Диплом магистра на тему : Детектирование границ перепадов яркостей на изображении

В данной выпускной квалификационной работе мы обращаемся к актуальным тенденциям в области детектирования границ, рассматривая разнообразные существующие методы. Это не только позволит оценить текущий уровень развития в данной области, но и подготовит почву для создания новых инновационных подходов. В свете стремительного развития технологий и растущего спроса на точные методы обработки изображений, исследование детектирования границ становится ключевым направлением, способствующим совершенствованию систем компьютерного зрения и их успешной интеграции в разнообразные сферы человеческой деятельности.
Цель данного исследования состоит не только в изучении существующих методов, но и в разработке улучшенного подхода к детектированию границ перепадов яркостей на изображениях. Модифицированный метод будет разработан на основе анализа и сопоставления результатов предшествующих методов с целью увеличения точности, скорости и универсальности обнаружения границ.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ 8
1 ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 12
1.1 Актуальность темы 12
1.2 Технико-экономическое обоснование и постановка задачи 14
1.2.2 Техническое обоснование 14
1.2.3 Экономическое обоснование 15
1.2.4 Постановка задачи 16
1.3 Определение границ объектов на изображениях 16
2 АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ ДЕТЕКТИРОВАНИЯ ГРАНИЦ ПЕРЕПАДОВ ЯРКОСТЕЙ НА ИЗОБРАЖЕНИЯХ 19
2.1 Обзор методов детектирования границ перепадов яркостей на изображениях 19
2.1.1 Детекторы границ первого рода или операторы основанные на градиенте 20
2.1.1.1 Оператор Робертса 22
2.1.1.2 Оператор Прюитт 23
2.1.1.3 Оператор Собеля 24
2.1.1.4 Оператор Кирша 25
2.1.1.5 Оператор Робинсона 27
2.1.1.6 Детектор границ Кэнни 28
2.1.2 Детекторы границ второго рода оператор основанный на Лаплассиане 34
2.1.2.1Метод Марра-Хилдрета 35
2.2 Отбор алгоритмов для дальнейшей реализации и модификации 36
2.2.1 Программная реализация алгоритмов детектирования границ 36
2.3 Сравнительный анализ реализованных алгоритмов 38
2.3.1 Результаты сравнительного анализа реализованных алгоритмов 45
3 РЕАЛИЗАЦИЯ И ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ 50
3.1 Разработка параллельного алгоритма 50
3.1.1 Перевод в градации серого 50
3.1.2 Фильтр Гаусса 52
3.1.3 Фильтр Кэнни 53
3.2 Программная реализация алгоритма с использованием OpenMP 58
3.3 Программная реализация алгоритма с использованием OpenCL 61
3.4 Сравнительный анализ последовательной и параллельных реализаций 62
3.5 Модификация программной реализации 66
3.6 Анализ полученных результатов 76
3.7 Разработка программных документов 78
3.7.1 Руководство оператора 79
3.7.1.1 Назначение программы 79
3.7.1.2 Описание задачи 79
3.7.1.3 Условия выполнения программы 80
3.7.1.4 Входные и выходные данные 80
3.7.1.5 Выполнение программы 81
3.7.1.6 Сообщения оператору 86
3.7.1.7 Выход из программы 86
4 ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТЬ 87
4.1 Подготовка исходных данных для проведения эксперимента 87
4.1.1 Объект испытаний 87
4.1.2 Цель тестирования 87
4.2 Тестирование программы 87
4.3 Выводы и рекомендации по результатам экспериментальных исследований 94
ЗАКЛЮЧЕНИЕ 96
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 97
ПРИЛОЖЕНИЕ А. Графические материалы 102

В рамках данной выпускной квалификационной работы был проведен анализ существующих методов детектирования границ объектов на изображениях, а также разработаны и реализованы параллельные алгоритмы с использованием технологий OpenMP и OpenCL. Целью работы было улучшение производительности процесса детектирования границ на изображениях при сохранении высокого уровня точности обработки.
В результате анализа существующих методов были выбраны алгоритмы, наиболее подходящие для дальнейшей реализации и модификации с целью оптимизации и ускорения обработки изображений. Последующий сравнительный анализ реализованных алгоритмов позволил выявить их эффективность и определить наиболее перспективные подходы.
В процессе экспериментальных исследований были проведены тестирование разработанной программы и сравнительный анализ последовательной и параллельных реализаций алгоритмов. Полученные результаты подтвердили эффективность и преимущества параллельных реализаций.
В ходе работы также была проведена модификация программной реализации с целью улучшения ее точности и производительности. Это позволило достичь более высоких результатов в обработке изображений.

1. Компьютерное зрение: технологии, рынок, перспективы [Электронный ресурс] — URL: https://www.tadviser.ru/index.php/Статья:Компьютерное _зрение:_технологии,_рынок,_перспективы (дата обращения: 01.05.2024).
2. Exploration of issues, challenges and latest developments in autonomous cars [Электронный ресурс] — URL: https://journalofbigdata.springeropen.com/ articles/10.1186/s40537-023-00701-y (дата обращения: 01.05.2024).
3. Методы распознования медицинских изображений для задач компьютерной автоматизированной диагностики — Современные проблемы науки и образования. 2014 № 4 [Электронный ресурс] — URL: https://science- education.ru/ru/article/view?id=14414 (дата обращения: 01.05.2024).
4. Автономные системы и робототехника: развитие и применение в различных областях – Вестник науки.2023 [Электронный ресурс] — URL: https://cyberleninka.ru/article/n/avtonomnye-sistemy-i-robototehnika-razvitie-i-primenenie-v-razlichnyh-otraslyah (дата обращения: 01.05.2024).

5. И. С. Грузман Цифровая обработка изображений в информационных системах: учебное пособие – Новосибирск: Изд-во НГТУ, 2002. – 352 с.
6. Определение границ объектов на изображении [Электронный ресурс] — URL: https://studfile.net/preview/5830093/page:2/
(дата обращения: 01.05.2024).
7. А. В. Науменко, В. В. Лукин Детектирование границ на изображениях с помощью искусственной нейронной сети – Информационные технологии, Национальный аэрокосмический университет им. Н.Е.Жуковского «ХАИ» [Электронный ресурс] — URL: https://www.researchgate.net/publication/ 353332946_Detektirovanie_granic_na_izobrazeniah_s_pomosu_iskusstvennoj_nejronnoj_seti (дата обращения: 01.05.2024).

8. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2005. 1072 с.
9. Форсайт Д. А., Понс Ж. Компьютерное зрение. Современный подход. – М.: Вильямс, 2004. 928 с.
10. Новиков А. И., Логинов А. А., Колчаев Д. А. Комбинированный метод совмещения разнородных изображений в авиационных системах технического зрения – Цифровая обработка сигналов. 2017. № 2. С. 818-824.
11. А. И. Новиков, А. В. Пронькин Детектор границ градиентного типа для изображения подстилающей поверхности – Вестник РГРТУ. 2019 №68 – с. 68-76.
12. Градиент изображения [Электронный ресурс] — URL: https://en.wikipedia.org/wiki/Image_gradient (дата обращения: 01.05.2024).

13. Rashmi, Algorithm and technique on various edge detection: A survey / Rashmi, M. Kumar, R. Saxena // Signal & Image Processing: An International Journal (SIPIJ). – 2013. – №3. – P. 65-75.
14. Prasad, R. A Review on Edge Detection Algorithms / R. Prasad, S. Sresh // International Journal of Mechanical Engineering and Computer Applications. – 2016. – №1. – P. 7-11.
15. А. А. Ханова, М. И. Озерова Обзор методов выделения контуров на изображениях – Владимирский государственный университет, Владимир, Россия.
16. Samuel J. Dwyer III. A personalized view of the history of PACS in the USA. In: Proceedings of the SPIE, «Medical Imaging 2000: PACS Design and Evaluation: Engineering and Clinical Issues», edited by G. James Blaine and Eliot L. Siegel. 2000; 3980:2-9.
17. Оператор Прюитт [Электронный ресурс] — URL: https://ru.wikipedia.org/wiki/Оператор_Прюитт (дата обращения: 02.05.2024).

18. Sobel operator [Электронный ресурс] — URL: https://en.wikipedia.org/wiki/Sobel_operator [Дата обращения: 02.05.2024].

19. Алгоритмы выделения контуров изображений [Электронный ресурс] — URL: https://habr.com/ru/articles/114452/
(дата обращения: 02.05.2024).
20. Методы нахождения границ изображения. [Электронный ресурс] — URL: https://habr.com/ru/post/128753/
(дата обращения: 02.05.2024).
21. Метод описания контуров объектов. Оператор Кирша, оператор Превитта, оператор Лапласа. [Электронный ресурс] — URL: https://studfile.net/preview/5678776/page:5/ (дата обращения: 02.05.2024).
22. Muthukrishnan R, Radha M. International Journal of Computer Science & Information Technology (IJCSIT), 3(6). — С. 259–267.
23. L.G. Roberts, Machine perception of three-dimensional solids, Phd. Thesis. Massachusetts Institute of Technology, 1963.
24. Canny, J. A Computational Approach to Edge Detection / J. Canny // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1986. – №6. – P. 679698.
25. Edge Detection and Filtering of Images Corrupted by Nonstationary Noise Using Robust Statistics [Текст] / N. Ponomarenko, D. Fevralev, A. Roenko, S. Krivenko, V. Lukin, I. Djurovič // Proceedings of CADSM2009. - Svalyava, February 2009. - P. 129-136.
26. Т.С. Хуанг. Быстрые алгоритмы в цифровой обработке изображений / Т.С. Хуанг – М.:Книга по Требованию, 2012.
27. Детектор границ Канни [Электронный ресурс] — URL: https://habr.com/ru/articles/114589/ (дата обращения: 03.05.2024).
28. Grayscale – Wikipedia – Электронный ресурс, URL: https://en.wikipedia.org/wiki/Grayscale (дата обращения: 03.05.2024).
29. Шапиро, Л. Г. и Стокман, Г. К.: "Компьютерное зрение", Прентис Холл, 2001.
30. R.A. Haddad and A.N. Akansu, "A Class of Fast Gaussian Binomial Filters for Speech and Image Processing Архивная копия от 22 апреля 2021 на Wayback Machine," IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 39, pp 723-727, March 1991.
31. Canny edge detector [Электронный ресурс] — URL: https://en.wikipedia.org/wiki/Canny_edge_detector [Дата обращения: 03.05.2024]
32. Canny J. A computational approach to edge detection // IEEE TPAMI. 1986. V.8. N.6. P.679–698.
33. А.В. Власов, И.В. Цапко Модификация алгоритма Канни применительно к обработке рентгеновских изображений – Вестник науки Сибири. 2013. № 4.
34. Методы компьютерной обработки изображений / Под ред. В.А. Сойфера. М.: Физматлит, 2003. С.192-203.
35. Марр, Д.; Хилдрет, Э. "Теория обнаружения границ". Труды Лондонского королевского общества. Серия B, биологические науки. 207 (1167): 187-217.
36. OpenMP [Электронный ресурс] — URL: https://ru.wikipedia.org/wiki/OpenMP (дата обращения: 04.05.2024).
37. Антонов А.С. Параллельное программирование с использованием технологии OpenMP: Учебное пособие. – М.: Изд-во МГУ, 2009. – 77 с.
38. Антонюк Валерий Алексеевич OpenCL. Открытый язык для параллельных программ. – М.: Физический факультет МГУ им. М.В. Ломоносова, 2017. – 88 [39] Метод Отцу [Электронный ресурс] — URL: https://ru.wikipedia.org/wiki/Метод_Оцу (дата обращения: 04.05.2024).
40. Otsu’s Thresholding with OpenCV [Электронный ресурс] — URL: https://learnopencv.com/otsu-thresholding-with-opencv/ (дата обращения: 04.05.2024).
41. Otsu, N. A Threshold Selection Method from Gray-Level Histograms // IEEE Transactions on Systems, Man, and Cybernetics. – 1979. – V. 9, № 1. – P.
62 -66.
42. Ping-Sung Liao and Tse-Sheng Chen and Pau-Choo Chung. A Fast Algorithm for Multilevel Thresholding // J. Inf. Sci. Eng.. — 2001. — Т. 17. —
С. 713—727.
43. Бинаризация Otsu Thresholding [Электронный ресурс] — URL: https://djvu-soft.narod.ru/bookscanlib/023.htm (дата обращения: 05.05.2024).
44. Стандарты ЕСПД [Электронный ресурс] — URL: https://www.swrit.ru/gost-espd.html (дата обращения: 05.05.2024).
45. Документация по C++ [Электронный ресурс] — URL: https://learn.microsoft.com/ru-ru/cpp/cpp/?view=msvc-170
(дата обращения: 05.05.2024).