Распознавание образов и анализ изображений

Разнообразные процедуры поиска информации или случившегося события среди множества других данных и событий, контроль состоя­ния сложных многопараметрических объектов и процессов, управление в условиях неопределенности и ограниченной информации играют большую прикладную роль в решении многих задач в различных пред­метных областях. Здесь используются, как правило, методы обучения алгоритмическим процедурам преобразования и анализа информации для задач, алгоритмы решения которых неизвестны.

Задачи распознавания (классификации) возникают в связи с обработкой и преобразованием на ЭВМ структур, представляющих в программах искусственного интеллекта знания о предметной об­ласти в целом и знания, относящиеся к конкретной задаче.

Под образом понимается структурированное приближенное (частичное) описание изучаемого объекта или процессов, причем частичная определенность описания является принципиальным свойством образа. Образ допускает рекурсивное определение: сим­вол является образом, список символов является образом. Можно допустить, что образ состоит из двух групп символов, представляю­щих соответственно переменные и постоянные характеристики объекта описания.

Описания служат для установления соответствия образов, т.е. доказательства их идентичности, аналогичности, подобия, сходства и т.п., осуществляемого сопоставлением. Сопоставление образов представляет собой основную задачу как распознавания, так и ис­кусственного интеллекта в целом.

В различных задачах искусственного интеллекта понятию «об­раз» придается различный смысл. Так, в распознавании (в класси­ческих моделях) образ описывается вектором признаков, каждый элемент которого представляет числовое значение одного из при­знаков, характеризующих соответствующий объект. В структурной модели распознавания в качестве образа выступает высказывание, порождаемое грамматикой, характеризующий класс, которому дан­ный образ принадлежит.

Целью создания автоматизированных вычислительных систем распознавания является автоматизация группы процессов воспри­ятия и познания, связанных с поиском, выделением, идентифика­цией, классификацией и описанием образов на основе анализа ре­альных данных. Обычно поиск и выделение образов осуществляют­ся на начальном этапе анализа в процессе обработки исходных данных; следующий этап — разработка «классификатора» — вклю­чает анализ выборочных (преобразованных) данных, синтез моде­ли, учитывающий изменчивость образов, выбор из заданного набо­ра характеристик наиболее информативных и разработку алгоритма распознавания (классификации).

В основе гносеологического обоснования распознавания и таких фундаментальных понятий распознавания, как образ, класс, распознающий алгоритм, лежит представление о структу­рированности мира, т.е. существовании регулярности, проявляю­щейся в виде постоянных связей, закономерностей. Отправной точкой служат объект (образ как таковой) и проблемы природы образа, прототипа, класса. Образы рассматриваются в рамках точного формализма, который используется в качестве основы для синтеза и анализа образов, что способствует пониманию того, каким способом образы строятся и обрабатываются. В результате процедуры, обеспечивающие описание, аппроксима­цию, восстановление и распознавание образов, принимают вид естественных следствий процедур формирования и преобразова­ния объектов. Основным объектом служат комбинаторные регулярные структуры (конфигурации), логические конструкции, по­зволяющие определять типы регулярности. С формальной точки зрения речь идет о построении новых объектов посредством комбинирования заданных объектов в соответствии с определен­ными правилами построения объектов. Постулируется, что обра­зы формируются из простых стандартных элементов (атомов), которые выбираются в соответствии с «физической» природой изучаемых объектов и процессов. В качестве таких элементов могут выступать абстрактные символы, множества, отношения или функции, но роль элементов в порождении регулярных структур идентична.

Распознавание обычно связывают с двумя функциями: отнесе­нием объекта к неизвестному классификатору классу объектов и идентификацией объекта в качестве элемента известного классифи­катору класса. Первая функция представляет собой процесс выде­ления новых классов — кластеризацию, а вторая — собственно рас­познавание.

Основной целью распознавания является построение на основе систематических, теоретических и экспериментальных исследова­ний эффективных вычислительных средств для отнесения форма­лизованных описаний процессов и объектов к соответствующим классам. Задачи распознавания представляют собой дискретные аналогии задач поиска оптимальных решений, в которых по некоторой информации требуется установить, обладает ли объект сированным набором свойств.

Математические модели распознавания образов. Среди достаточ­но хорошо зарекомендовавших себя математических моделей сле­дует выделить следующие:

1. Модели, основанные на использовании принципа разделе­ния, различаются главным образом заданием класса поверхностей, среди которых выбирается поверхность (или набор поверхностей), в некотором смысле наилучшим образом разделяющая объекты разных классов.

2. Статистические модели, основанные на использовании аппа­рата математической статистики. Применяются в тех случаях, когда определены вероятностные характеристики классов, например за­коны распределения.

3. Модели, построенные на основе «методы потенциальных функций» и базирующиеся на заимствованной из физики идее по­тенциала, определенного для любой точки пространства и завися­щего от расстояния до источника потенциала.

4. Модели вычисления оценок (голосования), основанные на принципе частичной прецедентности. Анализируется «близость» между частями описаний ранее классифицированных объектов и объекта, который надо распознать. Наличие близости служит час­тичным прецедентом и оценивается по заданному правилу (посред­ством числовой оценки).

5. Модели, основанные на исчислении высказываний, в частно­сти на аппарате алгебры логики, в которых классы и признаки объ­ектов рассматриваются как логические переменные.

Появление каждого нового эвристического алгоритма можно рассматривать как эксперимент, а со всем множеством экспери­ментов и их результатов необходимо работать как с новым для ма­тематики множеством объектов, т.е. изучать с помощью строгих математических методов множество некорректных процедур реше­ния плохоформализованных задач.

Потребность в синтезе моделей распознавания определялась необходимостью фиксировать класс алгоритмов при выборе опти­мальной или хотя бы приемлемой процедуры решения конкретной задачи.

Восприятие и обработка информации

Через зрительный канал в мозг человека поступает от 70 до 90% информации. Поэтому при создании ИС, воспринимающих ин­формацию извне, необходимо учитывать зрительное восприятие человека. Основными функциями зрения человека являются: об­щая ориентировка в окружающей среде; узнавание объектов; запо­минание наблюдаемых сцен; обучение и получение новой инфор­мации. Восприятие видеоданных в ИС логично рассматривать в та­кой последовательности: запоминание, выделение общей инфор­мации об окружающей среде, распознавание образов, содержатель­ная интерпретация наблюдаемой сцены.

В этом направлении выделяют три основных типа задач: собст­венно обработку изображений, когда и исходные данные, и резуль­таты обработки представляются в изобразительной форме; анализ (интерпретацию, распознавание или «понимание») изображений, когда входные данные являются изображением, а результат пред­ставляется в неизобразнтельной форме, например в виде текстово­го описания наблюдаемой сцены; синтез изображений (машинную графику), когда на входе имеется описание (алгоритм построения)

В последние годы системы, ре­шающие достаточно сложные и «интеллектуальные» задачи обработки и анализа видеоданных (изображе­ний), которые обычно работают со входной информацией в виде полутоновых или многоспектральных изображений, объединяют под общим названием автоматизированных систем обработки изображений (АСОИз). Одно из направле­ний наиболее широкого практического применения АСОИз - обработка результатов дистанционных исследований. Проблемно-ориентированные прикладные АСОИз используют, как правило, достаточно богатый арсенал различных методов и средств обработки данных, анализируют различную входную ин­формацию, активно используют возможности человека. Наличие разнородных компонентов, работающих совместно для достижения общей цели, есть признаки превращения современных АСОИз в интегрированные системы. Интеграция является одной из главных тенденций развития современных АСОИз.

Прежде всего, АСОИз уже нельзя рассматривать обособленно от ее окружения — средств сбора и передачи видеоданных, систем обработки и анализа данных других типов. АСОИз, рассматривае­мая как элемент некой метасистемы, перестает быть элементом изолированным, приобретает богатые информационные связи с другими элементами. Это интеграция внешняя. Показательным примером служит здесь японский проект создания ЭВМ пятого по­коления. Согласно этому проекту система распознавания образов и изображений (наряду с системами машинного перевода, ответов на запросы, понимания специализированного языка и решения при­кладных задач) является базовой в обеспечении интеллектуального интерфейса человек —ЭВМ, при этом все упомянутые системы должны работать параллельно и одновременно над единым пото­ком данных, дополняя друг друга. Интеграция приводит к появле­нию в составе АСОИз развитых средств коммуникации, подсисте­мы накопления и хранения как исходных данных, так и промежу­точных и окончательных результатов. Внутренняя инте­грация затрагивает различные компоненты АСОИз: средства и ме­тоды обработки, сами обрабатываемые данные.

Системы анализа изображений (САИ), Можно выделить три ос­новных класса задач, решаемых САИ, которые определяют их раз­личное назначение:

1. Распознавание образов.

2. Содержательная интерпретация изображений.

3. Получение справочной информации в архивах видеоданных.

Для решения указанных задач САИ должны обеспечивать вы­полнение ряда функций, среди которых основными являются сле­дующие:

1. Хранение и поиск формализованных знаний о предметной области и обработке изображений.

2. Выполнение операций обработки изображений.

3. Выполнение операций логических выводов на основе форма­лизованных знаний и результатов обработки видеоданных, по­строение и проверка гипотез.

4. Анализ промежуточных результатов работы системы и приня­тие решений о дальнейших действиях, невозможности решения за­дачи, необходимости дополнительной информации и др.

5. Анализ запросов пользователя, поддержка диалога, докумен­тирование действий системы и формирование пояснений пользо­вателю.

6. Пополнение баз знаний и видеоданных системы новыми све­дениями, данными.

Конкретная система не обязательно выполняет все перечислен­ные функции, их набор определяется назначением системы. Совре­менные системы довольно разнообразны по своей структуре и ор­ганизации взаимодействия ее составных частей.