Программная реализация методов сегментации текстовой информации на изображениях денежных купюр - Курсовая работа

На сегодняшний день существует множество средств и программных систем для обработки изображений. Например, в медицине, в военной области, в машинном зрении, в системах, основанных на биометрических данных человека (сканирование сетчатки, радужной оболочки, отпечатков пальцев и так далее), в задачах сегментации изображений. Такой подход в обработке изображений на сегодняшний день нашел очень широкое применение. Сама задача сегментации изображений представляет собой одну из самых сложных задач обработки изображений. В этом и заключается одна из сложностей сегментации, и это является причиной большого числа различных подходов при решении данных задач обработки изображений.Изображения бывают различными: от бинарных, то есть тех, в которых присутствует лишь два цвета (как правило, черный и белый), до 32-х битных изображений. Этот формат предназначен для хранения растровых изображений, то есть изображений, представляющих собой сетку пикселей или же точек цветов. Отличаются они, как правило, способом кодировки изображения. Чтобы рассматривать изображение без потери качества и с полной глубиной цвета был выбран формат .bmp. Для работы с изображениями на компьютере с использованием языков программирования высокого уровня существует достаточно много средств.На рисунке 1 и рисунке 2 представлены изображения купюр российских банкнот в 500 и 1000 рублей соответственно в черно-белом цвете и в формате «.bmp». Анализируя два данных изображения можно отметить, что на первом изображении текстовая информация отображается достаточно четко, тогда как второе изображение имеет значительный шум. Проанализировав данные изображения можно приступить к определению фильтров для сегментации изображений текстовой информации обоих купюр. Подбор методов обработки и сегментации изображения, представленного на рисунке 1, в графическом редакторе Adobe Photoshop выявил, что для повышения информативности изображения целесообразно воспользоваться пороговой фильтрацией, позволяющей определить контуры текстовой информации купюры. Таким образом на рисунке 3 приведен результат фильтрации изображения с порогом яркости, равным 145.Медианный фильтр является одним из видов цифровых фильтров, который широко используется в цифровой обработке сигналов и изображений для уменьшения уровня шума. Значения отсчетов внутри окна фильтра сортируются в порядке возрастания (убывания); и значение, находящееся в середине упорядоченного списка, поступает на выход фильтра. Медианный фильтр представляет собой оконный фильтр, последовательно скользящий по массиву сигнала, и возвращающий на каждом шаге один из элементов, попавших в окно (апертуру) фильтра.Яркостные преобразования цифровых изображений часто называют гистограммными, так как при этом, во-первых, изменяется гистограмма изображения, во-вторых, вид функции преобразования (параметры преобразования) часто определяются адаптивно, на основании ранее собранной гистограммы исходного изображения. Простейшим случаем яркостных преобразований изображения являются линейные преобразования яркости, в которых функция отображения яркости имеет вид f(I)=a*I b, где a - коэффициент, определяющий изменение контраста изображения, b - коэффициент, определяющий изменение средней яркости изображения, I - собственно яркость в текущей точке изображения Im[x,y].Простейшим методом препарирования изображений является бинаризация. Бинарные изображения в смысле подмножеств пикселей («масок») часто используются в цифровой обработке изображений. Для исследования формы и структуры некоторых множеств однотипных объектов бинарные растры используются в математической морфологии.Под морфологическими фильтрами в данном случае понимаются следующие алгоритмы: 1. Нахождение расширенного контура (Eroded Contour). На рисунке 8 показаны три новых пространственных фильтра: фильтры сжатия и расширения, а также контурный фильтр. Морфологический фильтр использует матрицу N х N для проверки соседних пикселов. Фильтр сжатия генерирует черный цвет лишь в том случае, если все пиксели блока окрашены в черный цвет.Начало разработки приложения на языке высокого уровня С в среде Borland C Builder осуществлялось с создания формы программы, в которую были добавлены необходимые компоненты для работы с приложением. На рисунке 9 приведен фрагмент формы приложения с кнопками. изображение программный гистограмма В разделе «Файл» находятся кнопки с картинками, которые позволяют открыть, сохранить изображение и закрыть приложение. На рисунке 10 приведен фрагмент формы в разделе «Эффекты». На рисунке 15 и рисунке 16 представлен алгоритм и программная реализация метода пороговой фильтрации с выбором порога бинаризации по гистограмме яркости.Таким образом, разработав приложение с примененными методами фильтрации для изображений, можно произвести тестирование и сравнение полученных результатов. После запуска готового приложения выбран исходный фрагмент купюры, приведенной на рисунке 1, что показано на рисунке 19. Так как в графическом редакторе был выбран оптимальный порог яр

Содержание

Введение

1. Разработка комплексного метода обработки изображений

1.1 Понятие обработки изображений. Выбор среды реализации ПО

1.2 Выбор методов обработки и сегментации изображений

1.3 Математические основы примененных фильтров

1.3.1 Медианный фильтр

1.3.2 Гистограмма яркости изображения

1.3.3 Пороговый фильтр

1.3.4 Морфологический фильтр

2. Программная реализация комплексного метода обработки изображений

2.1 Процесс разработки приложения

3. Тестирование разработанного программного обеспечения

Заключение

Список используемых источников

На сегодняшний день существует множество средств и программных систем для обработки изображений. Большинство из них являются узконаправленными, но тем ни менее общий круг рассматриваемых ими вопросов очень велик. Это и основные методы фильтрации, и вейвлет-преобразования, и методы улучшения, восстановления и сжатия изображений и так далее. Все эти методы обработки и другие активно применяются в повседневной жизни. Например, в медицине, в военной области, в машинном зрении, в системах, основанных на биометрических данных человека (сканирование сетчатки, радужной оболочки, отпечатков пальцев и так далее), в задачах сегментации изображений.

Под сегментацией изображений понимают разделение исходного изображения на составляющие его области или объекты. Такой подход в обработке изображений на сегодняшний день нашел очень широкое применение.

Сама задача сегментации изображений представляет собой одну из самых сложных задач обработки изображений. Конечный результат зачастую определяется точностью сегментации, поэтому при выборе того или иного метода сегментации нужно уделять большое внимание надежности алгоритма. Однако, единого, общепризнанного подхода, который бы лежал в основе большинства алгоритмов, нет. Нет также и единого алгоритма, который позволял бы проводить приемлемую сегментацию для любого изображения. В этом и заключается одна из сложностей сегментации, и это является причиной большого числа различных подходов при решении данных задач обработки изображений.

Целью курсовой работы является программная реализация методов сегментации изображений текстовой информации на изображениях денежных купюр.

Для реализации поставленной цели, формируются следующие задачи: - изучение обобщенной теоретической части по обработке изображений;

- освоение различных методов сегментации текстовой информации на изображениях;

- определение в графическом редакторе, какие методы необходимы для улучшения качества данных изображений для дальнейшего преобразования;

- реализация на языке высокого уровня приложения, позволяющее произвести фильтрацию с заданными изображениями;

- тестирование разработанной программы и сравнение полученных результатов.

Для разработки приложения, будет использована среда программирования Borland C Builder.