Анализ существующих подходов и проблем обработки изображений

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Анализ существующих подходов и проблем обработки изображений

Для решения задач обработки образов используют два направления [1-5]:

1. Изучение естественных способностей к распознаванию у человека или других организмов.

2. Разработка математических моделей распознавания и технических устройств на их основе, изучение опыта их работы.

Суть распознавания образов заключается в отнесении данных к определенному классу и выделению существенных признаков данного класса, отличающих именно эти явления и формирующие именно данный образ.

В целом, проблемы, возникающие при построении автоматической системы распознавания образов, можно конечно отнести к нескольким основным областям.

1. Первая проблема заключается в том, как исходные данные представлены и как проводилось их измерение.

Рассмотрим в качестве примера символы (буквы или цифры). Датчик в данном случае должен обладать достаточной сетчаткой для измерения. Если сеть состоит из элементов в количестве N, то результаты измерений представляют в виде вектора, где элементы вектора равны единицы, если через соответствующую им ячейку сети проходит изображение (темный пиксель) и 0, если не проходит (светлый пиксель).

Этот вектор и образует численную информацию, которую далее можно анализировать математически. Процесс измерения, таким образом, является процессом кодирования, когда изображение кодируется словами определенного алфавита.

2. Вторая проблема определяется тем, какие характерные признаки объекта должны быть выделены, чтобы отличить объект от других, то есть характеристики и их эталонные значения (задача предварительной обработки).

Например, при распознавании речи используются такие признаки, как длина звука, отношение величины энергии в различных диапазонах частот, расположение максимумов спектров и их размещение во времени.

В качестве определяющих признаков выступают те свойства, которые являются общими для образцов того класса, который нужно распознать. Признаки делятся на межклассовые (то есть отличающие данный класс от всех других) и внутриклассовые (различия внутри класса, не принимаются по внимание при распознавании). Выбор признаков в дальнейшем логически определяет весь ход распознавания и задает его стратегию, что определяет его важность и актуальность для всего последующего процесса.

3. Третья проблема - это проблема адекватных процедур, которые позволят по имеющимся признакам осуществить конечную целевую функцию системы, то есть собственно распознавание. Ее решение возможно только на основе решения предыдущих проблем распознавания образов.

Итак, класс образа характеризуется перечнем членов входящих в него, система распознавания строится на принципе принадлежности данному перечню.

Класс характеризуется некоторыми общими свойствами, которые характерны для каждого его члена, итоговая система строится на принципе общности свойств. Она может также быть простроена на принципе кластеризации, если обнаружена тенденция к образованию кластеров данных образов.

Охарактеризуем методы распознавания подробнее.

Метод перечисления членов класса

При использовании данных методов класс задается перечислением того, какие образы входят в его состав. Предполагается, что дальше будет сравнение с образцами (шаблонные методы). При этом система имеет какой-то набор готовых образов, которые точно относятся к данному классу. При появлении новых образов система сравнивает их с теми, которые находятся в ее памяти как готовые [4-8].

Если новые образы совпадают с теми, что были в памяти, они относятся к тому классу, к которому принадлежали готовые. Ниже будет показано, как это конкретно делается со шрифтами. Если образы по какой-то причине размыты шумом, это затрудняет распознавание [4-8].

Этот метод, с одной стороны является несложным, кроме того, он позволяет строить недорогие системы распознавания, которые в отдельных прикладных областях справляются со своими целями вполне адекватно. Однако необходимым условием точности в данном случае является небольшой набор образов, чтобы шум не мог затруднять идентификацию.

Метод общности свойств

В данном случае класс задается не как набор, а как совокупность признаков (признаковые методы), которые являются общими для членов данного класса. Предполагается, что образы из одного и того же класса, имеют общие признаки, которые и вводятся в память [9-10].

Возможно обучение такой системы: ей предоставляют образец, относительно которого известно, к какому классу он принадлежит, она запоминает его признаки, и когда все образцы предъявлены, создается база данных признаков. Когда далее предъявляется новый образец, система сравнивает его признаки с базой и заносит образец в класс, который наиболее точно содержит его признаки. Таким образом, при использовании данного метода основная задача состоит в выделении ряда общих свойств по конечной выборке образов, принадлежность которых данному классу уже известна.

Такая концепция во многих моментах лучше распознавания по принципу перечисления членов класса. Во-первых, запоминание признаков требует меньше памяти, чем запоминание всех членов класса. Кроме того, при работе с признаками можно задавать определенные параметры их вариации, а работа с шаблонами предусматривает отдельный шаблон на каждый вариант. Также подобные методы позволяют включать в класс новые члены, которые вообще не были известны при формировании системы, но содержат все необходимые признаки и могут быть включены в класс уже системой (к буквам, набор которых заранее задан, это замечание не относится).

Методы кластеризации

Класс является кластером, если в качестве элементов содержит векторы действительных чисел. В пространстве образов такого кластера можно выделять характерные свойства класса [11-12].

Системы распознавания, основанные на данных методах, основаны на взаимном пространственном расположении кластеров внутри систем. Если кластеры при этом достаточно далеко отстоят друг от друга, тогда с успехом можно использовать сравнительно простые схемы распознавания, например такие, как классификация по принципу минимального расстояния.

В случае перекрытия кластеров методы будут более сложными, потому что перекрытие наступает вследствие проблем с данными, прежде всего шумовых искажений (то есть нарушение идет на первом уровне проблем, ранее нами выделенном). Степень перекрытия можно уменьшить за счет уменьшения количества и качества измерений образцов класса, то есть снижая шум за счет более четкой локализации изучаемой области.

Для реализации рассмотренных основных методов можно использовать следующие методологии:

· эвристическая;

· математическая;

· лингвистическая.

Эвристический подход

За основу эвристической методологии взят индуктивный подход, к нему относятся шаблонные и признаковые методы, на базе которых разрабатываются специфические процедуры для каждой определенной системы [4-8].

Следует отметить высокую специфичность данного подхода, так как для каждой системы и объекта распознавания приходится составлять индивидуальные методы. Эффективность программы в данном случае зависит от опыта разработчика и понимания особенностей объекта распознавания.

Математический подход

Это более точный подход, так как используются строго формализованные математические методы. В рамках данной методологии могут функционировать как признаковые, так и кластерные методы. При использовании математического метода качества рассматриваемого объекта не важны, коль скоро они математически формализованы [10-14].

Данная методология может быть как детерминистской (основанной на алгоритмах), так и статистической. Более продуктивна, конечно, статистическая методология, основанная на моделях математической статистики, включая вероятностные модели. Анализируются плотности распределения образов и вероятность их отнесения к тому или иному классу.

Помимо прочих плюсов, математическая методология идеальна для применения ее на компьютере, который так или иначе является по сути своей машиной именно для математических вычислений. Однако ее применение в чистом виде не всегда возможно, так как многие задачи трудно формализовать.

Лингвистическая методология

Используется при применении признаковых методов, когда образ описывается с помощью структуры подобразов, которые выстроены иерархически, то есть задается некий язык описания данного образа. Ниже будет пример, как это делается для букв и цифр. Имеется развитый математический аппарат теории формальных языков, с помощью которого можно заданный формальный язык для образа успешно обрабатывать [7-11].

Грамматика при этом содержит конечные множества элементов - производные, непроизводные и правила подстановки. Тип грамматики определяется правилами подстановки. Возможна развитая типология грамматик, но наиболее перспективными для систем распознавания являются регулярные и контекстные грамматики.

Лингвистический подход весьма конструктивен при работе с объектами, которые не могут быть формализованы математически или настолько сложны [15], что их локальные признаки идентифицировать не удается и необходимо работать с их глобальными свойствами.

Список литературы

распознавание технический изображение

1. Прэтт У. Цифровая обработка изображений: Пер. с англ. / У. Прэтт. - М: Мир, 1982. - 480 с.

2. Фукунага К. Введение в статистическую теорию распознавания образов. / К. Фукунага. - М.: Наука, 1979. - 368 с

3. Васильев В.И. Распознающие системы: Справочник / В.И. Васильев. - К.: Наукова думка, 1983.230 с.

4. Павлидис Т. Алгоритмы машинной графики и обработки изображений: Пер. с англ. / Т. Павлидис. - М.: Радио и связь, 1986. - 400 с.

5. Ту Дж. Принципы распознавания образов: Пер. с англ / Ту Дж., Гонсалес Р. - М.: Мир, 1978. - 410 с.

6. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB / Н.К. Смоленцев. - М.: ДМК Пресс, 2005. - 304 с.

7. Чуи К. Введение в вэйвлеты: Пер. с англ./ К. Чуи. - М.: Мир, 2001. - 412 с

8. Chen C.H. Handbook of pattern recognition and computer vision / Chen C.H., Rau L.F. and Wang P.S.P. (eds.). - Singapore-New Jersey-London-Hong Kong: World Scientific Publishing Co. Pte. Ltd., 1995. - 984 p.

9. Красильников Н.Н. Цифровая обработка изображений. / Н.Н. Красильников - М.:Вузовская книга, 2001. - 320 с.

10. Ярославский Л.П. [Электронный ресурс] - Режим доступа: http://www.books4all.ru/description/609.html - электронный вариант книги «Введение в цифровую обработку изображений»

11. Емельянов В.А. Моделирование нейронных сетей распознавания металлографических изображений для диагностики состояния сталей [Текст] / В.А. Емельянов // Электротехнические и компьютерные системы. - 2013. - №12 (88) - С. 125-131

12. Емельянов В.А. Метод обработки изображений теплового контроля футерованных объектов [Текст] / В.А. Емельянов // Научный Вестник Национального горного университета. - Днепропетровск: Изд-во НГУ, 2014. - №6 (144). - С. 137-143.

13. Емельянов В.А. Интеллектуальная информационная технология обработки визуальной информации для диагностики состояния металлов [Текст] / В.А. Емельянов // Научный Вестник Национального горного университета. - Днепропетровск: Изд-во НГУ, 2014. - №4 (142). - С. 66-73.

14. Емельянов В.А. Автоматизированная система мониторинга состояния сталеразливочных ковшей [Текст] / В.А. Емельянов // «Достижения и проблемы современной науки»: Сборник статей международной научно-практической конференции. - Уфа, 2015. - Ч. 1. - С. 12-14.

15. Фоминых Н.Ю. Компьютерно-ориентированные средства обучения как педагогическое условие иноязычной профессиональной подготовки студентов // Известия Южного федерального университета. Педагогические науки. - №2. - 2015. - С. 133-141.

Размещено на Allbest.ru