Автоматика.
    Автоматизация.
        Электротехнические
            комплексы и системы.

УДК    681.5.016

ОРГАНИЗАЦИЯ КОМПЬЮТЕРНЫХ СИСТЕМ ДЛЯ АНАЛИЗА ИЗОБРАЖЕНИЙ

Дзюбаненко А. В.

Вступление

Многие отрасли техники, имеющие отношение к получению, обработке, хранению и передаче информации, в значительной степени ориентируются в настоящее время на развитие систем, в которых информация имеет характер изображений и видеоданных. Изображение, которое можно рассматривать как двумерный сигнал, является значительно более емким носителем информации, чем обычный одномерный (временной) сигнал. Вместе с тем, решение научных и инженерных задач при работе с визуальными данными требует особых усилий, опирающихся на знание специфических методов, поскольку традиционная идеология одномерных сигналов и систем мало пригодна в этих случаях. В особой мере это проявляется при создании новых типов информационных систем, решающих такие проблемы, которые до сих пор в науке и технике не решались, и которые решаются сейчас благодаря использованию информации визуального характера.

Постановка задачи

Повышение эффективности обработки информации является актуальной задачей компьютерных систем обрабатывающих видеоинформацию. Требования к реалистичности генерируемых изображений постоянно растут. Это приводит увеличению объемов обрабатываемой информации, к усложнению алгоритмов обработки, и, как следствие, к росту вычислительных затрат. В то же время, для многих приложений необходима очень высокая скорость обработки графической информации. Рост производительности оборудования решает эту проблему, как показывает практика, лишь отчасти. Возможны следующие пути повышения эффективности обработки графической информации.

Решение задачи

Первый путь — сокращение объемов данных. Описание объекта может содержать избыточную или несущественную информацию, которую можно отбросить. Допустим, имеется сеточное представление объекта — некоторого рельефного изображения на плоской поверхности. Чтобы передать сложную структуру изображения, сетка должна быть достаточно мелкой (и, следовательно, содержать большое число вершин и треугольников). Однако заметно, что выдерживать постоянный шаг сетки для всего объекта не требуется. Мелкая сетка явно избыточна для задания фрагмента плоскости. Некоторые участки изображения также можно представить с помощью более крупных треугольников. Таким образом, объект можно представить сеткой с меньшим числом треугольников. Затраты на обработку такой сетки снижаются, также уменьшается расход памяти для ее хранения. Существенность информации может определяться не только особенностями объекта, но и особенностями отображения объекта. Предположим, что сетку из вышеприведенного примера потребовалось отобразить в область малого размера. При этом может получиться, что реальный размер некоторых треугольников сетки составит менее 1-2 пикселов. Очевидно, что в таком случае имеет смысл использовать более крупную сетку.

Второй путь — поиск удобных для обработки представлений информации. Например, представлений, которые обеспечивают эффективную реализацию таких упомянутых выше операций, как сокращение общего объема данных и выбор информации, существенной для отображения объекта при заданных условиях. Также желательно, чтобы одно представление могло использоваться для решения сразу нескольких подзадач сложной многоэтапной обработки объекта. В этом случае отсутствие необходимости на каждом этапе преобразовывать объект в новое представление может упростить общую процедуру обработки и повысить эффективность ее реализации.

Третий путь — разработка более производительных алгоритмов обработки информации. Повышение производительности может достигаться разными методами, например, оптимизацией существующих алгоритмов, применением более эффективных численных методов, распараллеливанием, аппаратной поддержкой части вычислений и т.д. Очевидно, что разработка производительных алгоритмов тесно связана с поиском представлений информации, обеспечивающих эффективную обработку.

Допустим теперь, что существует описание объекта в виде многослойной структуры, обладающей следующим свойством: первый слой содержит информацию, достаточную для грубого (с низким разрешением) приближения объекта; при добавлении информации из каждого последующего слоя степень детализации постепенно увеличивается, пока объект не будет восстановлен полностью (то есть с максимальным разрешением). Такое представление обладает целым рядом полезных свойств. Прежде всего, оно позволяет выделить на изображении фрагменты, которые при переходе от слоя к слою меняются либо слабо, либо, напротив, сильно. Слабые изменения свидетельствуют о том, что данный фрагмент достаточно хорошо представим и с невысоким разрешением. Это позволяет исключить информацию, соответствующую такому фрагменту, из последующих слоев, и обеспечивает, таким образом, сжатие информации, т.е. сокращение объемов данных. Сильные изменения, наоборот, соответствуют фрагментам, которые требуется представлять с высоким разрешением, их локализация позволяет выделять контуры изображения, мелкие детали и т.д. Многослойное представление открывает широкие возможности и для редактирования объектов: вносить изменения можно не в объект целиком, а либо в одно из приближений объекта, либо в детализирующие слои. Иерархическая структура позволяет эффективно отображать объект в зависимости от конкретных условий (параметров графического устройства, расположения объекта в сцене, положения наблюдателя). Возможна демонстрация объекта с разрешением, возрастающим по мере получения детализирующей информации. Такая операция (т.н. прогрессивная передача), полезна в случае, когда невозможно моментально получить полностью описание объекта, например, при передаче по сети, или если нужно получить изображения большого числа объектов, не требуя их воспроизведения с высоким разрешением, например, при просмотре результатов запросов к базам данных с графической информацией.

Таким образом, иерархическое представление позволяет обеспечить разностороннюю обработку объекта, включая сжатие данных и управление уровнем детализации. Кроме того, как будет показано ниже, построение и обработка таких представлений может осуществляться с помощью достаточно простых и эффективных алгоритмом.

При проектировании современных компьютерных систем применяют блочно иерархический подход. Он использует идеи декомпозиции сложных описаний процессов и соответственно средств их реализации на иерархические уровни и аспекты, вводит понятие стиля проектирования (восходящие и нисходящее), устанавливает связь между параметрами соседних иерархических уровней.

Обобщенная структура всякой компьютерной системы анализа изображений была представлена на рис. 1. Устройство захвата кадров формирует изображение в цифровом виде. За этим блоком может стоять любое аппаратное устройство захвата и оцифровки изображений (сканер, видеокамера, веб-камера, ip-камера, фотоаппарат) либо программное средство вывода изображений и видеопотоков. Цифровое изображение в определенном формате поступает на блок предварительной обработки для устранения шумов и повышения яркостно-контрастных характеристик. Цель блока поиска объектов – определить находится ли объект или объекты, представляющие интерес, на изображении или нет.

Рис.1 Структурная схема систем анализа изображений

Объектом, в зависимости от типа решаемой задачи, может быть: буква алфавита, лицо, автомобиль, дорожный знак и т.д. Если целевой объект присутствует, то блок должен возвратить координаты его местоположения, что является исходной информацией для осуществления идентификации с помощью следующего блока. Идентификация  необходима  для  установления  тождественности  между неизвестным образом и образом, хранимым в базе данных системы. Результатом идентификации может быть информация в любом виде (цифровом, текстовом, графическом), понятном оператору. Отметим, что каждый блок может быть реализован как программно, так и аппаратно.

Унифицированый принцип решения задач поиска и идентификации объектов за счет унификации процедуры извлечения признаков и трансформации задачи разделения мультиклассов в задачу разделения двух классов. В  соответствии с ним блок, решающий задачу извлечения признаков, является  универсальным и может использоваться как при поиске, так и при идентификации. Идентичные свойства проявляет блок классификации объектов.

В соответствии со схемой блок поиска или блок идентификации инициирует запросы к блокам извлечения признаков и классификации объектов. Те, в свою очередь, передают  запрос к базе решающих правил на получение информации о количестве и параметрах фильтров, количестве и параметрах слоев ассоциативных машин. Получив необходимые данные из базы, блоки извлечения признаков и классификации объектов выполняют необходимые операции и возвращают результат в блок, который был инициатором запроса. В структурную схему систем анализа изображений также могут быть введены дополнительные  блоки,  осуществляющие  хранение и обмен специфичной информацией, а также оптимизирующие скорость и точность распознавания. К первому типу относятся блок интерпретации и "База данных 1".  Ко  второму  блок  фильтрации ложных  сигналов,  блок  верификации  качества  изображения блок нормализации объектов (рис. 2).  

Рис. 2 Расширенная структурная схема системы анализа изображений

Блок интерпретации результата необходим  для преобразования информации о распознанном объекте из числовой формы в символьную или графическую, которая  доступна  для понимания человеком. "База данных 1" ведет журнал событий распознавания, содержит изображения идентифицированных объектов, а также описание зарегистрированных в системе классов объектов. Блок фильтрации ложных объектов, по сути, сужает пространство поиска и тем самым уменьшают вычислительную сложность задачи. Для достоверной идентификации необходимо убедиться в том, что качество изображения будет способствовать ее точному  осуществлению. Отметим, что качество идентификации напрямую зависит от качества изображения. Поэтому в системе анализа изображений присутствует блок, выполняющий верификацию качества изображения, а также, если это возможно, обеспечивающий минимально необходимый уровень качества путем дополнительной цифровой обработки. Суть блока нормализации объектов сводится к тому, что выполняется преобразование изображения к виду, удобному для распознавания. Последнее подразумевает некий стандарт для нормализованного изображения, в качестве которого могут выступать средняя яркость, разброс или дисперсия яркости на изображении, ориентация изображенного объекта, его размеры и  т.д. Процедура нормализации может осуществляться либо за счет дополнительной обработки изображения, либо посредством поиска дополнительных опорных  точек, относительно которы выполняется переориентация объекта. Последний вариант подразумевает решение основной  задачи распознавания – поиска объектов. Следовательно, блок нормализации имеет связь с блоками извлечения и классификации признаков.

Выводы

В тоже время традиционная аналоговая техника связи повсеместно в мире заменяется более совершенной цифровой. Важнейшее преимущество цифровой техники - возможность цифровой обработки, передачи и хранения информации в частности, визуальной. В связи с этим цифровая обработка изображений ввиду ее особой важности выделилась в самостоятельную область техники. В эту область входят коррекция изображений, их "препарирование", т.е. сознательное разделение на части цифровыми средствами, видоизменение этих частей и их обратная "сборка" в изображение, оценка параметров изображений с целью контроля качества их передачи и приема, преобразование и кодирование изображений, компьютерная графика, а также визуализация информации, т.е. представление массивов данных в виде различных изображений, что очень эффективно, так как облегчает решение широкого класса сложных абстрактных задач.

ЛИТЕРАТУРА

1.                                       Льюнг Л. Идентификация систем. Теория для пользователя: Пер. с англ., Под ред. Я.З.Цыпкина. – М.: Наука. Гл.ред.физ.-мат.лит., 1991. – 432 с.

2.                    Макаров И.М. Управляющие системы промышленных роботов. М.: Машиностроение, - 1984. - 287 с.

3.                    Орнатский П.П. Теоретические основы информационно-измерительной техники.‑ М.: Наука 1986. ‑ 288 с.

4.                    Павленко І.І. Синтез структури промислових роботів та аналіз їх механічних систем для верстатів з ЧПУ.‑ М.: Машиностроение.–1996.‑230 с.

5.                   Сейдж Э.П., Мелса Дж. Идентификация систем управления. ‑ М.: Наука, 1974.‑248 с.

6.                                        Сейдж Э.П., Уайт Ч.С. Оптимальное управление системами: Пер. с англ. / Под ред. Б. Р. Левина. – М.: Радио и связь, 1982 . – 392 с., ил.

7.                                        Современные методы идентификации систем: Пер.с анг./ Под ред. П.Эйкхоффа. – М.: Мир. 1983. – 400 с., ил.

8.                                        Ту  Д.Т., Гонсалес Р.К. Принципы распознавания образов /  пер. с анг. И.Б. Гуревич;  Под ред. Р.И.Журавлева. – М.: Мир, 1978. – 411 с.

9.                                        Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. – М.: Радио и связь, 1986. –264 с.

10.                                 Цыпкин Я.З.  Основы информационной теории идентификации. -  М.: Наука, 1984. – 320 с.

11.                                 Цыпкин Я.З. Информационная теория идентификации. – М.: Наука; Физ.мат.лит, 1995. –336 с.

12.                                 Шередеко Ю.Л., Марусяк А.В.  Способ корректного сведения задачи идентификации к задаче распознавания образов // УсиМ. - 2002. –  №5. – С.5- 12.