CC BY
43
Лялин В.Е.; Сенилова Е.М. ИНТЕЛЛЕКТУАЛЬНАЯ ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ДЛЯ СОЗДАНИЯ ЕДИНОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ ОБРАБОТКИ РЕЗУЛЬТАТОВ ФОТОСЪЕМОК АРХИТЕКТУРНЫХ СТУДИЙ КАК ВИРТУАЛЬНЫХ ПРЕДПРИЯТИЙ
Получены научно-обоснованные методические решения, направленные на достижение более высокого быстродействия передачи по цифровым каналам связи (КС) графических изображений (ГИ) путем построения кластерной модели цветовых компонент изображений, применения адаптивного цветотонового преобразования (АЦТП), стратификации изображений и выделения их элементов, что будет способствовать снижению нагрузки на инфраструктуру глобальной сети, объединяющей подразделения архитектурной студии в виде виртуального предприятия, за счет обеспечения возможности более эффективных кодирования и сжатия фотоматериалов.
Современное инженерное проектирование требует усилий множества специалистов, являющихся экспертами в различных областях. Технологии распределенных вычислений, а также разнообразные вебслужбы помогают группам инженеров-проектировщиков в поиске ресурсов, их отборе, переговорах, координации совместной деятельности в условиях сетевой среды. Основой такого защищенного и динамического коллективного проектирования может являться виртуальное предприятие.
Виртуальные предприятия являются одной из новых организационных форм предприятий. На развитие новых форм организации и управления предприятием в большей степени повлияли такие тенденции развития современных рынков, как глобализация рынков, растущее значение качества товара, его цены и степени удовлетворения потребителей, повышение важности устойчивых отношений с потребителями (индивидуальными заказчиками), а также растущее значение степени применения новых информационных и коммуникационных технологий (ИКТ).
К концу 90-х гг. и началу 21-го века ключевой темой становится переход к виртуальным и сетевым принципам организации предприятий [1-5]. В некоторых работах виртуальные предприятия обозначают и другими терминами: «сетевые предприятия» [2, 6], «безграничные предприятия» [2], «расширенные
предприятия» [3]. Как правило, речь идет о сети партнеров (предприятий, организаций, отдельных коллективах и людей), совместно осуществляющих деятельность по разработке, производству и сбыту определенной продукции.
Существует множество определений виртуального предприятия как сетевой организационной формы. Однако с учетом особенностей практического функционирования таких структур виртуальное предприятие можно определить как временную кооперационную сеть предприятий (организаций, отдельных коллективов и людей), обладающих ключевыми компетенциями для наилучшего выполнения рыночного заказа, базирующуюся на единой информационной системе [7].
Естественно, что предприятия-партнеры для эффективного функционирования всей сети должны базироваться на согласованном хозяйственном процессе. Когда же, например, для наилучшего соответствия рыночным потребностям, в сеть объединяется множество предприятий, чаще всего удаленных географически, тогда очевидно, что таким предприятиям трудно согласовать свои действия без системы оперативной информации и коммуникаций. Следовательно, для решения информационных проблем сеть должна иметь единую информационную систему, основанную на широком применении новых ИКТ.
Такая область инженерного проектирования как архитектурное проектирование и дизайн все чаще базируется на принципах сетевой организационной формы, когда правила групповых работ определяют политику сотрудничества. Разнообразные бизнес-процессы, модели и инструменты, позволяющие лучше использовать вычислительные и сетевые ресурсы, способствуют более выгодной интеграции и кооперации, а также совместному использованию больших объемов информации. Последние достижения ИКТ еще сильнее ускоряют движение в сторону создания виртуальных предприятий, пользующихся такими сетевыми услугами как электронная почта, интерактивная переписка, совместное использование файлов, веб, мобильные агенты или распределенные вычисления.
Различные архитектурные студии помимо собственно архитектурного проектирования занимаются также фотосъемкой архитектурных объектов и интерьеров с последующей обработкой полученного фотоматериала. Известно, что визуальное представление данных обладает чрезвычайно высокой информативностью, поскольку подавляющая часть информации о внешнем мире, а это более 80 % объема, воспринимается с помощью зрительного аппарата. Поэтому проблема эффективного представления и кодирования видеоинформации и, в частности изображений или графических образов, остается на сегодняшний день крайне актуальной, поскольку информационная емкость изображений накладывает значительные ограничения на использование КС для передачи видеоинформации.
Развитие интеллектуальных телекоммуникационных систем породило новую проблему. Вместе с наблюдающимся интенсивным ростом применения алгоритмов цифровой обработки графической информации, актуальной остается разработка когнитивных моделей данных, позволяющих автоматически анализировать содержание этой информации с помощью современных компьютерных технологий и при этом сразу и непосредственно использовать результаты анализа при решении различных практических задач.
Масштабные исследования в области разработки эффективных моделей представления структурноцветовой информации в графических изображениях (ГИ) и их использования в телекоммуникационных системах виртуальных предприятий, выполняемые как в работах отечественных, так и зарубежных ученых и инженеров, ведутся уже на протяжении нескольких десятилетий. Однако опережающий рост потребностей не позволяет снять проблему с повестки дня.
Таким образом, актуальной является задача обеспечения оперативной передачи по КС больших объемов эффективно воспринимаемой информации в виде графических и динамических изображений, в наибольшей мере удовлетворяющих коммуникативным потребностям архитектурных студий как виртуальных предприятий.
Авторами предлагается интеллектуальная информационная технология для обработки цветных ГИ на базе системы АЦТП, проекционного кластерного анализа цветовых компонент изображений и алгоритмов преобразования и коррекции ГИ с возможностью их структурного анализа.
АЦТП - непосредственное изменение каждой точки исходного изображения, согласно полученным статистическим характеристикам цветовых кластеров. Посредством АЦТП удается значительно понизить количество шумов и искажений в исходном растре, что, помимо улучшения качества, приводит к значительному уменьшению объема изображения при сжатии [8, 9].
При реализации алгоритма АЦТП используется массив информации, представляющий собой растр размера NхМ исходного цветного изображения, представленный в виде трех матриц Я , О и В , содержащих, соответственно, красную, зеленую и синюю компоненты каждого пикселя, и статистические характеристики, получаемые в результате обработки. Результатами решения является преобразованный растр того же размера, представленный в виде одной матрицы, содержащей значение тоно-цветовой шкалы для каждого пикселя.
АЦТП является, по сути, классификацией цветов исходного изображения по статистическим классам, для чего необходимо уточнить вид разделяющей функции. Независимо от разнообразия ее форм записи, решающие правила остаются эквивалентными. Действие любого из решающих правил сводится к отнесению каждого пикселя изображения определенной области решений, после чего со значением цвета этого
пикселя сопоставляется цветовой кластер.
Рис. 1. Тестовое ГИ 1
Распределение цветов точек исходного изображения по цветовым кластерам носит нормальный характер. Простейшим приближением разделяющей функции для нормального распределения случайных величин является расстояние по Манхеттену. Оно определяется как сумма абсолютных величин отклонений по всем измерениям в масштабе среднеквадратических отклонений.
Рис. 2. Сечение цветового пространства при использовании метрики по Манхеттену
Рис. 3. Сечение цветового простран- Рис. 4. Сечение цветового пространства при использовании метрики ства при использовании метрики
квадратичного махалонобисового рас- квадратичного махалонобисового расстояния без учета ковариаций стояния с учетом ковариаций
В случае использования данной разделяющей функции для исходного изображения (рис. 1), границы областей решений представляют собой прямые линии, как это показано на рис. 2. При использовании в качестве разделяющей функции метрики квадратичного махалонобисового расстояния без учета ковариаций границы областей решений представляют собой участки эллипсоидов (рис. 3). В случае использования в качестве разделяющей функции метрики квадратичного махалонобисового расстояния с учетом ковариаций границы областей решений представляют собой квадрики и могут принимать любую из общих форм - плоскостей, сфер, эллипсоидов, параболоидов или разного вида гиперболоидов (рис. 4).
АЦТП позволяет снизить количество используемых цветов до того минимума, который был обозначен в процессе анализа цветового пространства изображений, без потери цветоразличения, т.е. происходит редукция тоно-цветовой шкалы без потерь. АЦТП применяется для подготовки цветных изображений к их дальнейшему структурному анализу.
Рис. 5. Тестовое ГИ 2
Рис. 6. Эллипсы рассеяния цветовых кластеров ГИ
Рис. 7. Результат АЦТП исходного ГИ
Рис. 8. Результат АЦТП исходного ГИ с коррекцией цветовых компонент
На рис. 5 приведено изображение до проведения АЦТП. Отображение эллипсов рассеяния на уровнях 1а , 2а и 3а приведено на рис. 6. Сравнение исходного (рис. 5) и изображения, полученного после
АЦТП (рис. 7), наглядно показывает улучшение качества восстановленного цветного изображения по сравнению с исходным. Это происходит за счет того, что пикселям изображений придаются значения «чистых» цветов без шумов и помех. Из полученных после обработки изображений следует, что АЦТП не только сохраняет информацию о цветовых различиях, но и само по себе улучшает качество изображения. Кроме того, результаты АЦТП легко подвергаются любым нелинейным преобразованиям цветотоновой шкалы, выполняемые с целью коррекции имеющихся искажений, повышения цветовой и тоновой контрастности изображения, эквализации текстур, колориметрического регулирования цветов для подавления остаточных шумов и помех и т.д. [10-12].
На рис. 8 представлен результат работы АЦТП с цветокоррекцией. При его сравнении с результатом преобразования, представленного на рис. 7, цветовые и тоновые контрасты изображения существенно усилились. Оно, в целом, стало восприниматься как более яркое.
На основе рассмотрения методов представления, анализа, синтеза и кодирования изображений, базирующихся на использовании структурных моделей, была предложена методика структурно-цветового анализа (СЦА) изображений [ 13-17], основанная на использовании двух преобразований - АЦТП и цент-роидного, объединяемых кластерным анализом результатов преобразований. Суть этой методики заключается в том, что для каждого изображения производится статистический анализ распределения значений цветовых компонент (ЦК) в пространстве ЯОБ или ином [18]. При этом выявляются кластеры значений ЦК, которые в дальнейшем используются для распознавания значений ЦК каждого пикселя изображения. В результате формируется набор слоев двухградационных изображений, соответствующих одному из выявленных кластеров. Этот набор может быть эффективно закодирован, а само изображение легко восстанавливается с помощью простой процедуры декодирования. При этом наблюдается эффект улучшения качества изображения, поскольку выявленные кластеры описывают искажения, имеющие характер помех и
шумов [17, 19, 20]. Максимально этот эффект проявляется для ГИ, характеризующихся использованием
дискретных цветотоновых шкал в процессах их формирования.
Поскольку полученные бинарные слои выделяют ЦК структурных элементов (СЭ) изображений, упрощаются процедуры анализа их пространственной структуры, поскольку в каждом слое СЭ обнаруживаются и распознаются с достаточно высокой надежностью [21, 22]. Оверлейные операции «сшивки» слоев при
восстановлении изображения не снижают достигнутые показатели надежности, что особенно характерно для ГИ, формируемых с использованием различных легенд или систем условных знаков. Ограниченность
набора используемых оверлейных операциях
графических форм позволяет даже повысить вероятность распознавания СЭ при
1 . !{. . :!!!:. я к :Мі
1. : • .-V л "Ч-!: ®г ^ ^ • -■V і ;>І
> . г..:; * УШИ йЗІКі” ■! ” .. ИІІІІ
Рис. 9. Тестовое ГИ 3
Рис. 10. Результат действия кластеризующего фильтра
Рис. 11. Результат работы АЦТП исходного ГИ (рис. 9)
На рис. 9 показано ГИ для которого на рис. 12 приведены проекции распределений значений его ЦК на плоскости Яв , ЯБ и вБ . Для данного ГИ отчетливо проявляется эффект кластеризации значений ЦК. Кроме того, из рисунка видно, что для значительной области пространства ЯОБ характерен низкий уровень плотности значений ЦК. Визуально это воспринимается как своеобразный диффузный «межкластерный газ». Этот эффект может снизить надежность выявления кластеров, поскольку нет четкой границы между кластерами и окружающей их межкластерной диффузной средой.
Для повышения надежности выявления кластеров была разработана методика обработки изображений с целью «сжатия» кластеров и подавления межкластерной диффузной среды. Идея обработки основана на том, что для большинства пар соседних пикселей имеет место их принадлежность к одному кластеру. Поэтому анализ близости значений ЦК в сочетании с анализом связности групп пикселей на растре позволяет исключить пиксели, относящиеся к межкластерной среде, а для оставшихся связанных групп пикселей произвести корректировку значений их ЦК за счет осреднения по соседним пикселям, что приближает значения ЦК к центрам соответствующих кластеров.
Рис. 12. Проекции цветовых кластеров в пространстве RGB ГИ (рис. 9)
Рис. 13. Проекции цветовых кластеров в пространстве ИОБ ГИ (рис. 13)
Реализация процедуры заключается в том, что изображение сканируется окном размером 3х3 пикселя, и в каждом положении окна вычисляются средние значения, с которыми далее сравниваются все значения ЦК всех пикселей окна. Если результат сравнения хотя бы в одном случае превосходит пороговое значение, то пиксель относится к межкластерной среде и исключается из дальнейшего анализа. В противном случае значения центрального пикселя заменяются на полученные средние. Эффект действия кластеризующего фильтра показан на рис. 10. При сравнении проекций распределений значений цветовых компонент исходного изображения (рис. 12) и тех же распределений после обработки связно-кластерным фильтром (рис. 13) можно отметить, что если до обработки кластеры ЦК слабо выделяются на фоне межкластерной диффузной среды, то после обработки наблюдается более отчетливое выделение кластеров этих компонент . Воспроизводимое после применения АЦТП изображение (рис. 11) отличается от исходного (рис. 9) тем, что шумы и помехи, приводящие к образованию кластеров ЦК из исходной дискретной цветотоновой шкалы, практически, полностью подавлены, а при воспроизведении цветов и тонов этой шкалы произведена цветокоррекция, которая обеспечивает максимальные цветовые контрасты изображения.
Экспериментальные зависимости, полученные при изменении величины порога, при обработке размытых и зашумленных изображений, приведены на рис. 14,15. Визуализация экспериментальных данных показала, что результаты обработки кластеризующим фильтром исходного изображения (рис. 5) с нанесенным на него гауссовским размытием с варьируемым радиусом апертуры фильтра, непосредственно влияющего на степень размытия, и того же изображения с нанесенными на него гауссовскими шумом и размытиями, принимаемыми различные значения, обладают выраженным сходством. Этот же эффект наблюдается при сравнении результатов, полученных в ходе обработки зашумленных изображений с изображениями, к которым сначала применялась гауссовская фильтрация и только после наносился шум.
1 б 11 16 21 26 31 36 41 N П/П
У-исходный |-размытие 10 размытие 1.5 | - размытие 2.0 размытие 30
Рис. 14. Гистограммы изменения количества кластеризованных пикселей в процессе обработки кластеризующим фильтром ГИ в зависимости от величины порога при изменении радиуса апертуры гауссовского фильтра
2500000-1
2000000-
| 1500000Е
о
£
ф юооооо-
е
о
%
500000-
0-Р-
1
и - исходный
Рис. 15. Гистограммы изменения количества кластеризованных пикселей в процессе обработки кластеризующим фильтром в зависимости от величины порога при изменении доли гауссовского шума на исходном ГИ
В результате обработки изображений при увеличении радиуса апертуры гауссовского фильтра кластеризующим фильтром наблюдается эффект расплывания кластеров цветовых компонент изображения с повышением порога, поскольку в процессе гауссовского размытия цвет каждого пикселя распространился среди соседних, что происходит к размытию границ кластеров цветового пространства и делает труднореализуемой задачу выделения цветовых компонент. Наложение гауссовского шума на исходное изображение придает ему некоторую зернистость, т.е. шум в изображении представляет собой пиксели со случайными цветовыми значениями. С увеличением уровня зашумленности работа центроидного фильтра по обнаружению цветовых кластеров становится малоэффективной. В ходепроведения анализа данных, полученных при обработке кластеризующим фильтром исходного изображения и изображений с нанесенными размытием (его проекции, рис. 16,а), шумом (его проекции, рис. 16,6) и их вариациями, были получены коэффициенты детерминации, отражающие степень адекватности найденных зависимостей изменения объема экстентов кластеров в процессе обработки кластеризующим фильтром от величины порога реальным процессам.
|сз 4 в
в ' в
Рис. 16. Проекции цветовых кластеров в пространстве ИОБ ГИ с гауссовским размытием (а) и шумом
(б)
Методика СЦА обеспечивает совместимость АЦТП с центроидным преобразованием изображений посредством стратификации изображения, соответствующих выделенным кластерам [17]. При этом могут быть получены бинарные изображения, причем каждый слой окрашивается в определенный цвет на фоне подложки изображения (рис. 17) .
а) контурная часть
б) слой к=1
з) слой к=2
г) слой к=3
д) слой к=4
е) слой к=5
Рис. 17. Цветовая стратификация ГИ (рис. 5)
Бинаризованные изображения на рис. 17 показывают, что и линейные, и планарные элементы структуры выделяются достаточно отчетливо, что обеспечивает высокое качество работы центроидного фильтра. Более того, восстановленное после распознавания ГИ в его послойном представлении (за исключением отдельных одиночных пикселей) не отличается от набора слоев на рис. 17.
Проведенные экспериментальные исследования разработанных средств и методов подтвердили их эффективность и возможность использования в интеллектуальных телекоммуникационных системах виртуальных предприятий. В экспериментах проанализированы возможности адаптивного цветотонового и центроидного преобразований изображений для реализации методики структурно-цветового анализа, а также эффективность процессов синтеза и распознавания изображений, даны оценки показателей кодирования и сжатия ГИ и производительности процедур их обработки.
Литература
1. Вютрих Х.А., Филипп А.Ф. Виртуализация как возможный путь развития управления // Проблемы теории и практики управления. - 1999. - № 5.
2. Патюрель Р. Создание сетевых организационных структур // Проблемы теории и практики управ-
ления. - 1997. - № 3.
3. Тарасов В. Причины возникновения и особенности организации предприятия нового типа // Проблемы теории и практики управления. - 19 98. - № 1.
4. Faucheux C. How virtual organizing is transforming management science // Communications of the ACM. - 1997. - v.40. - № 69.
5. Mowshowitz A. Virtual organization // Communications of the ACM. - v.40. - № 9.
6. Райсс М. Границы «безграничных» предприятий: перспективы сетевых организаций // Проблемы
теории и практики управления. - 1997. - № 1.
7. Катаев А.В. Виртуальные предприятия - новая ступень в организации НИОКР // Стратегические
аспекты управления НИОКР в условиях глобальной конкуренции: Отчет по НИР №01.2.00100692. - Таганрог: ТРТУ, 2001.
8. Лялин В.Е., Титов В.А., Пивоваров И.В. Распознавание и обработка графических изображений
для передачи в телекоммуникационных системах // Компьютерные и информационные технологии в науке,
инженерии и управлении: Материалы Всеросс. НТК - Таганрог: Изд-во ТРТУ, 2005. - С. 57-63.
9. Lepihov Y.N., Telegina M.V., Pivovarov I.V. The adaptive color and tone transformation of images // VI International congress on mathematical modeling / Сборник тезисов докладов. - Нижний Новгород: Изд-во ННГУ, 2004. -С. 253.
10. Лялин В.Е., Лепихов Ю.Н., Пивоваров И.В. Понижение уровня шума в реальных изображениях пу-
тем эквализации текстуры и одновременной коррекции цветовых компонент // Информационные технологии в науке, образовании, телекоммуникациях и бизнесе: Материалы 31 Междунар. конф. - Украина,
Крым, Ялта-Гурзуф: Ж. «Успехи современного естествознания» №5, 2004, Прилож. №1. - М. «Академия
естествознания».- С. 118-120.
11. Лялин В.Е., Телегина М.В., Пивоваров И.В. Применение адаптивного цветотонового преобразования для различных видов графических изображений. Часть I // Повышение эффективности средств обработки информации на базе математического моделирования. Труды VII Всероссийской научнотехнической конференции. Материалы докладов: в 2-х ч., Ч. I. - Тамбов: Изд-во ТОГУП «Тамбовполи-графиздат», 2004. - С. 25-38.
12. Мурынов А.И., Телегина М.В., Пивоваров И.В. Применение адаптивного цветотонового преобразования для различных видов графических изображений. Часть II // Повышение эффективности средств обработки информации на базе математического моделирования. Труды VII Всероссийской научнотехнической конференции. Материалы докладов: в 2-х ч., Ч. I. - Тамбов: Изд-во ТОГУП «Тамбовполи-графиздат», 2004. - С. 38-45.
13. Лепихов Ю.Н., Пивоваров И.В. Адаптивное цветотоновое преобразование графических изображений // Надежность и качество: Труды международного симпозиума. - Ч. II / Под. ред. Н.К. Юркова -Пенза: Изд-во Пенз. гос. ун-та, 2004. - С. 474-477.
14. Лепихов Ю.Н., Пивоваров И.В. Структурное описание графических изображений // Радиолокация. Навигация. Связь: Материалы 11 Междунар. НТК - Воронеж: Изд-во ВГУ, 2005. - С.191-199.
15. Пивоваров И.В. Метод адаптивной цветовой стратификации графических изображений // Проблемы
техники и технологии телекоммуникаций: Материалы Пятой Междунар. НТК.- Самара: Изд-во ПГАТИ,
2004.- С.14 9-151.
16. Пивоваров И.В. Методика структурно-цветового анализа графических изображений // Информационные технологии в науке, социологии, экономике и бизнесе: Материалы 31 Междунар. конф. - Украина, Крым, Ялта - Гурзуф.: Прилож. к журн. «Открытое образование», 2004.- С.46-49.
17. Пивоваров И.В. Алгоритм структурно-цветового анализа графических изображений // Наукоемкие
технологии и интеллектуальные системы 2005: Сб. научн. тр. VII Молодежной НТК - Москва: Изд-во
МГТУ им. Н.Э. Баумана, 2005. - С. 79-83.
18. Пивоваров И.В. Цвет и его измерение: обзор основных цветовых моделей и цветовых координатных систем // Математическое моделирование и интеллектуальные системы: Сб. научн. тр. - 2004. -
№1. -Екатеринбург-Ижевск: Изд-во ИЭ УрО РАН, 2004. - С.72-79.
19. Лепихов Ю.Н., Пивоваров И.В. Улучшение качества изображений методом адаптивной цветовой стратификации // Математическое моделирование и интеллектуальные системы: Сб. научн. тр. - 2004. - №1. -Екатеринбург-Ижевск: Изд-во ИЭ УрО РАН, 2004. - С.80-83.
20. Пивоваров И.В. Обработка изображений на основе адаптивной цветовой стратификации // Информационные технологии в науке, социологии, экономике и бизнесе: Материалы 31 Междунар. конф. -
Украина, Крым, Ялта - Гурзуф.: Прилож. к журн. «Открытое образование», 2004.- С.44-45.
21. Лепихов Ю.Н., Лялин В.Е., Пивоваров И.В. Распознавание структурных элементов изображения на дискретном растре // Ж. «Инфокоммуникационные технологии». - Самара: Изд-во ПГАТИ, - Том 3, №
2, 2005. - С.54-64.
22. Пивоваров И.В. Способ выделения структурных элементов графических изображений // Надежность и качество: Труды междунар. симпозиума /Под. ред. Н.К. Юркова - Пенза: Изд-во Пенз. гос.
ун-та, 2005. - С.213-216.
