CC BY
114
Таким образом, для повышения уровня интеллектуализации Web-систем предлагается три модели пользователей, учитывающих различные отношения пользователей к услугам. Каждая их этих моделей обладает своими достоинствами
,
, .
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Хоанг Суан Бать. Концепция научно-обр^овательного портала // Труды VII Всероссийской научной конференции с международным участием "Новые информационные технологии. Разработка и аспекты применения". Таганрог, ТРТУ, 25-26 ноября 2004г. - Таганрог: Изд-во ПБОЮЛ В.А. Кравцов, 2004. - С. 362-363.
2. Zadeh L.A. From Computing with Numbers to Computing with Words From Manipulation of Measurements to Manipulation of Perceptions // IEEE Transactions on circuits and systems, January, 1999.
3. Leszek Rutkowski. FLEXIBLE NEURO-FUZZY SYSTEMS: Structures, Learning and Performance Evaluation. KLUWER ACADEMIC PUBLISHERS, New York, Boston, Dordrecht, London, Moscow, 2004.
4. Fang Yuan, Huanrui Wu, Ge Yu. Web Users' Classification Using Fuzzy Neural Network // KES 2004: 1030-1036. - http://www.paper.edu.cn.
П.П. Кравченко, В.В. Щербинин, Н.Ш. Хусаинов,
Р.В. Троценко, АЛ. Шкурко
АЛГОРИТМЫ И ПРОГРАММНЫЕ СРЕДСТВА РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ ОБЪЕКТОВ В УСЛОВИЯХ ИЗМЕНЕНИЯ УСЛОВИЙ СЪЕМКИ В МУЛЬТИСПЕКТРАЛЬНЫХ СИСТЕМАХ ТЕХНИЧЕСКОГО
ЗРЕНИЯ
С совершенствованием технических средств спектрофотометрической съемки расширяется область использования мультиспектральных изображений для решения задач автоматической и автоматизированной обработки данных с целью классификации или распознавания объектов. Выигрыш подобных систем по сравнению с системами, основанными на использовании трехцветных изображений, достигается за счет использования информации из спектральных плоскостей (спектральная плоскость - прямоугольная матрица, содержащая сведения об интенсивности светового излучения в каждом пикселе изображения в определенном узком диапазоне длин волн), находящихся, в том числе, за границами видимого диапазона длин . ,
,
автоматизированных алгоритмов классификации и распознавания объектов.
В настоящее время существует большое количество систем технического зрения (СТЗ), использующие информацию различных диапазонов длин волн: монохромный видимый + инфракрасный (ИК), трехцветный видимый + ИК, монохромный видимый + ближний/средний/дадьний ИК и т.п. Они позволяют существенно повысить надежность и достоверность распознавания объектов по сравнению с использованием одного единственного видимого диапазона. Однако широкие (200 нм и более) спектральные интервалы приводят к усреднению некоторых информационных характеристик и снижают потенциальные возможности распо-. -жения характеризуются более мелким (возможно неравномерным) разбиением спектральных диапазонов на спектральные зоны (шириной 20-50 нм в видимой
области спектра и 100-300 нм в ИК-диапазоне), что позволяет выявить детали, неразличимые на указанных выше СТЗ.
Системы анализа мультиспектральных снимков находят свое применение в , , и т.п. Следует также отметить перспективность применения мультиспектральной съемки для задач обнаружения объектов.
Источником мультиспектральных изображений при решении задач мониторинга поверхности Земли могут являться спутниковые кадровые спектрофотомет-.
съемки в любой точке земного шара. Однако можно выделить и ряд существенных недостатков спутниковых систем как, например, низкая оперативность (в основ, ),
, , . ограничивают применение подобных систем в сферах, где, в первую очередь, не.
, .
Для мультиспектральной съемки подходят бортовые кадровые спектрофото-, . производить оперативную съемку заданных районов и получать снимки с достаточным для проведения классификации изображенных объектов разрешением.
Несмотря на все большее распространение аппаратуры мультиспектральной ,
обработки мультиспектральных изображений. Таким образом, исследования в области алгоритмов, основанных на использовании мультиспектральной съемки, являются на сегодняшний день актуальной задачей.
, , -, , исследователей в применении технологии мультиспектральной съемки. При этом основной проблемой получения исходных данных (мультиспектральных снимков) для проведения предварительных исследований является необходимость использования дорогостоящего оборудования. Следующая, не менее важная проблема, с которой сталкиваются исследователи данных мультиспектральной съемки - это ограниченный набор программных средств для обработки мультиспектральных изображений. Связано это, в первую очередь, с тем, что в вычислительных системах наиболее часто используются RGB-изображения и большинство существующих программных средств направленно преимущественно на их обработку.
В настоящее время существует ряд программных средств, предназначенных для обработки данных мультиспектральной съемки:
1) HyperCube (р^работчик - US Army Topographic Engineering Center, USATEC) - предоставляет широкий набор средств по анализу и коррекции изо-( , , -ское "склеивание"/комбинирование изображений). Поддерживает формат мультиспектральных данных. К специфическим операциям, которые можно выполнять над такими данными, можно отнести: анализ по методу главных компонент; просмотр псевдо-цветного изображения; просмотр в режиме "слайд-шоу"; кластеризацию выбранных участков изображения в соответствии с задаваемыми параметрами по одному из алгоритмов сопоставления спектральных характеристик пикселей изображения со спектральными эталонными кривыми из базы данных эталонных спектральных характеристик элементов ландшафта; соответствующую классификацию участков изображения. Особенностью программы является также возмож-
ность задания и выполнения операций над изображением и его отдельными плоскостями в виде формул.
2) MultiSpec ( - Purdue Research Foundation) -
, HyperCube. -
тральных данных сконцентрирована, в основном, на их статистическом анализе и кластеризации. В то же время выводится детальная информация не только о результатах выполнения каждой процедуры, но и длительность ее выполнения, что позволяет оценивать трудоемкость выполнения тех или иных операций.
3) PimaView (р^работчик - Integrated Spectronics Pty) - в значительной степени ориентирована на работу с библиотеками спектральных характеристик и анализ отдельных спектральных кривых, полученных со спектрофотометра, на предмет наличия тех или иных химических элементов.
4) ERDAS ViewFinder ( - ERDAS) - , -
ентированный на выполнение стандартных для современных графических пакетов операций над изображениями (просмотр, контрастирование, фильтрация и т.п.), но поддерживающий при этом многоуровневые (мультиспектральные) форматы гра, . , ERDAS Inc.
разработчиком широкого спектра приложений для ГИС.
, -тральных изображений используют в основном изображения спутниковой съемки, , , -бражения без учета геометрических связей между пикселями. Также отметим, что ни одна из представленных программ не поддерживает возможность синтеза муль-
.
При переходе от изображений, полученных при помощи спутниковых кадровых спектрофотометров, к изображениям, полученным с установленных на летательных аппаратах приборов, возникает еще одна серьезная проблема. На данных , , -, , , могут изменяться при смене ракурса съемки. Так, например, одно и то же здание на снимках при пролете с севера на юг и с юга на север может выглядеть совер-- . -
.
, -
ния в данных условиях, является информация о цвете объекта. Для трехцветных изображений в видимом диапазоне длин волн вероятность выделения объекта, слабо различимого на фоне, недостаточно высока для надежного распознавания. С , , представлена более детальная информация, в том числе из невидимого диапазона световых волн (т.е. на снимках присутствует информация из области инфракрасно). -
можность различения объекта и фона и, соответственно, осуществления распозна-.
В рамках проведенных исследований разработан алгоритм распознавания объектов на мультиспектральных изображениях, частично решающий описанные .
Сущность разработанного подхода к решению проблемы распознавания объекта с учетом возможного изменения ракурса и действия помех заключается в использовании характерных для объекта и "нехарактерных" для фона признаков (шаблонов), построенных на основе статистических характеристик (гистограмм)
спектрального представления пикселей в пространстве признаков (квантованном ).
Как уже было отмечено ранее, на снимках в некоторых спектральных диапазонах объект может не отличаться от фона. В этом случае подобное изображение в данном спектральном диапазоне не несет никакой полезной информации для алгоритма распознавания, а только увеличивает время его выполнения (за счет увели, ).
Для решения данной проблемы авторами были разработаны алгоритмы автоматического сокращения размерности мультиспектральных изображений (умень-
). 2:
♦ первый подход позволяет выбрать заранее известное количество спек-
, -мы мультиспектральной съемки, основываясь на статистических характеристиках изображения;
♦
числа спектральных каналов (по какому-либо критерию содержательно),
задачу распознавания объекта при данных условиях съемки. В настоящее время реализован алгоритм, выбирающий спектральные компонен-
( ).
Для проведения экспериментальных исследований характеристик описанных алгоритмов обработки мультиспектральных изображений, а также для создания псевдо-мультиспектральных изображений на основе трехцветных ЯОБ-изображений, был разработан специализированный программный комплекс, который состоит из трех программных модулей, разделенных по функциональному :
♦ ImageConverter - программный модуль, предназначенный для синтеза мультиспектральных изображений и их предварительного анализа;
♦ ImageAnalyzer - программный модуль, предназначенный для анализа и обработки мультиспектральных изображений;
♦ ImageRecognizer - программный модуль, предназначенный для исследования алгоритмов распознавания и сокращения размерности.
Составляющие данного программного комплекса построены по технологии, основанной на использовании подключаемых модулей. Это означает, что основная функциональность программы вынесена в отдельные программные модули, которые могут подключаться и отключаться без перекомпиляции всей программы. Основным плюсом этого подхода является возможность практически неограниченного наращивания функциональности программ путем реализации специализированных подключаемых модулей в соответствии с документированным программным .
Программный модуль ImageConverter. Предназначен для преобразования трехцветных RGB-изoбpaжeний в псевдомультиспектральные. Программа позволяет проводить преобразование в двух режимах - автоматическом и ручном. При использовании автоматического режима каждая точка RGB-изoбpaжeния преобразуется в набор величин, соответствующих коэффициентам интенсивности светового излучения по различным цветовым плоскостям на основе аппроксимации кривой спектральных составляющих основных цветов. Основным недостатком этого способа является то, что полученное подобным образом псевдо-мультиспектральное изображение содержит то же количество информации, что и
исходное трехцветное изображение, а, следовательно, не позволяет судить о характеристиках мультиспектральных изображений. Тем не менее, подобные изображения могут быть использованы для тестирования алгоритмов распознавания и выделения наиболее информативных спектральных плоскостей.
При использовании ручного способа преобразования в псевдо-мультиспектральное изображение применяется метод, основанный на кластеризации изображения, т.е. выделения на изображении областей со схожими цветовыми ( ), -деленной спектральной характеристики из базы данных программы, которая содержит результаты спектрофотометрии различных материалов. Соответственно рассматриваемый подход позволяет получить мультиспектральное изображение, достаточно близкое к реальному. В данном режиме могут быть использованы различные алгоритмы кластеризации, которые реализуются в виде подключаемых модулей, а значит, могут быть легко изменены. В данной версии к программе прилагаются два алгоритма кластеризации: на основе гиперкубов и метода К-средних. База данных материалов программы основана на атласе Кринова и может быть легко дополнена новыми спектральными характеристиками.
Программный модуль ImageAnalyzer. Предназначен для обработки и анализа мультиспектральных изображений.
ImageAnalyzer обладает широкими возможностями просмотра мультиспектральных изображений по разным спектральным компонентам или в различном их сочетании и в различном масштабе в произвольном количестве окон просмотра. Также существует возможность просмотра псевдо-цветного RGB-изoбpaжeния, построенного на основе коэффициентов восприятия цветовых компонент челове-.
Благодаря использованию подключаемых модулей данный программный модуль предоставляет большой набор функций по обработке мультиспектральных .
, . -
чаемый модуль может быть применен к выделенной части изображения, что также расширяет возможности программы.
Перечисленные выше особенности ImageAnalyzer позволяют использовать его в качестве тестового стенда для разработки и отладки алгоритмов автоматической и автоматизированной обработки мультиспектральных изображений.
Программный модуль ImageRecognizer. Основными задачами данного программного модуля является моделирование процесса распознавания объекта (воз),
. -, -
товленному заранее расписанию.
ImageRecognizer также основан на технологии подключаемых модулей, что позволяет использовать функции, задействованные в других программных модулях комплекса. Таким образом, пользователю предоставляется возможность оценить влияние различных процедур предобработки изображения на качество распознава-.
.
были проведены экспериментальные исследования с использованием изображений, полученных при помощи специальной аппаратуры мультиспектральной съемки. В результате моделирования процесса распознавания на описанных выше программных средствах были сделаны следующие выводы:
♦ распознавание объекта на изображениях с разными ракурсами дает хо-
,
алгоритмов к изменению геометрии объекта;
♦ наличие шума затрудняет распознавание объекта, особенно на изображениях с разными ракурсами, но, в то же время, представленные алгоритмы справляются с задачей распознавания объекта на искаженных
, -тельно небольшом количестве (3-5) спектральных компонент. Небольшой по интенсивности шум (2.7о<15, при 8-р^рядных значениях интенсивности пикселов по каждой длине волны) слабо влияет на качественные характеристики распознавания. Увеличение мощности шума приводит к снижению достоверности распознавания объектов и, как следст-, .
В целом же, следует отметить, что разработанный алгоритм показал прием,
системах технического зрения.
. . , . .
ФУНКЦИОНАЛЬНО - ОРИЕНТИРОВАННАЯ МОДЕЛЬ ПРЕДПРИЯТИЯ
. -
строению конструктивных моделей организаций различной специализации, позволяющих расширить возможности известных подходов. Проблема управления достаточно сложной организацией обычно рассматривается в контексте построения
, , , : -
, ,
(компанией) [1]. Наиболее сложной составляющей подобного моделирования является увязка математического аппарата и критериев оптимальности для различных уровней модели, т.к. они могут быть принципиально различными - от систем дифференциальных уравнения на нижнем уровне, до линейных целевых функций .
элементов, являющихся индикаторами состояния системы в целом, т.е. адекватно отображающими жизненно важные показатели функционирования системы. Подобные величины должны также позволять математическую формулировку задачи .
В настоящее время подобными показателями чаще всего выбирают стоимостные показатели [2-5]. Однако они адекватны только на верхнем уровне управле-, . оборудованием стоимостные показатели явно неприменимы. Тем не менее, широко развивается унификация и математизация управления бизнес-процессами, для которых разрабатываются стандарты описания, универсальные программные средства и т.д. [4]. С другой стороны, разрабатываются подогнанные к конкретному предприятию МЕ8-системы [2].
