Развитие современных методов анализа радиоэлектронных устройств является актуальным [1-3].
Изображения, которые получают при соблюдении определенных условий могут быть много градационными или «текстурными». Для таких изображений значимую информацию передают на основе скорости перепада зачерненности. Характерной особенностью много градационных (или полутоновых) изображений, которую можно считать отличающей их от двух градационных и определяет необходимость разрабатывать для них специальные методы обработки, состоит в том, что промежуточные градации зачерненности несут существенную информацию об изображаемом объекте.
Они дают двоякую роль при проведении анализа: с одной стороны, задают возможности разделения изображения на участки, однородные в том или ином смысле; с другой стороны, позволяют описывать эти участки. Обычно эти участки связаны с интересующими нас деталями изображения (объектами). В связи с этим процесс обработки много градационных изображений расчленяется на два последовательных этапа.
Первый этап связан с сегментацией изображения, в результате которой его разделяют на две компоненты: контурный препарат выделенных объектов (границы между ними) и граф соседства самих объектов.
Во втором этапе идет создание пространства параметров, точки которого рассматриваются как выделенные объекты. Множество этих точек можно анализировать с помощью общих методов, описанных в литературе. При распознавании образов можно использовать алгоритм автоматической классификации однотонных фрагментов для решения задачи, связанной с оконтуриванием. Такой алгоритм имеет два последовательных этапа. Для первого этапа множество однотонных фрагментов рассматривают в виде большого числа классов по оси средней зачерненности (например, на 16, поскольку максимальное число уровней градаций зачерненности исходных изображений может не превышать 256).
В результате подобной классификации ось разбивают на отрезки, каждый из которых характеризуют долями фрагментов, попадающих в заданный интервал, и средним значением зачерненности по элементам определенного подкласса и ее среднеквадратичное отклонение. На втором этапе решают задачи бинаризации множества из сформированных интервалов. Получают это на основе эвристической процедуры при попарных сравнениях двух соседних средних значений. Если результат сравнения показывает, что различие несущественно в некотором заранее определенном пределе, то соответствующие интервалы объединяются в один. Получается новая система интервалов, которую характеризуют новыми наборами трех показателей. После чего этап повторяют. Это делают до тех пор, пока не сформируется такая система, что оставшаяся пара интервалов будет иметь существенно отличные средние.
Полученное разбиение выбирают как искомое. Один из интервалов зачерненности принимают за белый цвет, другой — за черный. Потом к рассчитанным фрагментам можно применять процедуры сегментации (выделения границы объектов). Можно применять подобные шаги алгоритма по итеративному процессу удаления мелких связных элементов на анализируемом двух градационном изображении.
Задается определенное достаточное малое значение площади, и из изображения удаляются все связные элементы (как черные на белом фоне, так и белые на черном фоне), меньшие по площади, чем S. Проводят подсчет числа удаленных элементов. Удаление элемента заключается в инвертировании показателей его точек.
На изображении, полученном после проведенного преобразования, подсчитывают число элементов, площадь которых меньше S, и они удаляются из изображения.
Можно применять алгоритмы обработки изображений в радиолокации [4].