CC BY
42
Прежде чем распознать изображение, необходимо его выделить или, как говорят, сегментировать. Сегментация как процедура поиска однородных, например, по яркости, цвету или текстуре, областей весьма трудная и до конца не решённая задача. Для конкретных задач разработаны частные методы: на базе пороговых различий в яркости (если они стабильные), путём учета связности соседних отчётов при наличии устойчивой пространственной корреляции изображений (методы центроидного связывания, слияния-расщепления, водоразделов), на базе анализа контуров, если они достаточно чёткие. Для сегментации путём выявления регулярных свойств повер-хностей(текстур) применяют статистические мето-ды(на базе матриц совпадений) и структурные (на базе мозаик Вороного). Особый интерес представляет использование информации о цвете, причём более эффективной оказывается сегментация в цветовой системе: тон, насыщенность, светлота, которая соответствует зрению человека, чем в энергетической системе каналов красного, зелёного и синего цветов.
Выделенные изображения подлежат распознаванию (возможно, после проведения процедур улучшения или реставрации). Наиболее надежно эта задача решается сравнением входных изображений с эталонами (группа корреляционных методов), а наиболее быстро — сравнением их признаков. Непреодолимые трудности возникают, если входные изображения поступают на вход в изменённом ракурсе, повёрнутые или с разными масштабами. Тогда признаковые методы становятся ненадёжными, а корреляционные — нереализуемыми ввиду огромного количества вычислений.
В таких ситуациях, типичных для систем технического зрения транспортных роботов, телевизионных следящих систем и т.д., на помощь приходят методы нормализации, когда вначале определяются неизвестные параметры преобразований (искажений) входных изображений, затем путём нормализации они приводятся к стандартному (эталонному) виду, после чего происходит их распознавание сравнением с эталонами или их признаками.
В простейшем случае контурных или силуэтных изображений (фигур) задачи нормализации могут трактоваться как обратные задачи геометрии. Например, найти три точки преобразованного изображения, чтобы аффинные преобразования привести к стандарту или по четырём точкам идентифицировать проективные преобразования. Трудности решения задач нормализации неизмеримо возрастают для полутоновых и цветных изображений.
УДК 519.7
АЛГЕБРАИЗАЦИЯ ЛОГИКИ КАК
КАТАЛИЗАТОР
ИНФОРМАТИЗАЦИИ
ШАБАНОВ-КУШНАРЕНКО Ю.П._____________
Доклад на торжественном собрании научной общественности Харьковского национального университета радиоэлектроники 2 ноября 2001 года, посвященном 75-летию со дня рождения академика НАН Украины Владимира Логвиновича Рвачева.
10
Например, для цветного изображения понятие контур не вкладывается в известную схему превышения некоторого порога яркости на участках повышенного градиента. Нет рациональных процедур свертки каналов красного, зеленого и синего для получения контура с минимальными погрешностями. Основной инструмент пространственного дифференцирования оказывается в этом случае малоэффективным.
Для сложных преобразований изображений разумным подходом к их нормализации является метод декомпозиции. Вначале были изучены методы построения нормализаторов для простых преобразований: параллельных смещений, поворотов, изменений масштабов, косых сдвигов, зеркальных отображений, перспективы, центрального проектирования. Оказалось, что для базовых преобразований существует много подходящих нормализаторов, отличающихся между собой трудоёмкостью в реализации, помехозащищённостью, наконец, применимостью в конкретных технических системах. При сложных преобразованиях не все базовые нормализаторы пригодны для использования. Возникла проблема синтеза сложных нормализаторов из простых. Неоценимую помощь в решении этой задачи оказал аппарат теории групп и их представлений, позволивший с единых позиций взглянуть на простые и сложные преобразования и выработать условия синтеза. Возникли новые понятия координатных и следящих нормализаторов, а также параллельной, последовательной и смешанной процедур. Методы распознавания, основанные на нормализации, представляются наиболее универсальными и продуктивными для изображений произвольного вида.
Таким образом, на основе естественной иерархичности процедуры распознавания, а также с учетом зависимости конечного результата (качества распознавания) от эффективности промежуточных этапов получена относительно универсальная схема распознавания. На первом этапе применяются наименее трудоёмкие признаковые алгоритмы для решения задачи о неэквивалентности изображений и эталонов. На втором этапе оставшиеся изображения подвергаются нормализации. На третьем — нормализованные изображения классифицируются одним из конструктивных способов.
Поступила в редколлегию 12.11.2001
Путятин Евгений Петрович, д-р техн. наук, профессор, зав. каф. информатики ХНУРЭ, засл. деят. науки и техники Украины. Адрес: Украина, 61166, Харьков, пр. Ленина, 14, тел. 40-94-19 (раб.)
Первая научно-техническая революция содействовала усилению физических возможностей человека за счет создания механизмов и машин. Она потребовала интенсивного изучения внешнего по отношению к человеку физического мира и развития числовой математики. Вторая научно-техническая революция призвана содействовать усилению интеллектуальных возможностей людей путем совершенствования искусственного интеллекта. Она требует объективного изучения внутреннего психологического мира человека и развития математики интеллекта, в роли которой выступает логическая математика.
РИ, 2001, № 4
Ожидается, что роль логической математики в деле информатизации будет столь же важной, как и классической числовой математики в предшествовавшем научно-техническом прогрессе.
Владимир Логвинович Рвачев сосредоточил свою научную деятельность на создании и развитии логико-числовой математики. Под его влиянием и я тоже обратился к этой области знания, правда, сконцентрировал свои усилия на более узком направлении, а именно — на разработке проблем одной лишь логической математики и только в той ее части, которая перспективна для применений в информатизации.
Для развития логической математики и ее приложений в искусственном интеллекте особую роль играет алгебро-логический анализ естественного языка и мышления человека. Язык и мышление человека можно рассматривать как созданную природой реально действующую алгебро-логическую систему. Важно досконально разобраться в механизме языка и мышления. Как показывают уже имеющиеся достижения в этой области, такие знания приводят к развитию аппарата логической математики. Так, Джордж Буль, изучая в середине XIX столетия логическую структуру сложных предложений естественного языка, открыл алгебру логики, которая впоследствии стала теоретической базой построения схем первых ЭВМ и программ для них. В конце того же века Г отлоб Фреге, алгебраизируя естественный язык математики, извлек из него кванторы, играющие в современной логической математике важную роль. В 70-х годах ХХ-го столетия попытки формального описания морфологии естественного языка привели к открытию алгебры предикатов. Наконец, работы 90-х годов по абстрактному описанию смысла текстов естественного языка содействовали отысканию целого семейства алгебр предикатных операций. На сегодняшний день логическая математика представляет собой богатую содержанием и быстро развивающуюся область знания. Основной метод ее разработки в настоящее время — это алгебраизация логики, воплощенной в механизмах естественного языка и мышления человека. В сущности, это — бионический путь развития: математически описывается система естественного интеллекта, и результаты этого анализа передаются для практического использования специалистам, создающим искусственный интеллект.
Уже сегодня логическая математика доказала свою высокую эффективность в роли абстрактного средства анализа естественного интеллекта и синтеза искусственного интеллекта. Можно ожидать, что широкое внедрение в практику информатизации аппарата логической математики и его дальнейшее развитие позволят существенно повысить темпы информатизации. Освоение же естественного языка и мышления вычислительной машиной многократно усилит мощь искусственного интеллекта. Роль алгебро-логического аппарата неизмеримо возрастает в связи с последними достижениями в разработке сверхбыстродействующих ЭВМ, функционирующих по принципам работы мозга. Ожида-
ется, что изыскания в этой области приведут в обозримом будущем к отказу от ЭВМ последовательного действия, повсеместно используемых в настоящее время, и переходу к машинам параллельного действия. А это, в свою очередь, радикально изменит методы программирования и общения человека с машиной.
Развитие логической математики выявило глубокое родство архитектуры логической и числовой ветвей математики и вместе с тем обнаружило существенные различия между ними в деталях. Интенсивно развивается кванторная алгебра, являющаяся, как выяснилось, логическим аналогом интегрального исчисления и функционального анализа. Обнаружился логический аналог аналитической геометрии и линейной алгебры — так называемая логическая алгебра. Алгебра предикатов выполняет роль логического аналога школьной алгебры. Буквально на наших глазах рождаются новые разделы логической математики.
В настоящее время логическая математика широко применяется в физике интеллекта — при формальном описании систем естественного интеллекта и в технике интеллекта — при разработке систем искусственного интеллекта. Эти применения порождают массу новых запросов со стороны практики к разработкам в области логической математики. В частности, в последнее время на стыке логической математики и теории категорий начали появляться новые алгебро-логические результаты, которые имеют хорошие перспективы для применений в деле автоматизации программирования. Ожидается, что эти применения приведут к существенному ускорению роста производительности труда программиста, разработке принципиально новых высокоэффективных методов составления программ для ЭВМ, формированию нового взгляда на программирование .
Изыскания в области логической математики содействуют лучшему уяснению природы интеллекта самого человека, перспектив его дальнейшего развития. Одной из важных разработок такого рода является аксиоматическое описание структур, обнаруживаемых в самой логической математике. Абстрактное описание объектов логической математики требует опережающей конструктивной разработки гораздо более сложных инструментальных логических средств, которые впоследствии сами становятся предметом аксиоматического анализа. Таким образом, открывается возможность увлекательного путешествия в бесконечные просторы потенциальных механизмов интеллекта, еще не реализованных в человеке. Быть может, со временем люди, используя знания, получаемые на этом пути, смогут неограниченно совершенствовать свой собственный разум.
Поступила в редколлегию 12.11.2001
Шабанов-Кушнаренко Юрий Петрович, д-р техн. наук, профессор кафедры программного обеспечения ЭВМ ХНУРЭ. Научные интересы: логическая математика, теория интеллекта. Адрес: Украина, 61166, Харьков, пр. Ленина, 14, тел. 40-94-46.
РИ, 2001, № 4
11
