Алгоритм распознавания изображения электронным микроскопом РЭМ-102

2.3 Алгоритм распознавания изображения

Для решения задачи распознавания состояния изображения  был предложен следующий алгоритм, основанный на вычислении критерия функциональной эффективности.

Для вычисления критерия функциональной эффективности нужно два изображения, причем одно так называемое базисное (берется с условием что оно не в фокусе, пример изображен на рисунке 2.3.1) и текущее изображение (последнее полученное изображение от электронного микроскопа, пример изображен на рисунке 2.3.2). Оба изображения характеризуются матрицами, каждый элемент которых является показателем яркости (изменяется от 0 до 255) соответствующего пикселя изображения. Из исходных матриц изображений формируются бинарные массивы. Если элемент исходной матрицы попадает в заданные пределы верхней и нижней границы то  соответствующий элемент бинарной матрицы равен 1,  в противном случае - 0.

Из бинарной матрицы формируется эталонный вектор. Формироваться он может как из матрицы текущего изображения, так и из матрицы базового изображения. Если эталонный вектор был сформирован из матрицы текущего изображения, то система в итоге является более чувствительна к изменениям, однако принципиальной различий в результатах не наблюдается. Эталонный вектор создается путем подсчета 0 и 1 в бинарном массиве, соответствующий элемент эталонного вектора будет равен 1, если большинство элементов данного столбца бинарного массива будет  равным 1 и соответствующий элемент эталонного вектора будет равен 0, если большинство элементов данного столбца бинарного массива будет  равным 0.

Таким образом, мы имеем два исходных массива с максимальными размерами 512*512 элементов (в данной работе были использованы массивы размером 512*51), два бинарных массива с теми же размерами  и один эталонный вектор размером 512*1.

Рисунок 2.3.1

Рисунок 2.3.2

Бинарные массивы и эталонный вектор являются исходными данными для нахождения критерия функциональной эффективности по формуле Шенона (2.2.17). После вычислений  имеем массив размером 512*1, элементами которого являются величины вычисленные по формуле Шеннона, так же имеем точностные характеристики (2.2.16) определяющие рабочую область.

Так как критерий функциональной эффективности принимает значения от 0 до 1, то соответственно получаемый массив принимает значение от 0 до 512. Для избежания неоднозначности считаем только элементы находящиеся в рабочей зоне. Причем, чем больше отличается текущее изображение от базового, тем больше является величина критерия. Поэтому в качестве базового берется изображение находящиеся заведомо не в фокусе.

Получаем, что критерий функциональной эффективности увеличивается, если изображение приближается к фокусному, становится максимальным, если изображение в фокусе и уменьшается если изображение переходит фокус.