Главная Контакты Добавить в избранное Авторы Вопросы и ответы
,

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.

 


 





Ответы на вопросы [_Задать вопроос_]

Информационно-измерительные системы

Ковальов О.І. Вимірювання у процесно-орієнтованих стандартах

Полякова М.В., Ищенко А.В., Худайбердин Э.И. Порогово-пространственная сегментация цветных текстурированных изображений на основе метода JSEG

Гордеев Б.Н., Зивенко А.В., Наконечный А.Г. Формирование зондирующих импульсов для полиметрических измерительных систем

Богданов А.В., Бень А.П., Хойна С.И. Релаксация обратного тока диодов Шоттки после их магнитно-импульсной обработки (МИО)

Тверезовский В.С., Бараненко Р.В. Проектирование измерителя добротности варикапов

Тверезовский В.С., Бараненко Р.В. Оптимизированная модель измерителя доб-ротности варикапов

Руднєва М.С., Кочеткова О.В., Задорожній Р.О. Принципи побудови оптимальної структури інформаційно-вимірювальної системи геометричних розмірів об’єктів в діапазоні від 1 нм до 1000 нм

Биленко М.С., Рожков С.А., Единович М.Б. Идентификация деформаций пе-риодических структур с использованием систем технического зрения

Рашкевич Ю.М., Ковальчук А.М., Пелешко Д.Д. Афінні перетворення в модифікаціях алгоритму RSA шифрування зображень

Дидык А.А., Фефелов А.А, Литвиненко В.И., Шкурдода С.В., Синяков Ф. В. Классификация масс-спектров с помощью кооперативного иммунного алгоритма

Клименко А.K. Обратная модель для решения задач в системах с многосвязными динамическими объектами

Завгородній А.Б. Порівняльне дослідження твердотільних і рідиннофазних об'єктів методом газорозрядної візуалізації

Голощапов С.С., Петровский А.В., Рожко Ж.А., Боярчук А.И. Измерение доб-ротности колебательного контура на основе метода биения частот

Кириллов О.Л., Якимчук Г.С. Диагностирование критерия безопасности при заполнении замкнутых объемов СПЖ косвенным методом

Долина В.Г. Проблеми підвищення точності рефрактометра на основі прозорих порожнистих циліндрів.

Самков О.В., Захарченко Ю.А. Застосування алгоритму клонального відбору для побудови планів модернізації авіаційної техніки

Попов Д.В. Метод формування регламентів технічного обслуговування повітряних суден

Казак В.М., Чорний Г.П., Чорний Т.Г. Оцінювання готовності технічних об’єктів з урахуванням достовірності їх контролю

Тверезовский В.С., Бараненко Р.В. Технические аспекты проектирования цифрового измерителя добротности варикапов

Тверезовский В.С., Бараненко Р.В. Технические аспекты проектирования устройства для разбраковки варикапов по емкостным параметрaм и добротности

Сосюк А.В. Інтелектуальний автоматизований контроль знань в системах дистанційного навчання

Соколов А.Є. Деякі аспекти систезу комп’ютеризованої адаптивної системи навчання

Полякова М.В., Волкова Н.П., Іванова О.В. Сегментація зображень стохастичних текстур амплітудно-детекторним методом у просторі вейвлет-перетворення

Луцкий М.Г., Пономаренко А.В., Филоненко С.Ф. Обработка сигналов акустической эмиссии при определении положения сквозных дефектов

Литвиненко В.И., Дидык А.А., Захарченко Ю.А. Компьютерная система для решения задач классификации на основе модифицированных иммунных алгоритмов

Лубяный В.З., Голощапов С.С. Прямоотсчетные измерители расхождений емкостей

Беляев А.В. Построение навигации для иерархических структур в WEB-системах и системах управления WEB-сайтом

Терновая Т.И., Сумская О.П., Слободянюк И.И., Булка Т.И. Контроль качества тканей специального назначения с помощью автоматических систем.

Шеховцов А.В. Інформаційний аспект: розпізнавання образів індивідуума.

Полякова М.В. Определение границ сегмента упорядоченной текстуры на изображении с однородным фоном с помощью многоканального обнаружения пачки импульсов.

Литвиненко В.И. Прогнозирования нестационарных временных рядов с помощью синтезируемых нечетких нейронных сетей

Ковриго Ю.М., Мисак В.Ф., Мовчан А.П., Любицький С.В. Автоматизована система діагностики генераторів електростанцій

Браїловський В.В., Іванчук М.М., Ватаманюк П.П., Танасюк В.С. Керований детектор імпульсного ЯКР спектрометра

Забытовская О.И. Построение функции полезности по экспериментальным данным.

Шиманські З. Апаратні засоби сегментації мовного сигналу

Хобин В.А., Титлова О.А. К вопросу измерения парожидкостного фронта в дефлегматоре абсорбционно-диффузионной холодильной машины (АДХМ)

Фефелов А. А. Использование байесовских сетей для решения задачи поиска места и типа отказа сложной технической системы

Слань Ю. М., Трегуб В. Г. Оперативна нейромережна ідентифікація складних об’єктів керування

Ролик А.И. Модель управления перераспределением ресурсов информационно-телекоммуникационной системы при изменении значимости бизнес-процессов

Кириллов О.Л., Якимчук Г.С., Якимчук С.Г. Изучение электрического поля с помощью датчика измерителя электростатического потенциала на модели замкнутого металлического объема

Грицик В.В. Застосування штучних нейронних мереж при проектуванні комп’ютерного зору.

Гасанов А.С. Информационные технологии построения систем прогнозирования отказов

Шеховцов А.В., Везумский А.К., Середа Е.С. Алгоритм сжатия информации без потерь: модифицированный алгоритм LZ77

Ходаков В.Е., Жарикова М.В., Ляшенко Е.Н. Методы и алгоритмы визуализации пространственных данных на примере моделирования распространения лесных пожаров.

Полякова М.В., Крылов В.Н. Обобщённые масштабные функции с компактным носителем в задаче сегментации изображений упорядоченных текстур. – C. 75 – 84.

Полторак В.П., Дорогой Я.Ю. Система распознавания образов на базе нечеткого нейронного классификатора.

Литвиненко В.И. Синтез радиально-базисных сетей для решения задачи дистанционного определения концентрации хлорофилла.

Бражник Д.А. Управление совмещением изображения объекта в сцене и эталонного изображения.

Бабак В.П., Пономаренко А.В. Локализация места положения сквозных дефектов по сигналам акустической эмиссии.

Мороз В. В. R-D проблема и эффективность систем сжатия изображений.

Крылов В.Н., Полякова М.В., Волкова Н.П. Контурная сегментация в пространстве гиперболического вейвлет-преобразования с использованием математической морфологии.

Квасников В.П., Баранов А.Г. Анализ влияния дестабилизирующих факторов на работу биканальной координатно-измерительной машины.

Казак В.М., Гальченко С.М., Завгородній С.О. Аналіз можливості застосування імовірнісних методів розпізнавання для виявлення пошкоджень зовнішнього обводу літака.

Тищенко И.А., Лубяный В.З. Управление коммутационными процессами в интегрированных сетях связи.

Корниенко-Мифтахова И.К.,Филоненко С.Ф. Информационно-измерительная система для анализа характеристик динамического поведения конструкций.

Тверезовский В.С., Бараненко Р.В. Модель измерителя емкости с линейной шкалой измерений.

Полякова М.В., Крылов В.Н. Мультифрактальный метод автоматизированного распознавания помех на изображении.

Рожков С.О., Федотова О.М. Алгоритм розпізнавання дефектів тканин для автоматичної системи контролю якості.

Бражник Д.А. Использование проективного преобразования для автоматизации обнаружения объектов.

Ходаков В.Є., Шеховцов А.В., Бараненко Р.В. Математичні аспекти створення автоматизованої системи „Реєстр виборців України”