РЕКУРСИВНЫЙ АЛГОРИТМ АНАЛИЗА И ВОССТАНОВЛЕНИЯ КОНТУРОВ В СИСТЕМАХ НАВИГАЦИИ И НАВЕДЕНИЯ

В.А. Тупиков; В.А. Павлова; А.И. Лизин; П.А. Гессен; В.Д. Саенко

В.А. Тупиков АО «Научно-производственное предприятие «Авиационная и морская электроника»
В.А. Павлова АО «Научно-производственное предприятие «Авиационная и морская электроника»
А.И. Лизин АО «Научно-производственное предприятие «Авиационная и морская электроника»
П.А. Гессен АО «Научно-производственное предприятие «Авиационная и морская электроника»
В.Д. Саенко АО «Научно-производственное предприятие «Авиационная и морская электроника»

Ключевые слова: Контурный анализ, обработка изображений, восстановление контуров

Аннотация

В целях разработки алгоритма обнаружения объектов для встраиваемых вычислительных
систем оптико-электронных комплексов, был проведен анализ имеющегося мирового научно-
технического опыта, направленного на улучшение процесса выделения контуров. На основе прове-
денного анализа, авторами статьи был разработан новый метод коррекции контурных изобра-
жений. Этот метод реализует подход, позволяющий объединять разорванные контуры и приме-
нять фильтрацию по различным параметрам для оптимальной анализа контуров. Первым этапом
работы алгоритма является применение размытия изображения, за которым следует примене-
ние алгоритма детекции границ Кенни. Затем происходит утоньшение контуров и фильтрация
контурного изображения для удаления самых слабых контуров. Следующими этапами являются
создание и обработка каждого отдельного контура, а также фильтрация выбросов. Заключи-
тельным этапом является соединение и поиск точек перегиба контура. В рамках работы выделе-
ны как преимущества, так и недостатки классических методов выделения контуров в контексте
использования их в алгоритмах обнаружения объектов. Авторами исследования был проведен ана-
лиз двух классических морфологических операторов - дилатации и эрозии, а также существующих
основных вариаций их применения таких как открытие и закрытие, как методов объединения
контуров. В результате сравнительного анализа результатов работы морфологических операто-
ров дилатации и эрозии, а также основных вариаций их применения, с рекурсивным алгоритмом
анализа и восстановления контуров было выявлено преимущество последнего в части сохранения
целостности морфологических признаков объектов. Авторами предложены также идеи дальней-
шего развития рекурсивного алгоритма анализа и восстановления контуров, а также его даль-
нейшего применения в задачах обнаружения объектов на изображениях.

Литература

1. Amer G.M.H., and Abushaala A.M. Edge Detection Methods, in 2015 2nd World Symposium on Web
Applications and Networking (WSWAN) (IEEE), 2015, pp. 1-7.
2. Arbelaez P., Maire M., Fowlkes C., and Malik J. Contour Detection and Hierarchical Image Segmentation,
IEEE Trans. Pattern Anal. Mach Intell., 2010, 33 (5), pp. 898-916. DOI: 10.1109/TPAMI.2010.161.
3. Deng R., and Liu S. Deep Structural Contour Detection, in Proceedings of the 28th ACM International
Conference on Multimedia, 2020, pp. 304-312.
4. Duan R.L., Li Q.X., and Li Y.H. Summary of Image Edge Detection, Opt. Tech., 2005, 3 (3), pp. 415-419.
5. Marr D., and Hildreth E. Theory of Edge Detection, Proc. R. Soc. Lond. B Biol. Sci., 1980, 207
(1167), pp. 187-217.
6. Xiaofeng R., and Bo L. Discriminatively Trained Sparse Code Gradients for Contour Detection, Adv.
Neural Inf. Process. Syst., 2012, 25.
7. Davis L.S. A Survey of Edge Detection Techniques, Computer graphics image Process, 1975, Vol. 4,
No. 3, pp. 248-270.
8. Canny J. A Computational Approach to Edge Detection, IEEE Trans. on Pattern Analysis and Machine
Intelligence, 1986, 8 (6), pp. 679-698.
9. Kittler J. On the accuracy of the Sobel edge detector, Image and Vision Computing, 1983, Vol. 1,
No. 1, pp. 37-42.
10. Marr D. Vision, Freeman, 1982, Chap. 2, pp. 54-78.
11. Shimon E. Graph Algorithms, Computer Science Press, 1979. ISBN 0-7167-8044-5.
12. Reif J.H. Depth-first search is inherently sequential, Information Processing Letters, 1985, 20 (5),
pp. 229-234.
13. Gonzalez R.C., Woods R.E. Digital image processing. Boston, MA Addi-son-Wesley, 2001, pp. 90-93.
14. Moore E.F. Machine models of self-reproduction, 1962, pp. 17-31.
15. Vernon D. Machine Vision. Prentice-Hall, 1991, pp. 63-66, 76-78.
16. Lucas B.D. and Kanade T. An iterative image registration technique with an application to stereo vision,
International Joint Conference on Artificial Intelligence, 1981, pp. 674-679.
17. Horn B.K.B.; Schunck B.G. Determining Optical Flow, Artif. Intell., 1981, 17, pp. 185-203.
18. Hans-Hellmut Nagel. On the Estimation of Optical Flow: Relations between Different Approaches and
Some New Results, Artificial intelligence, 1981, pp. 299-324.
19. Beauchemin S.S., Barron J.L. The Computation of Optical Flow, ACM Computing Surveys, 1995,
Vol. 27, No. 3, pp. 433-467,
20. Denis Fortun, Patrick Bouthemy, Charles Kervrann. Optical flow modeling and computation: a survey,
Computer Vision and Image Understanding, 2015, 134, pp. 21.