Acta Mntanistica Slvaca Rčník 9 (004), čísl, 96-105 Rzpznávaní zájmvých bjektu v systému FOTOM Lačezar Ličev 1 Object Recgnitin in System FOTOM The recgnitin f pints f interest leads t the detectin and cnsequent specificatin f the values f Xí and Yi crdinates. The result is a data file f the crdinates. The prblem dmain is divided int tw parts. The first part f the paper deals with the basic principles f figure segmentatin. The main gal f the segmentatin is t split the figure int parts. whjch clsely chere with the bject r dmains f real wrld. The result shuld be pictures f real bjects lcated n the figure. Threshlding methds, mathematic mrphlgy. Brightness attributes and thers are mentined here. The detectin f pints f interests n the light track and the determinatin f pints f interest using neural netwrks are discussed at the end f the part. The secnd part cncentrates ri the cmpletin f the mdule FOTOM 1 by new functins. The design and realizatn f the mdule FOTOM7 is described t. These mdules implemen the detectin f pints f interests n the light track and the determinatin f pints f interest using neural netwrks. The experience gained during the implementatin f the mdule FOTOM 7 are presented at the end. Key wrds: Segmentace brazu, prahvání, binárni braz, matematická mrflgie, syntaktická analýza, příznakvá analýza, atribúty jasu, rzpznávaní, neurónvá síť, zájmvý bd. zájmvý bjekt, architektura Úvd Cílem tht článku je seznámit čtenáře s aktuálním stavem vývje ftgrammetrickéh systému FOTOM a nastínit způsb jakým byl prstřednictvím nástrjů umělé inteligence vyřešen rzpznávaní zájmvých bdů a bjektů při hdncení měřických snímku. Rzpznávaní zájmvých bdů na snímku služí k nalezení a pak následně k určení hdnty suřadnic Xi, Yi,. Výsledkem je datvý subr těcht hdnt. Na určvání plhy jedntlivých bdů existuje řada algritmů a metd. Celu tut prblematiku jsem rzdělil d dvu častí. V první časti se věnuji analýze snímku při rzpznávaní zájmvých bdů a bjektů. Zde ppisuji základní principy segmentace brazu. Cílem tét segmentace je rzčlenit braz d částí, které mají úzku suvislst s předměty či blastmi reálnéh světa zachycenéh na braze. Výsledkem mají být brazy reálných bjektů, které jsu zachyceny na snímku. Zde se také věnuji metdám prahvání, matematické mrflgie, atributů jasu a jiným. V závěru tét časti se věnuji metdám rzpznávání, a t rzpznávání zájmvých bdů přím že světelné stpy neb stanvení zájmvých bdů pmci neurnvé sítě. V druhé části se zabývám dplněním mdulu FOTOM1 nvé funkce a návrhem a realizací mdulu FOTOM7 řešící prblematiku nalezení hledaných zájmvých bdů na světelné stpě neb pmci neurnvé sítě. Na závěr uvádím knkrétní pznatky a zkušensti z implementace mdulu FOTOM7. Analýza snímku při rzpznávaní zájmvých bdů a bjektů Segmentace brazu Segmentace brazu je nejdůležitějším a také nejslžitějším krkem v celém pstupu veducím k analýze bsahů zpracvávaných brazvých dát. Snahu je rzčlenit braz d častí, které mají úzku suvislst s předměty či blastmi reálnéh světa zachycenéh na braze. Výsledkem mají být brazy reálných bjektů, které jsu zachyceny v braze. P prvedení segmentace nastává další fáze, a t indexvání blastí. Indexvání je důležité pr dlišení bjektů d sebe a pr zjištění jejich pčtu. Pdrbnější ppis uvádí (Sjka E., 1999). Prahvání: Prahvání je jedna z nejstarších a nejjedndušších metd segmentace brazu a patří také k jedné z nejrychlejších. Ve většině případu,vystupují' bjekty z pzadí, čímž je myšlen., že jasvé (barevné) hdnty prvků brazvé funkce (pixelů) bjektů jsu dlišné d pzadí. Na tmt předpkladu je zalžená metda prahvání. Jejím principem je najít vhdný práh (hdnta jasu) t, který by ddělil bjekty d pzadí. Výsledkem tht 1 dc. Ing. Lačezar Ličev, CSc., Katedra infrmatiky FEI., VŠB TU Ostrava (Recenzvaná a revidvaná verzia ddaná 4. 10. 004) 96
Lačezar Ličev: Rzpznávání zájmvých bjektů v systému FOTOM prcesu je braz v binárním tvaru, ve kterém mají hdntu 1 ty prvky brazvé funkce, které patří bjektům a hdntu 0 ty, které patří pzadí. Stanvení prahu metdu nejmenší chyby: Hdntu prahu je většinu těžké vhdně stanvit. Prt byly dvzeny některé metdy, které se tut prblematiku zabývají. Stanvení prahu metdu nejmenší chyby je zalžen na využití minimalizace pravděpdbnsti chybnéh zařazení prvků brazvé funkce (tzn.. že prvek brazvé funkce bjektu bude chybně vyhdncen jak prvek brazvé funkce pzadí a napak). Prtže se jedná statisticku metdu, musíme nejdříve uvést následující předpklady: 1 ( z µ ) p ( z) = exp, (1) σ π σ kde p(z) nrmální rzlžení pravděpdbnsti jasvých úrvní pixelů bjektu, µ matematická naděje, σ - disperze, 1 ( z v) q ( z) = exp, () τ π τ kde q(z) nrmální rzlžení hustty pravděpdbnsti jasvých úrvní pixelů pzadí, ν matematická naděje, τ -.disperze. Uvedené předpklady zavádějí nrmální rzlžení hustty pravděpdbnsti jasvých úrvní pixelů bjektu a pzadí. Zde se dpuštíme jisté nepřesnsti, prtže hdnty jasu pixelů jsu nespjité a vyskytující se puze na určitém rzsahu, který vyplývá ze zavedené implementace (ve většině případu 0-55). Když pdíl bdu bjektů na braze je θ ( 0< θ < l ), bude pdíl bdu pzadí (1-θ). Předpkládáme, že pr matematické naděje platí µ < ν. Hledanu hdntu prahu značíme t, (br. 1). Obr. 1. Nrmální rzlžení hustt pravděpdbnsti pr bjekty a pzadí. Fig. 1. Nrmál distributin f the prbability density fr the bjects and the backgrund. Pr další úvahy je nutn zavést následující: P(t) - pravděpdbnst, že bd bjektu bude vyhdncen správně jak bd bjektu. Ptm pravděpdbnst jevu, že bd bjektu bude vyhdncen chybně jak bd pzadí, je l - P(t). Q(t) - pravděpdbnst, že bd pzadí bude vyhdncen chybně jak bd bjektu. Ptm pravděpdbnst jevu, že bd pzadí bude vyhdncen správně jak bd pzadí, je l Q(t). Celkvá pravděpdbnst chybné detekce ( 1 P () t ) + ( 1 θ ). Q( t) ε = θ (3) Nejlepších výsledků segmentace dsáhneme, když chyba ε bude nejmenší. Tat situace nastane v extrému, kterému dpvídá míst, kde je první derivace (3) nulvá. 97
ε P = θ t t () t Q( t) Acta Mntanistica Slvaca Rčník 9 (004), čísl, 96-105 + ( 1 θ ) = 0, (4) t P úpravě dstaneme vztah (1-θ).q(t} = θp(t) (5) Dsazením (1) a () d (5), p úpravách lgaritmvání získáme vztah σ ( ) ( ) ( 1 θ ) τ σ + t σ ν τ µ + τ µ σ ν + τ σ ln t = 0 (6) θτ Vyřešením tét kvadratické rvnice získáme hdntu prahu t. Rvnice má řešení, když jsu splněny následující pdmínky: σ 0 θ 0 a (7) τ 0 θ 1 Stanvení prahu zavedením iteračníh prcesu d metdy nejmenší chyby: Vylepšení prti předchzí metdě spčívá v tm, že tat metda nepředpkládá znalst pměrnéh zastupení bdu bjektů v braze θ - tat hdnta se určí iteračním prcesem. Musíme však znát hdnty středních hdnt a směrdatných dchylek jasu pr bjekty a pzadí. Výsledky získané tut metdu jsu v stejné kvalitě jak výsledky metdy určení prahu pmci nejmenší chyby. Prahvání prměnným prahem: V případech. Kdy je braz sice kntrastní, avšak v různých svých částech má nervnměrnu úrveň jasu (např. vlivem nervnměrnéh světlení), nelze najít jedinu hdntu prahu tak,. aby vyhvvala pr všechny časti brazu. V takvém případe lze pužít úspěšně metdu prahvání s prměnným prahem. Princip tét metdy spčívá v rzdělení zdrjvéh brazu na něklik častí. V každé z těcht nvě vzniklých častí se výpčte práh puze pr danu blast jak průměr maximální a minimální hdnty jasu v blasti. Může všem také nastat situace pr některé blasti, že rzdíl maximální a minimální hdnty jasu bude malý. V takvét blasti by určení prahu nebyl přesné (v blasti jsu puze pixely pzadí neb pixely bjektů). V takvém případě se hdnta prahu stanvuje jak průměr prahů z klních blastí. Zpracvání binárních brazů: Binárním brazem nazýváme takvý braz, v němž brazvá funkce v každém bde (pixelu) nabývá jedné ze dvu mžných hdnt. Binární brazy jsu zpravidla výsledkem metd prvádějících segmentace brazu (v pixelech náležících bjektů, např. brazvá funkce nabývá hdntu 1, v pixelech pzadí nabývá hdntu 0). Před tím, než jsu binární brazy analyzvaný, lze je zpracvat některým ze speciálních pstupů. Matematická mrflgie: Terie matematické mrflgie {Serra J., 198, 1988, Sjka, 1999) je dsti bsáhlá. Základními peracemi matematické mrflgie jsu erze a dilatace. Tyt perace jsu definvány následujícími vztahy: { x y S x y B} { x y S φ} E = B S =,,, (8) D = B S =, B, (9) x, y Erzí binárníh brazu (8) B za pužití masky S vznikne braz E, který je pět binární. Jedntlivé bdy binárníh brazu nesu hdntu 0 neb 1. V bde suřadnicích (x, y) je v braze E hdnta 1, jestliže je v braze B hdnta 1 alespň na těch místech, je hdnta 1 v masce S x,. y. Jinak je v braze E v bde suřadnicích (x, y) hdnta 0. Ve vztahu jsu brazy frmálně reprezentvaný jak mnžiny-jedná se mnžiny pixelů nesucích hdntu 1. Analgicky by byl mžné interpretvat také vztah (9). Obr.. Dilatace a erze. Fig.. Dilatatin and the ersin f the image 98
Lačezar Ličev: Rzpznávání zájmvých bjektů v systému FOTOM Grafická interpretace dilatace a erze je následující: Ztenčvání: Cílem ztenčvání je reprezentvat bjekty jak lineární útvary. Ztenčvání může být realizván např. pmci pakvané erze (tj. pakvaným dstraňváním krajních pixelů z bjektu). Pstup prvádění každéh erzníh krku je přitm mdifikván tak, aby nedšl k prušení suvislsti bjektu. Tutéž akci lze prvést pmci matematické mrflgie neb pmci filtrace.. Metdy rzpznávaní bjektu s využitím neurónvých sítí V suladu se sučasným trendem, aplikvat neurnvé sítě, jsem se rzhdl využít neurnvu síť jak rzpznávací mechanismus pr mdul rzpznávaní zájmvých bdů. Ppis bjektu: Abychm mhli bjekty rzpznávat, musíme je nejdříve ppsat. Způsbů ppisu bjektů je něklik. Může t být např. syntaktická a příznakvá analýza brazu. Syntaktická analýza brazu pužívá k ppisu bjektu pslupnstí primitiv a jejich hierarchicku strukturu. Vytvřený ppis se předkládá analyzátru, který služí k samtnému rzpznávaní. Analyzátr pužívá k rzpznávaní gramatiky. Gramatika musí být známa již před zapčetím rzpznávaní. Příznakvá analýza brazu předpkládá, že máme k dispzici ppis rzpznávanéh brazu neb jeh části T ve frmě vektru příznaků x = ( x1, x,..., x n ). Tyt vektry pak předkládáme k dalšímu zpracvání, např. klasifikátru neb neurnvé síti. Prměnné x, jsu příznakvé prměnné a jejich hdnty pak nazýváme příznaky. Každý příznakvý vektr reprezentuje bd v n-rzměrném prstru X n, který je nazván příznakvý prstr. Příznaky, které lze pužit při rzpznávání, mhu být např. plcha, mmentvé atributy, bvd. Eulerv čísl, nekmpaktnst, prjekce výšky, šířky, výstřednst, pdluhlst a pd. Na rzpznávání bjektů, pr něž je charakteristické jisté rzlžení jasu p plše bjektu lze zvlit jak příznaky dvzené z jasu rzpznávanéh bjektu. Jasvé atributy mají tu zvláštnst, že i když jsu tyt blasti známy, jejich hdnty jasu ukrývají jisté infrmace, které lze i dále využít. V následujících částech ppisuji jedntlivé jasvé atributy, které lze implementvat. Střední hdnta jasu na plše bjektu. Jsu daný dva bjekty stejnéh tvaru, veliksti, ale každý z nich má jinu úrveň jasu. Oba dva tyt bjekty jsu detekvány metdu segmentace jak testvané blasti. Střední hdnta jasu však tent prblém řeší. Jednznačně dliší tyt bjekty d sebe. µ b = b.p, (10) Rzptyl hdnt jasu Rzptyl hdnt jasu na plše bjektu. Máme dva testvané bjekty, které mají stejnu střední hdntu jasu, ale u jednh z nich jas klísá a u druhéh dsahuje skr knstantní hdnty. Pužitím tht atributu je rzlišení técht blastí jasné a snadné. ( b µ ).p σ b = b, (11) Dále jsem implementval jasvé atributy, které jsu statistickými mmenty vyšších řádů (šikmst) a dále atributy pčítající energii a entrpii. Definice těcht atributů jsu uvedena v následujících vztazích. Šikmst jasu s 1 b ( b ) 3. = = 3 µ b σ p, (1) 99
Acta Mntanistica Slvaca Rčník 9 (004), čísl, 96-105 Energie jasu Entrpie jasu [ p ] E b =, (13) T p b = ( p ) lg, (14) Ve své práci jsem se rzhdl pr implementaci atributu zalženém na Furierve transfrmaci průběhu křivsti hranice bjektu. Základem pr výpčet atributu je určení křivsti hranice bjektu. Z diferenciální gemetrie víme, že křivst jednznačně určuje křivku (až na plhu). Tzv. přirazená rvnice křivky je: 1 k= 1 k(s), kde k(s) je průběh první křivsti (předpkládáme práci puze s rvinnými křivkami). Výpčet atributu zalženéh na Furierve transfrmaci průběhu křivsti hranice se dá ppsat následujícími krky: 1. nalezení hranice bjektu,. prelžení kŕivek (prípadné úseček) hranici bjektu, 3. určení kfivsii hranice bjektu. 4. Furierva transfrmace krivsti hranice bjektu. Výsledkem tht prcesu je vektr bsahující všechny segmenty prlžené hranice. Tent vektr dále služí jak základ pr výpčet Furiervy transfrmace. Třívrstvá síť s učením Back Prpagatin : D vrstvy vstupních uzlů se zavádí jedntlivé slžky vektru příznaku, a prt je vstupních uzlů tlik, klik je příznaků. Z výstupní vrstvy se debírá identifikátr třídy. I když jsu mžné i jiné způsby, čast se pužívá kódvaní 1 z n. V tmt případě je pak pčet neurnů ve výstupní vrstvě rveň pčtu rzpznávaných tříd. Pčet neurnů ve střední skryté vrstvě (případně vrstvách) se zpravidla vlí na základe zkušensti. Kmpetitivní síť a Khnenv učení: Kmpetitivní síť je tvřená dvěmi vrstvami neurnů, kde spdní reprezentuje vstupní jedntky, které jsu prpjený se všemi neurny vrstvy výstupní, ve které jsu pět všechny neurny vzájemně prpjený. Každý neurn výstupní vrstvy je napjen sám na sebe tzv. sebeexcitující vazbu a inhibičními vazbami k statním neurnům. Tent způsb prpjení vede k psilvání excitace neurnu, který byl na začátku excitván nejvíce. Naknec je tent neurn vyexcitván na maximum a statní jsu úplně ptlačeny (tent jev se nazývá laterální, pstranní inhibice). Každý neurn pak reprezentuje nějaký bjekt neb třídu bjektu ze vstupníh prstru. Rzpznávaní zájmvých bdů Pstup při rzpznávaní zájmvých bdu můžeme rzdělit na: rzpznávaní zájmvých bdů přím ze světelné stpy, rzpznávaní zájmvých bdů pmci neurnvé sítě. Rzpznávaní zájmvých bdů přím že světelné stpy: Tent pstup je vhdný v případe, kdy nelze měřený bjekt dstatečně dbře separvat, a prt je nutné pstupvat pačně, tzn. určit zájmvé bdy neb bdy definující měřený bjekt a ptm z nich nadefinvat měřený bjekt. K tmut účelu je pstupván tak, že v místech, kde se bude nacházet předpkládaný zájmvý bd určíme tzv. zájmvu blast ve tvaru bdélníku pmci standardních prstředků (pužití myší, zvětšení snímku) aneb pužijeme plhu zájmvéh bdu z předchzíh snímku. Zájmvu blast určujeme přidáním neb dečtením určitéh pčtu pixelů p suřadnicích x, y. Takt nadefinvaná zájmvá blast bsahuje světelnu stpu, která představuje mnžinu ptenciálních zájmvých bdů. Dále je zpracván braz zájmvé blasti. K tmu jsu pužity prstředky ppsané v předchzích kapitlách, tzn. výpčet prahu a prahvání blasti, zpracvání binárníh brazu - erse světelné stpy. Takt zpracvaná světelná stpa bsahuje bdy, které mají nejvyšší jas. Nvým zájmvým bdem se stane ten hraniční bd ze světelné stpy, který je nejbližší k výchzímu bdu. Budeme-li ale měřit bjekty, které tvří suvislu blast, např. na rentgenvých snímcích, pstup je bdbný, ale s tím rzdílem. že světelná stpa, která vzniká, tvří suvislé ple. Stanvení zájmvých bdů pmci neurnvé sítě: Tent způsb rzpznání lze s úspěchem pužít v případě, že měřený bjekt lze dstatečně dbře separvat. Samtné stanvení zájmvých bdů je prveden tak, že nejdříve je bjekt na snímku rzpznán a ptm jsu 100
Lačezar Ličev: Rzpznávání zájmvých bjektů v systému FOTOM zpětné z hraničních bdů stanveny jedntlivé zájmvé bdy rzpznanéh bjektu. I zde musíme nejdřív prvést zpracvání brazu. K tmu účelu pužijeme prstředky ppsané v předchzích kapitlách, tzn. výpčet prahu a prahvání brazu, zpracvání binárníh brazu - ztenčení světelné stpy. Tent pstup patří d příznakvéh rzpznávaní. Vstupní vrstva neurnvé sítě je tvřena příznaky ppisující rzpznaný bjekt. Výstupní vrstvu tvří neurny definující jedntlivé rzpznané bjekty. Rzpznávaní zájmvých bdů a bjektů na ftgrafii v systému FOTOM Mdul FOTOM 1 - implementace prahvání Mdul FOTOM 1 pracuje s naskenvanu ftgrafií důlníh prfilu a umžňuje na něm určvat plhu zájmvých bdů a zájmvých bjektů, případně i další parametry. Následně pak d tht mdulu byly přidaný nvé vlastnsti. Článek se zabývá právě dplněním systému nvé funkce. Určvaní zájmvých bdů: Mdul FOTOM 1 pužívá k určení plhy zájmvéh bdu myš. Uživatel musel půvdně najít sám přesnu plhu zájmvéh bdu na světelné stpě (u systému FOTOM 000). T se všem při velkém pčtu snímků důlních prfilů stává dsti pracné. Aby byla chyba měření c nejmenší musel uživatel najít tyt bdy c nejpřesněji. U mdulu FOTOM 1 jsu zachvaný všechny funkce, navíc byla přidaná mžnst výběru zájmvéh bdu pmci značení blasti, ve které se hledaný bd nachází. Systém p analýze dané blasti, v místech, kde pmci segmentace brazu zjistil světelné stpy, sám vybere jeden z bdů na světelné stpě. V mdulu FOTOM 1 ve verzi FOTOM 001 je tat funkce nazvaná speciální zadávání blastí". D nástrjvé lišty mdulu FOTOM 1 byla prt přidaná další tlačítka a t pr režim speciální editace bdu a mdul pr autmaticku analýzu. Speciální zadávání bdů: Pr zadaní blasti se pět využívá dvu tlačítkvá myš (br.3). Stiskem levéh tlačítka se určí výchzí bd bdélníku. Dále při stisknutém tlačítku a tažením myši si uživatel značí blast, která je p uvlnění tlačítka autmaticky zpracvána. P zvlení tht režimu se určí práh pr celu blast (tzv. glbální práh), který může uživatel pnechat neb změnit dle vlastníh uvážení. Je-li p analýze nalezen zájmvý bd, bjeví se v dialgvém kně (br. 3) jeh suřadnice a uživatel je může bud't pnechat neb změnit. Pmci danéh dialgvéh kna lze navíc změnit lkální práh, který služí k výběru světelných stp (bjektu ppředí), Taktéž lze zde měnit barvu značení vybranéh bdu. Při úspěšné analýze je vybraná blast dčasně překreslená blastí, jež vznikla p segmentaci brazu. Je-li navíc vybraná blast menší než 100 x 100 pixelů je následně nakreslená d zvláštníh kna a dvjnásbné zvětšena. Nad vybranu blastí jsu prváděny tyt perace: Prahvání je zde pužitá metóda prahvání s prměnným prahem. Jak první se určí glbální práh pr celu ftgrafii a pak práh pr každu vybranu blast - tzv. lkální práh. Erze v systému je začleněna s určitými úpravami. Erze je prváděna jen jedním směrem, a t d výchzíh vrchlu p úhlpříčce směrem k vrchlu prtilehlému. Erze se prvádí tak dluh, dkud lze z blasti dstraňvat bdy tak, aby nedšl k prušení suvislsti blastí. Výběr zájmvéh bdu p uskutečnění perací prahvání a erze je pak zájmvým bdem určen ten, který má d výchzíh bdu nejmenší vzdálenst v. Ta se určuje pdle klasickéh vztahu: ( ) ( ) x x + y ν =, (15) 1 1 y Mdul FOTOM7 U důlní ftgrammetrie je pří každém měření nafcen velké mnžství snímků, cca 100 a více. Prt byl snahu vyřešit pmci autmatickéh zpracvání naskenvaných snímku definvání zájmvých bdů a bjektů. T je úlha, kteru řeší mdul FOTOM7. Funkce mdulu: Mdul nejdřív načte výchzí hdnty, které uživatel vytvřil nad jiným, již dříve zpracvaným snímkem. Pak prvede nad zbývajícími vybranými snímky analýzu, při které na nvém snímku vyhledá plhu vlícvacích bdů, které jsu definvaný z předchzích snímků. Systém tedy zná přibližnu plhu zájmvéh bdu a prvádí puze jeh dhledání v předem určené blasti. Pkud najde bd, který vyhvuje, nastaví jej jak zájmvý bd hledanéh snímku. V případe, že bd není nalezen, je nastaven jak zájmvý bd ten bd z předchzíh snímku. Celý prces je rzdělen d něklika častí pdle vlby uživatele. 101
Acta Mntanistica Slvaca Rčník 9 (004), čísl, 96-105 Obr. 3. Výběr a analýza blasti. Fig. 3. The selectin and analysis f the area. Mžnsti mdulu: zkurnání světelných stp - pmci prahvání a erze se určí blast, která patří d ppředí (čili světelné stpy) a pak se určí bd. který je nejbližší výchzímu bdu. V tmt případě se ale nejedná jeden z vrchlů blasti, výchzí bd tentkrát leží ve stredu blasti. Z tht důvdu už nelze dělat erzi jen jedním směrem, ale musí se prvádět standardní metdu (erze a dilatace). Prahvání se prvádí bdbně, jak je t uveden u předchzíh mdulu. pmci neurnvé sítě - nad brazem se pět prvede prahvání a erze, navíc se zde určuje hranice blasti (krivka). Mdul Těší určení hraniční krivky gradientní metdu s využitím první derivace. Následné se určí průběh křivsti tét hranice a naknec je pmci Furiervy transfrmace určená samtná hraniční křivka. Ta je vstupem d neurnvé sítě. Výsledkem pak je zájmvý bd, který leží na tét křivce. Dále u autmatické analýzy můžeme nastavit, který naměřený snímek pvažujeme za výchzí pr další snímky. Opět se zde vyskytují dve mžnsti: pr analýzu danéh snímku se pužijí naměřené hdnty ze snímku předcházejícíh, pr analýzu všech snímku se pužijí stejně naměřené hdnty, a t z výchzíh měření. Metdu vybereme pdle th, zda jsu snímky dstatečně kvalitní. Mají-li snímky určité zkreslení, které se prjevuje stále víc a víc s následujícími snímky, pužijeme 1. metdu/zkumání světelných stp/, která tyt chyby úspěšné eliminuje. Ale pri chybném určení zájmvéh bdu u jednh snímku se může tat chyba prjevit i u snímků následujících. Při pužití. metódy /pužití neurnvé sítě/za predpkladu, že snímky jsu kvalitní a nevykazují velké zkreslení Ize i při zamlžení určitéh snímku dstranit vzniklu chybu a u statních kvalitních snímků eliminvat. 10
Lačezar Ličev: Rzpznávání zájmvých bjektů v systému FOTOM Tent mdul služí puze k vytvření měřičských subrů (mají přípnu,,.ftm"), které jsu kmpatibilní se subry, vytvřenými mdulem FOTOM 1, pmci kteréh je Ize prhlížet, či pri chybe jednduše pravil. Vzhled mdulu je ukázán na br. 4: P zmáčknutí tlačítka OK se zbrazí další dialg, ve kterém je nutn zadat jmén subrů, které budu při analýze vytvřený. Vytvřené subry mají následující tvar: <zadané_jmén+index>.ftm. Index je generván autmaticky: buď je t čísl, které značuje pradí analyzvanéh snímku, neb má tvar pslupnsti přirazených čísel, začínajících 1. V tmt dialgu se také vlí i výchzí naměřený snímek pr další snímky. Vnitřní chd mdulu: Metda světelných stp: Je zde pužitá bdbná metda jak v mdulu FOTOM 1, hlavní rzdíl je v tm. že velikst analyzvané blasti nezadává uživatel, ale je napevn zvlená (p mnhá pkusech byla zvlená blast rzměrech 40 x 40 pixelů). Druhý rzdíl spčívá ve vlbě výchzíh bdu analýzy, který je zde umístěn d středu zkumané blasti. Důvd je ten, že střed blasti nám vlastně představuje zájmvý bd z předchzíh měření a je nutn najít nvý, který by mu svu plhu vyhvval - čili nejbližší bd. Neurnvé sítě: na rzpznaní je zvlená metda backprpagatin. Funkci mdulu Ize charakterizvat následvně: hlavním cílem je najít pět zájmvý bd, který by dpvídal zájmvému bdu z předchzíh měření. Pr každý bd z předchzíh měření máme zjištěn t, že tent bd leží na přímce neb na křivce. Opět vycházíme z blasti, která je pevně zvlená, a t 40 x 40 pixelů, jejímž středem je zájmvý bd z předchzíh měření. P prahvání a erzí se zjistí hranice blasti, dále průběh křivsti tét hranice a naknec pmci Furiervy transfrmace hraniční křivka blasti. Ta je vstupem d neurnvé sítě, výstupem je pak infrmace, zdá se jedná přímku či krivku. Tat výstupní infrmace se pak prvná s údajem, uvedeným pr hledaný bd (leží buď na přímce neb křivce). Jestli údaje suhlasí, znamená t. že jsme našli dpvídající blast a určíme zájmvý bd jak středvý bd dané krivky. V případe, že údaje si nedpvídají, znamená t, že hledaná blast neexistuje a nvý bd je určen jak ttžný s bdem z předchzíh měření. Obr. 4. Dialg mdulu FOTOM7. Fig. 4. The dialg bx f ihe mdule FOTOM7. Pznatky z implementace mdulu FOTOM 7: Při pužití prvníh snímku měření, jak výchzíh snímku, mhu nastat tyt případy: Světelná stpa je zřetelná a výrazná, na všech snímcích nenastává žádný prblém při rzpznávaní (bd 3 na br. 5a). V kamžiku, kdy je stpa zamlžena, může nastat chyba, jelikž systém nemůže žádný bd najít pnechá bd výchzí, tzn. je vyská pravděpdbnst, že bude ležet jinde, než by měl (bd 3 na br. 5b). Při analýze dalších snímků pak při světelné stpě dstatečně viditelné se tat chyba může autmaticky pravit (br. 5c). Jiný prblém nastává v situaci, kdy je na snímku světelná stpa zamlžena, ale jiná je zřetelná. Pak je zájmvý bd určen někde jinde a tat chyba se může drazit i při analýze statních snímků. Při pužití předchzíh snímku jak výchzíh snímku. Největší prblém spčívá v tm, že předchzí chyba v měření může vlivnit následující měření. Najde-li se bd někde jinde, je pak tat infrmace pužitá pr následující měření a statní bdy mhu být nalezeny s tutéž systémvu chybu. 103
Acta Mntanistica Slvaca Rčník 9 (004), čísl, 96-105 Při měření v případe, že máme více zájmvých bdů v analyzvané blasti, může djít k té chybě, že p analýze na více snímcích jsu tyt zájmvé bdy ulženy jak ttžné (br. 6- bdy 1,, 7, 8). T se pak musí napravit ruční editací jedntlivých snímků. Tut chybu lze snadn detekvat v mdulu pr D mdelvání prcesu měření. Architektura systému FOTOM001 Systém FOTOM 001 vznikl dplněním systému FOTOM 000 mdul FOTOM 1, další funkci s další mduly FOTOM5, FOTOM6 a FOTOM7. Tyt mduly dvlují prvádět tyt úlhy: Mdul FOTOM1 - značení zájmvých bdů a bjektů. Mdul FOTOM1 služí ke zpracvání snímku ve frmátu BMP. Zde značuje na snímcích zájmvé bdy, zájmvé bjekty, dále výpčty vzdálenstí, uhlu atd. V panelu nástrju tht mdulu jsu umístěny ikny pr spuštění statních pěti mdulů aplíkace. Mdul FOTOM - D mdelvání prcesu měření. V tmt mdulu Ize zbrazit hdnty parametru, vzdálensti a uhlu zájmvých bjektů na brazvce ve frme grafu, tyt grafy Ize vytisknut na tiskárně. Dále může prhlížet hdnty z grafu v tabulkách a ty ukládat d subru. Mdul FOTOM3-3D mdelvání prcesu měření. Tent mdul služí pr trjrzměrné zbrazení jámy v prstru s mžnstí další manipulace se zbrazeným mdelem. Mdul FOTOM4 - animace prcesu měření. Mdul služí pr D animaci série snímků a bjektu. Mdul FOTOM5 - měření hdnt dchylek. Mdul FOTOM5 byl vytvřen pr zbrazení a další zpracvání hdnt dchylek parametrů zájmvých bjektů d průměrných neb prjektvých hdnt vhdně zvlených pr dané měření. Mdul FOTOM6 - prvnaní dvu měření.mdul FOTOM6 služí pr prvnaní dvu měření, skládajících se ze série snímků, převedených na stejném bjektu, shdujících se pčtem snímku, metódu měření, měnícím intervalem a pslupnstí vzájemné krespndujících snímků. Mdul FOTOM7 - rzpznávaní zájmvých bdu bjektu na snímku. Mdul FOTOM7 služí na rzpznávaní zájmvých bdu bjektu a bjektu na snímku. Obr. 5. Autmatické rzpznání 1.metdu.. Fig. 5. Autmatic recgnitin by the methd 1. Obr. 6 Autmatické rzpznání.metdu. Fig. 6. Autmatic recgnitin by the methd. Závěr Rzpznávaní zájmvých bdů neb zájmvých bjektů na snímku je činnst velmi slžitá a důležitá, nebť na ni záleží efektívnst a rychlst zpracvání ftgrafické infrmace. Výše uvedené metdy a algritmy 104
Lačezar Ličev: Rzpznávání zájmvých bjektů v systému FOTOM byly před implementaci d systému experimentálně věřeny. V předlženém článku je ppsaná jejích aplikace v prstředí systému FOTOM001. Dsažené výsledky ptvrdily správnst pstupu a takt vzniklý systém Ize úspěšně využívat při měření bjektu ftgrammetricku metdu. Ftgrammetrický systém FOTOM001 byl vypracván na Katedre infrmatiky FEI VŠB TU Ostrava. Vývj ftgrammetrickéh systému FOTOM přispívá k vyřešení knkrétních pžadavků kladených na jednsnímkvu ftgrammetrii, jak ucelený systém na kvalitatívni vyšší úrvni, než jsu stávající technické a sftwarvé prstfedky. Literatura - References Dudek, R, Pspíšil, J.: Pčítačvé zpracvání ftgrafie.,diplmvý prjekt VŠB-TU Ostrava, 001. Ličev, L., Hluba, T.: Nvé řešení důlní ftgrammetrie na PC, /1998,URGP Praha. Ličev, L: New appraches t mining phtgrammetry using PC, 5 nacinalna knferencija Varna'98, MGU Sfia. Ličev, L., Hluša. T.: Ftgrammetrické měření důlních jám, Knierence GIS'99 VŠB TUO, HGF,1999. Ličev, L.: Ftgrammetrie na PC., 4/1999, Acta Mntanistica Slvaca, Kšice,000. Ličev, L.: Pčítačvé zpracvání ftgrafie., Habilitační práce, 000, HGF VŠB TU v Ostrave. Ličev, L: Recgnitin f pint and bjects n the phtgraphy, Internatinal cnference - Mdern Management f Mine Prducing, Gelgy and Envirnment Prtectin, SGEM 001, Varna, Bulgaria. Ličev, L.: FOTOM001 a rzpznávaní zájmvých bjektů, 9. rčník s mez. účastí GIS Ostrava 00, HGF VŠB TU Ostrava. Serra, J.: Image Analysis and Mathematical Mrphlgy, Vl. 1, Academic Press. New Yrk, 198. Serra, J.: Image Analysis and Mathematical Mrphlpgy, Vl.. Academic Press. New Yrk, 1988. Sjka, E.: Digitálni zpracvání brazu, skripta FEl VŠB-TU Ostrava, 1999. Šmidrkal J.: Ftgrammetrie I,II,III, Teretické základy, ČVUT Praha., 1985. 105