84. Принципы машинного распознавания образов. Цифровое распознавание изображений и видеоинформации.

Методы распознавания образов

Для оптического распознавания образов можно применить метод перебора вида объекта под различными углами, масштабами, смещениями и т. д. Для букв нужно перебирать шрифт, свойства шрифта и т. д.

Второй подход — найти контур объекта и исследовать его свойства (связность, наличие углов и т. д.)

Ещё один подход — использовать искусственные нейронные сети. Этот метод требует либо большого количества примеров задачи распознавания (с правильными ответами), либо специальной структуры нейронной сети, учитывающей специфику данной задачи.

+++++++++++++++++

Отдельный конкретный стул мы можем в деталях описать и научить ЭВМ по этому описанию его узнавать. Но как научить ЭВМ узнавать любой стул, в том числе и тот, которого мы сами не видели, то есть каким образом описать образ "стул"? Стул предназначен для сидения, имеет ножки и спинку. Но что значит для ЭВМ: "предназначен для сидения, ножка и спинка"? Это столь же неясно, как и то, что такое сам стул.

ключевой аспект машинного зрения — распознавание образов.

Любая система машинного зрения должна уметь формировать, анализировать и интерпретировать изображения. Задача формирования изображений решается достаточно просто: компьютер принимает от “глаз” (системы телекамер) результаты измерений силы света, отраженного от различных точек поверхностей объектов трехмерного мира. Хотя компьютер мог бы без особых затруднений превратить полученную информацию в изображение на экране, это не приблизит его к распознанию самого объекта. Поэтому система обрабатывает исходный массив чисел в соответствии с определенным алгоритмом, позволяющим выделить области, где интенсивности меняются резко или по какому-то конкретному закону. Цель такого анализа — получить описания объектов, которыми можно будет пользоваться в процессе распознавания. Определив такие свойства объекта, как цвет, форма и текстура поверхности, машина пытается сопоставить их с информацией, заранее заложенной в ее память. Сопоставление — наиболее ответственный элемент машинного зрения. Множество исследований было посвящено поискам наиболее совершенных способов представления информации в компьютере и разработке процедур, позволяющих машине на основе этой информации понять, что представляет собой наблюдаемый объект и как следует с ним поступать.

Преобразование изображения в массив чисел.

Телевизионная камера регистрирует значения силы света, отраженного от различных точек поверхностей трехмерных объектов. Эта информация преобразуется в электрический сигнал, величина которого пропорциональна интенсивности отраженного света. Далее полученный таким образом аналоговый электрический сигнал преобразуется в цифровой, воспринимаемый компьютером

Поиск линий и границ.

Чтобы выделить зафиксированный телекамерой объект, компьютер системы машинного зрения анализирует изображение, преобразованное в матрицу уровней серого цвета. Программа находит начертания частей объекта, которым соответствуют резкие перепады яркости.

Проблема восприятия глубины.

При всей полезности процедуры поиска контуров для распознавания образов сама по себе она дает лишь двумерный контур объекта, который меняется в зависимости от точки наблюдения. А чтобы воспринимать глубину изображения, машина должна получать информацию, достаточную для надежного распознавания трехмерных объектов.

Наша способность к объемному восприятию отчасти обусловлена бинокулярным зрением. Мозг, получив изображения от каждого глаза, по смещениям соответственных точек изображений создает ощущение глубины. Чтобы применить подобный прием в системах машинного зрения, необходимо решить одну важную проблему. Оснастить машину двумя камерами, которые, подобно глазам человека, будут давать изображения с разных точек, совсем не сложно. Гораздо труднее найти в этих двух изображениях соответственные точки для определения смещения между ними.

Эта так называемая проблема соответствия вызвана тем, что компьютер в системе со стереоскопическим зрением не имеет о внешних объектах никаких других данных, кроме двух числовых массивов яркостей, полученных от каждой из камер. Уровни серого одной и той же точки объекта в двух массивах могут не только оказаться в разных позициях, но и отличаться друг от друга из-за разницы в положениях камер.

Одно из решений проблемы соответствия со­стоит в сведении массивов уровней серого к контурным картам при помощи процедуры по­иска контуров. Затем система сканирует карты в поисках похожих участков. Выделив соответственные точки в таких участках, можно определить их положения относи­тельно центров плоскостей изображений каж­дой из камер. По разнице их положений в двух наборах данных система определяет расстояния от камер до каждой из точек объ­екта и так, точка за точкой, восстанавливает объемную форму .

Описание текстуры поверхности.

Один из методов, с помощью которых система машинного зрения “конструирует” объект из мешанины данных о его внешнем изображении, — анализ текстуры — применяется и при распознавании предметов. Конкретная текстура поверхности представляется в массиве уровней серого определенными комбинациями значений яркости. Резкие изменения текстуры чаще всего указывают на переходы от одной физической поверхности к другой, например, от луга к лесу на аэрофотоснимках. Плавные же изменения текстуры могут дать ключ к распознанию трехмерной формы объекта.

Выявление цвета.

Основная трудность, с которой сталкиваются системы машинного зрения при попытках распознать объект только по его цвету, обусловлена освещением: воспринимаемый цвет сильно зависит от освещения, а оно в реальном мире непрерывно меняется. Даже такая вроде бы простая задача, как отличить яблоко от апельсина, становится сложной, если оба фрукта сильно затенены.

Телекамера в системах машинного зрения в состоянии регистрировать только красный, зеленый и синий компоненты света (RGB). Таким образом, чтобы распознать цвет объекта, система должна сначала преобразовать информацию о яркости трех основных компонентов в данные о цвете, интенсивности и насыщенности. Информацию о цвете изображения можно представить в виде куба, в котором будет отражена интенсивность каждого из 3-х цветов. “ось интенсивности” проходит по диагонали куба от черного (не освещено) — через все варианты серого — до белого (максимальная освещенность).

После того, как данное значение тройки Кр, Зел, Син отмечено на плоскости, определяется расстояние от него до центра (уровень серого на оси интенсивности), которое соответствует насыщенности - чистоте цвета. Затем, измеряя угол между линией насыщенности и одной из базовых линий, проведенной, например, из красной вершины в центр, находят оттенок.

Поиски подходящей модели.

Чтобы распознать объект, после того как определены его характеристики, машина должна сопоставить описания его формы, контуров, цвета и текстуры поверхности с особенностями хранящихся в ее памяти моделей. Мы рассмотрим три способа такого сопоставления. В наипростейшем методе сопоставления с шаблоном машина отыскивает среди ограниченного числа заранее известных ей объектов (шаблонов) наиболее похожий на распознаваемый. В некоторых системах, например в системах оптического считывания символов, распознающих печатные знаки, хранится только по одному шаблону для каждого типа объектов. В других системах, в частности у промышленных роботов, которые должны выбирать детали с конвейера, в память заложено несколько вариантов. В любом случае объект должен представать перед камерой в одном из ограниченного множества положений: если его повернуть так, что он не будет похож ни на один из шаРаспознавание образов — это отнесение исходных данных к определенному классу с помощью выделения существенных признаков, характеризующих эти данные, из общей массы несущественных данных.