Модификация детектора отрезков прямой на изображениях

Рассмотрим метод повышения точности анализа матрицы Радона за счет исследования не только максимальной точки в, но и использования области около максимума. Будем рассматривать небольшую область размером 5×5 с центром в максимуме по. Простые методы линейного поиска коррекции координат прямой по углу и дают значительный разброс результатов. Например, осреднение результатов по столбцам и строкам порождают среднюю ошибку 50−60% от размера средней коррекции. Очевидно, что нужно формировать нелинейную модель предсказания коррекции. Будем строить такую модель в форме нейронной сети прямого распространения многослойного персептрона. Поскольку практически невозможно получить необходимое количество примеров для обучения такой сети, то сформируем их искусственно. Рассмотрим порядок формирования искусственных примеров: нейросетевой виртуальный детектор Каждый пример содержит не более 1000 точек, принадлежащих прямой с параметрами с ошибкой не более 2 пикселей. Кроме того, к исследуемой картине добавлено не менее 1000 точек шума, т. е. точек, не принадлежащих прямой. Подобная картина приведена на рис.1а.

Проводим преобразование радона с шагом и получаем .

Определяем максимум в и фиксируем область размера 5×5.

Формируем входную часть обучающего вектора из значений элементов. Выходная часть обучающего вектора состоит из истинных параметров прямой. Таким образом, обучающая пара выглядит следующим образом .

Повторяем операции построения вектора необходимое число раз (формируем 4000 примеров).

Следующий этап работы — определение архитектуры и параметров нейронной сети в результате обучения.