10.14489/vkit.2024.08.pp.003-010

DOI: 10.14489/vkit.2024.08.pp.003-010

Дмитриев Н. В.
ГЕНЕТИЧЕСКИЙ АЛГОРИТМ ПОДБОРА ОПЕРАЦИЙ ДЛЯ ЛОКАЛИЗАЦИИ ОБРАЗОВ НА СЛОЖНОСТРУКТУРНЫХ ИЗОБРАЖЕНИЯХ
(с. 3-10)

Аннотация. Разработан генетический алгоритм, реализующий автоматический подбор операций по обработке сложноструктурных изображений на этапе локализации точечных образов. Алгоритм отличается представлением набора операций в виде хромосомы переменной длины, совмещающей выполнение как полутоновых, так и бинарных морфологических преобразований и фильтров. Алгоритм экспериментально проверен на сканированных топографических картах − типичных представителях изображений, обладающих сложной структурой, вместе с наборами морфологических операций, полученных вручную. Критериями качества выступали доля локализованных пикселей, число пропущенных образов, время работы.Результаты показывают, что использование генетического алгоритма для подбора операций локализации позволяет уменьшить общее число локализованных пикселей при общем увеличении скорости работы, что позволяет сделать вывод о его сообразности при обработке изображений.

Ключевые слова: генетический алгоритм; локализация; обнаружение объектов; морфологические операции; фильтрующие операции; сложноструктурные изображения; обработка изображений; топографические карты.

Dmitriev N. V.
GENETIC ALGORITHM FOR SELECTING OPERATIONS FOR LOCALIZATION OF OBJECTS ON COMPLEX STRUCTURED IMAGES
(pp. 3-10)

Abstract. A genetic algorithm has been developed that implements the automatic selection of operations for processing complex structured images at the stage of localization of point objects. The algorithm is distinguished by the representation of a set of operations in the form of a variable-length chromosome, combining the performance of both halftone and binary morphological transformations and filters, a developed fitness function that takes into account the recall and IoU measure together, and a set of genetic operators (crossover and special types of mutation) corresponding to the task. Dilation, erosion, opening, closing, and skeletonization were studied as morphological operations. Clipping by area, eccentricity, and dimensions of the major and minor axes of the equivalent ellipse were used as filters. The genetic algorithm was launched and experimentally tested on scanned topographic maps of the USSR from 1965−1982, as typical representatives of images with a complex structure, together with sets of morphological operations obtained manually to determine objects of the “elevation mark” type. The quality criteria were the proportion of localized pixels, the number of missed images, and the processing time. For training on multiple images, the fitness function was modified in two ways: soft (averaging calculation for all images) and hard (zeroing the value of fitness function with a decrease in recall on at least one training image). The hard calculation of the fitness function turned out to be more effective, the final set of operations consists of 10 operations with a decrease in the number of localized pixels by 2,6 times. The results show that the use of a genetic algorithm for the selection of localization operations makes it possible to reduce the total number of localized pixels with reducing the overall operating time, taking into account the recognition stage, which allows us to conclude that it is consistent for image processing.

Keywords: Genetic algorithm; Localization; Object detection; Morphological operations; Filter operations; Complex structural images; Image processing; Topographic maps.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

Н. В. Дмитриев (Уральский государственный университет путей сообщения, Екатеринбург, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

N. V. Dmitriev (Ural State University of Railway Transport, Yekaterinburg, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

Библиографический список

1. Egmont-Petersen M., De Ridder D., Handels H. Image Processing with Neural Networks − a Review // Pattern Recognition. 2002. V. 35. P. 2279−2301. DOI: 10.1016/S0031-3203(01)00178-9
2. Serra J. Image Analysis and Mathematical Morphology. London: AcademicPress, 1982. 610 p.
3. Пытьев Ю. П., Чуличков А. И. Методы морфологического анализа изображений. М.: Физматлит, 2010. 336 с.
4. Визильтер Ю. В., Желтов С. Ю. Использование проективных морфологий в задачах обнаружения и идентификации объектов на изображениях // Известия Российской академии наук. Теория и системы управления. 2009. № 2. С. 125−138.
5. Datta R., Mandal S., Biswas S. Automatic Abstraction of Combinational Logic Circuit from Scanned Document Page Images // Pattern Recognition and Image Analysis. 2019. V. 29(1). P. 212−223. DOI: 10.1134/S1054661819020068
6. Kim N. W., Lee H., Lee J., Seo J. Accurate Segmentation of Land Regions in Historical Cadastral Maps // Journal of Visual Communication and Image Representation. 2014. V. 25(5). P. 1262–1274.
7. Holland J. H. Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence // The MIT Press. 1992. 232 p. DOI: 10.7551/MITPRESS/1090.001.0001
8. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / Пер. с польск. И. Д. Рудинского. М.: Горячая линия – Телеком, 2006. 452 с.
9. Кобак В. Г., Титов Д. В., Кобак В. В. Методический подход к улучшению работы генетического алгоритма в однородной минимаксной задаче // Вестник Донского государственного технического университета. 2010. Т. 10, № 4(47). С. 474−479.
10. Дивеев А. И., Шмалько Е. Ю. Вариационный генетический алгоритм для решения задачи оптимального управления // Современные проблемы науки и образования. 2014. № 1. С. 193.
11. Курейчик В. В., Сороколетов П. В. Концептуальная модель представления решений в генетических алгоритмах // Известия ЮФУ. Технические науки. 2008. № 9(86). С. 7−12.
12. Wang J. A., Tan Y. Novel Genetic Programming Algorithm for Designing Morphological Image Analysis Method // Advances in Swarm Intelligence, ICSI 2011. V. 6728. P. 549–558. DOI: 10.1007/978-3-642-21515-5_65
13. Shahbazpanahi S., Rahnamayan S. Finding Optimal Transformation Function for Image Thresholding Using Genetic Programming // 2014 IEEE Symposium on Computational Intelligence for Multimedia, Signal and Vision Processing (CIMSIVP). 2014. P. 1−8. DOI: 10.1109/CIMSIVP.2014.7013279
14. Гонзалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде Matlab. М.: Техносфера, 2006. 616 с.

Eng

1. Egmont-Petersen M., De Ridder D., Handels H. (2002). Image Processing with Neural Networks − a Review. Pattern Recognition, 35, 2279 – 2301. DOI: 10.1016/S0031-3203(01)00178-9
2. Serra J. (1982). Image Analysis and Mathematical Morphology. London: AcademicPress.
3. Pyt'ev Yu. P., Chulichkov A. I. (2010). Methods of morphological analysis of images. Moscow: Fizmatlit. [in Russian language]
4. Vizil'ter Yu. V., Zheltov S. Yu. (2009). Using projective morphologies in problems of detecting and identifying objects in images. Izvestiya Rossiyskoy akademii nauk. Teoriya i sistemy upravleniya, (2), 125 − 138. [in Russian language]
5. Datta R., Mandal S., Biswas S. (2019). Automatic Abstraction of Combinational Logic Circuit from Scanned Document Page Images. Pattern Recognition and Image Analysis, 29(1), 212 − 223. DOI: 10.1134/S1054661819020068
6. Kim N. W., Lee H., Lee J., Seo J. (2014). Accurate Segmentation of Land Regions in Historical Cadastral Maps. Journal of Visual Communication and Image Representation, 25(5), 1262 – 1274.
7. Holland J. H. (1992). Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence. The MIT Press. DOI: 10.7551/MITPRESS/1090.001.0001
8. Rutkovskaya D., Pilin'skiy M., Rutkovskiy L. (2006). Neural networks, genetic algorithms and fuzzy systems. Moscow: Goryachaya liniya – Telekom. [in Russian language]
9. Kobak V. G., Titov D. V., Kobak V. V. (2010). A methodological approach to improving the performance of a genetic algorithm in a homogeneous minimax problem. Vestnik Donskogo gosudarstvennogo tekhnicheskogo universiteta, Vol. 10 47(4), 474 − 479. [in Russian language]
10. Diveev A. I., Shmal'ko E. Yu. (2014). Variational genetic algorithm for solving the optimal control problem. Sovremennye problemy nauki i obrazovaniya, (1). [in Russian language]
11. Kureychik V. V., Sorokoletov P. V. (2008). Conceptual model for representing solutions in genetic algorithms. Izvestiya YuFU. Tekhnicheskie nauki, 86(9), 7 − 12. [in Russian language]
12. Wang J. A., Tan Y. (2011). Novel Genetic Programming Algorithm for Designing Morphological Image Analysis Method. Advances in Swarm Intelligence, ICSI 2011, 6728, 549 – 558. DOI: 10.1007/978-3-642-21515-5_65
13. Shahbazpanahi S., Rahnamayan S. (2014). Finding Optimal Transformation Function for Image Thresholding Using Genetic Programming. 2014 IEEE Symposium on Computational Intelligence for Multimedia, Signal and Vision Processing (CIMSIVP), 1 − 8. DOI: 10.1109/CIMSIVP.2014.7013279
14. Gonzales R., Vuds R., Eddins S. (2006). Digital image processing in Matlab environment. Moscow: Tekhnosfera. [in Russian language]

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 500 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2024.08.pp.003-010

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 500 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2024.08.pp.003-010

and fill out the form