Интеллектуальные системы анализа изображений | Статья в сборнике международной научной конференции

Авторы: ,

Рубрика: 1. Информатика и кибернетика

Опубликовано в

VI международная научная конференция «Технические науки: проблемы и перспективы» (Санкт-Петербург, июль 2018)

Дата публикации: 15.05.2018

Статья просмотрена: 6 раз

Библиографическое описание:

Усмонов М. С., Тохирова Ч. Интеллектуальные системы анализа изображений [Текст] // Технические науки: проблемы и перспективы: материалы VI Междунар. науч. конф. (г. Санкт-Петербург, июль 2018 г.). — СПб.: Свое издательство, 2018. — URL https://moluch.ru/conf/tech/archive/288/14085/ (дата обращения: 21.06.2018).

Препринт статьи



В прикладных интеллектуальных системах анализа изображений основными функциональными задачами являются оценки качества изображения, определения границ объекта, классификация, кластеризация и распознавания образов. Отличительными особенностями решаемых задач указанных типов являются: большая размерность, наличие неопределенностей в исходной информации, динамичность изменения параметров внешней среды, предсказуемость которых, зачастую, является затруднительной или невозможной.

Эти особенности обуславливают использование для решения указанных задач, наряду с традиционными методами и средствами исследования операций и интеллектуального анализа данных (ИАД), интеллектуальных технологий, основанных на неформальных эмпирических знаниях экспертов и логических рассуждениях. Примерами таких интеллектуальных технологий, получивших наибольшее развитие и использование, являются технологии SoftComputing (SC), включающие нечеткие множества, нейронные сети (НС) и генетические алгоритмы (ГА).

Актуальным является правильно определить границы объекта, что может быть затруднено из-за недостаточной резкости изображения, наличия теней и шумов. Поэтому одна из важнейших задач исследований заключается в нахождении границ объекта. Изображение можно рассматривать как нечеткое множество и обрабатывается методами нечеткой логики. Вначале происходит фаззификация изображения — преобразование изображения к нечеткому множеству. Далее степень принадлежности элементов нечеткого множества (иными словами, пикселов изображения) изменяется в соответствии с базой нечетких правил. И, наконец, происходит дефаззификация изображения — преобразование значений функций принадлежности в четкие (реальные) значения яркости.

Несмотря на ряд успехов в области оценки качества изображений и распознавания объектов на основе цифровой обработки изображений, к числу нерешенных можно отнести проблему в адекватном отображении предметной области на нечеткую систему, выборе моделей нечеткого логического вывода и их интеграции в единую интеллектуальную систему. При обработке изображений требуется по некоторым признакам выделять некоторые однородные области изображения, причем, как правило, подобие нечеткое и часто нарушается. Этапы предварительной обработки изображения позволяют уменьшить влияние искажений на процесс распознавания. Тем не менее, имеет место распознавание в условиях неполной и нечеткой информации. Наиболее подходят для ее решения технологии нечеткой логики, нечеткая логика при этом. выступает в роли классификатора. Применение нечеткой логики в задачах обработки визуальной информации обосновывается также свойством обучаемости или адаптивности нечеткой логики к новым задачам, при этом сохраняются архитектура сети и алгоритм ее функционирования.

Концепция нечеткой обработки и идентификации изображений предполагает использование следующих подходов:

1) проблемно-ориентированной предварительной обработки, сохраняющей информационные признаки объектов, что позволяет упростить и ускорить процесс обучения;

2) выделения (идентификации) объекта на изображении для нечеткой обработки за счет использования информации об иерархии признаков, что сокращает затраты времени на обработку (осуществляется поиск лишь в идентифицированной области);

3) использования набора классификаторов, в котором по результатам классификации на тестовой выборке производится выбор наилучшей модели классификатора для обработки всех изображений.

Для повышения точности распознавания исследования проводятся в следующих направлениях: модификация правил выделения признаков за счет введения новых дополнительных инвариантов относительно искажений.

В предлагаемом проекте будут рассматриваться определение границ объекта с использованием методов нечеткой логики. Будет описан способ определения границ объекта с помощью методов нечеткой логики с использованием базу нечетких правил, состоящую из 8 элементов. Входные переменные системы нечеткого вывода могут принимать одно из двух нечетких значений: «черное» или «белое» Выходная переменная также может принимать одно из двух нечетких значений: «граница» или «не граница» Предлагаются использовать подобный подход при обработке изображения, с целью повышения его качества. Возможные значения восьми входных и одной выходной переменных сопоставляются нечеткому множеству, состоящему из двух элементов — «черного» и «белого» — с Z- и S-образными функциями принадлежности соответственно. Далее системой нечеткого вывода анализируется каждый пиксел изображения, после чего ему присваивается новое значение яркости в зависимости от значений яркости восьми соседних пикселов. Качество изображения зависит от многих параметров, основными из которых для черно-белого полутонового изображения являются: — резкость количественно можно оценить как длину перехода в пикселах; — контрастность количественно можно оценить как разность максимального и минимального значений яркости изображения; — шум количественно можно оценить как среднее арифметическое разброса значений яркости на изображении; — виньетирование количественно можно оценить как контраст между центральной и периферийной областями одного цвета на изображении; — кривизна поля изображения количественно можно оценить как разность значений резкости фрагментов из периферийной и центральной областей. Основные параметры изображения используются в качестве входных переменных системы нечеткого вывода для оценки его качества. При этом каждая переменная описывается одним из термов: П — «плохо», У — «удовлетворительно», Х — «хорошо». Выходная переменная «качество изображения» также описывается одним из указанных термов.

Таким образом, методы нечеткой логики являются мощным инструментом для представления и обработки знаний в виде правил вида „если—то―, системы нечеткого вывода разрабатываются быстрее и получаются более простыми по сравнению с четкими аналогами, в них легко внедряются экспертные знания. Нечеткая логика может быть успешно применена при решении задач обработки изображений, например, для повышения качества изображения и его количественной оценки.

Литература:

  1. Усмонов М. Проблемы создания интерактивных электронных учебных курсов на основе мультимедийных технологий. Педагогические науки журнал. ISSN 1728–8894. Россия. № 6. 2011. 138–143
  2. Усмонов М. Создание интерактивных электронных учебных курсов на основе информационных технологий и методика их использования. Актуальные проблемы современной науки. Информационно-аналитический журнал. ISSN 1680–2721. № 3 (71) 2013. Россия. 2013 102–106
  3. Усмонов М. Технология создания интерактивных электронных учебных курсов и его структура. Молодой учёный журнал. ISSN 2072–0297. Россия № 5 2014. 560–563
  4. Усмонов М. Методика использования средств мультимедиа программированного обучения информатике. Физика, математика ва информатика илмий-услубий журнали. 6-сон 2014 йил. Тошкент. 2014 йил. 59–63

Обсуждение

Социальные комментарии Cackle
Задать вопрос