学习使用自动机循环检测图像.docVIP

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. Pe’rez- 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。 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。 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