Интеллектуальные информационные системы

Переносимость налагает на разработчиков ЕЯ-системы достаточно жесткие ограничения, которые в полном объеме в существующих системах пока не выполняются. Во-первых, используемый синтаксис должен задаваться общей грамматикой ЕЯ, а не проблемно-ориентированным множеством правил. Это позволяет исключить из процесса настройки модификацию грамматики языка общения. Во-вторых, поскольку семантика языка общения не может зависеть от некоторого проблемно-ориентированного синтаксиса, выбранного для упрощения семантического анализа, то должен быть разработан общий механизм приобретения и присоединения семантики к широкому множеству синтаксических конструкций. В-третьих, лексика языка общения (словарь) также должна пополняться в процессе настройки. При этом вся необходимая информация специфицируется в терминах, ориентированных на пользователя или прикладного специалиста. И, наконец, в-четвертых, доступ к БД должен предусматривать возможность использования приобретаемых в процессе настройки знаний для перевода того, что было сказано в запросе пользователя, в запрос, соответствующий логической структуре БД. При этом от пользователя и процесса анализа скрыто, присутствует требуемая пользователем информация явно или выводится из информации, имеющейся в БД.

Как правило, в переносимых ЕЯ-системах процесс настройки рассматривается как отдельная задача, которая может решаться либо средствами самой ЕЯ-системы (АИСТ, TEAM), либо с помощью специальной, дополнительной ЕЯ-системы. Последнее имеет место в системе IRUS, для настройки которой применяется специальная ЕЯ-система IRACQ. Блок настройки позволяет «переложить» инициативу и значительную часть ответственности за процесс настройки с лица, производящего настройку (пользователя или прикладного специалиста), на систему. При этом пользователь или прикладной специалист избавляются от заботы о полноте и непротиворечивости вводимой в систему информации, а также от необходимости знания особенностей используемых в настраиваемой ЕЯ-системе способов представления проблемно-ориентированных знаний.

Адаптация ЕЯ-систем. Основу процесса адаптации составляет оперативное приобретение знаний, недостающих ЕЯ-системе для обеспечения эффективного удовлетворения информационных потребностей конечного пользователя в конкретных ситуациях общения. Необходимость адаптации ЕЯ-систем обусловлена тем, что при настройке системы, как правило, не удается предусмотреть все будущие изменения предметной области.

По сравнению с настройкой адаптация является более сложным процессом, т.к. оперативный (т.е. в процессе решения задач пользователя) характер ее выполнения требует в общем случае многоаспектной интерпретации высказываний пользователя (т.е. интерпретации на несколько областей знаний системы). В настоящее время данная задача еще не имеет общего решения, которое может быть рекомендовано для практического применения. В связи с этим возможности адаптации действующих ЕЯ-систем, как правило, весьма ограничены. В большинстве существующих ЕЯ-систем предусматривается адаптация к терминологии, используемой в высказываниях пользователя. Следует также отметить возросший в последнее время интерес к адаптации ЕЯ-систем к уровню квалификации пользователя и решаемых им задач.

Рассмотрим адаптацию к терминологии пользователя. Обычно она выполняется в процессе уточняющего поддиалога, инициируемого системой при обнаружении в высказывании пользователя неизвестных ей слов. При этом система использует заранее заготовленный сценарий уточняющего поддиалога. Приведем три типовых сценария, получивших наиболее широкое распространение в современных ЕЯ-системах. Согласно первому сценарию пользователь «приравнивает» новый термин (или фразу) к структурам, уже известным системе. Например: Кто преподает дискретную математику? -- Слово преподает -- неизвестно. -- Преподает означает то же, что и ведет занятия. -- Дискретную математику преподает доцент Петров.

В соответствии со вторым сценарием система с помощью последовательности простых вопросов предлагает пользователю выработать необходимое определение, в результате чего она получает как синтаксическую, так и семантическую информацию о новом термине. Фактически в данном случае управление передается блоку приобретения знаний, используемому при настройке ЕЯ-системы.

Третий сценарий основан на предположении, что неизвестный термин представляет собой значение, имеющееся в базе данных. Такое предположение оправдано, если ЕЯ-система сопряжена с большой, быстро изменяющейся БД. В этом случае нецелесообразно включать в словарь все значения БД, а смысл неизвестного слова может рассматриваться как имя ее поля (атрибута), чьим значением служит данное слово. Примером системы, использующей этот сценарий (вместе с первым из рассмотренных сценариев), может служить ЕЯ-система INTELLECT. Приведем пример уточняющего диалога, построенного на основе данной стратегии. В примере действия пользователя обозначаются через П, а системы -- С.

П. Сообщите Ф.И.О. бухгалтеров, зарегистрированных в службе занятости в г. Иванове.

С. Слово «Иванове» системе неизвестно.

Если вы предполагаете найти это слово в базе данных, нажмите клавишу «Возврат». В противном случае исправьте его написание или введите синоним.

П. (нажимает клавишу «Возврат»)

С. В каком поле оно должно появиться?

П. Город.

С: Напечатать фамилии всех, зарегистрированных в город -- Иванове и должность -- бухгалтер?

Число записей в отчете = 86: Иванов И.И., Петров П.П. и т.д.

В заключение отметим, что для действующих ЕЯ-систем характерно использование не какого-либо одного, а сразу нескольких из рассмотренных сценариев. Поэтому при обнаружении незнакомого термина система предоставляет пользователю возможность выбора одного из имеющихся у нее сценариев (см. предыдущий пример).

2.4 Классификация естественно-языковых систем

В зависимости от назначения прикладных систем, в состав которых входят конкретные реализации ЕЯ-систем, задачи, решаемые отдельными функциональными компонентами (как по постановке, так и по методам решения), могут в значительной степени варьироваться. Исходя из этого, а также учитывая историю развития ЕЯ-систем, будем различать их следующие основные классы:

-- интеллектуальные вопрос-ответные системы,

-- системы общения с базами данных,

-- диалоговые системы решения задач,

-- системы обработки связных текстов.

Исторически ЕЯ-системы происходят от информационно-поисковых систем, с одной стороны, и систем машинного перевода, с другой. Поэтому на начальном этапе ЕЯ-системы представляли собой макеты информационно-поисковых систем, демонстрирующие принципиальную возможность ввода данных (фактов) и обработку запросов на естественном языке. Такие системы часто назывались интеллектуальными вопрос-ответными системами. Название можно, по-видимому, объяснить стремлением их разработчиков подчеркнуть, что в отличие от обычных информационно-поисковых систем и систем машинного перевода того времени в данных системах широко используются концепции, выработанные в исследованиях по ИИ.

Основное внимание при разработке интеллектуальных вопрос-ответных систем уделялось не столько возможностям их практического использования для решения реальных задач, сколько развитию моделей и методов, позволяющих осуществлять перевод ЕЯ-высказываний, относящихся к узким и заранее фиксированным проблемным областям, в формальное представление, а также обратный перевод. Накопленный опыт разработки интеллектуальных вопрос-ответных систем позволил, с одной стороны, углубить понимание процесса ЕЯ-общения и, следовательно, поставить новые проблемы (в том числе и специфичные для общения в различных классах проблемных областей), требующие дальнейшей проработки, а с другой -- оценить перспективы практического применения ЕЯ-систем.

Первые предпосылки для практического использования ЕЯ-систем создало появление БД. В связи с этим возникла проблема обеспечения доступа к информации, хранящейся в БД, широкому классу неподготовленных конечных пользователей, к которым относят специалистов в той или иной предметной области, как правило, не обладающих знаниями о логической структуре БД, о системе представления информации в БД и не умеющих пользоваться формализованными языками запросов. Для решения этой проблемы стали создаваться системы общения с базами данных, основная задача которых (в простейшем случае) заключается в выполнении перевода запросов неподготовленных конечных пользователей с ЕЯ на формализованные языки запросов к БД.

Диалоговые системы решения задачи в отличие от систем общения с БД берут на себя не только функции ЕЯ-доступа к БД, но и функции интеллектуального монитора, обеспечивающего решение заранее определенных классов задач (например, планирование путешествий, боевых операций, составление контрактов и т.п.). В этом случае разбиение задач на подзадачи и распределение ролей между участниками, т.е. определение, кто из участников (пользователь или система) решает ту или иную подзадачу, осуществляется не пользователем (как в случае применения систем общения с БД), а диалоговой системой. Решение подзадач, «порученных» системе, может осуществляться как на основе использования собственных знаний и механизмов вывода, так и в результате обращения к прикладным программам и пакетам, не входящим в состав ЕЯ-системы. Основным направлением практического использования ЕЯ-систем данного класса является реализация ЕЯ-общения с экспертными системами.

Приведем пример диалогового решения задачи.

П1. Я хочу направить 4 самолета из 707-й истребительной эскадрильи для удара по Бостону между 11.40 и полуднем

С 1. Какие самолеты вы хотите послать?

П2. Какие самолеты имеются в эскадрилье?

С2. В 707-й истребительной эскадрилье F-4S

СЗ. Вы хотели бы использовать F-4S?

ПЗ. Нет, лучше F-16S из 606-й истребительной эскадрильи

С4. В 606-й истребительной эскадрилье нет F-16S

П4. Где имеются F-16S?

С5. F-16S имеются на аэродромах Кеннеди и Лагардия

П5. В каких эскадрильях на Лагардии они имеются?

С6. F16-S имеются в 808-й и 909-й истребительных эскадрильях

П6. Возьмите их из 808-й истребительной эскадрильи на Лагардии

С7. Какая система вооружения должна быть на F-16S?

П7: Какие возможны?

С8. На F-16S могут быть системы Dl, D2, D4

П8. Ударьте по цели системой D4 и спланируйте остальное

С9. Время достижения цели: 11.50;

время вылета: 11.20;

позывной: PEACE-7.

Возникновение последнего класса ЕЯ-систем -- систем обработки связных текстов обусловлено возрастанием объема хранимой в ЭВМ текстовой информации (газетные статьи, сообщения о различных событиях, патенты, авторские свидетельства и т.п.) и необходимостью извлечения из нее разнообразных сведений (например, о структуре некоторых объектов, о действующих лицах некоторых событий, о мотивах их поступков и т.д.).

Каждый из классов ЕЯ-систем обладает специфическими особенностями, которые хорошо заметны при рассмотрении характера задач, решаемых основными функциональными компонентами этих систем (табл. 2.1).

Цель их создания -- исследование или реализация новых методов решения достаточно узких задач (например, таких, как анализ, интерпретация, определение целей пользователя и т.п.). Благодаря модульности структуры ЕЯ-систем и, как правило, универсальному (т.е. не зависящему от специфики прикладных областей) характеру языка внутреннего представления, фрагментарные системы могут успешно использоваться в качестве отдельных функциональных блоков, встраиваемых (хотя бы на логическом уровне) в различные функционально полные ЕЯ-системы.

Таблица 2.1

Задачи, решаемые основными компонентами системы

Компоненты ЕЯ-систем	Интеллектуальные вопрос-ответные системы	Системы общения с базами данных	Диалоговая система решения задач	Системы обработки связных текстов
Ведение диалога	Жесткий диалог с инициативой у пользователя	Жесткий или альтернативный диалог. Инициатива в основном принадлежит пользователю. Перехваты инициативы системой для предупреждения некоторых видов локальных неудач	Гибкий диалог. Инициатива в основном принадлежит системе. Разнообразные способы перехвата инициативы	Жесткий диалог с инициативой у пользователя
Понимание высказываний	Отдельные правильные ЕЯ-предложения с лексическими, синтаксическими и семантическими ограничениями. Интерпретация осуществляется на предметную область	ЕЯ-предложения, которые могут содержать неправильности и ссылки на предложения из предыдущих запросов. Интерпретация на предметную область языка общения	Высказывания. Интерпретация на предметную область, область языка общения, область пользователя и область дискурса	Связный текст в виде последовательности ЕЯ-предложений, описывающих события, сложные объекты, явления и т.п.
Генерация высказываний	Прямые ответы в форме ЕЯ-предложений с лексическими, синтаксическими и семантическими ограничениями. Стандартные сообщения об неудачах	Прямые ответы, получаемые с помощью средств генерации отчетов СУБД. Стандартные сообщения для предупреждения или устранения неудач. Перефразирование запросов на ЕЯ	Прямые и косвенные ответы в виде ЕЯ-предложений, генерируемых с учетом целей и намерений участников общения	Связный текст в виде последовательности ЕЯ-предложений

В табл. 2.2 приведены наиболее общие сведения о существующих ЕЯ-системах, почерпнутые из материалов международных и национальных конференций.

Таблица 2.2

Основные сведения о ЕЯ-системах

Название системы (страна)	Назначение	Язык программирования, тип ЭВМ
1	2	3
VOX (США)	Анализ и интерпретация на область языка общения высказываний на английском языке	FRANZLISP, VAX 11/780
XCALIBUR (США)	Общение с экспертными системами на английском языке	Нет данных
АДАЛИТ (РФ)	Понимание вопросов на русском языке. Предусмотрена настройка на предметную область	Лисп, ЕС ЭВМ
АДС (РФ)	Диалоговая система решения задач, настраиваемая на предметную область	Лисп, СМ-4
АИСТ (РФ)	Общение с БД на русском языке, диалоговое решение информационно-поисковых задач	Ассемблер, ЕС ЭВМ
ДИЛОС (РФ)	Диалоговое решение задач на русском языке	Лисп, БЭСМ-6
ДИС 1.0 (РФ)	Общение с БД на русском языке. Построение информационно-поисковых систем. Обнаружение орфографических ошибок	СИ, ЕС-1841
ПИРС 2.0 (РФ)	Построение систем обработки данных с ЕЯ интерфейсом, средством деловой и иллюстративной графики, электронной таблицей (развитие системы ДИС 1.0)	То же
ДИСАР (РФ)	Диалоговая система решения задач автоматизированного проектирования. Общение на ограниченном русском языке	CDL, EC-1010
ДИСПУТ (РФ)	Общение с БД на русском языке	Фортран, Ассемблер, ЕС ЭВМ
ЗАПСИБ-10 (РФ)	Общение с БД на русском языке	ПЛ/I, EC ЭВМ
ИПС (ПНР, РФ)	Общение с БД на польском языке	Пролог
ЛИНГВИСТ (РФ)	Общение с БД на русском языке	Си, ЕС ЭВМ
МИВОС (РФ)	Интеллектуальная вопрос-ответная система. Язык общения -- русский. Предусмотрена настройка на проблемную область	РЕФАЛ, БЭСМ-6
ПОЭТ (РФ)	Интеллектуальная вопрос-ответная система с русским языком общения	ПЛ/1, ЕСЭВМ
ТАСС (РФ)	Система обработки связного текста на русском языке	Нет данных

3. РАЗДЕЛ. СИСТЕМЫ ПЕРЕРАБОТКИ ВИЗУАЛЬНОЙ ИНФОРМАЦИИ

3.1 Назначение, классификация и области применения

В настоящее время в различных областях науки и техники ощущается рост потребностей в переработке, анализе и отображении визуальной информации. В этом направлении принято выделять три основных типа задач: собственно обработку изображений, когда и исходные данные, и результаты обработки представляются в изобразительной форме; анализ (интерпретацию, распознавание или «понимание») изображений, когда входные данные являются изображением, а результат представляется в неизобразительной форме, например в виде текстового описания наблюдаемой сцены; синтез изображений (машинную графику), когда на входе имеется описание (алгоритм построения) изображения, а на выходе по нему строится само изображение. Взаимосвязь трех перечисленных типов задач показана на рисунок 1.

Размещено на http://www.Allbest.ru/

Рисунок 1. Взаимосвязь направлений цифровой обработки изображений

Обработка изображений, как уже отмечено, связана с преобразованием изобразительной информации вновь в изобразительную форму. Примером здесь может служить устранение искажений или дефектов на изображении, улучшение качества получаемой визуальной информации путем повышения контраста, подчеркивание контуров объектов и т.д.

Задачей анализа изображений является получение из изображения, поданного на вход системы, неизобразительного описания. Это описание может быть различных уровней общности -- от простого указания номера или имени класса, к которому относится анализируемое изображение, до подробной характеристики наблюдаемой сцены с указанием отдельных объектов и отношений между ними. В последнем случае обычно говорят о «понимании» изображений. Некоторые авторы называют анализ изображений распознаванием, хотя, на наш взгляд, этот термин имеет более узкое значение, относясь преимущественно к идентификации отдельных объектов на изображениях. К типичным задачам анализа можно отнести распознавание рукописных или печатных знаков, дешифрацию аэрофотоснимков, анализ наблюдаемых сцен.

Синтез изображений обычно отождествляют с машинной графикой, хотя последний термин в буквальном понимании стал несколько архаичен. В настоящее время синтезируются на ЭВМ отнюдь не только «графические» картины, наоборот, синтез все больше претендует на создание полноцветных реалистических изображений по их описаниям в неизобразительной форме. Сюда относятся и системы имитации визуальной обстановки на тренажерах, и системы геометрического моделирования в САПР, и системы компьютерного киноискусства.

Наряду с этим сохраняются и традиционные приложения машинной графики: вывод информации на экран дисплея в виде диаграмм, графиков; построение чертежей и т.д. Интерактивной графикой называют направление, предполагающее не только синтез изображения ЭВМ, но и ввод пользователем в систему данных в графической форме, например, с помощью копирующего устройства, светового пера или манипулятора типа «мышь».

Системы обработки и анализа видеоданных, которые обычно работают со входной информацией в виде полутоновых или многоспектральных изображений, в нашей стране обычно объединяют под названием автоматизированных систем обработки изображений (АСОИз). В настоящее время системы, решающие достаточно сложные и «интеллектуальные» задачи анализа изображений, принято выделять в отдельный класс систем анализа изображений (САИ). Системы, задачами которых являются синтез изображений и обработка графической информации, называют системами машинной графики (СМГ); употребляется также термин «системы обработки графической информации» (СОГИ). Следует отметить, что такое деление достаточно условно и за последнее время наметилась устойчивая тенденция к сближению этих систем. Все чаще АСОИз оперируют графической информацией, решая в том числе и задачи синтеза, а СМГ применяются для построения полутоновых изображений с привлечением различных методов их обработки.

Одно из направлений наиболее широкого практического применения АСОИз -- обработка результатов дистанционных исследований. Среди многочисленных развивающихся прикладных областей здесь можно упомянуть: геологию (исследование и поиск природных и ископаемых ресурсов); сельское и лесное хозяйство (обнаружение аномалий, слежение за состоянием участков, предсказание урожая); анализ состояния окружающей среды и климата; метеорологию (предсказание погоды, анализ воздушных течений и температурных полей); гидрологию и океанографию (наблюдение за водными ресурсами, течениями, распределениями температуры, планктона, льдов); картографию (составление фотографических и других карт, накопление картографических данных, территориальный анализ); слежение за объектами на земной поверхности (транспорт, судовождение и т.д.).

Быстро развивается направление обработки биомедицинских данных. Здесь АСОИз находят применение в микробиологии и цитологии (анализ снимков с микроскопов, анализы крови, хромосомный анализ), рентгенологии, ультразвукоскопии, инфраскопии (обработка двух- и трехмерных изображений внутренних органов, анализ распределения температур тела, томография), сравнительных исследованиях (идентификация отпечатков пальцев, идентификация состояний больных). Недостаточно развито пока применение АСОИз в производственных системах, однако потребности автоматизации управления и производства должны привести к быстрому росту числа применений АСОИз в таких областях, как материаловедение (обнаружение дефектов, анализ и предсказание свойств материалов, структурный анализ), сборочные работы (системы технического зрения для роботов и гибких автоматизированных производств), системы ориентации и анализа обстановки в реальном времени (для различных видов транспорта, летательных и космических аппаратов).

Основными областями применения систем машинной графики являются: автоматизация проектирования (построение чертежей, проекций, планов, двух- и трехмерных визуальных моделей деталей и объектов); дизайнерские работы в таких областях, как автомобиле- и самолетостроение, архитектура, пошив одежды; картография (составление, корректировка, хранение и генерация карт); автоматизация исследований (отображение в визуальной форме результатов экспериментов, вычерчивание графиков, гистограмм, диаграмм и т.д.); организация эффективного взаимодействия человека с ЭВМ (графические языки, интерактивная графика); синтез картин и сцен (для тренажеров самолето- и автовождения, в машинной живописи, в компьютерных играх); синтез динамических картин (компьютерная мультипликация и кинематография).

Степень «интеллектуализации» АСОИз и систем машинной графики может быть различной в зависимости от уровня представления и использования в этих системах знаний специалистов по обработке изображений и специалистов предметных областей. Она колеблется от возможности применения набора утилит (операций) обработки, анализа или синтеза изображений, которые в грубом приближении можно интерпретировать как записанные в процедурной форме знания специалистов, до поддержки специальных баз знаний в развитых экспертных системах анализа изображений.

В этой связи в настоящем разделе при последующем изложении рассматриваются системы трех классов:

— традиционные «малоинтеллектуальные» АСОИз, без понимания состава, функций и особенностей построения которых трудно представить себе уровень развития интеллектуальных систем;

— системы анализа видеоданных, основанные на знаниях, которые образуют специальный класс экспертных систем анализа изображений и которым уделено ниже преимущественное внимание;

— интеллектуальные системы машинной графики.

3.2 Автоматизированные системы обработки изображений

Исследовательские АСОИз создаются обычно как «универсальные», не привязанные жестко ни к какому классу видеоданных. В то же время данные конкретных предметных областей имеют свою специфику и особенности, что необходимо требует проблемной ориентации АСОИз, разрабатываемых для прикладных применений. Первые такие системы были специализированными, предназначенными для решения конкретных узких задач с помощью ограниченного набора алгоритмов. С развитием методов обработки изображений, удешевлением аппаратуры, появлением новых технологий и технических средств (микропроцессоров, интеллектуальных видеотерминалов, памяти большой емкости и т.п.) проявилась устойчивая тенденция к переходу от систем специализированных к системам проблемно-ориентированным, призванным решать некоторый класс задач в рамках данной предметной области.

Проблемно-ориентированные прикладные АСОИз используют, как правило, достаточно богатый арсенал различных методов и средств обработки данных, анализируют различную входную информацию, активно используют возможности человека. Поэтому в таких системах должны быть различные функциональные блоки и подсистемы, обеспечивающие не только решение собственно задач обработки изображений, но и ввод в обработку других типов данных и знаний, накопление, хранение и отображение результатов, организацию взаимодействия с пользователем и другими системами. Наличие разнородных компонентов, работающих совместно для достижения общей цели, есть признак превращения современных АСОИз в интегрированные системы. Интеграция является одной из главных тенденций развития современных АСОИз, поэтому рассмотрим ее направления и особенности более подробно.

Прежде всего, АСОИз уже нельзя рассматривать обособленно от ее окружения -- средств сбора и передачи видеоданных, систем обработки и анализа данных других типов. АСОИз как элемент некой метасистемы перестает быть элементом изолированным, приобретает богатые информационные связи с другими элементами. Это интеграция внешняя. Показательным примером служит здесь японский проект создания ЭВМ пятого поколения. Согласно этому проекту система распознавания образов и изображений (наряду с системами машинного перевода, ответов на запросы, понимания специализированного языка и решения прикладных задач) является базовой в обеспечении интеллектуального интерфейса человек -- ЭВМ, при этом все упомянутые системы должны работать параллельно и одновременно над единым потоком данных, дополняя друг друга. Интеграция приводит к появлению в составе АСОИз развитых средств коммуникации, подсистем накопления и хранения как исходных данных, так и промежуточных и окончательных результатов (рисунок 2).

Внутренняя интеграция затрагивает различные АСОИз: средства и методы обработки, сами обрабатываемые данные.

Интеграция средств обработки означает объединение в системе различных универсальных или специализированных устройств, имеющих возможность параллельной работы над данными.

Например, в системе PUMPS интегрированы процессоры обработки изображений, коммуникации и машина базы видеоданных.

Размещено на http://www.Allbest.ru/

Рисунок 2. Структура интегрированной АСОИз

В других системах обработка и анализ изображений ведутся параллельно с помощью независимых специализированных процессоров, каждый из которых выполняет определенные операции: фильтрацию, вычисление площади объектов, вычисление периметра, сегментацию и т.д. Часто имеется отдельный процессор для численных расчетов, процессор внутренних обменов и процессор интерфейса. Практически все новые АСОИз снабжены развитыми средствами визуальных данных, включая полутоновые, графические и стереоскопические (трехмерные) устройства отображения.

Интеграция методов обработки означает наличие в системе функциональных подсистем и обрабатывающих алгоритмов для решения широкого круга задач и достижения результатов различными путями (возможно, параллельными). При этом к результату и приходят различными доступными путями, применяя различные методы к одним и тем же данным и интегрируя (на основе опыта и интуиции исследователя или заложенных в систему знаний) получаемую выходную информацию.

Работа по анализу изображения становится своего рода многократным экспериментированием с исходными данными. Характерной чертой такого эксперимента является совместное применение методов обработки изображений, математической статистики, искусственного интеллекта, анализа данных и других, причем в обработку по возможности вводятся все доступные данные, включая промежуточные результаты. Появляется необходимость организации эффективного обмена данными в системе, создания развитых средств хранения и обеспечения доступа к данным (включая базы видеоданных). В настоящее время это уже характерно для многих АСОИз, применяемых в дистанционных исследованиях.

Ключевым звеном АСОИз обычно считается процессор(ы), производящий обработку изображений. В первых системах в качестве обрабатывающего процессора часто применялись крупные универсальные ЭВМ, работающие в режиме разделения времени. Это решение оказалось малоэффективным, поскольку и системы команд, и операционные системы таких ЭВМ не ориентированы на задачи обработки изображений. В архитектуре АСОИз (рисунок 3) 70-х годов наряду с появлением специализированных процессоров обработки изображений получило широкое распространение монопольное использование средних и малых ЭВМ, ориентация которых на решение задач видеоданных достигалась разработкой соответствующего программного обеспечения. В настоящее время широкое распространение получили так называемые рабочие графические станции обработки изображений и системы, построенные на базе персональных ЭВМ.

Однако наличие одного процессора редко удовлетворяет требованиям по производительности системы, особенно при больших потоках обрабатываемых данных. Крупные АСОИз строятся, как правило, на основе специальных многопроцессорных конфигураций для параллельной обработки элементов одного или нескольких изображений, при этом упомянутые средние и малые ЭВМ обычно переходят в разряд управляющих.

Другими архитектурными компонентами АСОИз являются прежде всего устройства ввода видеоданных в систему (цифровые ТВ-камеры, дальномеры, малокадровые сканеры, фототелеграфные аппараты и т.д.), устройства отображения (ТВ-мониторы, растровые и векторные дисплеи, устройства вывода на твердые носители (плоттеры) -- бумагу, кальку и фотопленку), запоминающие устройства (на магнитных носителях, оптических дисках; устройства расширения оперативной памяти для хранения изображений).

В настоящее время в интегрированных системах аппаратно реализуются не только параллельные процессоры обработки изображений, но и другие подсистемы, ранее традиционно реализуемые программным путем. Прежде всего здесь следует упомянуть средства доступа к различным видам памяти и средства, поддерживающие принятие решений. Особенно большую пользу приносят такие реализации при решении задач распознавания образов, интерпретации видеоданных, анализа сцен. Фактически аппаратные средства здесь поддерживают функционирование базы данных и базы знаний, но на качественно ином уровне. Основные решаемые задачи для базы видеоданных -- это поиск эталонных объектов или их отдельных частей (видеопризнаков), поиск необходимых изображений по их идентификаторам. Чтобы решить эти задачи, разрабатываются специализированные процессоры баз видеоданных и массивы ассоциативной памяти с возможностью контекстного доступа к информации (адресация по содержимому).

К сети

Размещено на http://www.Allbest.ru/

Рисунок 3. Архитектура типичной АСОИз, основанной на персональной ЭВМ

Наиболее распространенными операционными системами (ОС) для АСОИз 80-х годов являются VMS (VAX) и UNIX RSX-11. Под управлением этих ОС в АСОИз используются различные языки высокого уровня, среди них Фортран, Паскаль, Си. С широким распространением персональных ЭВМ и «интеллектуализацией» АСОИз все большее значение приобретают ЛИСП и Пролог как средства поддержки и разработки баз знаний и интеллектуального интерфейса. Для этих ЭВМ характерно применение таких операционных систем, как WINDOWS (высоких версий), UNIX, OS/2.

Использование языков и техники параллельного программирования АСОИз, по-видимому, будет расширяться, однако это расширение коснется скорее синхронных многопроцессорных систем, где распараллеливание вычислительного процесса исходит от программиста, а не потоковых систем.

Стандартные наборы операций универсальных языков программирования высокого уровня не могут обеспечить специфические потребности пользователей АСОИз, поэтому одно из основных направлений в создании программного обеспечения обработки видеоданных -- это разработка специализированных программных систем. Разработчики здесь идут двумя путями. Во-первых, расширяя существующие универсальные языки, создают специализированные языки программирования. Во-вторых, для рабочих станций обработки изображений формируют библиотеки программ или целостные программные системы, предназначенные для решения определенных задач конечных пользователей и написанные на одном из стандартных языков. Этим обеспечивается переносимость программных продуктов, что во многих случаях становится решающим фактором для пользователей.

Важное направление развития программного обеспечения АСОИз -- создание эффективных систем хранения и поиска видеоданных (баз и банков видеоданных). Потребность в базах видеоданных ощущается, прежде всего, в области дистанционных исследований, поэтому именно здесь можно проследить тенденции развития программного обеспечения этих систем. От языков со встроенными функциями доступа довольно быстро произошел переход к интерактивным средствам манипулирования базой, а программы обработки запросов влились в системы поддержки и управления базой. Почти все существующие базы видеоданных -- смешанные в смысле хранения как видео-, так и текстовой информации; характерной их особенностью является привязка содержания текста к элементам (объектам) изображения.

Все чаще в состав программного обеспечения АСОИз включаются и средства ведения баз знаний. Пока это преимущественно специализированные подсистемы для использования базы знаний о конкретной предметной области (например, о поиске месторождений определенного типа на аэрофотоснимке), но в скором времени можно ожидать появления инструментальных средств для разработки и наполнения знаниями экспертных систем анализа визуальной информации. С превращением АСОИз в системы для решения реальных задач повышается внимание к проблеме эффективного взаимодействия системы с конечным пользователем. Результат этого -- быстрое развитие интерактивных средств общения с системой, создание «дружественных» пользователю прикладных программ, разработка языков взаимодействия командного типа и языков, основанных на выборе одной из предлагаемых системой альтернатив (меню, таблицы решений, spred sheet -- крупномасштабная электронная таблица), а также развитие средств обучения, описания состояния и возможностей системы.

3.3 Системы анализа изображений

Спектр решаемых задач в существующих САИ достаточно широк: от локализации простейших объектов на фотографиях до содержательной интерпретации изображений. Тем не менее, можно выделить три основных класса задач, решаемых САИ, которые определяют их различное назначение.

1. Распознавание объектов. В системах этого типа решаются задачи локализации определенных объектов в поле изображения, измерения заданных параметров этих объектов, принятия решения по полученным результатам измерений. Примерами могут служить системы медицинской диагностики, где необходимо локализовать участки изображения, указывающие на отклонение от нормы, определить степень отклонения; система контроля за протеканием процессов (например, сгорания топлива в котельной камере); системы локализации дефектов печатных плат и др.

2. Содержательная интерпретация изображений. К системам, в которых решается эта задача, относится большинство САИ. Сюда входят системы управления движением робота по поступающей видеоинформации, интерпретации аэрофотоснимков, анализа снимков и сопоставления их с картой местности и др. В отличие от систем первого типа в данном случае задача заключается в полной содержательной интерпретации снимка, «понимании» отношений, связывающих объекты реального мира, представленные своими проекциями на двухмерном изображении.

3. Получение справочной информации в архивах видеоданных. Задачей соответствующих систем является выдача информации пользователю о наличии объектов определенного типа на изображениях, хранящихся в архиве видеоданных, их параметрах, отношениях к другим объектам и т.п. Запрос может быть представлен как текстовое описание объекта или как видеообраз. К системам такого типа относятся различные информационно-поисковые системы в картографии, метеорологии, криминалистике и т.п.

Для решения указанных задач САИ должны обеспечивать выполнение ряда функций, среди которых основными являются следующие:

1. Хранение и поиск формализованных знаний экспертов предметной области и обработки изображений. Формализованными знаниями являются установленные факты, закономерности, количественные соотношения, видеоданные (эталоны, прототипы объектов), а также правила, определяющие последовательность и состав операций над данными для достижения заданных целей (например, для получения проекции трехмерного тела на плоскость).

2. Выполнение операций обработки изображений (контрастирование, устранение шума, выделение контурных линий и т.п.).

3. Выполнение операций логических выводов на основе формализованных знаний и результатов обработки видеоданных, построение и проверка гипотез.

4. Анализ промежуточных результатов работы системы и принятие решений о дальнейших действиях, невозможности решения задачи, необходимости дополнительной информации и др.

5. Анализ запросов пользователя, поддержка диалога, документирование действий системы и формирование пояснений пользователю.

6. Пополнение баз знаний и видеоданных системы новыми сведениями, данными.

Современные системы анализа изображений довольно разнообразны по своей структуре и организации взаимодействия ее составных частей. Ниже будет рассмотрен весьма популярный в последнее время подход к реализации САИ в виде экспертной системы (ЭС) анализа изображений (ЭСАИ). Под ЭСАИ понимают комплекс технических и программных средств, обеспечивающий решение проблемно-ориентированных задач, требующих проведения обработки и анализа видеоинформации подобно тому, как это делают эксперты конкретной предметной области. ЭСАИ предполагает активное использование формализованных знаний, проведение обработки и анализа изображений на основе одной или нескольких моделей, адекватно изображающих с точки зрения экспертов процессы и взаимоотношения между реальными объектами конкретной предметной области.

На рисунке 4 приведена упрощенная структурная схема ЭСАИ в ее наиболее полном варианте, соответствующем системе содержательной интерпретации изображений. Из рисунка видно, что ЭСАИ объединяет в себе как средства традиционных систем обработки изображений, баз видеоданных, так и аппарат ЭС: базу знаний, блок управления и принятия решений.

Размещено на http://www.Allbest.ru/

Рисунок 4. Структура экспертной системы анализа изображений

Подсистема хранения и обработки изображений содержит программные и аппаратные модули для выполнения различных операций над видеоданными, поиска изображений по видео- и текстовому запросу, а также архив изображений. Эта часть ЭСАИ в целом не отличается от программных и технических средств, используемых в традиционных системах обработки изображений. Важной особенностью подсистемы является модульный принцип построения, благодаря которому система может собирать технологические цепочки последовательностей операций для решения конкретных задач. Например, задача выделения контурных линий может решаться следующей последовательностью операций: подавление шума; контрастирование, применение градиентного оператора для выделения границ; отслеживание контурных линий, величина перепада яркости которых превышает заданный порог. Решению этой задачи могут предшествовать операции поиска заданного изображения в базе видеоданных.

В базе знаний системы хранятся формализованные знания специалистов предметной области и обработки изображений. Условно в ней можно выделить два компонента: декларативные и процедурные знания.

Декларативные знания отражают сведения об объектах, их составе, взаимном расположении, характере появления, описывают отношения между объектами и т.п.

Второй основной частью базы знаний являются процедурные знания, показывающие, какие действия, в какой последовательности нужно предпринимать системе при выполнении определенных условий, отражающих сложившуюся ситуацию анализа данных, формализованных знаний и результатов обработки изображений. Процедурные знания используются для выполнения двух функций: пополнения описания сложившейся ситуации новыми фактами из базы знаний; построения гипотез и выбора конкретных действий по преобразованию полученных результатов и переходу к другому состоянию решения задачи.

Область общей памяти, называемая также доской объявлений (blackboard) или базой данных, является частью системы, обеспечивающей передачу результатов работы всех подсистем друг другу. Обычно область общей памяти представляет собой реляционную базу данных, куда в ходе решения задачи записываются промежуточные интерпретации участков изображений (карты, планы интерпретации), установленные факты, количественные соотношения и другие результаты. В область общей памяти могут заноситься также пояснения действий ЭСАИ, с тем чтобы пользователь мог при необходимости оценить рациональность поведения системы, выявить причину принятия того или иного решения.

Блок управляющих процедур и принятия решений является координирующим центром системы, анализирующим запросы пользователя, сложившуюся ситуацию анализа, определяющим контекст и стратегию решения. Информация о промежуточных результатах анализа поступает в блок из области общей памяти. По результатам анализа состояния области общей памяти (сложившейся ситуации) блок управляющих процедур и принятия решений определяет состоятельность полученной интерпретации, генерирует гипотезы (о принадлежности объектов определенным классам, о возможности нахождения других объектов и т.п.) и «поручает» другим модулям системы выполнение конкретных действий. Окончательное решение также принимается этой подсистемой.

Процесс решения задачи содержательной интерпретации изображения является многоступенчатым, итерактивным. На начальной стадии обычно выполняется предварительная сегментация изображения.

Следующим этапом является получение начальной интерпретации результатов предварительной сегментации. Это включает в себя измерения определенных параметров (например, площадей или периметров полученных областей с одинаковой яркостью) и генерацию гипотез (с помощью сопоставления результатов измерений с информацией из базы знаний).

Все результаты интерпретации записываются в область общей памяти. Изменения состояния этой области означают, что процесс интерпретации не закончен. Блок управляющих процедур и принятия решений анализирует состояние области и вырабатывает новую последовательность действий. Процесс решения задачи обычно считается завершенным, если не происходят существенные изменения в области общей памяти (на карте интерпретации).

Обычно в ЭСАИ используются две глобальные стратегии решения задач интерпретации изображений (и также их комбинации): управление целью (называемое управлением сверху вниз или обратным выводом) и управление данными (называемое также управлением снизу вверх или прямым выводом).

3.4 Системы машинной графики

Машинная графика стала обязательной частью любой интеллектуальной системы, реализованной на ЭВМ. Это связано, прежде всего с тем, что скорость переработки человеком информации, представленной в графической форме, выше по сравнению со скоростью переработки алфавитно-цифрового набора данных. Особенно заметен этот эффект на этапе восприятия информации, так как при этом максимально активизируется ассоциативное мышление человека. Наиболее ярко преимущества графического представления данных проявляются в интерактивных системах машинной графики, подразумевающих активную связь с пользователем. Такие СМГ сейчас используются в САПР, АСНИ, экспертных системах и т.д.

Состав типичной СМГ представлен на рисунке 5. Схематически работу системы можно представить следующим образом. На основании базы знаний и банка данных ЭВМ генерирует модель «мира». Затем эта модель преобразуется программой синтеза изображения в удобную для восприятия человеком форму. Сформированная таким образом информация выдается на устройство отображения графической информации, вызывая на нем появление соответствующего изображения, которое может быть задокументировано с помощью устройства получения твердых копий. На этапе окончательного формирования изображения в него могут включаться готовые фрагменты из банка видеоданных. Пользователь через устройство ввода информации может формировать и дополнять базу знаний и банк данных, корректировать модель «мира» и программу синтеза изображения, а также производить непосредственные операции над изображением (вырезание и перемещение фрагментов, их склейку, масштабирование, раскраску и т.д.), воздействуя через сервисные программы непосредственно на буфер устройства отображения.

Модель «мира» является центральным звеном практически всех современных СМГ. Эта модель порождает «мир», состоящий, например, из схем, элементарных частиц или реально наблюдаемых объектов. Все объекты «мира» описываются своими наборами характеризующих их параметров. По размерности моделируемого «мира» модели принято делить на двух- и трехмерные. Трехмерные модели, в свою очередь, подразделяются на каркасные («проволочные»), поверхностные и модели сплошных тел.

В каркасных моделях хранятся (генерируются) лишь координаты вершин объекта и соединяющие их ребра.

Размещено на http://www.Allbest.ru/

Рисунок 5. Структура системы машинной графики

При таком подходе часто возникает неоднозначность, так как возможны различные интерпретации одной и той же модели. В моделях поверхностного типа хранятся только описания поверхностей, ограничивающих данный объект. Эти поверхности могут быть плоскими, цилиндрическими или задаваться полиноминальными функциями. В моделях сплошных тел объекты формируются непосредственно путем комбинирования с помощью трехмерных теоретико-множественных операций (таких, как объединение, пересечение, разность) -- так называемых примитивов. В качестве примитивов обычно используются простейшие трехмерные геометрические тела -- параллелепипеды, пирамиды, цилиндры, сферы.

По способу описания объектов модели «мира» можно разделить на модели, задающие объект в виде набора данных и в виде операции его построения. Сама операция построения может быть представлена в процедурной форме или задаваться структурой данных. Способ описания, использующий полностью детерминированное задание всех исходных данных, характеризующих объект, основывается на концепции имитации процесса фотографирования реальной сцены. Это приводит к необходимости однозначного задания всех объектов модели «мира» в момент ее «фотографирования» воображаемым фотоаппаратом. Сейчас чаще используется задание объектов «мира» в виде операции их построения. В данном случае объект синтезируется непосредственно в процессе построения. Это значительно облегчает задачу разработчика модели, так как вместо детального описания объекта он задает лишь закон его построения (например, в виде закона распределения вероятности реализации конкретных фрагментов объекта). Кроме геометрического описания объектов в модели «мира» хранятся и другие параметры, необходимые для синтеза изображения (например, цвета поверхностей объектов).

При создании модели «мира» используются база знаний и банк данных. База знаний вводит фактически законы и ограничения, действующие при создании объектов «мира». Банк данных позволяет «записывать» модель «мира» стандартными данными, необходимыми для ее работы. Банк данных и база знаний могут постоянно изменяться и дополняться пользователем в процессе эксплуатации системы.

Сформированную таким образом модель «мира» специальная программа преобразует в массив чисел, соответствующий изображению. Наиболее сложной задачей такого рода является синтез реалистичного изображения трехмерной сцены. Большой прогресс в этой области был достигнут к началу 80-х годов. К настоящему времени в процессе синтеза цветного трехмерного реалистичного изображения можно выделить следующие этапы:

— удаление скрытых поверхностей, т.е. поверхностей или их частей, которые не видны из точки нахождения воображаемого наблюдателя. Этот этап может быть выполнен, например, с помощью «алгоритма Z-буфера» или «алгоритма художника»;

— закраска видимых поверхностей с учетом свойств самой поверхности (цвет, фактура, отражательная способность), ее относительного местоположения, ориентации, а также свойств источников света и других поверхностей;

— выравнивание интенсивностей соседних поверхностей с помощью алгоритмов закраски Гуро или Фонга.

В последнее время благодаря быстрому удешевлению аппаратной части СМГ возрос интерес к синтезу динамических изображений в реальном масштабе времени, т.е. к так называемой компьютерной мультипликации. Динамическая графика находит применение в компьютерных играх, тренажерных системах, АСНИ. При синтезе динамических объектов, движущихся по законам модели «мира», программа синтеза изображения кроме перечисленных выше операций выполняет также ряд геометрических преобразований, соответствующих моделируемому движению.

Банк видеоданных служит для воспроизведения готовых изображений и их фрагментов. Он может постоянно пополняться новыми данными, полученными как извне, так и в процессе функционирования самой системы.

К устройствам отображения графической информации относятся векторные дисплеи, растровые дисплеи, дисплеи на запоминающих ЭЛТ, плазменные панели. Наиболее популярны в настоящее время растровые дисплеи. В них изображение строится из набора дискретных элементов -- пикселов.

К устройствам получения твердых копий изображения относятся плоттеры, цифровые принтеры и многофункциональные устройства.

В качестве устройства ввода информации в ЭВМ наиболее часто используются: алфавитно-цифровая и функциональная клавиатуры, оптические сканеры, световое перо, манипулятор типа «мышь», технологические датчики и т.п. Все эти устройства при вводе информации различного типа имеют свои преимущества и недостатки. Обычно пользователь имеет возможность выбора того устройства ввода, которое наиболее удобно для него в данный момент.

В качестве базовых для синтеза изображения могут использоваться универсальные ЭВМ практически всех классов -- от персональных компьютеров до суперЭВМ.

Имеется тенденция к переходу к трехмерным дисплеям, основанным, например, на принципе голографического изображения. Отображаемая на экране информация будет лучше, чем в настоящее время, сопровождаться звуковыми эффектами. Процедура создания модели «мира» должна еще более упроститься, сведясь к заданию в удобной для человека форме наиболее общих законов и параметров, характерных для моделируемого «мира». Ведущую роль при этом должны сыграть идеи и методы искусственного интеллекта. В итоге экран дисплея должен стать фактически окном в созданный компьютером «мир», функционирующий по любым наперед заданным законам и активно отвечающий на любое воздействие человека.

Поскольку количество разработанных в настоящее время АСОИз очень велико, в таблице представлены некоторые системы.

...