В статье представлена методика классификации простейших геометрических образов на основе расчета коэффициента корреляции связных объектов на бинаризованном изображении, опытным путем получены диапазоны значений коэффициента корреляции для распознавания линий, эллипсовидных объектов, а также объектов неправильной геометрической формы. Классификация объектов - корневая задача анализа и обработки изображений. В последнее время данному направлению уделяют большое внимание, так как корректное распознавание объектов на изображении актуально для разных областей: робототехники, оптическом контроле дефектов материалов и изделий, анализе аэрокосмических изображений и др. Традиционно для распознавания объектов применяется фильтрация, бинаризация, вейвлет-анализ, контурный анализ. Также в последнее время стали популярны алгоритмы на основе нейронных сетей. Многие классификаторы обладают большой вычислительной сложностью и не удовлетворяют возрастающим требованиям к точности и скорости распознавания, поэтому актуальным является задача разработки новых высокоэффективных методов и алгоритмов.
The article presents the method of classification of the simplest geometric images based on the calculation of the correlation coefficient of connected objects in a binarized image. Experimentally obtained ranges of values of the correlation coefficient for line recognition, elliptical objects, and objects of irregular geometric shape. Object classification is the root task of image analysis and processing. Recently, this area has paid a lot of attention, since correct recognition of objects in an image is relevant for different areas: robotics, optical inspection of defects in materials and products, analysis of aerospace images, etc. Traditionally, filtering, binarization, wavelet analysis, contour analysis are used. Also recently, algorithms based on neural networks have become popular. Many classifiers have a large computational complexity and do not meet the increasing requirements for recognition accuracy and speed, so the challenge is to develop new high-performance methods and algorithms.
The authors declare that there are no conflicts of interest present.