Аннотация: Распознавание формы изображений групп точечных и/или малоразмерных объектов (ГТО) представляют собой нетривиальную задачу из-за несвязности и вырожденности их элементов. Дополнительно задача усложняется для ГТО с нестационарной конфигурацией, таких как «цепочки» и «скопления». Различение данных типов изображений имеет самостоятельное значение, а также может использоваться для разветвления алгоритма более детального распознавания ГТО. Для синтеза эффективных различителей цепочек и скоплений важно определиться с принципом описания формы ГТО и дискриминационным признакам, определить статистику и характеристики принятия решений в условиях действия мешающих факторов. Решение данной задачи достигается методами теории обработки цифровых изображений и сигналов, теории контурного анализа для синтеза алгоритмов описания и анализа формы изображений, методами теории вероятности и математической статистики для синтеза методов принятия решений. Для связывания изолированных элементов ГТО в единый объект используется процедура построения минимального остовного дерева. Его форма описывается цепным комплекснозначным кодом – его контуром. Зависимость ширины энергетического спектра такого контура или величины интервала корреляции его отсчетов от степени сложности формы дало основание выбрать в качестве дискриминационного признака различения цепочек и скоплений характеристики автокорреляционной функции (АКФ) контура. В качестве таких характеристик исследуются ширина АКФ (интервал корреляции) и корреляция соседних элементов контуров ГТО. Синтезированы соответствующие алгоритмы различения ГТО указанных классов как опознавателей цепочек. Найдены характеристики алгоритмов принятия решений для различных условий наблюдения. Выполнен сравнительный анализ их эффективности и ограничений применимости.

Abstract:  Recognizing the image shapes of the groups of point and / or small objects (TRP) is a non-trivial task due to the incoherence and degeneracy of their elements. The task becomes furthermore complicated for TRPs with non-stationary configuration, such as "chains" and "congestions". The differentiation of these types of images holds an independent value, and it can also be used  in order to branch out the algorithm for more detailed recognition of the TRP. In order to synthesize effective chain and clusters differentiators, it is important to determine the principle for describing the TRP form, as well as  discriminatory characteristics, to determine the statistics and characteristics of decision-making in the presence of disrupting factors. The solution of this problem is achieved by the methods found within the theory of processing digital images and signals, the theory of contour analysis for the synthesis of algorithms used in order to describе and analyzе the shape of images, methods of probability theory and mathematical statistics for the synthesis of decision-making methods. The procedure for constructing a minimal spanning tree is used in order to link isolated TRP elements to a single object. Its shape is described by a chain complex-valued code which is its contour. The dependence between the width of the energy spectrum of such a contour or the value of the correlation interval of its readings and the degree of complexity of the form allowed the authors to choose the distinction between chains and clusters of the characteristic of the autocorrelation function (ACF) of the contour as a discriminating feature . The width of the ACF (correlation interval) and the correlation of neighboring elements of the contours of the TRP are studied as such characteristics. The corresponding algorithms for distinguishing TRTs of these classes as chain identifiers are synthesized. The characteristics of decision algorithms for various observation conditions are found. A comparative analysis of their effectiveness and applicability limits is also performed.

Аннотация: Групповые точечные объекты (ГТО) представляют собой класс изображений, отличающийся несвязностью и вырожденностью своих элементов. Для обнаружения, пространственного разрешения (сегментации, локализации), распознавания и оценки параметров таких объектов в наблюдаемых сценах выполняется связывание элементов ГТО ассоциированным сплошным образом (АСО). Базовой процедурой формирования ассоциированного образа служит расфокусировка точечной сцены. Для достижения высокой эффективности решения указанных задач по данным зашумленных изображений необходимо обеспечить согласование параметров моделей АСО со свойствами ГТО и параметрами алгоритмов принятия решений. Решение данной задачи достигается методами функционального анализа для поиска экстремумов, теории обработки непрерывных и цифровых изображений для синтеза алгоритмов, дискретной и вычислительной математики для конкретизации численного метода формирования АСО. Для колоколообразной и прямоугольной импульсных характеристик дефокусирующего фильтра получены правила выбора уровня ограничивающего АСО контура с максимальной устойчивостью к ошибкам квантования яркости изображения. Конкретизирована методика согласования параметров модели АСО с плотностью элементов ГТО. Для наглядности и упрощения интерфейса оператора работа с моделями АСО выделен параметр – «радиус» импульсной характеристики фильтра. Получены аналитические связи «радиуса» с порогом локализации пространственно-компактных ГТО. Синтезирован численный метод базовой процедуры формирования АСО, отличающийся на один – два порядка большей производительностью по сравнению с подходом на основе быстрого преобразования Фурье для пространственно-компактных ГТО. Метод базируется на фильтрующих свойствах дельтовидного распределения яркости элементов ГТО и ограничения размеров окна низкочастотного фильтра с учетом числа уровней квантования его импульсной характеристики. Регулярность данной операции для ненулевых отметок наблюдаемой точечной сцены теоретически удобна для распараллеливания вычислений.

Abstract: The issues arising in the implementation of the technical approach to the recognition of the group point object (GPO) images on the basis of the binding elements of the continuous associated images (CAI) are considered. The basic CAI formation models of the point scene defocusing are analyzed. For bell-shaped and rectangular impulse response obtained defocusing filter selection rules limiting circuit CAI level with maximum fault tolerance quantization of the image brightness. Concretize methodology harmonization CAI model parameters with the density of the GPO members. For clarity and simplify the operator interface work with models CAI highlight - radius of the filter impulse response the ratio of the radius with a threshold localize spatially compact objects is obtained. Synthesized numerical method for the formation of base procedure ASO, characterized by one - two orders of magnitude higher performance than with an approach based on the fast Fourier transform for compact GPO. The method is based on the filtering properties of the deltoid brightness distribution GPO elements and limitations of the low pass filter window size based on the number of quantization levels of its impulse response. The results are aimed at ensuring the quality of the detection procedures, permits and GPO recognition in noisy images, set in a one-dimensional, two-dimensional and three-dimensional spaces in their technical implementation.

Аннотация: Выполнена параметризация моделей локационных изображений групп точечных объектов типов «цепочка» и «скопление». Исследованы вероятностные характеристики достаточной статистики их различения, необходимые для выбора решающих правил, оптимальных по заданным критериям в различных условиях наблюдения.
Рассмотрена методика моделирования наблюдаемых искажений эталонных цепочек, которая все многообразие условий наблюдения позволяют свести к двум параметрам – кривизне траектории цепочки и уровню отклонений наблюдаемых координат точечных объектов от их эталонных положений. Такая методика позволяет формализовать и снизить трудоемкость сопоставления конкурирующих методов опознавания цепочек.
Рассмотрены особенности программного комплекса для тестирования конкурирующих алгоритмов различения групповых объектов.
В качестве статистики различения предложено отношение диаметра графа иерархической группировки обнаруженных объектов к суммарной длине ребер этого графа. На основе данных математических моделей методом статистических испытаний получены выборочные оценки законов распределения вероятностей достаточной статистики различения для различных значений параметров моделей. Свойства рассмотренного метода различения цепочек и скоплений с учетом меньшей его трудоемкости делают целесообразным его использование при построении систем распознавания групповых точечных объектов в условиях высокой априорной неопределенности относительно параметров условий наблюдения при мощности групп не менее 10. Предложенная архитектура программного комплекса позволяет тестировать алгоритмы распознавания с различной по числу и типу параметров сигнатурой.