ОДЕСЬКИЙ НАЦІОНАЛЬНИЙ ПОЛІТЕХНІЧНИЙ УНІВЕРСИТЕТ

АНТОЩУК Світлана Григорівна

УДК 658.5.011.56:004.932.001.57

ТЕОРЕТИЧНІ ТА РЕАЛІЗАЦІЙНІ ОСНОВИ СТВОРЕННЯ АДАПТИВНО-КРИТЕРІАЛЬНИХ СИСТЕМ ПОБУДОВИ ІНФОРМАЦІЙНИХ ТЕХНОЛОГІЙ ОБРОБКИ ВІЗУАЛЬНОЇ ІНФОРМАЦІЇ В АСУ

05.13.06 – Автоматизовані системи управління

і прогресивні інформаційні технології

АВТОРЕФЕРАТ

дисертації на здобуття наукового ступеня

доктора технічних наук

Одеса 2005

Дисертацією є рукопис

Робота виконана в Одеському національному політехнічному університеті

Міністерства освіти і науки України

Науковий консультант:

доктор технічних наук, професор

Малахов Валерій Павлович,

Одеський національний політехнічний університет,

ректор, завідувач кафедри комп'ютерних систем

Офіційні опоненти:

доктор технічних наук, професор

Путятін Євгеній Петрович,

Харківський національний університет радіоелектроніки,

завідувач кафедри інформатики

доктор технічних наук, професор,

Кожем’яко Володимир Прокопович,

Вінницький національний технічний університет,

завідувач кафедри лазерної і оптоелектронної техніки

доктор технічних наук, професор

Козак Юрій Олександрович,

Одеська національна академія зв'язку,

завідувач кафедри інформатизації і автоматизації

Провідна установа

Інститут кібернетики імені В. М. Глушкова НАН України,

м. Київ.

Захист відбудеться “ 2 ” березня 2005 р. о 13-30 на засіданні спеціалізованої вченої ради Д 41.052.01 в Одеському національному політехнічному університеті (65044, м. Одеса, проспект Шевченка, 1, ауд.400-А).

З дисертацією можна ознайомитися в науково-технічній бібліотеці ОНПУ,

65044, м. Одеса, проспект Шевченка, 1

Автореферат розіслано “ 1 ” лютого 2005 р.

Вчений секретар

спеціалізованої вченої ради Ямпольський Ю.С.

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Ефективність автоматизованих систем управління (АСУ) багато в чому визначається ефективністю систем збору й обробки інформації, прискоренням процесів одержання даних про об'єкт, поліпшенням форми їхнього подання. Серед багатьох видів інформації досить важлива й значна роль приділяється візуальній інформації (ВІ). ВІ використовується в АСУ при контролі і обліку продукції, технічній діагностиці, при управлінні технологічними процесами, у системах керування засобами, що рухаються, у системах безпеки та ін. Автоматизація обробки ВІ дозволяє з більшою ефективністю розв’язувати проблеми підвищення ефективності діяльності людини-оператора та якості продукції, що випускається, забезпечення безпеки підприємств та інших факторів, що істотно впливають на рентабельність самого широкого спектра виробництв. Системи обробки візуальної інформації (СОВІ) застосовуються для відображення, обробки, усунення надмірності ВІ, подання її в такому виді й кількості, які дозволяють виділити істотні, інформативні ознаки систем, об'єктів і процесів, розпізнати й оцінити їхній стан, сформувати при необхідності відповідні керуючі впливи. Саме тому забезпечення оперативності обробки, поліпшення форми подання й підвищення вірогідності ідентифікації візуальних даних в АСУ, особливо в тих прикладних галузях, де досить велика ціна наслідків невірного рішення, є важливою теоретичною й прикладною науково-технічною проблемою.

Якісне зростання характеристик і зниження вартості технічних засобів формування й обробки ВІ дозволяють істотно розширити галузі застосування СОВІ в АСУ, однак на практиці це не відбувається. Використання таких систем обмежується їхньою недостатньою ефективністю й універсальністю, що обумовлено дією комплексу протиріч:–

з одного боку, значним зростанням можливостей і зниженням вартості апаратної частини й великою кількістю теоретичних розробок в галузі обробки ВІ, а з іншого боку, відсутністю реалізаційних основ (методик) побудови СОВІ й окремих її складових;–

наявністю великої кількості різних інформаційних технологій (ІТ) обробки ВІ та відсутністю системи оцінки ефективності, що дозволяє проводити їх цілеспрямований синтез і порівняльну оцінку отриманих варіантів;–

інформаційним характером процесів у СОВІ та відсутністю комплексу моделей подання й обробки ВІ;–

схожістю розв'язуваних задач у СОВІ різного прикладного застосування та відсутністю уніфікованих методів і процедур обробки;–

зростаючими потребами в автоматизованій обробці ВІ, зростанням актуальності її практичних застосувань та обмеженими надійністю й ефективністю СОВІ;–

широким класом задач, у яких необхідно виділити об'єкт (або фрагменти) на фоні сукупності інших об'єктів, і відсутністю методів структурного аналізу, що забезпечують регульовану деталізацію.

На розв’язання цих протиріч спрямовані зусилля численних українських і зарубіжних колективів дослідників. У наш час, незважаючи на значні успіхи в створенні й удосконаленні методів обробки зображень, не існує єдиного підходу до обґрунтованого вибору і до порівняльної оцінки різних ІТ у даній галузі. Створення такого підходу повинно базуватися на системному аналізі, побудові моделей подання й обробки ВІ, адекватних інформаційним процесам, що відбуваються в СОВІ, і врахуванні таких парадигм:–

для підвищення ефективності АСУ з використанням ВІ при створенні СОВІ повинні використовуватись адаптивні інформаційні технології, що дозволяють змінювати структуру системи, параметри обробки, і, отже, алгоритми обробки при змінних умовах одержання ВІ з метою досягнення вірогідності даних про об'єкт або процес;–

при розробці СОВІ залежно від мети використання ВІ в АСУ (спостереження, виявлення або розпізнавання) змінюються критерії ефективності і/або критеріальні співвідношення як для окремих блоків і процедур, так і для системи в цілому.

СОВІ, що використовують ці концептуальні схеми для створення раціональних систем із застосуванням інформаційних технологій обробки ВІ, надалі будемо називати адаптивно- критеріальними (АК).

Оскільки основною функцією АК СОВІ в складі АСУ є добування істотної інформації, моделювати СОВІ й процеси обробки, що відбуваються в ній, доцільно на базі єдиного інформаційного підходу. Існуючі інформаційні підходи (сигнальний, статистичний, семантичний (прагматичний)) не в повній мірі відповідають вимогам практики розробки СОВІ. У зв’язку з цим доцільна розробка моделей, що поєднують різні інформаційні підходи залежно від цільового призначення та дозволяють створювати більш ефективні інформаційні технології.

Наведені положення визначають актуальність розробки теоретичних і реалізаційних основ створення адаптивно-критеріальних систем побудови інформаційних технологій обробки візуальної інформації в АСУ для збільшення ступеня автоматизації обробки ВІ в АСУ різного прикладного застосування з метою підвищення вірогідності й надійності правильно прийнятих рішень.

Зв'язок роботи з науковими програмами, планами, темами. Роботу виконано відповідно до пріоритетних напрямків науково-дослідних робіт Одеського національного політехнічного університету (ОНПУ), згідно з координаційними планами Міністерства освіти і науки, зокрема, у рамках наукових досліджень по держбюджетних і госпдоговірних науково-дослідних роботах (НДР) за участю або під науковим керівництвом автора: НДР “Методи та інформаційні технології моделювання та оцінки ефективності обробки та розпізнавання зображень та векторних сигналів у класі нелінійних гібридних алгоритмів за допомогою нейронних мереж” (№ 0100U001403, 2000 - 2002 рр.); НДР “Використання сучасних методів обробки сигналів та зображень при вирішенні прикладних завдань в атомній енергетиці” (№ 380-145/135, 2000 - 2002 рр.), НДР “Дослідження та розробка апаратного та програмного забезпечення інформаційних систем” (№ 533-145, 2003 - 2005 рр. ), госпдоговірна НДР “Розробка програмно-алгоритмічного забезпечення обробки данних ІЧ-спектрів фотометрії” (№ 1444-145, 2003 - 2004 рр.).

Мета й завдання досліджень. Метою дисертаційних досліджень є:–

розробка теоретичних і реалізаційних основ створення адаптивно-критеріальних систем побудови інформаційних технологій обробки візуальної інформації, що забезпечують підвищення ефективності СОВІ;–

забезпечення уніфікації інформаційних технологій обробки ВІ з метою зменшення витрат на прикладні дослідження в конкретній предметній галузі;–

підвищення ступеня автоматизації обробки ВІ в АСУ різного прикладного застосування з метою підвищення вірогідності й надійності правильно прийнятих рішень.

Досягнення поставленої мети забезпечується шляхом розв’язання виявлених протиріч, що й визначає комплекс завдань дослідження, послідовність яких знайшла відображення в структурі дисертаційної роботи:–

аналіз моделей і методів подання й обробки ВІ, формування структурної схеми СОВІ з урахуванням інформаційних взаємодій; виявлення шляхів і резервів підвищення ефективності СОВІ за рахунок дослідження й узагальнення синтезованих СОВІ в складі АСУ та інформаційних технологій, що в них застосовуються;–

розробка системи показників і критеріїв ефективності та методики цілеспрямованого вибору ІТ обробки ВІ;–

розробка інформаційної технології, що дозволяє адаптувати згідно вимог й синтезувати ефективні методи попередньої обробки ВІ;–

розробка інформаційної технології структурного аналізу з використанням моделі пірамідального подання ВІ, що дозволяє створювати нові методи виділення контурної структури зображень із регульованою деталізацією;–

розробка ієрархічної структурно-статистичної моделі ідентифікації об'єктів з регульованою деталізацією, використання якої дозволить підвищити вірогідність розпізнавання зображень об'єктів; –

розробка агрегованої моделі АК СОВІ, застосування якої підвищить рівень уніфікації та ефективність СОВІ;–

розробка на базі створених інформаційних технологій програмно-апаратних засобів СОВІ та впровадження їх у прикладних АСУ.

Об'єкт досліджень – системи обробки візуальної інформації в автоматизованих системах управління.

Предмет досліджень – інформаційні технології обробки візуальної інформації.

Методи досліджень. Наведені в дисертаційній роботі результати розробки системи оцінки показників ефективності базуються на комплексному застосуванні методів системного аналізу, теорії інформації й математичного моделювання; розроблена ІТ попередньої обробки зображень базується на теорії ймовірностей і математичній статистиці, теорії цифрової обробки сигналів і зображень; розробка ІТ структурного аналізу зображень заснована на методах вейвлет-аналізу й теорії статистичних рішень; розроблені методи ідентифікації й класифікації ґрунтуються на теорії розпізнавання образів, теорії нейронних мереж; для реалізації розроблених алгоритмів використовувались сучасні методи імітаційного моделювання.

Наукова новизна одержаних результатів полягає в наступному: –

вперше розроблено систему показників якості й ефективності ІТ обробки ВІ, що дозволила цілеспрямовано вибирати найбільш ефективні методи обробки ВІ для окремих процедур і для СОВІ в цілому;–

вперше розроблено сигнально-статистичну модель і на її основі базову інформаційну технологію попередньої обробки (ПрО) ВІ, що дозволила створити нові методи, підвищити якість та ефективність обробки в умовах перешкод різної фізичної природи;–

на базі створеної моделі пірамідального подання зображення вперше сконструйовано базис гіперболічного вейвлет-перетворення, використання якого дозволило об'єднати високу завадостійкість і роздільну здатність перетворення Гільберта із просторово-частотною локалізацією та забезпечити регульовану деталізацію при підкресленні контурів об'єктів; –

запропоновано базову інформаційну технологію структурного аналізу і на її основі розроблено ряд методів завадостійкого виділення контурів і бінаризації зображень із регульованою деталізацією в просторі гіперболічного вейвлет-перетворення, що дозволило реалізувати ієрархічний підхід при контурному аналізі зображень і підвищити вірогідність подання інформації про геометричну форму об'єктів;–

розроблено ієрархічний підхід і на його базі одержав подальший розвиток структурно-статистичний метод ідентифікації зображень об'єктів з ієрархічною структурою, що дозволило створити гнучкі моделі при ідентифікації об'єктів, одержати уніфікований підхід для розв’язання широкого класу задач;–

розроблено новий ітераційний метод пошуку екстремумів з використанням гіперболічного вейвлет-перетворення, особливістю якого є підвищення завадостійкості та зниження чутливості до локальних екстремумів, що дозволило створити методи пошуку характерного фрагменту й характерних точок, гістограмного аналізу й навчання нейронних мереж.

Практичне значення отриманих результатів. Практична цінність роботи полягає в тому, що теоретичні й реалізаційні основи створення адаптивно-критеріальних систем побудови інформаційних технологій обробки візуальної інформації в АСУ було використано при розробці прикладних АСУ, що мають у своєму складі СОВІ, для розв’язання задач виявлення й обліку об'єктів, зчитування маркованих написів, розпізнавання об'єктів за їх геометричною формою й оцінки текстурних зображень. Підвищено ступінь автоматизації обробки візуальної інформації та ефективність реально працюючих систем, розроблено рекомендації з використання отриманих результатів у прикладних інформаційних системах і автоматизованих системах управління на підприємствах: Одеському науково-дослідному інституті судових експертиз, ВАТ „Одесавтотранс”, ВАТ „Верстатонормаль”, АСУДР м. Одеси.

Основні положення, висновки та рекомендації, що викладені в дисертаційній роботі, використовуються в навчальному процесі Одеського національного політехнічного університету в дисциплінах “Цифрова обробка сигналів і зображень”, “Теорія розпізнавання образів і класифікація”, “Теорія, програмне й технічне забезпечення автоматизованих систем”, що викладаються на кафедрі інформаційних систем для студентів напрямку підготовки “Комп'ютерні науки”.

Особистий внесок автора. Наукові положення, висновки й рекомендації, які наводяться в дисертації й виносяться на захист, отримані в період з 1997 по 2004 р. і узагальнені під час оформлення дисертації. Роботи [3 - 8, 30, 36] написані особисто автором. У роботах, написаних у співавторстві з аспірантами й співробітниками, автором сформульовані теоретичні положення й технологія застосування [1, 2, 9, 10, 12, 15, 17 - 20, 28, 29, 31 - 34]; розроблені структури систем, алгоритми і їхня програмна реалізація [22 - 27]; сформульована постановка завдання й проведене узагальнення отриманих результатів [11, 13, 14, 16, 35, 37, 38].

Апробація роботи. Наукові результати й основні положення дисертаційної роботи доповідалися й обговорювалися на конференціях: Міжнародних конференціях з управління “Автоматика – 98” (Київ, 1998 р.), “Автоматика – 99” (Харків, 1999 р.), “Автоматика – 2001” (Одеса, 2001 р.), “Автоматика – 2002” (Донецьк, 2002 р.), “Автоматика – 2003” (Севастополь, 2003 р.), Всеукраїнських міжнародних конференціях “Оброблення сигналів і зображень та розпізнавання образів” “УкрОБРАЗ– 98”, “ УкрОБРАЗ – 2000”, “ УкрОБРАЗ – 2002”, “ УкрОБРАЗ – 2004” (Київ), Міжнародних науково-практичних конференціях Современные информационные и электронные технологии” – СИЭТ - 1, СИЭТ – 2, СИЭТ – 3, СИЭТ – 4, СИЭТ - 5 (Одеса, 2000 – 2004 рр.), Проблемы электроники (Київ, 1999 – 2004 рр.), „Інтелектуальні системи прийняття рішень та інформаційні технології” (Чернівці, 2004 р.) Міжнародних конференціях ”Сучасні проблеми радіоелектроніки, телекомунікації, комп’ютерної інженерії” (Львів, 2004 р.), „Кораблебудування: освіта, наука, виробництво” (Миколаїв, 2002 р.), Третій науково-технічній конференції Приладобудування 2004 (Київ, 2004 р.), Искусственный интеллект (Кацивелі, 2002 р., 2004 р.), Міжнародній науково-технічній конференції „Новые процессы и их модели в ресурсо- и энергосберегающих технологиях”, (Одеса 2003 р.), Міжнародній науково-практичній конференції Міністерства внутрішніх справ України, (Київ, 2004 р.) та ін. Основні положення дисертаційної роботи розглядалися на науково-технічних семінарах інституту комп'ютерних систем ОНПУ.

Публікації. Основні положення дисертаційної роботи опубліковані в 70 роботах: 37 статей, з них 32 - у спеціальних виданнях відповідно до переліку ВАК, 33 доповіді в працях міжнародних і республіканських конференцій.

Структура й обсяг дисертаційної роботи. Дисертація складається з вступу, шести розділів і висновків, містить 293 сторінки машинописного тексту, 87 малюнків, 5 таблиць, список літератури з 189 найменувань і додатків.

ОСНОВНИЙ ЗМІСТ РОБОТИ

Вступ включає загальну характеристику роботи, що підкреслює та обґрунтовує її актуальність, відповідність державним науковим програмам, мету і завдання досліджень, наукову новизну й практичне значення отриманих результатів.

У першому розділі дисертаційної роботи проведено аналіз сучасного стану теорії й практики застосування СОВІ в складі АСУ. Відповідно до існуючої ієрархії цілей (рис. 1), візуальна інформація в АСУ призначена для спостереження за об'єктом (збір, перетворення й первинна обробка даних, візуалізація), виявлення об'єкта або виміру інформації про нього (контроль, виявлення відхилень) і розпізнавання об'єкта або його характеристик (діагностика, оцінка параметрів об'єкта управління й класифікаційний висновок).

Проаналізовано процеси перетворення ВІ в СОВІ і сформовано (рис. 1) чотири рівні обробки ВІ (табл. 1). Проведено класифікацію й аналіз базових ІТ, визначено основні проблеми та обрано найбільш перспективні методи обробки ВІ.

Рис. 1. Комплексно-ієрархічна модель застосування СОВІ в АСУ

Таблиця 1

Рівні обробки ВІ

Рівень обробки ВІ | Базова ІТ | Процеси перетворення інформації | Цільове призначення рівня

A0 | Попередня обробка | Поліпшення якості зображень

А1 | Сегментація (загальний і детальний аналіз) | Аналіз зображень об'єктів

А2 | Виділення й аналіз ознак | Ідентифікація

А3 | Класифікація | Рішення

де – відображуюча здатність об'єкта; – зображення на виході системи формування зображень (СФЗ); – зображення поліпшеної якості; – оператор обробки; – сукупність параметрів ВІ; ; - сукупність ознак, що описують - ий об'єкт; – рішення на основі ознак

Побудовано узагальнену функціональну схему СОВІ в складі АСУ з урахуванням інформаційних взаємодій і розроблено інформаційну модель формування вихідних даних, що включає два основних типи даних (геометричні ідентифікаційні дані й атрибутивні характеристики) і один додатковий (асоціативні дані). Асоціативні дані зв'язують геометричні ідентифікаційні дані з атрибутивними, перетворюючи дані, отримані в результаті застосування різних методів обробки, у єдину інформаційну модель та реалізуючи універсальний підхід до опису об'єктів на зображеннях.

Проведений аналіз показав, що важливим напрямком у розвитку СОВІ є створення багатоцільових систем, здатних змінювати свої параметри й структуру залежно від змінних умов спостереження й мети АСУ. У даній дисертаційній роботі для створення таких систем запропоновано адаптивно-критеріальний підхід, теоретичними основами якого є розроблені моделі й методи подання й обробки ВІ і створена система критеріїв оцінки ефективності. Реалізаційними основами підходу є розроблені базові і прикладні ІТ, методики їхньої реалізації. Діаграму створення АК систем (АКС) побудови ІТ наведено на рис. 2.

У другому розділі розроблено систему показників якості й ефективності всіх рівнів глибини обробки СОВІ, що працює в складі АСУ. При розробці системи критеріїв ефективності враховувалося, що критерії ефективності СОВІ й окремих ІТ (блоків, алгоритмів) повинні:–

бути інформаційними, оскільки головною метою СОВІ в складі АСУ є здобуття істотної інформації про об'єкт керування та зміна форми подання інформації на кожному рівні обробки;–

відображати імовірнісний характер одержуваної ВІ в АСУ; –

враховувати важливість отриманої інформації для виконання поставленого завдання, отже, для оцінки ефективності доцільно використати семантичний підхід.

У розділі розроблено функціонально-інформаційну модель, що дозволяє оцінити ефективність СОВІ у складі АСУ з урахуванням всіх цих складових. Відповідно до моделі окремі ІТ (блоки, процедури, методи) пропонується оцінювати за допомогою таких числових характеристик: –

показників якості базових ІТ (для окремих блоків, процедур, етапів), які є мірою близькості між результатами обробки зображень при моделюванні блоку (процедури, етапу) та ідеальним результатом (F); –

показників ефективності базових ІТ (для окремих блоків, процедур, етапів), що оцінюють ступінь пристосованості ІТ для досягнення певної мети при обробці ВІ (D);–

функціонально-інформаційного критерію ефективності прикладної ІТ (СОВІ в цілому), який оцінюється прагматичною мірою інформації (мірою доцільності), що відображає ступінь пристосованості ІТ для досягнення цілей функціонування СОВІ в АСУ (R).

Як прагматичну міру інформації запропоновано використовувати числову характеристику, отриману на основі критерію доцільності А.А. Харкевича з використанням в якості імовірності досягнення мети середнього виграшу , де та — середній виграш СОВІ в цілому для i-го (досліджуваного) і 0-го (базового) варіантів блоків (процедур, методів) відповідно.

Розроблена функціонально-інформаційна модель являє собою систему рівнянь, функціоналів і залежностей, за допомогою яких для базових ІТ (окремих блоків, процедур, методів) виконується оцінка показників якості F, ефективності D і дослідження впливу на міру доцільності інформації СОВІ в цілому R=Ф(F,D). У рамках створення цієї моделі з урахуванням цілей застосування СОВІ в АСУ (рис. 1) і процесів перетворення інформації на різних рівнях глибини обробки (табл. 1) проведено системний аналіз блоків (процедур, методів), запропоновані методи оцінки якості й ефективності та досліджено їх взаємозв'язок і вплив на міру доцільності інформації.

Розроблена методика розрахунку математичної функціонально-інформаційної моделі передбачає оцінку показників функціонування складових СОВІ.

Система формування зображень. Призначенням СФЗ є формування вхідного інформаційного поля (зображення). Як показник якості СФЗ може використовуватись функціонал якості, який враховує технічні характеристики цієї системи.

При оцінці ефективності СФЗ аналіз цілей функціонування існуючих СОВІ дозволяє виділити два підходи: —

при використанні СОВІ для спостереження за об'єктом управління метою СФЗ є формування психологічно точного зображення, тобто такого зображення, на підставі якого людина-оператор одержує потрібну для забезпечення управління інформацію без спотворень. Для оцінки ефективності СФЗ запропоновано застосовувати коефіцієнт зміни ентропії: відношення ентропії у квазіідеальному ( ) і психологічно точному зображенні ( )

.—

при використанні СОВІ для виявлення та розпізнавання об’єктів ефективність СФЗ оцінюється відношенням ентропії у квазіідеальному ( ) і семантично достатньому () зображеннях

.

Семантично достатнім вважається таке зображення, на підставі якого СФЗ забезпечує необхідне значення семантичної інформації з виключенням несуттєвої інформації. Рівень семантичної достатності визначається на етапі дослідження залежності прагматичної міри інформації для СОВІ у цілому від показника якості СФЗ. За допомогою запропонованих показників можна робити порівняльну оцінку та обґрунтований вибір раціональної СФЗ.

Блок попередньої обробки (ПрО). Цільове призначення ПрО — зниження рівня завад. Показником якості блоку є нормований метричний показник близькості між тестовим (ідеальним) зображенням () і отриманим у результаті обробки ()

.

Для нормування використовується метричний показник близькості між тестовим (ідеальним) зображенням () і зображенням на вході блоку ПрО (). ПрО з найкращим показником якості в загальному випадку не забезпечують найвищу ефективність, тому що не враховується цільове призначення СОВІ. Зокрема, якщо розпізнавання здійснюється за формою силуету об'єкта, то наявність на зображенні дрібних деталей тільки знижує ймовірність правильного розпізнавання і прагматичну міру інформації в СОВІ в цілому.

Зниження рівня завад приводить до зменшення ентропії зображень, отриманих за допомогою СФЗ. Ефективність ПрО характеризується коефіцієнтом зменшення ентропії

.

За допомогою такого показника ефективності оцінювався ступінь інформаційного стиску ВІ після ПрО.

Блок сегментації. На етапі сегментації здійснюється розподіл зображення на однорідні ділянки за деякими ознаками. На практиці частіше застосовуються такі види сегментації: виділення характерного фрагмента (розподіл об'єкта на підоб’єкти), контурна сегментація та бінаризація.

Призначення першого — виділення ділянки, у якій перебуває об'єкт чи підоб’єкт на зображенні об'єкта. Метою є зменшення обсягу оброблюваної ВІ. Показником якості, що характеризує точність визначення границь, є метричний показник близькості між границями зображень: тестового (ідеально сегментованого ) і сегментованого t-м методом обробки

,

де Р — довжина границь виділених сегментів у пікселях.

Для визначення показника ефективності сегментації використано геометричну міру інформації: відношення площі зображення до сумарної площі сегментів (у пікселях)

.

Сегментація істотно знижує обсяг оброблюваної ВІ, що приводить до зростання швидкодії СОВІ в цілому.

Призначенням контурної сегментації є виділення областей зображень, у яких локалізовані перепади інтенсивності. Метою виділення контурів (бінаризації) є зменшення обсягу оброблюваної ВІ й забезпечення інваріантості до трансформацій інтенсивності. Показником якості процедури виділення контурів є міра близькості між ідеально виділеним перепадом інтенсивності тестового зображення і результатом контурної обробки. Як правило, показник якості розраховують за критерієм Претта. Показником ефективності процедур бінаризації і виділення контурів є відношення кількості інформації в контурному препараті (бінаризованому зображенні) об'єкта (підоб’єкта) до кількості інформації в зображенні. Для оцінки кількості інформації використано показник

,

де n — кількість пікселів в зображенні; k – кількість інформативних пікселів у контурному або в бінаризованому зображенні; – приведена ентропія значень вихідного зображення.

Блок ідентифікації (обчислення ознак). Призначення процедури обчислення ознак — одержання геометричних та атрибутивних ідентифікаційних даних про об'єкт розпізнавання з метою скорочення обсягу оброблюваної ВІ та забезпечення інваріантості до перетворень подібності. Мірою якості процедури ідентифікації є нормована відстань вектора ознак , отриманого в результаті ідентифікації t – им з оцінюваних методів та “ідеальним” методом (при t = 0)

,

де незміщена дисперсія (L — кількість елементів класу).

Для оцінки ефективності ідентифікації використано геометричну міру інформації – відношення кількості пікселей у простеженому контурі m до розмірності вектора ознак l

.

При цьому розмірність вектора ознак доцільно вибирати виходячи з вимог семантичної достатності.

При ідентифікації здійснюється процедура мінімізації та ортогоналізації простору ознак. При ортогоналізації досягається підвищення умовної ентропії шляхом забезпечення взаємної незалежності ознак (умова максимуму ентропії Шеннона). Показником ефективності процедури ортогоналізації є коефіцієнт збільшення умовної ентропії. При мінімізації простору ознак досягається зменшення обсягу оброблюваної інформації шляхом відбору найбільш інформативних ознак. Для оцінки ефективності процедури мінімізації застосовується структурний підхід і геометрична міра інформації. Показником ефективності процедури є відношення розмірності вторинного й первинного векторів ознак. Вплив процедури обчислення ознак на ефективність СОВІ в цілому оцінюється згідно з функціонально-інформаційною моделлю з урахуванням впливу показників якості й ефективності ідентифікації на прагматичну міру інформації. Оптимальний вибір вектора ознак істотно підвищує міру доцільності інформації, визначає структуру класифікатора, ефективність і якість його роботи та СОВІ в цілому.

Блок класифікації. Метою класифікації є одержання рішення про належність об'єкта (підоб’єкта) до певного класу.

Показником якості класифікатора є міра близькості (СКО) між реально отриманими ймовірностями рішень і одиничною матрицею E. Елементами матриці Р є ймовірності того, що класифікатор приймає рішення про віднесення вектора ознак деякого об'єкта до області , у той час, коли сам об'єкт належить до класу . При ймовірності характеризують помилки розпізнавання, тобто являють собою ймовірності невірної або помилкової класифікації, при ймовірності задають імовірності правильної класифікації представників відповідного класу. Для ідеального класифікатора ця матриця є одиничною ( =1 при ).

Запропоновано показник ефективності класифікації оцінювати на основі статистичного підходу відношенням

,

де – кількість інформації, що отримана при класифікації:

;

– максимально можлива кількість інформації .

Aналіз (рис. 2 – блоки 6 і ), який виконується з використанням функціонально-інформаційної моделі, дозволяє чисельно визначати ефективність і якість СОВІ, здійснювати порівняльну оцінку й цілеспрямований вибір методів подання й обробки ВІ, змінювати структуру СОВІ, алгоритми обробки при змінних умовах спостереження, вибирати показники і/або критеріальні співвідношення для окремих блоків і системи в цілому, тобто є складовою теоретичних основ створення АК системи побудови ІТ.

В третьому розділі показано, що існуючі основні підходи до моделювання процесів подання й обробки ВІ (сигнальний, статистичний і семантичний) не задовольняють вимогам практики. Обґрунтовано необхідність розробки гібридних моделей обробки ВІ на всіх рівнях.

Синтезовано сигнально-статистичну модель формування зображень, корисний сигнал представлено у вигляді східчастої функції, враховані основні види перешкод: мультиплікативна, адитивна флуктуаційна й імпульсна (типу “яскрава точка”).

Проведений аналіз основних існуючих методів попередньої обробки показує, що всі розглянуті методи несуть риси сигнального (зважування пікселів в апертурі обробки) і статистичного (подання випадковим полем і статистична оцінка числових характеристик) підходів. На основі сформованої сигнально-статистичної моделі розроблено базову ІТ попередньої обробки ВІ.

Розроблено сигнально-статистичну модель і на її основі базову ІТ попередньої обробки ВІ.

Існує ряд задач, у яких об'єкт, що розпізнається, має ієрархічну структуру, тобто містить підоб’єкти. Процес розпізнавання доцільно проводити на різних рівнях деталізації об'єкта залежно від поставленого завдання. Наприклад, у ряді практично важливих завдань зображення можна розпізнати по зовнішньому контуру об'єкта (силуету), в інших інформативною частиною є дрібні деталі об'єкта. Це відповідає властивостям зорового аналізатора людини: спочатку виділяється лише загальне, дифузійне уявлення про предмет, що потім замінюється більш певним і детальним його сприйняттям. У загальному випадку зображення на кожному рівні є сукупність зображень окремих об'єктів і фону

,

де – кількість об'єктів (підоб’єктів) на зображенні; – зображення i-го об'єкта або його видимої частини (i=1,…,k) на j-му рівні ієрархії; – зображення фону на j-му рівні ієрархії.

При цьому

,

де – область i-го об'єкта на j-му рівні ієрархії, що входить у дискретне поле зору ; – область фону на j-му рівні ієрархії; . при , (j, g –рівні обробки).

Для того, щоб одержати таке подання на рівні А1 (табл. 1) здійснюється виділення найбільш інформаційно значущої частини зображень об'єктів – контурів. Розроблено сигнально-семантичну модель пірамідального подання й обробки ВІ, відповідно до якої енергія зображень за допомогою сигнального вейвлет-перетворення (ВП) концентрується поблизу найбільш інформативної частини – перепадів інтенсивності, що підвищує ймовірність правильного розпізнавання (досягнення мети) – міру доцільності.

Відповідно до цієї моделі зображення піддається ВП із різними масштабами, які обираються за допомогою апріорної інформації про зображення відповідно до цілей управління; на обраних рівнях у блоці виділення області контуру здійснюється виділення контурів; на виході моделі формується пірамідальне подання контурних препаратів:

, (1)

де – пірамідальне подання контурних препаратів; – контурний препарат на j-му рівні ієрархії; k – кількість рівнів ієрархії.

Для одержання геометричних ідентифікаційних даних і наступної класифікації доцільно перейти від пірамідального подання (1) до ієрархічної послідовності векторів ознак.

Відповідно до запропонованої концепції ієрархічних моделей опис об'єкта може бути представлено сукупністю початкових векторів контурних ознак

. (2)

Тут – упорядкована множина пікселів з координатами контуру деякого графічного об'єкта на площині, отриманого за допомогою сигнально-семантичного перетворення масштабу j; M – кількість масштабів сигнально-семантичного перетворення; N – кількість об'єктів і підоб’єктів. На множинах К визначене відношення належності, при якому один або декілька підоб’єктів розташовується усередині іншого об'єкта або підоб’єкта.

Оскільки найбільшу інформативність серед точок контуру мають точки найбільшої кривизни (характерні точки ХТ), координати яких, утворюють упорядковану множину – початковий вектор ознак ХТ j-го рівня , то справедливим є співвідношення

. (3)

На базі описів (2) та (3) отримані топологічні ознаки об'єкта (кількість і взаємне розташування об'єктів і підоб’єктів), спектральні, геометричні й інші характеристики об'єкта розпізнавання – первинний вектор контурних (характерних) ознак, отриманий шляхом перетворення або композиції перетворень початкового вектора відповідних ознак:

або .

Розроблений ієрархічний підхід до моделювання процесів подання й обробки об'єктів розпізнавання дозволив створювати гнучкі моделі, уникнути необхідності багаторазового зіставлення отриманої інформації з великою кількістю еталонів у процесі ідентифікації об'єктів, одержати універсальний засіб для розв’язання широкого кола прикладних проблем.

Розроблені гібридні моделі всіх рівнів подання й обробки ВІ дозволяють відповідно до завдань, що розв'язуються, проводити адаптацію та раціональний вибір методів обробки ВІ та є складовою теоретичних основ адаптивно-критеріальних систем побудови ІТ для СОВІ в складі АСУ.

У четвертому розділі на базі АК підходу розроблюються методи й інформаційні технології структурного (контурного) аналізу, що реалізують сигнально-семантичну модель пірамідального подання ВІ. Для реалізації моделі розроблено і досліджено базис вейвлет-перетворення, названий гіперболічним вейвлет-перетворенням (ГВП). Безперервне вейвлет-перетворення визначається шляхом згортки

,

де – функція, що перетворюється (аналізується); – двопараметрична базисна функція, яку одержують з материнського вейвлета в результаті масштабування з масштабним множником і зсуву з параметром ; – комплексно-сполучена функція стосовно (s відповідає за ширину вейвлета; x0 – визначає положення вейвлета на осі х). Множник вводиться для нормування.

Розв?язана задача вибору базисних функцій і конструювання безперервного вейвлет-перетворення, що дозволяє об'єднати переваги перетворення Гільберта із просторово-частотною локалізацією. Отримані вейвлетні функції (рис. 3) на підставі материнського вейвлета

,

де G(-x) = G(x) , ; 1(t) – одинична функція Хевісайда; – масштабуючий коефіцієнт. Показано, що материнський вейвлет ГВП задовольняє ряду умов, що виставляються до такого класу функцій:–

умові локалізації: функція локалізована при ;–

умові допустимості: Фур'є-образ материнського вейвлета

;–

умові осциляцій (знакозмінності)

,

що забезпечується непарністю функції і є необхідною умовою для побудови безумовно стійкого базису; –

умові обмеженості: норма базисної функції

.

Змінюючи масштабний коефіцієнт s і величину зсуву вейвлетної функції, можна локалізувати будь-які особливості зображення в просторі масштабів.

Частотно-вибірні властивості розробленого перетворення, що дозволяють реалізувати ієрархічну модель (1), досліджені шляхом аналізу амплітудно- частотної характеристики (АЧХ) ГВП (рис. 4):

.

a) б)

Рис. 4. Характеристики ГВП: а) – імпульсна (при масштабі s3=8); б) – амплітудно - частотні характеристики при різних масштабах s1<s2<s3<s4

При цьому ГВП позбавлено недоліку низькочастотних пірамідальних методів подання зображень – розмиття перепадів інтенсивності. При поданні в просторі ГВП найбільш інформативна частина зображень – перепади інтенсивності підкреслюються, а не розмиваються. Тому таке подання рекомендується для широкого кола прикладних задач, пов'язаних з аналізом і розпізнаванням зображень за їхніми контурами.

а) б) в)

Рис. 5. Результати моделювання: а) – фрагмент рядка тестового зображення у вихідному просторі; б), в) – фрагменти рядка зображення після ГВП відповідно з масштабами s1=2 і s2=8.

Розроблено методику виділення контурів з регульованою деталізацією в просторі ГВП:

ѕ зображення піддається згортці з гіперболічними вейвлет - функціями різних масштабів від найбільшого до найменшого;

ѕ на контрастному зображенні виділяється область контуру. При необхідності проводиться процедура “скелетизації” (зменшення товщини) області контуру;

ѕ на зображеннях найбільшого масштабу виділяється зовнішній контур об'єкта дослідження;

ѕ обробка наступного рівня проходить усередині контуру зображення об'єкта;

ѕ обробка здійснюється по рядках і по стовпцях. Результати поєднуються за схемою логічного додавання АБО.

На базі цієї методики розроблені диференціальні (граничний і за допомогою дворазового ГВП) і кореляційно-екстремальний методи виділення контурів. Останній являє собою композицію вейвлет-аналізу й теорії статистичних рішень. Виділення контурів тестового зображення за допомогою запропонованої методики показано на рис. 6. Проведено дослідження якості й ефективності розроблених методів відповідно до функціонально-інформаційної моделі (рис. 7).

а) б) в)

Рис. 6. Результат виділення контуру при різних масштабах: а) – вихідне тестове зображення; б) – контурний препарат при s=1; в) – контурний препарат при s=8

а) б)

Рис. 7. Залежність якості (а) і ефективності (б) процедури виділення контурів від відношення сигнал/завада при різних масштабах (prеv – відповідає алгоритму Превітта)

Методи дозволяють змінювати рівень деталізації зображень, забезпечують високу завадостійкість, розрізнювальну здатність процедури виділення контурів об'єктів при відносно високій швидкодії й перевищують відомі за якістю (за критерієм Претта) в 1,2 - 3,2 рази при відношеннях сигнал/завада 1-20 (за потужністю). Найбільш істотний виграш отримано у діапазоні відношень сигнал/завада 2-7. Процедура виділення контурів робить істотний, а при низьких відношеннях сигнал/завада визначальний вплив на ефективність СОВІ в цілому. При низьких відношеннях сигнал/завада кореляційні методи перевищують диференціальні за ефективністю в 1,2 - 1,6 рази. Розроблені методи виділення контурів у просторі ГВП істотно підвищують ефективність СОВІ в цілому, особливо при великих масштабах ГВП, і створюють надійну базу для завадостійкої ідентифікації геометричної форми об'єктів. При відношенні сигнал/завада 5 ефективність методів виділення контурів недостатня і не дозволяє забезпечити високу ефективність для СОВІ в цілому.

На підставі прийнятих рішень про форму перепаду інтенсивності розроблено завадостійкий метод бінаризації зображень із використанням мультимасштабної рангової обробки, що дозволяє підвищити якість в 1,2 - 1,5 рази. Хоча ефективність процедури бінаризації значно нижче ефективності процедури виділення контурів, при низьких відношеннях сигнал/завада (у діапазоні 2-5) застосування бінаризації підвищує функціонально-інформаційну міру ефективності СОВІ в цілому в 1,5-3 рази.

Розроблені моделі, методи, методики та алгоритми є реалізаційними основами АК підходу до ІТ структурного аналізу ВІ з регульованою деталізацією й дозволяють забезпечити стійке розпізнавання об'єктів і текстур при співвідношенні сигнал/завада 2 (за потужністю) при досить високій швидкодії.

Розроблено метод і базову ІТ ітераційного пошуку в просторі ГВП. Визначимо одномірне частинне ГВП:

,

де – цільова функція; – вектор параметрів; , – параметри.

Умовою оптимуму вважається рівність нулю всіх частинних ГВП . Складено оператор , що і був використаний для синтезу регулярних ітераційних алгоритмів:

(4)

де – коефіцієнт; – номер ітерації.

Ілюстрацію роботи ітераційного методу пошуку екстремумів з використанням гіперболічного вейвлет-перетворення наведено на рис. 8. Проведено дослідження залежності точності визначення екстремуму й швидкості збіжності від відношення сигнал/завада. При відношенні сигнал/завада в діапазоні 5 - 10 похибка знаходження положення екстремуму перевищувала 4% при масштабах ГВП > 32 і при співвідношенні сигнал/завада > 10 – похибка знаходження положення екстремуму не перевищувала 2 % при масштабах ГВП s 4. Жоден із градієнтних методів не досягає таких результатів, оскільки введення в цільову функцію адитивного гаусовського шуму робить градієнтні методи непрацездатними вже при відношеннях сигнал/завада 15 (за потужністю). У ході досліджень цього методу встановлено, що застосування ГВП замість оцінок градієнта дозволило зменшити кількість ітерацій при цільових функціях типу “яр”, збільшити завадостійкість пошукових алгоритмів, створити алгоритми пошуку глобального оптимуму. Тому метод може бути рекомендований для широкого кола задач оптимізації, адаптації й самонавчання. У даній роботі цей метод був використаний для виділення ХТ контуру й аналізу гістограми (одновимірний), для пошуку характерного фрагменту (двовимірний), для навчання нейронної мережі (багатовимірний).

а) б)

в) г)

Рис. 8. Результати моделювання: а) – вихідна поверхня тестової функції;

б) – поверхня функції з адитивною гаусовською завадою (відношення сигнал/завада дорівнює 7); в) – траєкторія руху при роботі пошукового алгоритму на основі ГВП для вихідної функції; г) – траєкторія руху при роботі пошукового алгоритму на основі ГВП для функції з завадою

У п'ятому розділі розроблено реалізаційні основи створення АК систем обробки ВІ в АСУ, що включають агреговану модель АК СОВІ, нові методи й базові ІТ попередньої обробки, сегментації, ідентифікації й класифікації на підставі запропонованих у попередніх розділах моделей подання й обробки ВІ.

На базі сигнально-статистичної моделі розроблені методи й базові ІТ ПрО: просторове автоматичне регулювання контрасту з оцінкою моди; гомоморфний ранговий метод; дифузійний ранговий і ранговий кореляційно – екстремальний методи. Показано ефективність методів для розв’язання прикладних задач. Як ілюстрація методу просторового автоматичного регулювання контрасту з оцінкою моди виконано аналіз форми поверхні зони зносу при оптичному контролі різальних інструментів (рис. 9). Застосування розроблених ІТ дозволило підвищити показник ефективності ПрО до 30%, якості до 20 %, ефективність СОВІ в цілому до 15%.

На сучасному етапі при виділенні характерних фрагментів (ХФ) застосовуються просторова низькочастотна фільтрація (для розширення області просторової локалізації об'єкта) і процедура градієнтного ітераційного пошуку.

а) б)

Рис. 9. Результати обробки зображення поверхні різального інструменту: а) – зображення поверхні різального інструменту з мультиплікативною завадою; б)– виділений контурний препарат зони зносу після обробки методом просторового автоматичного регулювання контрасту з оцінкою моди

У цьому випадку розмиваються перепади інтенсивності, неможливо забезпечити високу завадостійкість і гарантувати знаходження глобального екстремуму. Виділення ХФ зображення, згідно з прийнятою ієрархічною моделлю подання об'єктів при розпізнаванні, здійснюється на вищому рівні ієрархії ГВП, що не тільки розширює просторову локалізацію, але й підкреслює перепади інтенсивності. ІТ пошуку ХФ реалізується на