Исследование и разработка методов формирования решающих правил при классификации сигналов изображений

Несмотря на высокий уровень развития современной компьютерной техники, до настоящего времени остается целый ряд практических задач, решение которых оказывается достаточно проблематичным. К числу подобных задач относится задача распознавания образов. Обусловлено это во многом определяется сложностью формализации процесса восприятия видимых образов. Поэтому, несмотря на очевидную легкость, с которой человек решает задачу распознавания окружающих его предметов, все еще нет «универсального» математического или технологического подхода, позволяющего конструктивно разрабатывать методы, алгоритмы и автоматические устройства, эффективно осуществляющие процесс распознавания. [57, 33, 34, 35] Однако для некоторых частных ситуаций, когда математические модели оказываются подходящими для той или иной практической задачи, удается получить приемлемые результаты.

Весь спектр задач, которые приходится решать при распознавании на изображениях, можно подразделить на две группы:

— распознавание или классификация изображений;

— поиск и распознавание объектов (специфических локальных областей) на изображениях.

Это разделение связано с особенностями реализации процесса распознавания. В первой группе задач распознавание или классификация производится для всего изображения целиком. То есть, все изображение целиком в процессе распознавания относят к одному из нескольких классов. Таким образом, решением задачи распознавания в этой группе является реализация отображения: изображение — номер класса. Следуя разбиению процесса распознавания на два этапа, указанное отображение реализуется в виде следующих двух отображений: отображения изображение-признаки и отображения признаки-класс. Это позволяет представить процесс решения задачи классификации изображения в виде схемы, приведенной на рисунке В.1, которая является традиционной и стандартной для задач распознавания образов. признаки номер класса.

Рисунок В.1 — Схема решения задачи распознавания.

Примером задач первой группы являются задачи распознавания лиц по фотографиям, распознавания дактилоскопических отпечатков, диагностики заболеваний по снимку того или иного человеческого органа и т. д.

В задачах второй группы процесс распознавания оказывается включенным в более общую технологию обработки изображения, связанную с поиском распознаваемых геометрических объектов на всей области наблюдения. Объекты в данной ситуации представляют собой относительно небольшие локальные области, появление которых может произойти в любой точке изображения. Причем информация о том: имеются ли объекты на изображении, каково их количество, ориентация, размеры и т. д., чаще всего отсутствует.

Результатом решения задачи распознавания в этой ситуации является не только класс найденного объекта, но также и его характеристики: положение, возможно размер, цвет, ориентация объекта в плоскости изображения и т. д.

Примером задач второй группы являются задачи дешифрирования аэрокосмических снимков, автоматического чтения текстов, нахождения локальных патологий на медицинских снимках и многие другие. [36] Неопределенность в целом ряде характеристик объектов делает задачу их поиска и распознавания на изображении в математическом и вычислительном плане более сложной по сравнению с задачами первой группы. Это приводит к тому, что процесс ее решения не укладываются в приведенную схему, а производится в соответствие со схемой, в упрощенном виде представленной на рисунке В.2, то есть включает в себя трудно формализуемую задачу выделения фрагментов («областей интереса»). параметра.

Рисунок В.2 — Схема поиска и распознавания объектов на изображении.

В соответствии с данной схемой анализу подвергается каждый фрагмент на изображении. По текущему фрагменту, выделенному окном обработки, производится формирование признаков и классификация. В зависимости от результатов классификации происходит расчет дополнительных параметров объекта.

Легко заметить, что схема решения задачи классификации изображения входит как составной элемент в схему решения задачи поиска и распознавания. Действительно, в более широком понимании задачи второй группы относятся к группе задач высокого уровня — задачам анализа наблюдаемого изображения или сцены. Под анализом сцены в данном случае понимается составление полного описания изображенных на снимке предметов с указанием их местоположения и взаимного расположения. В то же время следует заметить, что нередко наблюдается и противоположная ситуация, когда методы и технологии решения задач второй группы выступают в качестве составных элементов решения задач первой группы. Так, например, один из методов решения задачи распознавания людей по фотографиям их лиц заключается в нахождении на изображении ярко выраженных областей интереса: глаз, носа, губ и т. д., и*их последующего описания [89, 57, 25].

Основой для решения такого круга задач является теория распознавания образов, которая особенно активно развивается в связи с созданием систем искусственного интеллекта.

В рассматриваемом нами случае, носящем с точки зрения теории распознавания образов прикладной характер, образом является изображение.

Принятый подход к распознаванию образов заключается в классификации на множестве признаков, вычисляемых по наблюдаемому изображению. Можно также сказать, что классификация образов заключается в отображении пространства признаков в пространство решений. При таком подходе распознавание образов включает две задачи:

— отбор и упорядочивание признаков- .

— собственно классификация.

Задача отбора и упорядочивания признаков трудно формализуема. Критерием отбора и упорядочения является степень важности признаков для характеристики образов.

Задача классификации — принятия решения о принадлежности образа тому или иному классу на основе анализа вычисленных признаков — имеет целый ряд строгих математических решений в рамках детерминистического и вероятностного подходов.

Для того чтобы осуществить классификацию, необходимо отобрать признаки. Здесь возможны самые различные подходы [15, 83, 25, 3]. Однако построение описания изображения на основе его представления с использованием признаков — едва ли не самая сложная задача в процессе построения любой системы распознавания. Все эти доводы и послужили предпосылками для появления настоящей работы.

Цель работы. Разработать набор эффективных признаков используемых в устройствах классификации изображений. Исследовать возможности оптимизации временных и пространственных параметров классификаторов изображений, на основе разработанных признаков.

Решение поставленной задачи проводится в несколько этапов. •.

1. Разработка метода построения математических моделей сигналов изображения в виде реализации случайных процессов.

2. Выбор критерия эффективности признаков, используемых в классификаторах сигналов изображений.

3. Разработка алгоритма формирования классификационных признаков на основе метода стохастического кодирования сигналов.

4. Исследование влияния времени обучения и распознавания и размерности признакового пространства на показатели эффективности классификатора.

5. Исследование показателей качества и сложности разработанных алгоритмов при решении задач распознавания изображений в составе распознающих систем.

6. Экспериментальное исследование показателей качества разработанных алгоритмов при классификации изображений.

Актуальность. Задача классификации (распознавания) изображений является одной из основных при реализации систем автоматического распознавания, наблюдения и сопровождения, а также при создании различных систем технического зрения для автономных робототехнических систем, поэтому разработка алгоритмов классификации изображений является актуальной.

Научная новизна. В работе получен ряд новых результатов, которые сводятся к следующему:

1. Предложена методика преобразования оцифрованных сигналов изображений объекта в одномерные реализации случайных процессов, позволяющих реализовать алгоритм их классификации.

2. Разработан алгоритм формирования системы эффективных классификационных признаков использующих сформированные реализации на основе метода стохастического кодирования.

3. Получены зависимости показателей эффективности классификатора оцифрованных сигналов изображений от времени обучения и распознавания, от вида опорных распределений и размерности признакового пространства, позволяющие минимизировать ошибку классификации.

4. Вычислены оценки показателей качества и сложности для разработанного алгоритма формирования систем признаков.

5. Определены условия целесообразности использования в системах распознавания изображений, разработанных алгоритмов.

Практическая ценность. Результаты диссертации были использованы при выполнении НИР «Известность-Т» и «Миля-Т», в НИИ Многопроцессорных вычислительных систем Таганрогского государственного радиотехнического университета, при разработке устройств систем технического зрения дистанционно управляемых и автономных объектов. Научные и практические результаты были использованы в рамках темы стенд функционального контроля оптико-электронной системы слежения (СФКОЭСС) отделом 15 НКБ «МИУС» (г. Таганрог) по договору 315 077. Отдельные результаты работы были использованы в учебном процессе кафедры Радиоприемных устройств и телевидения Таганрогского государственного радиотехнического университета, в курсе «Основы цифрового телевидение», а также при выполнении хоздоговорных работ № 11 334, № 11 337 и № 11 338.

Достоверность изложенного подтверждается результатами экспериментальных исследований характеристик предлагаемых алгоритмов при классификации моделей сигналов изображения в виде одномерных реализаций случайных процессов с заданными статистическими характеристиками, апробацией на научных семинарах, конференциях, актами внедрения.

Методы исследования основаны на использовании методов теории вероятности и математической статистики, численных методах, статистической теории распознавания образов.

Основные положения, выносимые на защиту, следующие:

— методика преобразования оцифрованных сигналов изображений в одномерные реализации случайного процесса;

— математические и цифровые модели сигналов изображения и критерии эффективности признаков сформированных на основе нелинейного преобразования сигналов;

— алгоритм формирования признаков по методу стохастического кодирования;

— зависимости дисперсий оценок признаков и ошибки распознавания от времени обучения, вида опорных распределений, размерности признакового пространства;

— результаты анализа показателей качества и сложности предлагаемых алгоритмов формирования признаков;

— результаты экспериментальных исследований предложенных алгоритмов в распознающих системах изображений.

Апробация работы. Основные положения диссертационной работы обсуждались и докладывались:

— на XIII Международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика» (Москва, 2002 г.);

— VI Всероссийской научной конференции студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления» (Таганрог, 2002 г.);

— Международной научной конференции «Информационный подход в естественных, гуманитарных и технических науках» (Таганрог, 2004 г.);

— Международной научной конференции «Искусственный интеллект. Интеллектуальные и многопроцессорные системы 2004» (Таганрог, 2004 г.);

— Международной научной конференции «Оптимальные методы решения научных и практических задач» (Таганрог, 2005 г.).

Публикации. Основные научные результаты диссертации опубликованы в 10 печатных работах.

СТРУКТУРА ДИССЕРТАЦИИ. Диссертационная работа состоит из введения, четырех глав, заключения и приложений.

Выводы по материалам 4 главы.

1. В результате моделирования работы классификатора при классификации случайных процессов с одинаковыми одномерными плотностями распределения вероятностей и различными корреляционными функциями определены значения суммарных вероятностей ошибки классификации при различных объемах обучающих и контрольных выборок и различных размерах признакового пространства.

2. Определены оценки вычислительной сложности использованных алгоритмов моделирования работы непараметрических классификаторов. Установлено, что при классификации показатели сложности реализация этого алгоритма на микропроцессорных системах имеет меньшее значение, по сравнению с непараметрическими алгоритмами распознавания на основе оценивания плотностей вероятности по методу k-ближайших соседей.

3. Определены понятие и численные значения статистической погрешности моделирования работы непараметрического классификатора при решении задачи классификации изображений объектов.

4. Разработана и описана структурная схема экспериментальной установки, позволяющая изучить непараметрические методы классификации сигналов изображений.

5. При исследовании работы разработанного классификатора были получены матрицы вероятностей перепутывания при классификации реальных объектов, от размерности признакового пространства, позволяющие оценить эффективность предложенного алгоритма.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе рассмотрен комплекс теоретических и практических вопросов, связанных с построением признаковых пространств в автоматизированных системах распознавания изображений. Основную научную и практическую значимость имеют результаты исследования возможности оптимизации временных и пространственных параметров распознающих систем изображений. При этом получены следующие основные результаты:

1. Разработана методика преобразования оцифрованных сигналов изображений объекта в одномерные реализации случайных процессов, позволяющая перейти от двумерного представления сигналов изображений к одномерным.

2. На основе анализа существующих методов формирования признаковых пространств при классификации сигналов моделей изображений показана, возможность улучшения качества работы автоматизированных распознающих систем за счет нелинейного преобразования исходных пространств сигналов, которое обеспечивает сокращение избыточности описания исходных сигналов и сокращение временных и аппаратурных затрат при решении задач классификации изображений.

3. Разработан алгоритм непараметрической классификации сигналов изображений на основе формирования признаковых пространств по методу стохастического кодирования. Разработаны математические модели алгоритмов. Определены показатели качества и сложности разработанного алгоритма МСОК при их реализации на микропроцессорных системах для решения задачи классификации сигналов изображений.

4. Получены зависимости основных показателей качества разработанного алгоритма по МСОК от времени обучения и распознавания, и размерности признакового пространства, позволяющие оптимизировать временные и пространственные параметры аппаратуры классификации.

5. Проведено экспериментальное исследование показателей качества разработанного алгоритма МСОК. Использование разработанного метода для классификации изображений позволило достоверно различать классы наблюдаемых протяженных объектов, соответствующих различным классам объектов.

6. Научные и практические результаты, полученные в диссертации, внедрены на ряде предприятий при создании устройств сопровождения и наблюдения за объектами при решении задачи классификации изображений.