распознавания в разное время занимались множество различных авторов. Дж. Ту[47], Р. Гонсалес[47], А.Л.Горелик[14], В.И.Васильев[9], Ю.И.Журавлев[19], Р.Дуда[16], Л.Т.Кузин[26], П.Харт[16], К.Фу[51,52], В.А.Скрипкин[14], Г.Я.Волошин [12], О.В.Сенько[19], В.В.Рязанов[19], В.Н. Вапник[8], описывают разнообразные методы и их типологию. В работе А.Е. Лепского и А.Г Броневича[29] приведен целый аналитический обзор математических методов распознавания, сформированный основываясь на работах Я.З. Цыпкина [55], П.Уинстона[48],Ф.И. Перегудова [35] и Ф.Е. Темникова [45]. Некоторые авторы (Ю.Л.Барабаш[2], В.И.Васильев[10]) разделяют все методы связав их с изменением параметров, т. е. разделяют их на оперирующие с параметрами(параметрические) и не оперирующие (непараметрические) способы распознавания. Остальные - обобщают категорию методов, отталкиваясь от выработавшихся течений в исследуемом направлении. Д.А.Поспелов [39] дает достаточный и понятный анализ групп алгоритмов распознавания. Автор в работе, использует нижеприведенную типизацию:

-алгоритм классового деления; -статистический или вероятностный алгоритм;

-алгоритмы построения так называемых «потенциальных функций» [39]; -алгоритм экспертных голосов; -логические алгоритмы.

Указанные категории актуальны и на сегодняшний день, и разными уровнями описания встречаются в трудах, описывающих процессы распознавания. Все известные типологии кроме этой не учитывают специфику и способы представления знаний.

Поспелов Д.А. отмечает важнейшие способы представления знаний [39]: 1. Интенсиональный способ представления - посредством схем между характеристиками.

2. Экстенсиональный способ представления - посредством конкретных измышлений.

Интенсиональный метод представления знаний базируется на закономерностях, посредством которых изображается объект. А экстенсиональный метод завязан на описание определенных объектов, когда рассматривается объект как единое целое. Исходя из вышеописанных двух принципов, автор предлагает следующую систематизацию:

- «Интенсиональные методы распознавания образов» [39] - методы, использующие функционирование признаков;

- «Экстенсиональные методы распознавания образов» [39] - методы, использующие функционирование самих объектов.

Имеет смысл отметить, что по представлению автора наличие вышеописанных категорий методов распознавания полностью объясняют фундаментальные характеристики отношений действительности и разума. С такой стороны вопроса вытекает вывод, что ни один из методов, выделенный обособленно, не дает должную картину отражения реальности и не позволяет ее сформировать.

Далее приведена типизация алгоритмов распознавания. В ней существенный интерес уделяется формальным методам распознавания образов. В связи с этим опускается анализ эвристических процедур. Так отметим, что такда процедуры успешно используются в интеллектуальных системах.

Группа интенсиональных методов.

Построенные системы распознавания на базе описываемой группы, на этапах создания или использования решающих процедур распознавания, оперируют ключевыми характеристиками или связями между ними. Роль таких характеристик могут играть дисперсия или разброс этих значений, графы или матрицы взаимосвязей характеристик и т. д. Над ними могут выполняться действия, выражаемые аналитически или конструктивно. Тип действий в данном случае не важен. В группе интенсиональных алгоритмов

объекты никак не анализируются как отдельные единицы информационной системы. Они играют роль оценочных указателей своих характеристик.

Методы оценок плотностей.

Алгоритмы, относящиеся к этой категории, уходят корнями в теорию вероятностей и статистический анализ. Новый объект, представленный для распознавания, исследуется в подпространствах признаков как непроизвольная характеристика. А ее распределение происходит по определенным установленным правилам. Очень часто на практике методы базируются на «байесовском распределении плотностей» [26]. Идентификация сводится к вычислению идентичности или подобия в одном определенном пространстве характеристик объекта.

Учитывая представление знаний, методы этой категории являются не оперирующими с параметрами (непараметрическими). Недостатком описываемой группы является потребность во всей обучающей последовательности, посредством которых вычисляются плотности распределения. Также методы предъявляют строгие требования к самой выборке. Несмотря на это, методы работают хорошо при наличии достаточной выборки характеристик.

Методы предложений решающих правил.

Самым важным отличием данной категории от предыдущей является наличие определенной решающей процедуры. Также определены ее функции. Посредством этих функций и с использованием контрольной обучающей последовательности находится наиболее подходящая «процедура для распознавания» [12]. Процедуры категории обычно зависят от ошибки (погрешности) распознавания.

Преимуществом этих методов является точность поставленной задачи. В связи с этим, задача принимает вид строгой математической модели. Распознавание сводится к поиску точки максимума функции. Решающая процедура имеет вид многочлена различных порядков. От задачи распознавания зависит будет он линейным или нелинейным. Для решения

сложной задачи распознавания или при исследовании универсальной решающей процедуры, математический полином получается высоких порядков, что, ведет к осложнению построения математической модели для ее решения.

Логические методы.

Высказывания дают возможность манипулировать с характеристиками распознаваемого объекта с взаимодействиями и взаимоотношениями. На таких манипуляциях основывается группа логических алгоритмов.

В описываемой категории алгоритмов, каждую характеристику, выраженную логическими выражениями, рассматривают как «событие» [39]. Алгоритмы, основанные на логике, обобщают как поиск логики в построенных последовательностях признаков, так и характеристики. Для организации поиска необходимо сформировать определенную последовательность решающих процедур.

Категория логических алгоритмов предлагает большой спектр процедур разной степени сложности для решения любой задачи. Процедуры описываются в виде выражений, логических цепочек, предикатов разных порядков или в виде нечетких процедур, очень популярных на сегодняшний день.

Алгоритмы получаются кропотливыми и сложными за счет перебора всего предлагаемого набора логических выражений. Исходя из этого, к СРО на основе логических алгоритмов предъявляются требования к времени и ресурсам вычислительного процесса. Логические методы имеют большое преимущество при работе с маленькими размерностями характеристик объекта и при достаточной мощности ПЭВМ.

Лингвистические методы.

Методы этой категории используют в качестве основного инструмента специализированные грамматики. Грамматика - это законы и ограничения, описывающие объекты и их построение. Строятся грамматики для множества классов объектов посредством выделения характеристик и отношений между

характеристиками. Тем самым объект представляется как некое «предложение» [39]. На основе построенной грамматики исследуется грамматический анализатор. Он, в свою очередь, производит аналитический разбор "предложения" на предмет соответствия исходного распознаваемого предложения и эталонного. Анализатор проверяет насколько правильно грамматика описывает объект. Если объект грамматикой описывается в полной мере правильно, то считается, что распознавание произведено. Если объект не распознан, то анализатор берет для проверки за основу другую грамматику, соответствующую следующему классу из множества.

Основная проблема группы методов заключается в трудности при определении необходимой для анализатора грамматики.

Лингвистические методы являются наиболее понятными и легкими в использовании. Это и является основным преимуществом перед другими группами методов.

Группа экстенсиональных методов.

Класс экстенсиональных методов резко отличается в подходе к описанию распознаваемого объекта. В отличие от интенсиональных методов, самому объекту уделяется внимание как самостоятельному объекту независимо от признаков. Методы данного класса устанавливают в большинстве случаев подобие и различие объектов распознавания. Объекты являются «прецедентами» [39] в решении задачи с определенными условиями. Условия объясняют наличие подклассов и их обособленное развитие.

Методы сравнения с прототипом.

Список литературы диссертационного исследования кандидат наук Штанчаев Хайрутин Баширович, 2021 год

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Альбахари Дж. С# 5.0: Справочник. Полное описание языка полное. Пер. с англ. / Джозеф Альбахари, Бен Альбахари. - М.: ООО "И.Д. Вильяме", 2013. - 1008 с.

2. Барабаш Ю.Л. Коллективные статистические решения при распознавании/ Ю.Л. Барабаш. - Москва: Радио и связь, 1983. - 224 с.

3. Белим С.В. Выделение контуров на изображениях с помощью алгоритма кластеризации/ С. В. Белим, П. Е. Кутлунин// Интернет-журнал «Компьютерная оптика» Том 39, №1 (2015), http://www.mathnet.ru/php/archive.phtml?wshow=paper&jrnid=co&paperi d=65&option_lang=rus (доступ свободный). Загл. с экрана.

4. Беркинблит М. Б. Нейронные сети/М. Б. Беркинблит. - Москва: МИРОС и ВЗМШ РАО, 1993. - 96 с.

5. Берштейн Л. С. Процедуры принятия решений интегрального робота в условиях неопределенности/Л.С. Берштейн, В.Б. Мелехин // Автоматика и телемеханика. -1989. -№8. - С. 106-115.

6. Берштейн Л. С. Структура представления декларативных знаний интегрального робота/Л.С. Берштейн, В.Б. Мелехин // Управляющие системы и машины. -1990. -№6. - С. 75-82.

7. Вапник В.Н. Алгоритмы обучения распознаванию образов/ В.Н. Вапник В.Н. - Москва: Сов. Радио, 1973. - 200с.

8. Вапник В.Н. Теория распознавания образов/ В.Н. Вапник, А.Я. Червоненкис/ - Москва: Наука, 1974. - 416с.

9. Васильев В.И. Проблема обучения распознаванию образов. Принципы, алгоритмы, реализация/ В.И. Васильев. - Киев: Выща школа, 1989. - 61с.

10. Васильев В.И. Распознающие системы: справочник / В.И. Васильев. - Киев: Наукова думка, 1983. - 422 с.

11. Верхаген К. Распознавание образов состояние и перспективы/К. Верхаген, Р. Дёйн, и др.; пер. с англ. И.Б. Гуревича. - Москва: Радио и связь,1985. - 117с.

12. Волошин Г.Я. Методы распознавания образов: Конспект лекций/ Г.Я. Волошин. - Владивосток: ВГУЭС,2000. - 74с.

13. Вороновский С. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности/К. Вороновский, К. В. Махотило, С. Н. Петрашев, С. А. Сергеев. - Харьков: ОСНОВА, 1997. - 112с.

14. Горелик А.Л. Методы распознавания: Учебное пособие для вузов/ А.Л. Горелик, В.А. Скрипкин. - Москва: Высшая школа, 1977. - 223с.

15. Джарратано Д. Экспертные системы: принципы разработки и программирование/ Д. Джарратано, Гари Райли. - Москва: Вильямс, 2006. -1152с.

16. Дуда Р. Распознавание образов и анализ сцен/ Р. Дуда, П. Харт; пер. с англ. Г.Г. Вайнштейна и А.М. Васьковского, под ред. В.Л. Стефанюка. - Москва: Мир,1976. - 509с.

17. Еремин ДМ. Искусственные нейронные сети в интеллектуальных системах управления/Д.М. Еремин, И.Б. Гарцеев .Москва: МИРЭА, 2004. - 75 с.

18. Журавлев Ю.И. Распознавание образов и анализ изображений. Проблема распознавания/ Ю.И. Журавлев, И.Б.Гуревич//Искусственный интеллект: в 2-х кн. /Д.А. Поспелов. - Москва: Радио и связь, 1990. - С. 149153 - 2 кн.

19. Журавлев Ю.И. Распознавание. Математические методы. Программная система. Практические применения/ Ю.И. Журавлев, В.В. Рязанов, О.В. Сенько. - Москва: Фазис,2005. - 159с.

20. Заде Л. Понятие лингвистической переменной и его применение к принятию приближенных решений/ Л. Заде. - Москва: Мир, 1976. - 163 с.

21. Зимовец О.А. Формализация представления знаний в ЭВМ и автоматизация процедуры их моделирования с применением

математического аппарата теории паттернов / О.А. Зимовец, С.В. Зиньков, С.И. Маторин; БелГУ // Вопросы радиоэлектроники. Сер. ЭВТ. - 2008. - №1.

- С. 18-32.

22. Каширин Д.И. Модели представления знаний в системах искусственного интеллекта/ Д.И. Каширин, И.Ю. Каширин// Вестник РГРТУ.

- 2010. - №31. - С.36-43.

23. Колесник А.В. Распределенная интернет-система автоматического распознавания изображений в реальном времени / А.В. Колесник, Ю.В. Ладыженский // 1нформатика та ком'ютерш технологи: матерiали V мiжнародноi науково-техшчно!' конференцп студенлв, астранлв та молодихнауковщв. - Донецьк, 2009. - С. 206-208.

24. Колесник А.В. Распределенная система распознавания лиц на основе геометрических характеристик/ А.В. Колесник, Ю.В. Ладыженский// 1нформацшшуправляючюистеми та комп'ютерниймошторинг:матершали I всеукрашськошауково-техшчношонференцпстуденпв, асшранлв та молодихвчених. -Донецьк, 2010. - С 29-32.

25. Красильников Н.Н. Цифровая обработка изображений/ Н.Н. Красильников - Москва: Вузовская книга, 2001. - 320с.

26. Кузин Л.Т. Основы кибернетики: в 2-х т./ Л.Т. Кузин. - Москва: Энергоатомиздат, 1979. - 584с. - 2 т.

27. Курганская Г.С. Модель представления знаний и система дифференцированного обучения через интернет на его основе/ Г.С. Курганская// Известия Челябинского Научного центра. - 2000. - вып.2. -С.84-88.

28. Кязимов Т.Г. Система компьютерного распознавания людей по фотопортретам /Т.Г. Кязимов, Ш.Д. Махмудова// Информационные технологии. - Москва, 2009. - №1. -С13-16.

29. Лепский А.Е. Математические методы распознавания образов: Курс лекций/ А.Е. Лепский, А.Г. Броневич - Таганрог: ТТИ ЮФУ, 2009. -155 с.

30. Матвеев М.Г. Представление знаний с использованием сетей фреймов в информационных технологиях выбора/ М.Г. Матвеев, И.О. Павлов,А.В. Ошивалов// Наука и образование: электронное научное издание. - 2005. -№2.

31. Мациевский С. В. Нечеткие множества: Учеб. пособие /С.В. Мациевский. - Калининград: Изд-во КГУ, 2004. - 176 с.

32. Методы компьютерной обработки изображений / под. ред. В.А.Сойфера-Москва: ФИЗМАТЛИТ, 2003. -784с.

33. Минский М. Фреймы для представления знаний/ М. Минский; пер. с англ. О.Н. Гринбаума, под ред. Ф.М. Кулакова. - Москва: Энергия,1979. - 80с.

34. Новиков Д.А Теория управления организационными системами/ А.Д. Новиков. -Москва: МПСИ, 2005. - 584 с.

35. Перегудов Ф.И. Введение в системный анализ/Ф.И. Перегудов, Ф.П. Тарасенко. - Москва: Высшая школа, 1989. - 367 с.

36. Петрашко А.А. Сегментация в контексте задачи обнаружения лиц на изображениях/ А.А. Петрашко// Доклады ТУСУРа, 2007. - №2. - С.129-133

37. Поляков А. Методы и алгоритмы компьютерной графики и примерах на Visrnl С++/ А. Поляков, В. Брусенцов. - Санкт-Петербург: БХВ-Петербург, 2003. - 560с.

38. Попов, Г.А. Об одном методе низкочастотной фильтрации гидролокационных изображений / Г.А. Попов, Д.А. Хрящёв // Вестник Астраханского государственного технического университета. Серия: Морская техника и технология. - 2010. - № 1. - С. 63-68.

39. Поспелов Д.А. Искусственный интеллект: Справочник, в 2-х кн./ Д.А. Поспелов. - Москва: Мир, 1990. - 304с. - 2кн.

40. Роджерс Д. Математические основы машинной графики/ Д. Роджерс, Дж. Адамс. - Москва: Мир, 2001. - 604с.

41. Самаль Д.И. Подходы и методы распознавания людей по фотопортретам/ Д.И. Самаль, В.В. Старовойтов. - Минск: ИТК НАНБ, 1998.

- 54с.

42. Самаль Д.И. Выбор признаков для распознавания на основе статистических данных/ Д.И. Самаль, В.В. Старовойтов. // Цифровая обработка изображений. - Минск: ИТК, 1999. - С.105-114.

43. Самаль Д.И. Построение систем идентификации личности на основе антропометрических точек лица/ Д.И. Самаль // Цифровая обработка изображений. -Минск: ИТК, 1998.- С.72-79

44. Субботш С. О. Поданняй обробказнань у системах штучного штелекту та шдтримки прийняття ршень: Навчальний пошбник/ С. О. Субботш - Запорiжжя: ЗНТУ, 2008. - 341 с.

45. Темников Ф.Е. Теоретические основы информационной техники/ Ф.Е. Темников, В.А. Афонин, В.И. Дмитриев. - Москва: Энергия, 1979. - 511 с.

46. Тропченко А.Ю. Методы сжатия изображений, аудио сигналов и видео: Учебное пособие по дисциплине «Теоретическая информатика»// А.Ю. Тропченко, А.А. Тропченко. - Санкт-Петербург: СПбГУ ИТМО, 2009.

- 108 с.

47. Ту Дж. Принципы распознавания образов/ Дж. Ту, Р. Гонсалес; пер. с англ. И.Б. Гуревича. - Москва: Мир, 1978. - 412с.

48. Уинстон П. Искусственный интеллект/ П. Уинстон; пер. с англ. В.Л. Стефанюка, под ред. Д.А. Поспелова. - Москва: Мир, 1980. - 520 с.

49. Ульд Ахмед Талеб Махфуд Комбинированные алгоритмы сегментации цветных изображений: автореф. дис. канд. техн. наук (05.13.01)/ Ульд Ахмед Талеб Махфуд; - Минск, 2002. - 20 с.

50. Фисенко В.Т. Компьютерная обработка и распознавание изображений / В.Т. Фисенко, Т.Ю. Фисенко // - СПб.: СПбГУ ИТМО, 2008. -192 с.

51. Фу К. Последовательные методы в распознавании образов и обучении машин/. К. Фу; пер. с англ. Э. Зайцева. - Москва: Наука,1971. -256с.

52. Фу К. Структурные методы в распознавании образов/ К. Фу; пер с англ. Н.В. Завалишина, С.В. Петрова и Р.Л. Шейнина, под редакцией М.А. Айзермана. - Москва: Мир, 1977. - 320с.

53. Хайкин C. Neural Networks: A Comprehensive Foundation/ C. Хайкин. -Москва: Вильямс, 2006. - 1104с.

54. Хомяков М.Ю. Классификация цвета кожи на цветных изображениях/М.Ю. Хомяков// Компьютерная оптика. - 2011. - №3. - С.373-379.

55. Цыпкин Я.З. Основы информационной теории идентификации/ Я.З. Цыпкин. - Москва: Наука, 1984. - 520 с.

56. Чабан Л.Н. Теория и алгоритмы распознавания образов. Учебное пособие/ Л.Н. Чабан Москва: МИИГАиК, 2004. - 70с.

57. Шапиро Л. Компьютерное зрение / Л. Шапиро, Дж. Стокман; пер. англ. -Москва: БИНОМ. Лаборатория знаний, 2006. - 752 с.

58. Шилдт Г. С# 4.0: полное руководство. Пер. с англ. / Герберт Шилдт. - М.: ООО "И.Д. Вильяме", 2011. - 1056 с.

59. Штанчаев Х.Б. Исследование оптимальных решающих процедур для идентификации и классификации человека на изображении /Х.Б. Штанчаев // Интернет-журнал «НАУКОВЕДЕНИЕ» Том7, №3 (2015) http://naukovedenie.ru/PDF/02TVN315.pdf (доступ свободный). Загл. с экрана. Яз. рус., англ. DOI: 10.15862/02TVN315

60. Штанчаев Х.Б. Комбинирование графоаналитических моделей/ Х.Б. Штанчаев//Технические науки - от теории к практике: сборник научных трудов по материалам XXI международной научно-практической конференции, 19 июня 2017. - Москва: Научный журнал «Globus», 2017. - С. 20-23

61. Штанчаев Х.Б. Кривые Безье в задачах распознавания образов /Х.Б. Штанчаев // Интернет-журнал «Мир науки» 2015 №2 http://mir-nauki.com/PDF/30TMN215.pdf (доступ свободный). Загл. с экрана.

62. Штанчаев Х.Б. Локализация и выделение лица на изображении в задачах распознавания человека/ Х.Б. Штанчаев// Наука и инновации в глобализированном мире: сборник научных статей по материалам международной конференции, 25 декабря 2015. - Сан-Диего США: RonBee & Associates Company, 2016. - С.137-141, на англ. языке.

63. Штанчаев Х.Б. Математическая модель представления изображения в системах распознавания образов /Х.Б. Штанчаев // Интернет-журнал «Мир науки» 2015 №2 http://mir-nauki.com/PDF/29TMN215.pdf (доступ свободный). Загл. с экрана.

64. Штанчаев Х.Б. Нечеткая графоаналитическая модель представления изображения/ Х.Б. Штанчаев//Естественные и технические науки в современном мире: сборник научных трудов по материалам XIII международной научно-практической конференции, 03 марта 2017. -Москва: Научный журнал «Chronos», 2017. - С. 35-37.

65. Штанчаев Х.Б. Нечеткая фильтрация изображения в задачах распознавания образов/ Х.Б. Штанчаев// Современные проблемы гуманитарных и естественных наук: материалы XXV международной научно-практической конференции, 26-27 ноября 2015. - Москва: Перо, 2015. - Т.1. - С. 170-174.

66. Штанчаев Х.Б. Применение графовой модели и априорного классификатора для сегментации изображения в задачах распознавания лица человека /Х.Б. Штанчаев // Интернет-журнал «НАУКОВЕДЕНИЕ» Том 7, №2 (2015) http://naukovedenie.ru/PDF/130TVN215.pdf (доступ свободный). Загл. с экрана. Яз. рус., англ. DOI: 10.15862/130TVN215.

67. Штанчаев Х.Б. Пятиуровневый классификатор для сегментации изображения/ Х.Б. Штанчаев//Актуальные вопросы образования и науки: сборник научных трудов по материалам международной научно-

практической конференции, 30 ноября 2015. - Тамбов: Консалтинговая компания Юком, 2015. - Ч.1. - С. 160-161.

68. Штанчаев Х.Б. Распознавание косвенно-аналогичных между собой объектов / Х.Б. Штанчаев// Современные информационные технологии в проектировании, управлении и экономике: сб. научн. тр./ ДГТУ -Махачкала, 2011. - C. 81-86.

69. Шушарин А. Об одном подходе к локализации антропометрических точек/ А. Шушарин, К. Черенков, А. Гаврилюк, А. Валик/ Анализ Изображений, Сетей и Текстов: д сб. докладов. -Екатеринбург, 2013. - С.26-35.

70. Ясницкий Л.Н. Введение в искусственный интеллект/Л.Н. Ясницкий. - Издательский центр "Академия", 2005. - 176с.

71. . Bondina, N.N. Using of statical characteristics to marking of borders in medical images / N.N. Bondina, V.Je. Krivencov // National Technical University "HPI" Reporter. - 2013. - Vol. 39(1012). - P. 22-27. - (In Russian).

72. . Huang, C.P. An Integrated Edge Detection Method Using Mathematical Morphology / C.P. Huang, R.Z. Wang // Pattern Recognition and Image Analysis. - 2006. - Vol. 16, Issue 3. - P. 406-412

73. Abay E. A comparative analysis of different feature sets for face recognition/ E. Abay, L. Akarum, E. Alpaydyn // Proceedings ISCIS, Antalya, 1997. - P. 220-227.

74. Achermann B. Combination of face classifiers for person identification/ B. Achermann, H. Bunke // Proceedings ICPR, 1996. - Vol. 4. - P. 416-420.

75. Amaravadi C. S. Knowledge Management for Administrative Knowledge/ C. S. Amaravadi//Expert Systems. - 2005. - №25 (2). - P. 53-61.

76. Brachman R. J. What IS-A Is and Isn't. An Analysis of Taxonomic Links in Semantic Networks/ R. J. Brachman// IEEE Computer. - 1983. - №16. -P. 30-36.

77. Buj, T.T.Ch. Analysis of methods of digital images edge detection / T.T.Ch. Buj, V.G. Spicyn // Doklady TUSURa. - Vol. 2(22), Chap. 2. - P. 221223. - (In Russian).

78. Chai, D. Face segmentation using skin-color map in videophone applications / D. Chai; K.N. Ngan // IEEE Trans. Circuits and Systems for Video Technology. - 1999. - Vol. 9(4). - P. 551-564.

79. Colmenarez A. J. Frontal view face detection/ A. J. Colmenarez, T.S. Huang // Proceedings of SPIE, 1995. - Vol.2501. - Part 1. - P. 90-98.

80. Feraud R. Conditional mixture of neural networks for face detection, applied to locating and tracking an individual speaker/ R. Feraud, O. Berliner, J. Viallet, M. Collobert, D.A. Collobert// Proceedings of CAIP Germany,1997. -Vol.1256. - P. 464-471.

81. Grebenshhikov, K.D. Rank detector of local contour features of the image with a fixed level of false positives / K.D. Grebenshhikov, A.A. Spektor // Avtometriya. - 2001. - Vol. 4. - P. 119-127. - (In Russian).

82. Gutta S. Face recognition using hybrid classifiers/ S. Gutta, Н. Wechsler // Pattern Recognition, 1997. - Vol. 30. - No 4. - P.539-553.

83. Hermann Helbig Knowledge Representation and the Semantics of Natural Language. - Helbig Hermann. - Berlin, 2006. - 648p.

84. Human Emotion Detection from Image [Электронный ресурс]. -Режим доступа: https://www.codeproject.com/Articles/110805/Human-Emotion-Detection-from-Image (Дата обращения 10.04.2013,15.05.2016г.)

85. Jean-Luc Hainaut Understanding Implementations of IS-A Relations/ Jean-Marc Hick, Vincent Englebert, Jean Henrard, Didier Roland// ER. - 1996. -P. 42-57.

86. Jeng S-H. An efficient approach for facial feature detection using geometrical face model/ S-H. Jeng, H-Y. Liao, Y-T. Lui, M-Y Chern // Proceedings ICPR, 1996. - Vol. 4. - P. 426-430.

87. Martinkauppi, B. Detection of Skin Color under Changing Illumination: A Comparative Study / B. Martinkauppi, M. Soriano, M. Pietikainen

// Proc. of the 12th International Conference on Image Analysis and Processing (ICIAP'03). - Mantova: IEEE Computer Society, 2003. - P. 652-657.

88. MarKMan Arthur B. Knowledge Representation Lawrence Erlbaum Associates/ Arthur B MarKMan. - Baarn: Cordon Art B.V., 1998. - 328p.[75]

89. Negnevitsky Michael Artificial Intelligence/ Michael Negnevitsky. -Addison Wesly, 2002. - 435p.

90. Phung, S.L. Skin segmentation using color pixel classification: analysis and comparison / S.L. Phung, A. Bouzerdoum, D. Chai // IEEE Trans. Pattern Analysis and Machine Intelligence. - 2005. - Vol. 27(1). - P. 148-154.

91. Rahman, N.A. RGB-H-CbCr Skin Colour Model for Human Face Detection / N.A. Rahman, K.C. Wei, J. See // Proc. of The MMU International Symposium on Information & Communications Technologies (M2USIC 2006). -Malaysia: Multimedia University, 2006.

92. Sowa F. John Knowledge Representation: Logical, Philosophical, and Computational Foundations/ John Sowa F. - NewYork: Brooks, 2000. - 608p.

93. Thakur Sayantan Face Detection Using Skin Tone Segmentation/ Sayantan Thakur, Sayantanu Paul, AnkurMondal// 2011 World Congress on Information and Communication Technologies. - Mumbai. - 2011. - P. 53-60.

94. Vezhnevets, V. A survey on pixel-based skin color detection techniques / V. Vezhnevets, V. Sazonov, A. Andreeva // Proc. of International Conference on the Computer Graphics and Vision (GraphiCon'2003). - Moscow: "Moscow State University" Publisher, 2003. - P. 85-92.

95. Walker Adrian Knowledge Systems and Prolog/ Adrian Walker, Michael McCord, John F. Sowa, and Walter G. Wilson. - Addison-Wesley, 1990. - 538p.

96. Wu H. Facial feature extraction and face verification/ H. Wu, Q. Chen, M. Yashida// Proceedings ICPR, 1996. - Vol. 4. - P. 484-488.

Программный код программного комплекса (Основная форма)

using System;

using System.Collections .Generic; using System.ComponentModel; using System.Data;

using System.Diagnostics.Eventing.Reader;

using System.Drawing;

using System.Drawing.Imaging;

using System.IO;

using System.Linq;

using System.Text.RegularExpressions; using System.Threading.Tasks; using System.Windows.Forms; using Encoder = System.Text.Encoder;

namespace PRProgramComplex {

#region структура

public struct Vertex

{

public int R { get; set; }

public int G { get; set; }

public int B { get; set; }

public string RMaz { get; set; }

public string GMaz { get; set; }

public string BMaz { get; set; }

public int Xcoord { get; set; }

public int Ycoord { get; set; }

public int XcoordView { get; set; }

public int YcoordView { get; set; }

public int Lakishivu { get; set; }

public string LakishivuMazray { get; set; }

public Color Rang { get; set; }

public int[] Vektor{ get; set; }

public bool IsSegmentation { get; set; }

public long Index;

}

#endregion

public partial class KunnaForma : Form

{

public KunnaForma() {

InitializeComponent();

}

#region

Color SegmColor { get; set; } bool IsColorSelect { get; set; } bool IsModelCreated { get; set; } bool IsImagCaptured { get; set; } bool IsImageUploaded { get; set; } bool IsColorCapture { get; set; } long ModelSize { get; set; } Bitmap MainImage { get; set; } Vertex[] model; Vertex[] CopyOfModel; Vertex[,] modelArray; int ModelWidth { get; set; } int ModelHeigt { get; set; } int ImgWidth { get; set; } int ImgHeigt { get; set; } public Bitmap bmp1; int colorR { get; set; } int colorG { get; set; } int colorB { get; set; } Color pixelColor;

bool isSegmentationOk { get; set; } int[] ComponentR = new int[6]; int[] ComponentG = new int[6]; int[] ComponentB = new int[6]; int[] ComponentSummary; Image[] imgArray; int ImageArrayIndex = 0;

string[] Signature = {"obl", "bl", "sr", "dl", "odl"};

delegate void Fuzzyfication(int From, int To, string signature);

#endregion

#region MainFrom loading

private void KunnaForma_Load(object sender, EventArgs e)

{

IsColorSelect = false; DownLoadFuzzySetsFromFile();

/*var tbxs = pnlMain.Controls.OfType<TextBox>().ToList();

foreach (TextBox tbx in tbxs) {

tbx.Text = "0";

}

*/

}

private void DownLoadFuzzySetsFromFile() {

int[] sets = new int[15]; int q = 0;

using (StreamReader fs = new StreamReader(@"FuzzySettings.txt")) {

while (true) {

string temp = fs.ReadLine(); if (temp == null) break; if (q == 15) break; int.TryParse(temp, out sets[q]);

q++;

}

}

tbR1.Text = tbR2.Text = tbR3.Text = tbR4.Text = tbR5.Text = tbG1.Text = tbG2.Text = tbG3.Text = tbG4.Text = tbG5.Text = tbB1.Text = tbB2.Text = tbB3.Text = tbB4.Text = tbB5.Text =

}

sets[0].ToString();

sets[1].ToString();

sets[2].ToString();

sets[3].ToString();

sets[4].ToString();

sets[5].ToString();

sets[6].ToString();

sets[7].ToString();

sets[8].ToString();

sets[9].ToString();

sets[10].ToString();

sets[n].ToString();

sets[12].ToString();

sets[13].ToString();

sets[14].ToString();

#endregion

////////////////////////////////////////////////////////////////////////// #region ColorSelect

private void btnColorSelect_Click(object sender, EventArgs e) {

if (cdColorSelect.ShowDialog() == DialogResult.OK)

{

SegmColor = cdColorSelect.Color;

colorR = SegmColor.R; colorG = SegmColor.G; colorB = SegmColor.B; IsColorSelect = true;

txbStatusText.AppendText(SegmColor.ToString());

}

else {

MessageBox.Show("Ошибка выбора цвета!");

}

}

#endregion #region ColorCapture

private void btnColorCapture_Click(object sender, EventArgs e) {

IsColorCapture = true;

}

#endregion

#region SelectingSegmentationModification

private void rdbFuzzy_CheckedChanged(object sender, EventArgs e) {

if (rdbFuzzy.Checked) {

pnlMain.Visible = true;

}

private void rdbFine_CheckedChanged(object sender, EventArgs e) {

if (rdbFine.Checked)

{

pnlMain.Visible = false;

}

}

#endregion

#region SegmentationStart

private void btnStartSegmentation_Click(object sender, EventArgs e) {

if (IsModelCreated) {

CopyOfModel = new Vertex[model.Length]; Array.Copy(model, CopyOfModel, model.Length);

foreach (var vertex in CopyOfModel) {

CopyOfModel[vertex.Index].IsSegmentation = false;

}

if (IsColorSelect) {

if (rdbFuzzy.Checked) {

// FineSegment(); FuzzySegment(); Painting();

}

else {

FineSegment(); Painting();

}

txbStatusText.Text = "Segmentation is OK!";

GenerateImgFromModel();

Array.Clear(CopyOfModelACopyOfModeLLength);

}

else {

MessageBox.Show("He выбран цвет! Выберите цвет для

сегментации и повторите попытку"); }

}

else {

MessageBox.ShowC'H создана графовая модель");

}

}

#endregion

#region PaintingVertexOnImage

private void Painting() {

foreach (var vertex in CopyOfModel) {

if (vertex.IsSegmentation) {

CopyOfModel[vertex.Index].Rang = Color.Black; CopyOfModel[vertex.Index].R = 0; CopyOfModel[vertex.Index].G = 0; CopyOfModel[vertex.Index].B = 0;

}

else {

CopyOfModel[vertex.Index].Rang = Color.White; CopyOfModel[vertex.Index].R = 255; CopyOfModel [vertex.Index] .G = 255; CopyOfModel[vertex.Index].B = 255;

}

}

}

#endregion #region Fuzzyfication

private void FuzzyRcomponent(int From, int To, string signature) {

var Robl = from n in CopyOfModel.AsParallel()

where (Math.Abs(colorR-n.R) >= From) && (Math.Abs(colorR - n.R) <= To)&& (n.IsSegmentation!=true) select n;

if (Robl.Count()>0) {

//MessageBox.Show(Robl.Count().ToString());

foreach (Vertex obl in Robl)

{

CopyOfModel[obl.Index].RMaz = signature;

}

}

}

private void FuzzyGcomponent(int From, int To, string signature) {

var Robl = from n in CopyOfModel.AsParallel()

where (Math.Abs(colorG - n.G) >= From) && (Math.Abs(colorG - n.G) <= To) && (n.IsSegmentation != true) select n;

//MessageBox.Show(Robl.Count().ToString());

if (Robl.Count()> 0) {

foreach (Vertex obl in Robl)

{

CopyOfModel[obl.Index].GMaz = signature;

}

}

}

private void FuzzyBcomponent(int From, int To, string signature) {

var Robl = from n in CopyOfModel.AsParallel()

where (Math.Abs(colorB - n.B) >= From) && (Math.Abs(colorB - n.B) <= To) && (n.IsSegmentation != true) select n;

// MessageBox.Show(Robl.Count().ToString());

if (Robl.Count() > 0)

{

foreach (Vertex obl in Robl)

{

CopyOfModel[obl.Index].BMaz = signature;

}

}

#endregion

#region ResetParametersOffFuzzyVar

private void btnResetParameters_Click(object sender, EventArgs e) {

var tbxs = pnlMain.Controls.OfType<TextBox>().ToList();

foreach (TextBox tbx in tbxs) {

tbx.Text = "0";

}

}

#endregion

///////////////////////////////////////////////////////////////////////////

#region Image Downloading

private void btnDownload_Click(object sender, EventArgs e) {

if (ofdUploadImage.ShowDialog() == DialogResult.OK)

{

IsImageUploaded = true;

/*MemoryStream stream = new MemoryStream(); var myBitmap = new Bitmap(ofdUploadImage.FileName); var myImageCodecInfo = GetEncoderInfo("image/jpeg"); System.Drawing.Imaging.Encoder myEncoder = System.Drawing.Imaging.Encoder.Quality;

var myEncoderParameters = new EncoderParameters(1); var myEncoderParameter = new EncoderParameter(myEncoder, 25L); //25% качества от исходного

myEncoderParameters.Param[0] = myEncoderParameter; //Сохранение изображения в поток stream myBitmap. Save(stream, myImageCodecInfo, myEncoderParameters);

Bitmap bmp = new Bitmap(Image.FromStream(stream), 400, 240); surat.Image = bmp; MainImage = bmp;

myBitmap.Save("123.jpg", myImageCodecInfo, myEncoderParameters);

*/

surat.Image = Image.FromFile(ofdUploadImage.FileName);

MainImage = new Bitmap(ofdUploadImage.FileName); IsImageUploaded = true;

//@"C:\Users\Root\Desktop\Testjpg" txbStatusText.AppendText("Загрузка закончена^");

}

else {

IsImageUploaded = true;

MessageBox.Show("Изображение не выбрано");

}

}

private static ImageCodecInfo GetEncoderInfo(String mimeType) {

int j;

ImageCodecInfo[] encoders;

encoders = ImageCodecInfo.GetImageEncoders();

for (j = 0; j < encoders.Length; ++j) {

if (encoders[j].MimeType == mimeType) return encoders[j];

}

return null;

}

#endregion

private void rdbAuto_CheckedChanged(object sender, EventArgs e)

{

//MessageBox.Show("Автоматическая сегментация не доступна!!");

rdbManual.Checked = true;

}

#region Getting Image From Graph Model

private void btnGetImage_Click(object sender, EventArgs e) {

GenerateImgFromModel();

}

#endregion

#region GeneratingImageFromModel

private void GenerateImgFromModel() {

bmpl = new Bitmap(ImgWidth, ImgHeigt);

foreach (var vert in CopyOfModel) {

bmp1.SetPixel(vert.Xcoord, vert.Ycoord, vert.Rang);

}

surat.Image = bmpl; bmp1.Save(@"SavedImage.jpg");

txbStatusText.AppendText("\n Image generated"); //bmp1.Dispose();

}

#endregion

#region CheckingToNumbers

private void tbR1_KeyPress(object sender, KeyPressEventArgs e) {

if ((e.KeyChar >= '0') && (e.KeyChar <= '9')) {

return;

}

if (char.IsControl(e.KeyChar)) {

return;

}

e.Handled = true;

}

#endregion

private void btnAdding_Click(object sender, EventArgs e) {

}

#region FuzzySetsLoading

private void button2_Click(object sender, EventArgs e) {

DownLoadFuzzySetsFromFile();

}

#endregion

#region Saving

private void btnSaving_Click(object sender, EventArgs e) {

ComponentSummary = new int[15]; int.TryParse(tbR1.Text, out ComponentSummary[0]); int.TryParse(tbR2.Text, out ComponentSummary[1]); int.TryParse(tbR3.Text, out ComponentSummary[2]); int.TryParse(tbR4.Text, out ComponentSummary[3]); int.TryParse(tbR5.Text, out ComponentSummary[4]); int.TryParse(tbG1.Text, out ComponentSummary[5]); int.TryParse(tbG2.Text, out ComponentSummary[6]); int.TryParse(tbG3.Text, out ComponentSummary[7]); int.TryParse(tbG4.Text, out ComponentSummary[8]); int.TryParse(tbG5.Text, out ComponentSummary[9]); int.TryParse(tbB1.Text, out ComponentSummary[10]); int.TryParse(tbB2.Text, out ComponentSummary[11]); int.TryParse(tbB3.Text, out ComponentSummary[12]); int.TryParse(tbB4.Text, out ComponentSummary[13]); int.TryParse(tbB5.Text, out ComponentSummary[14]);

using (StreamWriter file =

new StreamWriter(@"FuzzySettings.txt")) {

foreach (var line in ComponentSummary) {

file.WriteLine(line);

}

}

}

#endregion }

}

ПРИЛОЖЕНИЕ 2 Программный код модуля построения графовой модели

#region Graph Model Creating

private void btnStart_Click(object sender, EventArgs e) {

if (IsImageUploaded||IsImagCaptured) {

ImgHeigt = surat.Image.Height; ImgWidth = surat.Image.Width; ModelSize = ImgWidth*ImgHeigt; modelArray= new Vertex[Img Width, ImgHeigt];

for (int x = 0; x < ImgWidth; x++) {

for (int y = 0; y < ImgHeigt; y++) {

modelArray[x, y].Xcoord = x;

modelArray[x, y].Ycoord = y;

modelArray[x, y].R = MainImage.GetPixel(x, y).R;

modelArray[x, y].G = MainImage.GetPixel(x, y).G;

modelArray[x, y].B = MainImage.GetPixel(x, y).B;

modelArray[x, y].Rang =GetColor(MainImage.GetPixel(x,

y).ToString());

}

}

int n;

int k = 15;

for (int x = 0; x < ImgWidth; x++) {

n = 15;

for (int y = 0; y < ImgHeigt; y++) {

modelArray[x,y].XcoordView = modelArray[x, y].Xcoord + k; modelArray[x, y].YcoordView = modelArray[x, y].Ycoord + n; n += 15;

}

k += 15;

}

model = modelArray.Cast<Vertex>().ToArray();

for (int h = 0; h < model.Length; h++) {