Статья написана в рамках исследования нейронной сети неокогнитрон для распознавания геолого-физических моделей сред (ГФМС). Задача распознавания предполагает интеллектуальную обработку полученной информации, что представляет определенные сложности: выделение признаков, ресурсоемкость, быстрота и качество. Процедура распознавания применяется к изображению и обеспечивает его преобразование. Последующая обработка такого описания позволяет отнести исходное изображение к одному из нескольких классов. Одним из важных этапов в системе распознавания изображений является его сегментация. Сегментация разделяет изображение на множество непересекающихся областей, которые визуально различаются, равномерны и значимы в отношении нескольких качеств или обработанных свойств. Это позволяет упростить последующий анализ однородных областей изображения, их яркостных и геометрических характеристик. Результатом является множество сегментов (областей), полностью покрывающих исходное изображение.В статье приводится анализ метода сегментации картины волнового поля, а именно обнаружение границ на перепаде яркости. Для поиска границ сегментов применяется аппарат дифференциальной геометрии: фильтры Робертса, Превитта, Собеля и алгоритм Канни. В данной работе производится сегментация изображения волнового поля при помощи каждого фильтра. На этапе исследований вышеописанных фильтров целесообразно использовать пакет прикладных программ MATLAB, который используется для решения различных технических задач, в том числе и для цифровой обработки изображения.С помощью функций пакета Image Processing Toolbox производится поиск и вычисление признаков объектов. В статье рассмотрены алгоритмы работы каждого фильтра, выявлены основные достоинства и недостатки.

1. Тихоцкий С.А. Разработка математических методов и алгоритмов решения обратных задач геофизики и обработки геофизических данных: дис. … д-ра физ.-мат. наук: 25.00.10. – М., 2011. – 206 с.

2. Morozov A.E., Yakimenko A.A., Karavaev D.A.Features of the neural network for determining the position and geometric characteristics of cavernous inclusions //14th International Scientific Technical Conference on Actual Problems of Electronic Instrument Engineering (APEIE-2018) – 44894:Proceedings. – Novosibirsk, 2018. – Vol. 1, pt. 4. –P. 492–495.

3. Segmentation and object recognition using edge detection techniques / Y. Ramadevi, T. Sridevi, B. Poornima, B. Kalyani // International Journal of Computer Science & Information Technology. – 2010. – Vol. 2, N 6. –P. 153–161.

4.Кугаевских А.В. Агломеративный метод сегментации иероглифического текста // Графикон'2010: труды конференции. – Санкт-Петербург, 2010. – С. 181–187.

5. Кугаевских А.В.Модели и методы распознавания иероглифических текстов на примере древнеегипетского языка: дис.… канд. техн. наук. – Тюмень, 2012. – 117 с.

6. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2005. – 1072 с.

7. Дёмин А.Ю., Дорофеев В.А. Распараллеливание алгоритма выделения границ объектов на основе структурно-графического представления // Известия Томского политехнического университета. – 2013. – Т. 323, № 5: Управление, вычислительная техника и информатика. – С. 159–164.

8. Местецкий Л.М. Математические методы распознавания образов. – М.: Изд-во МГУ, 2004. – 144 с.

9. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений. – СПб.: СПБГУИТМО, 2008. – 192 с.

10. Canny J. A computational approach to edge detection //IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1986. –Vol. PAMI-8, N 6. –P. 679–698.

11. Журавель И.М.Краткийкурстеорииобработкиизображений [Электронныйресурс]. – URL: http://matlab.exponenta.ru/imageprocess/book2/15.php (дата обращения: 14.03.2019).

12. Шпак М. Обработка изображений в MATLAB – это просто [Электронный ресурс]. – URL:https://www.mathworks.com/videos/image-processing-made-easy-96823.html (дата обращения: 14.03.2019).