Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация)

Размещено на http://www.allbest.ru/

Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация)

Луценко Евгений Вениаминович

Рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для ввода (оцифровки) изображений из графических файлов, синтеза обобщенных изображений классов, их абстрагирования, классификации обобщенных изображений классов (кластеры и конструкты), сравнения конкретных изображений с обобщенными образами (идентификация) классов, сравнения классов друг с другом. Предлагается применить теорию информации для расчета количества информации, содержащегося в пикселе изображения о том, что это изображение принадлежит к определенному классу изображений. Приводится численный пример, в котором на основе ряда конкретных примеров изображений, принадлежащих к различным классам, формируются обобщенные образы этих классов, независящие от их конкретных реализаций, т.е. «Эйдосы» этих изображений (в смысле Платона) - прототипы или архетипы изображений (в смысле Юнга). Но система «Эйдос» обеспечивает не только формирование прототипов изображений, в которых количественно отражено количество информации в элементах конкретных изображений об их принадлежности к определенным прототипам, но и сравнение конкретных изображений с обобщенными (идентификация) и самих обобщенных образов изображений друг с другом (классификацию)

Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», ВВОД, ОЦИФРОВКА ИЗОБРАЖЕНИЙ, СИНТЕЗ ОБОБЩЕННЫХ ИЗОБРАЖЕНИЙ, АБСТРАГИРОВАНИЕ, КЛАССИФИКАЦИЯ, СРАВНЕНИЕ КОНКРЕТНЫХ ИЗОБРАЖЕНИЙ С ОБОБЩЕННЫМИ (ИДЕНТИФИКАЦИЯ)

Данная статья может рассматриваться как продолжение серии работ автора [1, 2, 3, 4], посвященных применению автоматизированного системно-когнитивного анализа (АСК-анализ) [2] и его программного инструментария - системы «Эйдос» для интеллектуальной обработки изображений.

Несомненный научный и практический интерес представляет синтез обобщенных изображений на основе ряда конкретных примеров. При этом в результате обобщения выясняется ценность признаков изображений для их дифференциации, а также степень характерности тех или иных признаков для конкретных изображений. Это позволяет без ущерба для адекватности модели удалить из нее малоценные признаки, т.е. осуществить абстрагирование обобщенных изображений, что обеспечивает в последующем сокращение затрат различных видов ресурсов на сбор и обработку графической информации. Над обобщенными изображениями возможны операции классификации, объединения наиболее сходных из них в кластеры и формирования систем наиболее сильно отличающихся друг от друга кластеров, т.е. конструктов. Можно также количественно оценивать степень сходства конкретных изображений с обобщенными, т.е. идентифицировать эти конкретные изображения.

При этом могут использоваться различные признаки изображений. Это могут быть и просто отдельные пиксели, и различные системы пикселей, в частности внешние контуры изображений [3, 4].

В данной работе применен подход, аналогичный описанному в работе [2]. Целесообразность написания данной статьи обусловлена тем, что подход, описанный в работе [2], был реализован в DOS-версии системы «Эйдос» [5] и прошедшие с тех пор 6 лет создана новая версия системы «Эйдос-Х++», в которой этот подход развит с использованием новых графических и других возможностей языка программирования [6].

В новой версии системы есть режим 4.7, который так и называется: «АСК-анализ изображений» (рисунок 1):



Рисунок 1. Запуск режима: «АСК-анализ изображений»
из главного меню системы «Эйдос-Х++»

В результате появляется главная экранная форма режима «АСК-анализ изображений», представленная на рисунке 2:

Рисунок 2. Первая экранная форма режима: «АСК-анализ изображений»

Из рисунка 2 мы видим, что системой «Эйдос-Х++» предоставляется возможность АСК-анализа изображений по всем их пикселям (чему и посвящена данная статья), а также по их контурам. В работах [3, 4] описан АСК-анализ изображений по их внешним контурам. На рисунке 3 приведен скриншот, поясняющий возможности данных режимов:

Рисунок 3. Пояснение к режиму: ««АСК-анализ изображений»

После выбора оцифровки и АСК-анализ изображений по их пикселям появляется экранная форма, приведенная на рисунке 4:



Рисунок 4. Экранная форма режима оцифровки и АСК-анализа
изображений по их пикселям

В верхней части экранной формы описаны основные этапы работы в данном режиме и его основные возможности.

В нижней части экранной формы есть кнопки, позволяющие запустить соответствующие режимы на исполнение.

Рассмотрим их по порядку.

АСК-анализ изображений может использоваться для выполнения реальных научных и практических задач обработки изображений в различных предметных областях, а также в качестве учебного режима для освоения различных методов интеллектуальной обработки изображений.

В первом случае изображения, которые мы собираемся анализировать, получены из внешнего источника (фото, сканированные изображения, клип-арты и т.д.). В этом случае они вручную помещаются пользователем в папку: c:\Aidos-X\AID_DATA\Inp_data\.

Во втором случае, который мы и рассмотрим в данной статье, используется генератор изображений символов различных размеров, стилей и шрифтов, встроенный в систему «Эйдос». Эти изображения и используются для анализа. Запуск данного генератора изображений происходит по нажатию кнопки 1 на экранной форме, приведенной на рисунке 4. В результате появляется окно генератора изображений символов, в котором пользователь может задать какие символы генерировать, а также размер и тип шрифта (рисунок 5):

Рисунок 5. Экранная форма генератора изображений символов
режима: «АСК-анализ изображений»

При нажатии на кнопке: появляется стандартное окно выбора типа шрифта и его стиля (рисунок 6):



Рисунок 6. Стандартное окно выбора типа шрифта и его стиля

С помощью этого окна выбираем символы и шрифты для численного примера, исследуемого в данной статье. В данном случае это цифры следующих шрифтов. Если в папке: c:\Aidos-X\AID_DATA\Inp_data\ не было поддиректории с изображениями заданных символов заданных шрифтов, то они создаются. В папках имена которых совпадают с наименованиями шрифтов, создаются графические файлы с созданными изображениями заданных символов:

Эти изображения обрезаны по максимальным размерам (ширине и высоте) всех созданных изображений.

Когда изображения для исследования подготовлены и записаны в нужную директорию и поддиректории, то запускается автоматизированный программный интерфейс ввода изображения в систему «Эйдос», т.е. режим оцифровки.

Отметим, что в текущую версию системы «Эйдос-Х++» входят два режима оцифровки изображений: по всем пикселям (режим 2.3.2.5) и по их внешним контурам (режим 2.3.2.4). Планируется также разработка режима оцифровки изображений по их внутренним и внешним контурам. Все режимы оцифровки изображений входя в подсистему, содержащую программные интерфейсы системы «Эйдос» с внешними истопниками данных, представленных в различных формах: в форме текстов, таблиц и изображений (рисунок 7):

Рисунок 7. Экранная форма главного меню системы «Эйдос-Х++»
с программными интерфейсами ввода данных в систему
из внешних источников данных различных типов

Запуск режима оцифровки изображений по их пикселям возможен из режима 2.3.2.5 (рисунок 7), а также путем нажатия на вторую кнопку в экранной форме, приведенной на рисунке 4. При запуске данного режима оцифровки открывается окно (рисунок 8):



Рисунок 8. Экранная форма режима оцифровки изображений по всем их пикселям

Данный режим создает базу данных оцифрованных изображений. Если этой базы данных нет в текущей папке системы «Эйдос», то она создается, если она уже есть, то оцифрованные изображения просто добавляются в нее. Поэтому, если мы хотим, чтобы в этой базе были только вновь созданные изображения, то предварительно нужно пересоздать (стереть) ее. При выборе второго пункта начинается процесс оцифровки изображений, находящихся в поддиректориях папки: c:\Aidos-X\AID_DATA\Inp_data\. Этот процесс сопровождается отображением тех изображений, которые оцифровываются в данный момент (рисунок 8):

Рисунок 8. Экранная форма отображения стадии оцифровки изображения

В любое время можно просмотреть изображения, накопленные в этой базе, кликнув по 3-й кнопке. После выбора 4-го пункта создается база данных «Inp_data.dbf» для стандартного программного интерфейса 2.3.2.3 ввода данных в Систему «Эйдос» из внешних баз данных, содержащая информацию об изображениях в стандарте данного интерфейса (рисунок 9):

Рисунок 9. Экранные формы отображения стадии исполнения

Всегда создается файл: Inp_data.dbf, который, если пользователь не отказывается от этого, экспортируется в Excel-файл.

Затем выполняется 3-й этап, приведенный на рисунке 4. При этом отображается экранная форма программного интерфейса 2.3.2.3 (рисунок 10) с нужными параметрами заданными программно (по умолчанию):



Рисунок 10. Экранная форма программного интерфейса режима 2.3.2.3.

Выполнение данного режима автоматически формирует классификационные и описательные шкалы и градации, а также обучающую выборку, содержащую данные по пикселям всех исследуемых изображений.

Help данного режима, в котором описаны его назначение и требования к исходным данным, приведен на рисунке 11:



Рисунок 11. Экранная форма Help режима 2.3.2.3.

Программный интерфейс 2.3.2.3 используется в данном случае потому, что у него практически нет ограничения на число классификационных и описательных шкал и градаций.

В результате выполнения данного режима автоматически формируются классификационные и описательные шкалы и градации (рисунок 12) и обучающая выборка (таблица 1), т.е. производится нормализация базы исходных данных:

Рисунок 12. Экранные формы с классификационными и описательными шкалами и градациями

Таблица 1 - Обучающая выборка (фрагмент: 65 из 1857 строк)

Наимено-вания шкал	Тип данных в шкале	Краткие наименования объектов обучающей выборки
		OBJ1	OBJ2	OBJ3	OBJ4	OBJ5	OBJ6	OBJ7	OBJ8	OBJ18
Класс	C	1	2	3	4	5	6	7	8	8
Pixel(1,1)	N
Pixel(2,1)	N
Pixel(3,1)	N
* * *
Pixel(10,16)	N	160		160	160
Pixel(11,16)	N	161		161	161			161
Pixel(12,16)	N	162		162	162			162
Pixel(13,16)	N	163		163	163			163
Pixel(14,16)	N	164		164	164			164
Pixel(15,16)	N	165		165	165			165
Pixel(16,16)	N	166		166	166			166
Pixel(17,16)	N	167		167	167			167
Pixel(18,16)	N	168		168				168
Pixel(19,16)	N							169
Pixel(20,16)	N
Pixel(21,16)	N
Pixel(22,16)	N
Pixel(23,16)	N
Pixel(24,16)	N
Pixel(25,16)	N
Pixel(26,16)	N
Pixel(27,16)	N
Pixel(28,16)	N
Pixel(29,16)	N
Pixel(1,17)	N
Pixel(2,17)	N
Pixel(3,17)	N								176	176
Pixel(4,17)	N								177	177
Pixel(5,17)	N								178	178
Pixel(6,17)	N						179		179	179
Pixel(7,17)	N			180			180		180	180
Pixel(8,17)	N	181		181	181		181		181	181
Pixel(9,17)	N	182		182	182		182	182	182	182
Pixel(10,17)	N	183		183	183		183	183	183	183
Pixel(11,17)	N	184		184	184		184	184	184	184
Pixel(12,17)	N	185		185	185		185	185	185	185
Pixel(13,17)	N	186		186	186		186	186	186	186
Pixel(14,17)	N	187		187	187		187	187	187	187
Pixel(15,17)	N	188	188	188	188		188	188	188	188
Pixel(16,17)	N	189	189	189	189	189	189	189	189	189
Pixel(17,17)	N	190	190	190	190	190	190	190	190	190
Pixel(18,17)	N	191	191	191	191	191	191	191	191	191
Pixel(19,17)	N	192	192	192	192	192	192	192	192	192
Pixel(20,17)	N	193		193		193	193	193	193	193
Pixel(21,17)	N			194		194	194	194	194	194
Pixel(22,17)	N						195		195	195
Pixel(23,17)	N						196		196	196
Pixel(24,17)	N						197		197	197
Pixel(25,17)	N								198	198
Pixel(26,17)	N								199	199
Pixel(27,17)	N
Pixel(28,17)	N
Pixel(29,17)	N
Pixel(1,18)	N
Pixel(2,18)	N
Pixel(3,18)	N								200	200
Pixel(4,18)	N								201	201
Pixel(5,18)	N								202	202
Pixel(6,18)	N			203	203		203		203	203
Pixel(7,18)	N	204		204	204		204	204	204	204
Pixel(8,18)	N	205		205	205		205	205	205	205
Pixel(9,18)	N	206		206	206		206	206	206	206
Pixel(10,18)	N	207		207	207		207	207	207	207
Pixel(11,18)	N	208		208	208		208	208	208	208

В таблице 1 для экономии места в заголовке приведены краткие наименования объектов обучающей выборки. Полные их наименования приведены ниже:

1. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 0.bmp

2. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 1.bmp

3. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 2.bmp

4. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 3.bmp

5. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 4.bmp

6. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 5.bmp

7. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 6.bmp

8. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 7.bmp

9. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 8.bmp

10. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS\Num 9.bmp

11. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 0.bmp

12. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 1.bmp

13. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 2.bmp

14. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 3.bmp

15. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 4.bmp

16. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 5.bmp

17. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 6.bmp

18. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 7.bmp

19. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 8.bmp

20. C:\AIDOS-X\AID_DATA\Inp_data\36_@Arial_Unicode_MS_Bold\Num 9.bmp

21. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 0.bmp

22. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 1.bmp

23. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 2.bmp

24. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 3.bmp

25. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 4.bmp

26. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 5.bmp

27. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 6.bmp

28. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 7.bmp

29. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 8.bmp

30. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_Bold\Num 9.bmp

31. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 0.bmp

32. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 1.bmp

33. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 2.bmp

34. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 3.bmp

35. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 4.bmp

36. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 5.bmp

37. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 6.bmp

38. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 7.bmp

39. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 8.bmp

40. C:\AIDOS-X\AID_DATA\Inp_data\36_Courier_New\Num 9.bmp

41. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 0.bmp

42. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 1.bmp

43. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 2.bmp

44. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 3.bmp

45. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 4.bmp

46. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 5.bmp

47. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 6.bmp

48. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 7.bmp

49. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 8.bmp

50. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman\Num 9.bmp

51. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 0.bmp

52. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 1.bmp

53. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 2.bmp

54. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 3.bmp

55. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 4.bmp

56. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 5.bmp

57. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 6.bmp

58. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 7.bmp

59. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 8.bmp

60. C:\AIDOS-X\AID_DATA\Inp_data\36_Times_New_Roman_Bold\Num 9.bmp

Затем запускается режим синтеза и верификации статистических и системно-когнитивных моделей с параметрами по умолчанию (рисунок 13):



Рисунок 13. Экранные формы режима синтеза и верификации моделей

графический изображение пиксель автоматизированный

В результате работы данного режима создаются и верифицируются 3 статистических модели (корреляционная матрица, матрицы условных и безусловных процентных распределений) и 7 системно-когнитивных моделей (моделей знаний) (рисунок 14):

Рисунок 14. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям

Из всех этих моделей ниже приведена модель «ABS» и модель «INF1» (таблицы 2 и 3), наименования этих моделей приведены на рисунке 13.

Таблица 2 - Модель «Abs» (фрагмент)

Код	Наименование шкалы и градации	CLS1	CLS2	CLS3	CLS4	CLS5	CLS6	CLS7	CLS8	CLS9	CLS10	Сумма
1	PIXEL(7,8)-1/1-{11953664.0000000, 16777215.0000000}						1		1			2
2	PIXEL(11,8)-1/1-{6684672.0000000, 16777215.0000000}			1	1		1		1	1		5
3	PIXEL(12,8)-1/1-{16758374.0000000, 16777215.0000000}	1		1	1		1		1	1	1	7
4	PIXEL(13,8)-1/1-{6684672.0000000, 16777215.0000000}	1	1	1	1		1		1	1	1	8
5	PIXEL(14,8)-1/1-{16777142.0000000, 16777215.0000000}	1	1	1	1		1		1	1	1	8
6	PIXEL(15,8)-1/1-{14417919.0000000, 16777215.0000000}	1	1	1	1		1		1	1	1	8
7	PIXEL(16,8)-1/1-{14992.0000000, 16777215.0000000}	1	1	1	1	1	1		1	1	1	9
8	PIXEL(17,8)-1/1-{11993087.0000000, 16777215.0000000}	1		1	1	1	1	1	1	1	1	9
9	PIXEL(18,8)-1/1-{102.0000000, 16777215.0000000}	1		1	1	1	1	1	1	1	1	9
10	PIXEL(20,8)-1/1-{6731519.0000000, 16777215.0000000}					1	1	1	1			4
11	PIXEL(22,8)-1/1-{6731519.0000000, 16777215.0000000}						1	1	1			3
12	PIXEL(23,8)-1/1-{3838171.0000000, 6731519.0000000}							1	1			2
13	PIXEL(7,9)-1/1-{11953664.0000000, 16777215.0000000}						1		1			2
14	PIXEL(9,9)-1/1-{6684672.0000000, 16777215.0000000}			1	1		1		1	1		5
15	PIXEL(10,9)-1/1-{11953664.0000000, 16777215.0000000}	1		1	1		1		1	1	1	7
16	PIXEL(11,9)-1/1-{16758374.0000000, 16777215.0000000}	1	1	1	1		1		1	1	1	8
17	PIXEL(14,9)-1/1-{9452032.0000000, 16777215.0000000}	1	1	1	1		1	1	1	1	1	9
18	PIXEL(15,9)-1/1-{14389306.0000000, 16777215.0000000}	1	1	1	1	1	1	1	1	1	1	10
19	PIXEL(16,9)-1/1-{14992.0000000, 16777215.0000000}	1	1	1	1	1	1	1	1	1	1	10
20	PIXEL(19,9)-1/1-{6731519.0000000, 16777215.0000000}	1		1	1	1	1	1	1	1	1	9
21	PIXEL(20,9)-1/1-{14992.0000000, 16777215.0000000}				1	1	1	1	1		1	6
22	PIXEL(22,9)-1/1-{6731519.0000000, 16777215.0000000}						1	1	1			3
23	PIXEL(23,9)-1/1-{3838171.0000000, 16777215.0000000}							1	1			2
24	PIXEL(5,10)-1/1-{11953664.0000000, 16777215.0000000}								2			2
25	PIXEL(6,10)-1/1-{11953664.0000000, 16777215.0000000}						1		2			3
26	PIXEL(7,10)-1/1-{9452032.0000000, 16777215.0000000}				1		2		2			5
27	PIXEL(8,10)-1/1-{102.0000000, 16777215.0000000}		1	1	1		2		2	1		8
28	PIXEL(9,10)-1/1-{11993087.0000000, 16777215.0000000}	1	1	1	1		2		1	1	1	9
29	PIXEL(10,10)-1/1-{102.0000000, 16777215.0000000}	1	1	1	1		2		1	1	1	9
30	PIXEL(11,10)-1/1-{3801088.0000000, 16777215.0000000}	2	1	2	2		1		1	2	1	12
31	PIXEL(12,10)-1/1-{102.0000000, 16777215.0000000}	2	1	2	2		1		1	2	2	13
32	PIXEL(13,10)-1/1-{14992.0000000, 16777215.0000000}	1	1	1	1		1	1	1	1	2	10
33	PIXEL(14,10)-1/1-{6684672.0000000, 16777215.0000000}	1	1	1	1	1	1	1	1	1	1	10
34	PIXEL(15,10)-1/1-{6684672.0000000, 16777215.0000000}	1	2	1	1	2	1	1	1	1	1	12
35	PIXEL(16,10)-1/1-{14992.0000000, 16777215.0000000}	1	2	1	1	2	1	1	1	1	1	12
36	PIXEL(17,10)-1/1-{3838171.0000000, 16777215.0000000}	2	1	2	2	2	1	2	1	2	2	17
37	PIXEL(18,10)-1/1-{102.0000000, 16777215.0000000}	2	1	2	2	2	1	1	1	2	2	16
38	PIXEL(19,10)-1/1-{58.0000000, 16777215.0000000}	2		1	2	2	1	1	1	2	2	14
39	PIXEL(20,10)-1/1-{6731519.0000000, 16777215.0000000}	1		1	1	2	1	1	1	1	1	10
40	PIXEL(21,10)-1/1-{102.0000000, 16777215.0000000}			1	1	1	1	1	2	1	1	9
41	PIXEL(22,10)-1/1-{3838171.0000000, 16777215.0000000}					1	1	2	2			6
42	PIXEL(23,10)-1/1-{3838171.0000000, 16777215.0000000}						1	2	2			5
43	PIXEL(24,10)-1/1-{58.0000000, 16777215.0000000}						1	2	1			4
44	PIXEL(25,10)-1/1-{102.0000000, 6731519.0000000}							1	1			2
45	PIXEL(5,11)-1/1-{11953664.0000000, 16777215.0000000}								3			3
46	PIXEL(6,11)-1/1-{6684672.0000000, 16777215.0000000}		1		1		1		3			6
47	PIXEL(7,11)-1/1-{6684672.0000000, 16777215.0000000}		1	1	1		2		3	1		9
48	PIXEL(8,11)-1/1-{102.0000000, 16777215.0000000}	1	1	2	3		2		3	1	1	14
49	PIXEL(9,11)-1/1-{3801088.0000000, 16777215.0000000}	2	1	3	3		3		2	3	2	19
50	PIXEL(10,11)-1/1-{102.0000000, 16777215.0000000}	3	1	3	3		3		2	3	3	21
51	PIXEL(11,11)-1/1-{102.0000000, 16777215.0000000}	3	2	2	2		2	1	2	2	3	19
52	PIXEL(12,11)-1/1-{14992.0000000, 16777215.0000000}	2	3	2	2		2	1	2	2	2	18
53	PIXEL(13,11)-1/1-{9452032.0000000, 16777215.0000000}	2	3	2	2		2	1	2	2	2	18

Таблица 3 - Модель «Inf1» (фрагмент)

Код	Наименование шкалы и градации	CLS1	CLS2	CLS3	CLS4	CLS5	CLS6	CLS7	CLS8	CLS9	CLS10	Цен- ность
1	PIXEL(7,8)-1/1-{11953664.0000000, 16777215.0000000}						542		650			0,253
2	PIXEL(11,8)-1/1-{6684672.0000000, 16777215.0000000}			251	257		235		342	167		0,138
3	PIXEL(12,8)-1/1-{16758374.0000000, 16777215.0000000}	71		138	144		122		230	54	78	0,076
4	PIXEL(13,8)-1/1-{6684672.0000000, 16777215.0000000}	26	178	94	99		77		185	9	34	0,069
5	PIXEL(14,8)-1/1-{16777142.0000000, 16777215.0000000}	26	178	94	99		77		185	9	34	0,069
6	PIXEL(15,8)-1/1-{14417919.0000000, 16777215.0000000}	26	178	94	99		77		185	9	34	0,069
7	PIXEL(16,8)-1/1-{14992.0000000, 16777215.0000000}	-14	139	54	59	27	37		145	-31	-6	0,061
8	PIXEL(17,8)-1/1-{11993087.0000000, 16777215.0000000}	-14		54	59	27	37	-9	145	-31	-6	0,052
9	PIXEL(18,8)-1/1-{102.0000000, 16777215.0000000}	-14		54	59	27	37	-9	145	-31	-6	0,052
10	PIXEL(20,8)-1/1-{6731519.0000000, 16777215.0000000}					300	310	263	417			0,171
11	PIXEL(22,8)-1/1-{6731519.0000000, 16777215.0000000}						406	360	514			0,209
12	PIXEL(23,8)-1/1-{3838171.0000000, 6731519.0000000}							496	650			0,244
13	PIXEL(7,9)-1/1-{11953664.0000000, 16777215.0000000}						542		650			0,253
14	PIXEL(9,9)-1/1-{6684672.0000000, 16777215.0000000}			251	257		235		342	167		0,138
15	PIXEL(10,9)-1/1-{11953664.0000000, 16777215.0000000}	71		138	144		122		230	54	78	0,076
16	PIXEL(11,9)-1/1-{16758374.0000000, 16777215.0000000}	26	178	94	99		77		185	9	34	0,069
17	PIXEL(14,9)-1/1-{9452032.0000000, 16777215.0000000}	-14	139	54	59		37	-9	145	-31	-6	0,063
18	PIXEL(15,9)-1/1-{14389306.0000000, 16777215.0000000}	-49	103	19	24	-8	2	-44	110	-66	-41	0,061
19	PIXEL(16,9)-1/1-{14992.0000000, 16777215.0000000}	-49	103	19	24	-8	2	-44	110	-66	-41	0,061
20	PIXEL(19,9)-1/1-{6731519.0000000, 16777215.0000000}	-14		54	59	27	37	-9	145	-31	-6	0,052
21	PIXEL(20,9)-1/1-{14992.0000000, 16777215.0000000}				196	163	174	127	281		130	0,101
22	PIXEL(22,9)-1/1-{6731519.0000000, 16777215.0000000}						406	360	514			0,209
23	PIXEL(23,9)-1/1-{3838171.0000000, 16777215.0000000}							496	650			0,244
24	PIXEL(5,10)-1/1-{11953664.0000000, 16777215.0000000}								883			0,279
25	PIXEL(6,10)-1/1-{11953664.0000000, 16777215.0000000}						406		747			0,256
26	PIXEL(7,10)-1/1-{9452032.0000000, 16777215.0000000}				257		467		575			0,223
27	PIXEL(8,10)-1/1-{102.0000000, 16777215.0000000}		178	94	99		310		417	9		0,148
28	PIXEL(9,10)-1/1-{11993087.0000000, 16777215.0000000}	-14	139	54	59		270		145	-31	-6	0,096
29	PIXEL(10,10)-1/1-{102.0000000, 16777215.0000000}	-14	139	54	59		270		145	-31	-6	0,096
30	PIXEL(11,10)-1/1-{3801088.0000000, 16777215.0000000}	122	42	190	196		-59		49	105	-103	0,100
31	PIXEL(12,10)-1/1-{102.0000000, 16777215.0000000}	95	15	163	169		-86		22	78	103	0,080
32	PIXEL(13,10)-1/1-{14992.0000000, 16777215.0000000}	-49	103	19	24		2	-44	110	-66	191	0,082
33	PIXEL(14,10)-1/1-{6684672.0000000, 16777215.0000000}	-49	103	19	24	-8	2	-44	110	-66	-41	0,061
34	PIXEL(15,10)-1/1-{6684672.0000000, 16777215.0000000}	-110	275	-43	-37	163	-59	-106	49	-127	-103	0,134
35

Подобные документы

• Методы обработки рентгеновских диагностических изображений

  Цифровые рентгенографические системы. Методы автоматического анализа изображений в среде MatLab. Анализ рентгеновского изображения. Фильтрация, сегментация, улучшение изображений. Аппаратурные возможности предварительной нормализации изображений.
  
  курсовая работа [890,9 K], добавлен 07.12.2013
  

• Программа цифровой обработки растровых графических изображений

  Описание математических методов представления и обработки графических изображений. Описание разработанного программного дополнения. Описание функций и их атрибутов. Представление и обработка графических изображений. Результаты тестирования программы.
  
  курсовая работа [1,7 M], добавлен 27.01.2015
  

• Технологии оцифровки

  Технология считывания данных в современных устройствах оцифровки изображений. Принцип работы черно-белых и цветных сканеров. Цифровое кодирование изображений. Программные интерфейсы и TWAIN. Способ формирования изображения. Преимущество галогенной лампы.
  
  реферат [2,2 M], добавлен 02.12.2012
  

• Виды компьютерной графики и графических файлов

  Характеристика цифровых изображений, применяющиеся в издательской деятельности. Отличительные особенности растровых и векторных изображений, понятие цветового охвата, изучение моделей для описания отраженных цветов. Форматы и виды графических файлов.
  
  контрольная работа [22,9 K], добавлен 16.09.2010
  

• Методы представления графических изображений

  Растровая графика, составление графических изображений из отдельных точек (пикселей). Растровые графические редакторы. Векторная графика - построение изображения из простых объектов. Достоинства, недостатки и применение растровой и векторной графики.
  
  презентация [7,8 K], добавлен 06.01.2014
  

• Введение в мультимедийные базы данных. Базы данных для изображений

  Типы изображений (черно-белые, полутоновые, цветные) и их форматы. Устройства, создающие цифровые изображения, и их параметры. Применение и характеристики методов сжатия изображений. Поиск по содержимому в базах данных изображений. Структуры баз данных.
  
  презентация [360,4 K], добавлен 11.10.2013
  

• Использование Cuda для сжатия изображений

  Обработка изображений на современных вычислительных устройствах. Устройство и представление различных форматов изображений. Исследование алгоритмов обработки изображений на базе различных архитектур. Сжатие изображений на основе сверточных нейросетей.
  
  дипломная работа [6,1 M], добавлен 03.06.2022
  

• Автоматическая классификация изображений по текстурным признакам

  Современные системы текстурного анализа изображений. Примеры текстурной сегментации одноканальных изображений. Использование признаков, полученных на основе гистограммы яркостей второго порядка, для классификации спектрозональных аэрофотоснимков.
  
  реферат [573,5 K], добавлен 15.01.2017
  

• Графический редактор

  Растровые и векторные графические редакторы. Форматы файлов, используемые для хранения графических изображений. Графические редакторы, используемые для создания изображений. Редакторы для создания трехмерных изображений. Создание графического редактора.
  
  курсовая работа [306,5 K], добавлен 23.08.2013
  

• Повышение разрешающей способности изображений

  Сравнительная оценка существующих программ, повышающих разрешение изображений на языке Borland Delphi. Выбор оптимального инструментария для разработки логической схемы. Форма поиска файлов, преобразования изображений и реализации алгоритмов интерполяции.
  
  дипломная работа [3,0 M], добавлен 29.11.2011
  

• Защита информации

  Компьютерная растровая и векторная графика. Графические редакторы. Форматы файлов для хранения растровых графических изображений. Особенности защиты информации в современных условиях. Идентификация и подлинность доступа в систему. Механизмы защиты.
  
  реферат [31,4 K], добавлен 26.01.2009
  

• Программы обработки и просмотра графических изображений

  Общие сведения о графических редакторах, понятия компьютерной растровой и векторной графики, форматов. Обзор и сравнительный анализ современных программ обработки и просмотра графических изображений: Paint, Corel Draw, Adobe Photoshop, MS PowerPoint.
  
  дипломная работа [283,9 K], добавлен 09.08.2010
  

• Разработка программного обеспечения для фильтрации растровых изображений

  Общая информация о графическом формате. Описание формата Microsoft Windows Bitmap. Структура файла DDВ исходного формата ВМР. Преобразования графических файлов. Просмотр и редактирование растровых изображений. Создание многодокументного приложения.
  
  дипломная работа [1,5 M], добавлен 06.06.2010
  

• Графический дизайн и его место в художественном образовании (на примере Photoshop)

  Элементы и принципы графического дизайна в художественном образовании. Разработка графических изображений средствами Adobe Photoshop. Обработка изображения с помощью Photoshop. Подготовка изображения с прозрачным фоном. Плавное слияние двух изображений.
  
  курсовая работа [2,5 M], добавлен 27.11.2012
  

• Пример обработки рентгеновских биомедицинских изображений с использованием системы MATLAB

  Изучение современных методик компьютерной обработки биомедицинских изображений с целью улучшения изображений для их наилучшего визуального восприятия врачом-диагностом и эффективного сжатия изображений – для надежного хранения и быстрой передачи данных.
  
  курсовая работа [2,3 M], добавлен 15.04.2019
  

• Прямое программирование видеоконтроллера

  Основные типы графических режимов, условия и принципы их использования. Функции VGA и VESA BIOS. Простые форматы графических файлов, их содержание и специфика. Формат BMP для несжатого RGB-изображения. Особенности формата PCX для 256-цветов изображений.
  
  контрольная работа [33,7 K], добавлен 28.05.2016
  

• Программный комплекс автоматизации обработки изображений

  Обзор существующего программного обеспечения для автоматизации выделения границ на изображении. Разработка математической модели обработки изображений и выделения контуров в оттенках серого и программного обеспечения для алгоритмов обработки изображений.
  
  дипломная работа [1,7 M], добавлен 27.03.2013
  

• Программная реализация методов сегментации текстовой информации на изображениях денежных купюр

  Выбор методов обработки и сегментации изображений. Математические основы примененных фильтров. Гистограмма яркости изображения. Программная реализация комплексного метода обработки изображений. Тестирование разработанного программного обеспечения.
  
  курсовая работа [1,3 M], добавлен 18.01.2017
  

• Способы сжатия графических файлов

  Архивация и компрессия как методы сжатия изображений. Алгоритмы сжатия данных. Вспомогательные средства, которые используются для понижения объемов файлов: изменение цветовой модели изображения, изменение разрешения растрового файла, ресемплирование.
  
  презентация [45,3 K], добавлен 06.01.2014
  

• Алгоритмы сглаживания изображений

  Обнаружение деталей и их границ изображения. Применение ранговых алгоритмов. Использование алгоритмов адаптивного квантования мод в режиме пофрагментной обработки. Обобщенная линейная фильтрация изображений. Восстановление отсутствующих участков.
  
  курсовая работа [1,8 M], добавлен 17.06.2013
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам