ISSN 0236-3933. Вестник МГТУ им. Н.Э. Баумана. Сер. «Приборостроение». 2012
97
1) вручную задается первое тренировочное изображение и рас-
считывается на его основании MACE-фильтр;
2) вычисляется значение центров корреляции фильтра со всеми
характеристиками изображений эталона;
3) из полученных значений выбирается наименьшее, а соответ-
ствующая ему характеристика добавляется к набору тренировочных
характеристик;
4) на основании нового тренировочного набора рассчитывается
новый MACE-фильтр.
Этот алгоритм повторяется до тех пор, пока число тренировоч-
ных характеристик не достигнет заранее заданного значения. При
таком условии в тренировочный набор войдут изображения с мак-
симальной дисперсией, за счет чего в фильтре будет содержаться
информация об искажениях, возникших при съемке эталонных голо-
грамм. Пороговое значение принятия решения устанавливается в за-
висимости от требований решаемой задачи.
Описанный алгоритм был опробован на нескольких типах ЗГ. В
тренировочном наборе использовались изображения одних и тех же
фрагментов голограмм каждого из типов, которые на основе эксперт-
ной оценки были признаны как «хорошие» или «плохие».
В качестве примера на рис. 3 приведены графики, иллюстрирую-
щие результаты оценки качества голограмм: слева — результаты
оценки, полученные при использовании в тренировочном наборе
восьми изображений только одного класса — «хорошая» (good);
справа — результаты оценки, полученные при использовании в тре-
нировочном наборе пяти изображений класса «хорошая» и пяти
изображений класса «плохая» (bad).
Рис. 3. Результаты оценки качества мастер-матриц голограмм
Из сравнения полученных результатов следует, что при исполь-
зовании в тренировочном наборе фрагментов изображений только
мастер-матриц класса «хорошая» возможны ошибки принятия реше-
1,2,3,4,5,6,7 9