学习使用自动机循环检测图像.doc

学习使用自动机循环检测图像E.奎瓦斯F.瓦里奥D.萨尔迪瓦M. Perez- 西斯内罗斯计算机科学部，瓜达拉哈拉大学， CUCEI ,大道1500，日航、墨西哥电子邮件: 丹尼尔,萨尔迪瓦尔CUCEI,UDG,MX摘要：循环检测在数字图像检测方面已经获得了相当多的注意力，计算机视觉界在近几年投入了大量研究致力于寻求最佳检测器。本文提出了一种算法自动检测复杂和喧闹的循环形状图像，没有考虑传统的霍夫的变换（ HT）的原则。该算法是基于学习自动机（ LA ），这是一个概率优化的方法通过逐步完善高效探索一个未知的随机环境信号（目标函数）。该方法使用的是三个非共线点的编码作为候选圆的边缘图像。一个强化信号（选配功能）表示如果该候选圆实际上是存在于边缘图。在这种加强信号的值的指导下，设置编码候选圆的概率通过修改对LA算法以使它们能适合于实际圆边缘图上。在几个复杂的实验结果下合成的和天然的图像已经验证了精度，速度和稳健性等方面的技术的效率。1. 介绍 检测循环特性的问题是非常重要的图像分析，特别是对工业应用等自动检查的制造产品和组件、辅助图纸矢量化的目标检测等。霍夫变换拟合圆(HT)可以说是在数字图像中最常见的循环检测技术。一个典型的以霍夫为基础的方法采用边缘检测器推断出位置和半径值。平均,滤波和随后矩形图改造的空间应用。这种方法要求三大存储空间维细胞存储操作参数(x,y,r),严重制约了整体性能造成了低处理速度。为了克服这些问题,研究者提出新的以霍夫为基础的方法如概率HT，随机HT(RHT)和失真HT。其中,卢和谭基于RHT提出了一种新的方法称为迭代随机HT(IRHT),在复杂的图片和嘈杂的环境下可达到更好的结果。这样的实现迭代的RHT适用于一个给定的地区使先前定义估计的最新椭圆/循环参数使用。另外关于HT，在计算机视觉的形状识别的问题上得到了处理与优化的方法。特别是,遗传算法(GAS)最近用于重要的形状检测任务。例如，罗斯和莱文提出了使用遗传算法提取几何基元。拉顿和马丁内斯开发出上述的改进方法,而姚明提出了一个多种人口的遗传算法来检测椭圆。在文献中，遗传算法被用于模板匹配，以至于可用修改了一个未知的仿射的模式转换。阿亚拉 - 拉米雷斯等人，提出了一种基于遗传算法的循环检测器，它能够检测多个真实的图像，但经常失败是不完善的。本文假设循环检测作为优化算法，开发一个可选择的方法基于学习自动机(LA)(13 - 15)。LA是一个自适应决策方法，工作在未知的随机环境中。通过学习过程逐步提高性能。每个概率密度函数定义在参数空间中对应于多维参数(或参数问题)代表一个应用于随机行动环境。该相应的响应从属环境,这也被称为强化信号,是所使用的自动机更新概率密度函数在每个阶段来选择下一个行动的功能。该过程继续进行，直到获得最佳的行动进行定义。使用LA的背后的主要动机是指其能力作为多式联运表面的全球优化器。基于LA为随机优化技术搜索类。自动机的显著特征是基础学习,寻找最优参数向量执行内的空间的概率分布的定义参数空间中,而不是在参数空间的本身。因此，LA已经被用来解决不同类型的工程问题，例如，模式识别和自适应控制，信号处理，系统功率和计算机视觉。其他有趣的复杂的多模态函数优化的应用程序基于LA已经提出了在19，22-24中，然而,显示结果是他们的表现相当(GA)23。本文提出了一种自动算法用于检测复杂的圆形形状和嘈杂图片同没有考虑的传统的HT的原则。该建议算法LA要求作为3编码非共线的边缘点的概率候选圆（行动）。一个增强信号指示这样的候选圆是否真的仅存在于图像边缘。通过引导该值这样的性能评价函数，概率集编码的候选圈是使用LA修改算法，以便他们可以在边缘图装配到实际圆（最佳动作）。该方法产生一个子像素循环检测器，它可以有效地识别真正的圈子尽管循环表现出重要的图像的闭塞部分。实验的证据展示在不同条件下循环检测的效力，相比其他先进的算法，如提出的算法中，遗传算法和IRHT方法在多个图像上已经证明其改进的性能。本文结构如下：第2节提供了一个LA理论的简要介绍，而第3节介绍LA的循环检测。第4节显示结果 ，根据应用LA算法识别几个图像条件，第5节是提出的方法之间的性能比较，文献报道等其他相关技术。最后，第6节讨论了一些相关结论。2. 学习自动机LA是一个有限状态机,随机进行交互环境,同时通过学习过程受制于环境了解到这是一个最佳的行动。图1a示出了典型的LA系统架构。在每一个即时k、自动机B选择概率下的一个动作中加强信号的n个行动。采用这样的操作之到环境中后，一个加强信号b是通过评价函数提供的。内部概率分布p(k) p1(k),p2(k),pn(k)更新行动,达到理想的性能是通过概率而不是增加执行行动是惩罚或离开了不变根据特定的学习规则。重复使用该过程,直到Boptimalis最优行动发现。从优化的角度来看，该行动最高的概率(最优行动)对应全球最低,因为它严格的证明在(16,25)中可收敛。一个LA的迭代操作中包括两个基本功能：1.概率更新：根据环境响应于所选择的动作B（Bcurrent），自动机通过该组修改的概率分布p（K）行动为p（K +1）。2.动作选择：基于新的概率分布P（K +1），则自动选择一个新的行动Bnewthat施加到环境中。对多种更新规则的可能性报道的文献。其中最广泛使用的算法是线性的奖励/无为（LRI）计划，该计划显示有效的收敛性（见22）。考虑一个自动机B和n不同动作,Br代表一组的n个行动中r个可能的行动。作为一个回应动作Br,在时间步长k,概率Brp(k)更新如下。其中u是学习率和0，U，1，B（。）0,1加强信号，其值b（。）= 1表示最大的奖励和b（）0信号空的奖励考虑R，Q1，.，n。使用LRI方案，行动成功的可能性会增加，直到他们成为接近于1。另一方面，均匀分布的伪随机数z的范围是产生在0，1中用于选择新的行动Bnew（B1，B2，.，Bn）后考虑该概率密度函数p（k +1）个。因此，行动l为选择如下。因此，所选择的动作B1触发环境这是为了通过反馈B（B1）响应，并继续循。作为停止准则，对LA算法约束到一个周期数，通常是一半的动作的次数由自动机考虑。一旦循环次数已经达到，动作保持最佳的概率值被作为解决方案Boptimal。为了解决多维问题，LA也成为连接到并行的建立（参见图1b）。每个自动机的工作，有简单的参数，而其允许在一个多维工作空间中串连。没有跨自动机作为通信交流，唯一的连接路径是通过环境。在13，它显示了如何使用离散随机LA确定全局最优解的问题，多式联运表面。3. 使用LA循环检测3.1.数据预处理为了应用LA循环检测器，候选图像必须通过众所周知的Canny预先处理后的第一算法产生一个只有形象的单像素边缘。然后,为每个边缘(xi,yi)坐标像素pi存储在边缘矢量P = p1,p2,pNt ,具有Nt个,作为边缘的像素的总数。继RHT后，技术在12,中只有代表比例的优势点(约5%)被认为是构建新向量数组P = p1,p2,pNp型,是Npis数量边缘像素的P中随机选出的。3.2.代表行动为了构建每个操作Ci(圆的候选人),索引i1、i2和i3,代表三个边缘点以前存储在矢量P中，必须分组假设圆的轮廓连接它们。因此圆Ci = pi1,pi2,pi3 经过这些点检测被认为是一个潜在的解决问题方案。考虑边缘点的配置如图2所示，圆中心(x0,y0)的半径Cican被定性为遵循。(x x0)2+ (y y0)2= r2 （3）通过以下x0,y0计算方程：x0=det(A)/4(xi2 xi1)(yi3 yi1) (xi3 xi)(yi2 yi1)y0=det(B)/4(xi2 xi)(yi3 yi1) (xi3 xi1)(yi2 yi1) (4)与DET（A）和DET（B）表示矩阵的行列式,，A和B，分别考虑，得到半径r，因此可以使用计算。其中，dI1，I2，I3和（xd，yd）是定义Ci的任何坐标的三个点动作。图.2 示出了由(3)定义的主要参数(6）。整形参数为圆x0，y0，r可以表示为边缘矢量索引的变换Ti1，i2和i3的。考虑所有生成的行动nallare总数中可行的P组合。然后计算圆参数（x0，y0，r）的使用(7)，其半径动作仅落入一个确定的范围内进行审议。在允许范围内被定义为8，r，最大值（列）/2，I（行）/ 2）在那里I（列）和I（行）代表最大数列和行，分别里面的图像。此外，对应循环相一致的行动被淘汰。因此，行动的最终数目是ncrepresents由此产生的解决方案集。对LA解决方案是基于跟踪的概率演化为每个候选循环图像，也被称为操作，如它们是根据其实际密切关系而修改。这种密切关系是用一个目标函数计算，确定一个循环的候选人是实际存在的图像。若干周期后，在候选中出现概率值最高的循环图像被假设作为一个循环真正的形象。虽然以HT为基础的方法来进行循环检测也是使用三个边缘点把潜在的圆塑造在参数空间中，但是它们需要大量的存储器和较长的计算时间，以达到一个子像素分辨率。与此相反，对LA方法使用客观功能得到改善的每个产生步骤，鉴别在非可信的圈子和避免某些像点的不必要的测试。然而，这两种方法都需要一个强制性的证据来收集步骤达到未来的迭代。3.3绩效评估函数为了模型经过行动Ci环境的反应应用，圆的周长坐标候选人Ciare作为虚拟形状必须计算验证，也就是说，如果它真的存在于边缘图像，该圆周坐标测试分组内组Si=S1，S2，.，SNS，与Nsrepresenting数点以上的边缘点的存在，对应词，应予以核实。该测试由软库的中点画圆算法生成（MCA）26，这是一个众所周知的算法，以确定需要的点绘制一个圆。MCA要求为仅输入半径r和中心点（X0，Y0),只考虑第一个八分圆在圆方程X2+ Y2R2。它绘制一条曲线起点为（r，0）和所得继续向上向左通过整数加法和减法。MCA的目的是计算所需的点的Si，以表示一个圆的候选人。虽然算法被认为是最快的，提供的子像素精度高，以确保它是重要的点，但图像平面以外不能在Si中加以考虑。加强信号b（ci）代表匹配SIOF圆候选像素之间产生的误差次（动作）和实际存在于边缘的像素唯一的形象产生，其中E（SH）是一个函数，在验证SH像素存在，即SH（Siand NSIS）的像素的数目周长和对应次数，目前正在测试。因此，函数E（SH）被定义。值b(Ci)附近的统一意味着更好的回应“圆”运算符。图3显示了过程评估候选人行动Ciwith其表示虚拟形状Si。图3（a)显示了原始边缘地图,而图3 (b)给出了虚拟形状Sirepresenting行动Ci = pi1,pi2,pi3 。在图3 (c)、虚拟Siis形状与原始图像相比,逐点比较，为了找到虚拟和边缘点之间的巧合。图3所示，该行动已建成点圆周率，pi,pj和pk是由图所示。虚拟形状的Si，通过MCA获得的，收集56点（NS56）其中只有18个在这两个图像（显示为浅灰色的点和暗灰色在图点. 3C）和产生的SNH =1E（SH）= 18，因此，B（次）0.33。对LA算法被设置为一个预先选定的周期限制即通常选择的动作（NC/2）一半数量的形式自动机。有两种情况，得到解决方案（最佳操作），或者如果一个动作（圆候选人）根据预先建立的生成产生匹配误差，限制或需要时结束的概率最高动作学习过程。3.4 LA实施考虑到图像已经被精确滤波器预先处理过，对LA-检测器的程序可以概括为如下：第1步：选择边缘像素的5建立向量P和生成n所有，考虑所有可行的组合。 第2步：生成ncby计算X0，Y0，RT（I1，