Рекурсивный алгоритм закрашивания областей распознанных объектов

Цель исследования. Разработка рекурсивного алгоритма закрашивания распознанных областей на бинаризованном изображении и выделение контуров цветовой метки с целью нахождения минимального времени подсчета количества закрашенных пикселей в распознанной метке.
Методы. Алгоритм закрашивания областей основывается на рекурсивном методе. Алгоритм начинает работу с центральной точки изображения и анализирует наличие незакрашенных пикселей в смежных ячейках. Рассматривается восемь направлений обхода пикселей относительно начальной точки с целью определения наименьшего времени закрашивания распознанной области. Обход осуществляется в следующих направлениях: восток-юг-запад-север; восток-север-запад-юг; юг-восток-север-запад; юг-запад-север-восток; запад-юг-восток-север; запад-север-восток-юг; север-восток-юг-запад; север-запад-юг-восток. Алгоритм содержит несколько этапов: проверка выхода из рекурсии при условии закрашивания всех областей, закрашивание исходной ячейки, закрашивание элементов по четырем направлениям от начальной точки, подсчет количества закрашенных элементов.
Результаты. Разработан рекурсивный алгоритм закрашивания распознанных областей на бинаризованном изображении, с возможностью выделения контуров распознанной метки. Определено направление оптимального обхода, который имеет наименьшее время по отношению к другим рассматриваемым направлениям. Тестирование осуществлялось для циклов с 10, 50 и 100 итерациями. По представленному алгоритму создана специализированная программная модель. Номер свидетельства о государственной регистрации программы для ЭВМ «Программа для заливки распознанной метки» – 2023612631.
Заключение. Результаты экспериментальных исследований показали, что для значения цикла в 10 итераций наилучшее время закрашивания области равно 12762 мс, для значения цикла в 50 итераций наилучшее время равно 76008 мс, для значения цикла в 100 итераций наилучшее время равно160568 мс. Минимальное среднее время выполнения операции по закрашиванию составило 84357 мс, следовательно, наилучшей из восьми комбинаций прохода оказалось направление – север-восток-юг-запад.

1. Бобырь М. В., Архипов А. Е., Якушев А. С. Распознавание оттенка цветовой метки на основе нечёткой кластеризации // Информатика и автоматизация. 2021. № 20(2). С. 407-434.

2. Аврашков П. П., Коськин Н. А., Константинов И. С. Оценка эффективности различных моделей конвертации изображений в стереоформат с помощью карт глубины // Научно-технический вестник Поволжья. 2020. № 12. С. 165-168.

3. Гайворонский В. А. Подход к созданию объемного панорамного изображения на основе пассивных методов определения карт глубины // Информационные системы и технологии. 2022. № 1(129). С. 24-29.

4. Бобырь М. В., Храпова Н. И., Ламонов М. А. Система управления интеллектуальным светофором на основе нечеткой логики // Известия Юго-Западного государственного университета. 2021; 25(4): 162-176. https://doi.org/10.21869/2223-1560-2021-25-4-162-176

5. Bobyr M. V., Emelyanov S. G. A nonlinear method of learning neuro-fuzzy models for dynamic control systems. 2020. Vol. 88. P. 106030. DOI 10.1016/j.asoc.2019.106030.

6. Bobyr M. V., Yakushev A. S., Dorodnykh A. A. Fuzzy devices for cooling the cutting tool of the CNC machine implemented on FPGA // Measurement. 2020. Vol. 152. P. 107378. DOI 10.1016/j.measurement.2019.107378.

7. Обнаружение опухоли мозга на основе МРТ с применением метода нечеткой кластеризации с-средних / А. Г. Зотин, Ю. А. Хамад, С. В. Кириллова [и др.] // Медицина и высокие технологии. 2018. № 1. С. 20-28.

8. Смольникова У. А., Ушков А. Д. Опыт оценки цифровых рентгенограмм с применением системы автоматического распознавания изменений в легких // Лучевая диагностика и терапия. 2020. № S1. С. 84.

9. Улучшение сегментации патологий легких и плеврального выпота на КТ-снимках пациентов с Covid-19 / Д. С. Лащенова, А. М. Громов, А. С. Конушин, А. М. Мещерякова // Программирование. 2021. № 4. С. 56-62.

10. Алгоритмы предобработки и постобработки данных для биометрических систем распознавания лиц / В. С. Горбацевич, Ю. В. Визильтер, С. Ю. Желтов, С. А. Хаин // Вестник компьютерных и информационных технологий. 2014. № 6(120). С. 9-14.

11. Мельников Б. Ф., Чурикова Н. П. Алгоритмы сравнительного исследования двух инвариантов графа // Современные информационные технологии и ИТ-образование. 2019. Т.15, №1. С. 45-51.

12. Хачумов М. В., Талалаев А. А., Хачумов В. М. Об одном эвристическом критерии в задаче определения изоморфизма графов на основе инвариантов // Современные наукоемкие технологии. 2022. № 2. С. 159-163.

13. Галкин В. А., Арьков К. А. Автоматизированная система визуализации алгоритма Дейкстры на графах // Естественные и технические науки. 2019. № 6(132). С. 190-192.

14. Ковалев А. В., Бакуменко А. Н. Алгоритм маркировки связанных областей при потоковой обработке изображения // Инженерный вестник Дона. 2022. № 4(88). С. 191-201. EDN NTTPYR.

15. Емельянов С. Г., Бобырь М. В., Крюков А. Г. Исследование свойств алгоритма поиска в ширину для нахождения маршрута передвижения роботов // Известия Юго-Западного государственного университета. 2022; 26(4): 39-56. https://doi.org/10.21869/2223-1560-2022-26-4-39-56.

16. Метод распределения нагрузки в GPU-реализации алгоритма поиска в ширину на графе / М. А. Черноскутов, Д. Г. Ермаков, М. Л. Гольдштейн, Д. А. Усталов // Научно-технический вестник Поволжья. 2014. № 2. С. 229-232. EDN SAYCFZ.

17. Зуенко А. А. Интеграция методов поиска в ширину и логического вывода для удовлетворения табличных ограничений // Онтология проектирования. 2021. Т. 11, № 4(42). С. 521-532. DOI 10.18287/2223-9537-2021-11-4-521-532.

18. Компьютерная реализация поиска в глубину / Е. А. Пронина, А. А. Лебединская, П. Г. Шурхаленко // Мировая наука. 2018. № 11(20). С. 234-237.

19. Будникова И. К., Бабкин Т. А. Интеллектуальный анализ данных на основе инструментария алгоритма C&RT (Общие деревья) // Информационные технологии в строительных, социальных и экономических системах. 2021. № 1(23). С. 112-115.

20. Мельников Б. Ф., Дудников В. А. О задаче псевдооптимального размещения графа на плоскости и эвристиках для её решения // Информатизация и связь. 2018. № 1. С. 63-70.

21. Alzakki H. M., Tsvetkov V. Yu. Selection texture regions on the image based on classification assessment density of contour elements // Big Data and Advanced Analytics. 2017. No. 3. P. 113-118.

22. Свидетельство о государственной регистрации программы для ЭВМ № 2023612631 Российская Федерация. Программа для заливки распознанной метки: № 2023610839: заявл. 23.01.2023: опубл. 06.02.2023 / М. В. Бобырь, Н. И. Храпова, О. Г. Супрунова; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования "Юго-Западный государственный университет".