Л.Ш. Биктимиров – ассистент, кафедра «Радиотехника», Ульяновский государственный технический университет E-mail: linarbiktimirov@rambler.ru

А.Г. Ташлинский – д.т.н., профессор, зав. кафедрой «Радиотехника», Ульяновский государственный технический университет E-mail: tag@ulstu.ru

Проанализированы вычислительные затраты алгоритма поиска по шаблону фрагмента на изображении, реализующего управление множеством процедур поиска, рабочие области которых покрывают исследуемое изображение. Использован алгоритм, в котором управление основано на анализе функции штрафа процедур и предоставлении приоритета выполнения очередной итерации процедуре с минимальным штрафом. Предложено считать, что искомый фрагмент находится в области, в которой процедура поиска первой достигла заданного порогового числа итераций. Получены дискретные распределения вероятностей числа итераций, выполненных процедурами для ситуаций наличия и отсутствия на изображении искомого фрагмента, с использованием которых найдены выражения, определяющие вычислительные затраты. Показано, что использование алгоритма ведет к их значительному сокращению, а выигрыш в затратах при этом увеличивается с увеличением числа управляемых процедур. Приведены примеры дискретных распределений числа итераций для имитированных изображений с корреляционной функцией, близкой к гауссовской.

1. Ипатов Ю.А., Кревецкий А.В. Моделирование методов обнаружения и пространственной локализации групповых точечных объектов // Наука. Технологии. Производство. 2014. № 2. С. 7−11.
2. Герасимова Н.И., Верхотурова А.Э. Поиск фрагмента изображения с использованием нейронной сети Кохонена // Сб. научных трудов «Информационные технологии в науке, управлении, социальной сфере и медицине». Томск: ТПУ. 2014. Ч. 1. С. 68−70.
3. Chambon S., Crouzil A. Dense matching using correlation: new measures that are robust near occlusions // British Machine Vision Conference, Norwich, Great Britain. 2003. V. 1. P. 143−152.
4. Цыпкин Я.З. Информационная теория идентификации. М.: Наука. Физматлит. 1995. 336 с.
5. Zitova B., Flusser J. Image registration methods: a survey // Image and vision computing. 2003. V. 21. № 11. P. 977−1000.
6. Ташлинский А.Г. Оценивание параметров пространственных деформаций последовательностей. Ульяновск: УлГТУ. 2000. 131 с.
7. Szeliski R. Image alignment and stitching: A tutorial // Technical Report MSR-TR-2004-92. Microsoft Research. 2004. 93 p.
8. Tashlinskii A.G. Pseudogradient Estimation of Digital Images Interframe Geometrical De-formations / Vision Systems: Segmentation & Pattern Recognition. 2007. Vienna (Austria): I Tech Education and Publishing. P. 465−494.
9. Жукова А.В., Воронов С.В. Анализ эффективности применения корреляционных мер в качестве целевых функций в рекуррентных процедурах привязки изображений // Радиоэлектронная техника. 2016. № 9. С. 11−16.
10. Voronov S.V., Tashlinskii A.G. Efficiency analysis of information theoretic measures in image registration // Pattern recognition and image analysis. 2016. V. 26. № 3. P. 502−505.
11. Tashlinskii A.G., Muratkhanov D.S. Structural Optimization of Pseudogradient Algorithms for Measuring Interframe Image Deformations // Pattern Recognition and Image Analysis. 2003. V. 13. № 1. P. 177−178.
12. Биктимиров Л.Ш., Ташлинский А.Г. Оценка вероятности отсутствия искомого фрагмента на изображении для алгоритма с управлением множеством процедур поиска // Радиотехника. 2016. № 9. С. 6−10.