The importance of the modeling mode in systems of computer visual pattern recognition is shown. The purpose of the mode is to determine the types of textures that are present on the images processed in intelligent diagnostic systems. Images processed in technical diagnostic systems contain texture regions, which can be represented by different types of textures -spectral, statistical and spectral-statistical. Texture identification methods, such as, statistical, spectral, expert, multifractal, which are used to identify and analyze texture images, have been analyzed. To determine texture regions on images that are of a combined spectral-statistical nature, a hybrid texture identification method has been developed which makes it possible to take into account the local characteristics of the texture based on multifractal indicators characterizing the non-stationarity and impulsite of the data and the sign of the spectral texture. The stages of the developed hybrid texture identification method are: preprocessing; formation of the primary features vector; formation of the secondary features vector. The formation of the primary features vector is performed for the selected rectangular fragment of the image, in which the multifractal features and the spectral texture feature are calculated. To reduce the feature space at the stage of formation of the secondary identification vector, the principal component method was used. An experimental study of the developed hybrid texture identification method textures on model images of spectral, statistical, spectral-statistical textures has been carried out. The results of the study showed that the developed method made it possible to increase the probability of correct determination of the region of the combined spectral-statistical texture. The developed identification method was tested on images from Brodatz album of textures and images of wear zones of cutting tools, which are processed in intelligent systems of technical diagnostics. The probability of correctly identifying areas of spectral-statistical texture in the images of wear zones of cutting tools averaged 0.9, which is sufficient for the needs of practice.
Показана важливість режиму моделювання в системах комп'ютерного розпізнавання зорових образів, метою якого є визначення типів текстур, які присутні на зображеннях, що обробляються в інтелектуальних діагностичних системах. Зображення, оброблювані в системах технічної діагностики, містять текстурні області, які можуть бути представлені різними типами текстур -спектральної, статистичної, спектрально-статистичної. Проаналізовано методи ідентифікації типів текстур, такі як, статистичні, спектральні, експертні, мультифрактальні, які застосовуються для ідентифікації та аналізу текстурних зображень. Для визначення на зображеннях текстурних областей, які носять комбінований спектрально-статистичний характер, розробленогібридний метод ідентифікації текстурних областей, який дозволяє враховувати локальні характеристики текстури на основі мультифрактального показників, що характеризують нестаціонарність і імпульсністьданих і ознакуспектральної текстури. Етапами розробленого гібридного методу ідентифікації текстур є: попередня обробка; формування первинного ідентифікаційного вектора; формування вторинного ідентифікаційного вектора. Формування первинного ідентифікаційного вектора проводиться для виділеного прямокутного фрагмента зображення, в якому розраховуються мультифрактальніпоказники і ознака спектральної текстури. Для зменшення простору ознак на етапі формування вторинного ідентифікаційного вектора застосовувався метод головних компонент. Проведено експериментальне дослідження розробленого гібридного методу ідентифікації текстур на модельних зображеннях спектральної, статистичної, спектрально-статистичної текстур. Результати дослідження показали, що розроблений метод дозволив підвищити ймовірність правильного визначення області комбінованої спектрально-статистичної текстури. Апробація розробленого методу ідентифікації проводилася на зображеннях з альбому текстур Бродаца і зображеннях зон зносу ріжучих інструментів, які обробляються в інтелектуальних системах технічної діагностики. Імовірність правильного визначення областей спектрально-статистичної текстури на зображеннях зон зносу ріжучих інструментів склала в середньому 0,9, що є достатнім для потреб практики.
