Научная статья на тему 'Нейросетевой метод определения информативных признаков полутоновых изображений'

Нейросетевой метод определения информативных признаков полутоновых изображений Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
131
31
i Надоели баннеры? Вы всегда можете отключить рекламу.

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Самойлин Е. А.

Рассмотрен нейросетевой метод определения геометрических особенностей объектов на зашумленных полутоновых изображениях с целью их последующего распознавания. Представлены и оценены результаты обработки тестовых изображений цифровым методом и предлагаемой однослойной сетью, которая обеспечивает более качественное определение информативных признаков и подавление шума.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Текст научной работы на тему «Нейросетевой метод определения информативных признаков полутоновых изображений»

АВТОМАТИКА, УПРАВЛЕНИЕ И ТЕХНИЧЕСКАЯ КИБЕРНЕТИКА

УДК 621.391

НЕЙРОСЕТЕВОЙ МЕТОД ОПРЕДЕЛЕНИЯ ИНФОРМАТИВНЫХ ПРИЗНАКОВ

ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЙ

© 2004 г. Е.А. Самойлин

Введение

Предварительная обработка изображений, как правило, предшествует их распознаванию и заключается в оцифровке растра, его минимизации, фильтрации, формировании набора информативных признаков [1]. Поэтому качество предобработки изображений определяет и вероятность их правильного распознавания.

Задача предобработки изображений является хорошо формализуемой, для которой существует соответствующий математический аппарат, но реализация вычислений с его помощью на базе имеющихся вычислительных систем не удовлетворяет требованиям по качеству, времени и т.д. В подобных случаях целесообразно применять вычислители нового класса -высокораспараллеленные архитектуры, ориентированные на нейросетевые методы решения задач [2, 3].

В данной работе под определением информативных признаков изображений понимается минимизация, выделение границ и других геометрических особенностей объектов на фоне случайных шумов. Так, как показано в [4], для эффективного распознавания объектов необходимо и достаточно иметь информацию о контурных линиях и перепадах яркости интересующих объектов.

Цель работы - разработка метода решения задачи определения границ объектов на полутоновых изображениях в условиях шумов, реализуемого однослойной нейронной сетью.

Постановка задачи

Рассматривается задача выделения границ объектов на зашумленных полутоновых матрицах изображений с 256 разрядной градацией яркости и заданной размерности.

Нейросетевой метод решения данной задачи основывается на аппроксимации нейронной сетью такой функции, при которой ее локальные экстремумы будут соответствовать характерным фрагментам изображения, исключая шум. Подобная функция на участках, где изображение изменяется мало (шумы), является почти постоянной, а на участках, содержащих геометрические особенности объектов, резко колеблется. В результате на выходе сети должны быть элементы матриц, которые относятся исключительно к контурным линиям объектов и другим характерным особенностям.

Нейронный метод и структура сети

Аппроксимация искомой функции для решения задачи поиска информативных признаков полутоновой матрицы изображения может быть реализована с помощью следующей архитектуры нейронной сети.

Сигнал от каждого пикселя X{^ матрицы исходного изображения поступает на соответствующий ему нейрон , число которых равно числу пикселей.

Параллельно с сигналом от пикселя X¿,^, на нейрон N. подаются значения смежных пикселей X

¿±1, j±i ■.

как показано на рис. 1.

Xi -1,1-1 X-1,j Xi-1,j+1

w

X,j -1

Xi,j Xi, j +r~ w

w

Xi+1, j-1 1 Xi+1,1

X ^ i+1, j +1 w

w

N

1

Е

y

Рис. 1. Фрагмент матрицы изображения и реализация его обработки нейроном

Для определения принадлежности элементов полутоновой матрицы к контурным линиям каждым нейроном сети в слое проводится сравнение его яркости с яркостями смежных элементов. Нейрон выполняет вычисление в соответствии с выражением [1]

N, M

yi, j - Е Xi±1,1±1- X

(1)

i -1 j -1

где: у{- сигнал на выходе нейрона; N - количество

строк матрицы изображения; М - количество ее столбцов; X^- элемент матрицы, отображаемый в

нейрот Ni,j; Xi±1, j±1

- элементы, смежные с X,

i, j

На рис. 1, с целью упрощения, показан только один нейрон N . Нейроны, соседние с N ^, смещены друг

относительно друга на один элемент матрицы. Таким образом, центральный для одного нейрона элемент матрицы , для другого нейрона будет уже Xг■+1,^ (в

случае смещения «вниз», на следующую строку и т.д.). При обработке первых и последних строк и столбцов нейроны имеют неполное число входов, равных количеству окружающих элементов данного пикселя (5). В случае обработки четырех угловых пикселей (Хи, Х1М, Хыд, Хы,М) у нейрона имеется всего три

входа. Сигналы с выходов нейронов ±1 подаются

на блок пороговой обработки Р (рис. 2), где каждое значение yi ^ сравнивается с активационным порогом.

Если сигналы больше порога (у1 ^), они поступают на блок их перемножения с элементами Xi ^, после чего на выходе сети формируются сигналы информативных признаков объектов ^ ^. В остальных случаях, значения у0обнуляются блоком X и совместно с Х{ : х у1: поступают на выходы сети ^ ,.

Схема нейронной сети, приведенная на рис. 2, также упрощена. Здесь показаны смежные входные элементы Х^п, ^ только одного столбца матрицы.

Результаты моделирования и их оценка

Моделирование сети осуществлялось программно, в среде МаЛСАБ' 2001. При этом на ее вход подавалась матрица исходного изображения размерностью 150 х 200 с зашумленными тестовыми цифрами (рис. 3 а). На выходе нейронной сети формировалась обработанная матрица с определенными информативными признаками тестовых объектов, которая показана на рис. 36.

Значение порога в блоке Р было выбрано исходя из критерия минимума расхождения векторов эталонного и полученного на выходе сети изображений в к -мерном пространстве, где размерность векторов изображений: к = N х М . Оптимальное значение указанного параметра составило 2. Эталонное изображение представляет собой контуры исходного, показанного на рис. 3а, очищенные от шумов.

Для сравнительного анализа на рис. 3е показан результат обработки исходного изображения цифровым методом [5].

i -W

i+1, j

i+2, j

i+3, j

i + 4, j

i+n, j

Рис. 2. Полная схема однослойной нейронной сети

Рис. 3. К моделированию нейтронной сети: а - исходное тестовое изображение; б - изображение после нейросетевой обработки; в - изображение после цифровой обработки

С целью оценки качества функционирования двух методов, согласно указанному выше критерию, путем вычисления Евклидова расстояния определены расхождения эталонного и полученных в результате нейро- и цифровой обработки векторов изображений в ^-мерном пространстве. Нормированные расхождения составили: 0,431 для нейронной сети и 0,933 для цифрового фильтра, где за единицу условно принято расхождение эталонного с исходным (зашумленным) изображением.

Сравнивая результаты работы двух методов по рис. 3б и 3в, видим, что в обоих случаях все элементы, находящиеся внутри односвязных контуров объектов, удалены. Оставлены лишь информативные признаки, соответствующие границам объектов, и шумы. Цифровой метод вносит некоторое искажение исходной полутоновой матрицы, заключающееся в смещении границ объектов. Уровень шума в этом случае практически не снижается, что и дает высокую величину расхождения.

Нейросетевой метод обеспечивает более эффективное подавление шума и точное определение информативных признаков объектов, искажений их контуров практически не происходит (рис. 3б), о чем говорит более чем в два раза меньшая оценка расхождения векторов в ^-мерном пространстве.

Ростовский военный институт ракетных войск

Заключение

Полученные результаты моделирования нейросе-тевого метода определения геометрических неодно -родностей объектов на полутоновых изображениях свидетельствуют об обоснованности его применения к подобным задачам по сравнению с традиционными цифровыми. Нейронная сеть является достаточно простой, однослойной, без каких-либо алгоритмов обучения. Однако даже такая ее архитектура обеспечивает более приемлемое решение задачи определения информативных признаков полутоновых изображений в условиях шумов.

Литература

1. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений: Учеб. пособие для студентов вузов. М., 1983.

2. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика /Пер. с англ. Ю.А. Зуева, В.А. Точенова. М., 1992.

3. Кольцов П.П., Прохоров В.В. Нейрообработка визуализированной информации. М., 1997.

4. Кревецкий А.В. Распознавание трехмерных объектов по

форме пространственных контуров // Автометрия. 2001. № 2. С. 21-30.

5. Huang T.S. (ed.), Eklundh J.-O., Justusson B.I., Nussbaumer H.J., Tyan S.G., Zohar S.: Two-Dimensional Digital Signal Processing II: Transforms and Median Filters. Berlin; Heidelberg; New York, 1981.

16 июля 2003 г.

УДК 681.3:622.24

ОПЫТ ИЗУЧЕНИЯ МАГНИТОУПРУГОГО ЭФФЕКТА В КОЛЬЦЕВЫХ ФЕРРИТОВЫХ СЕРДЕЧНИКАХ ДАТЧИКОВ УСИЛИЙ И ЕГО ПРИМЕНЕНИЕ ДЛЯ БАРОМЕТРИЧЕСКИХ ИЗМЕРЕНИЙ В СКВАЖИНАХ

© 2004 г. Л.А. Видовский

Принцип действия магнитоупругих датчиков усилий (МДУ) основан на использовании проявления магнитоупругого эффекта. Магнитоупругий эффект заключается в изменении намагниченности ферромагнитных тел под действием механических напряжений. Изменение магнитных свойств чувствительного элемента, снабженного обмотками, фиксируется электрической схемой.

Простота конструкции, отсутствие в ней движущихся деталей и обусловленная этим высокая прочность и надежность; значительная чувствительность и

возможность применения без усилителей - таковы основные достоинства магнитоупругих датчиков. Для их изготовления в основном используются три группы магнитоупругих материалов; железоникелевые сплавы с содержанием никеля от 50 до 70 %, железо-кремниевые сплавы с 2-4 % кремния, специальные магнито-упругие материалы (железо-алюминиевый сплав с 12 % алюминия, ферриты и др.)

В данной работе рассматриваются магнитоупру-гие датчики с ферритовыми чувствительными элементами. Целесообразность применения ферритов в каче-

i Надоели баннеры? Вы всегда можете отключить рекламу.