Проектирование системы. 
Разработка прототипа настольной автоматизированной программы, реализующей распознавание изображений пыльцевых зерен с помощью комбинаций функций OpenCV и метода голосования

В данный части главы рассмотрено проектирование системы. На основе требований к системе спроектированы диаграмма классов, диаграммы деятельности, диаграмма классов и архитектура системы, а также пользовательский интерфейс.

Система имеет следующие функциональные требования:

• 1. Загрузка обучающего и тестируемого набора данных изображений пыльцевых зерен (включая возможность выбора и загрузки нескольких изображений одновременно).
• 2. Обучение системы на обучающем наборе.
• 3. Распознавание пыльцевых зерен.
• 4. Сбор и анализ полученных данных и предоставление их пользователю в наглядной таблице с возможностью экспорта в Excel.

На основе требований определим актеров и прецеденты и построим диаграмму прецедентов (рис. 2.1).

Рисунок 2.1. Диаграмма прецедентов.

Для двух основных сценариев использования системы (обучения и распознавания) спроектируем диаграммы деятельности (см. рис. 2.2 и 2.3).

Рисунок 2.2. Диаграмма деятельности для обучения системы.

Рисунок 2.3. Диаграмма деятельности для распознавания в системе.

Диаграмма классов представлена на рис. 2.4. И включает в себя описание двух классов. Первый класс — это класс, описывающий пыльцевое зерно, который хранит информацию об загруженном изображении пыльцевого зерна, а также контур, класс и признаки пыльцевого зерна. Второй класс служит для хранения экземпляров класса PollenGrain в массиве. С помощью данного класса будет реализовано хранение обучающей выборки и множества для распознавания.

Архитектура системы представлена на рис. 2.5. Архитектура включается в себя пользовательский интерфейс, модуль предобработки изображений (здесь изображение обрабатывается, выделяется контуры пыльцевого зерна, вычисляются и масштабируются значения признаков), модуль распознавания.

Рисунок 2.5. Архитектура системы.

Пользовательский интерфейс главным образом будет состоять из двух вкладок: обучение (см. рис. 2.6) и распознавание (см. рис. 2.7). На вкладке обучение пользователь сможет обучить систему. На данной вкладке доступны следующие элементы:

• 1. Загруженные изображения. В данной части экрана приложения будут отображаться загруженные пользователем изображения.
• 2. Загрузка. Нажав загрузить изображения пользователю откроется диалог для открытия изображений. Загруженные пользователем изображения будут отображаться в левом верхнем углу окна приложения.
• 3. Очистить. Удаляет загруженные пользователем изображения.
• 4. Предобработка. Выполняет операции по предобработке загруженных изображений. После выполнения данной операции сегментированные пыльцевые зерна на изображения будут выделены в рамку. А в таблице признаков для каждого пыльцевого зерна будут отображаться вычисленные характеристики.
• 5. Таблица признаков. В таблице признаков отображаются вычисленные характеристики сегментированных пыльцевых зерен. В последнем столбце таблицы пользователь должен ввести класс для каждого пыльцевого зерна, после чего можно будет приступить к обучению системы.
• 6. Обучение. Выполняет обучение системы.
• 7. Экспорт в Excel. Загружает таблицу признаков в Excel.
• 8. Загрузить данные. Загружает данные в таблицу из файла.

На вкладке распознавание пользователь сможет начать распознавание изображений. На данной вкладке аналогичные элементы, как и на вкладке обучение: загруженные изображения, загрузка, очистить, предобработка и экспорт в Excel.

Также на данной вкладке находятся:

• 1. Распознавание. Выполняет распознавание загруженных изображений.
• 2. Таблица результаты. В данной таблице отображаются результаты распознавания.

Рисунок 2.6. Спроектированные интерфейс вкладка «Обучение»

Рисунок 2.7. Спроектированные интерфейс вкладка «Распознавание».

В данной главе описаны формализация решения задачи и проектирование системы.

Был описан подробный алгоритм процесса предобработки изображений, включающий в себя:

• 1. Устранение шумовых помех на изображении методом Гауссова сглаживания.
• 2. Бинаризация изображения с помощью порогового преобразования методом Отсу.
• 3. Сегментация пыльцевых зерен на изображении с нахождением контура пыльцевого зерна и выделением его в прямоугольную рамку.

Были предложены 12 признаков для распознавания сегментированных пыльцевых зерен и формулы их вычисления (область, периметр, диаметр и другие).

Описан алгоритм классификации методом голосования.

Спроектирована архитектура системы:

• 1. Диаграмма классов.
• 2. Диаграммы прецедентов.

А также спроектирован пользовательский интерфейс.