CC BY
317
Царев А.Г.
ПРИНЦИПЫ И МЕТОДЫ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ОБРАЗОВ
B основе идеи синтеза систем автоматического распознавания лежат способы, c помощью которых описываются и разделяются классы образов. Когда класс характеризуется перечнем входящих в него членов, построение системы, распознавания образов может быть основано на принципе принадлежности к этому перечню. Когда класс характеризуется некоторыми общими свойствами, присущими всем его членам, построение системы распознавания может основываться на принципе общности свойств. Когда при рассмотрении класса обнаруживается тенденция к образованию кластеров в пространстве образов, построение системы распознавания может основываться на принципе кластеризации. Под кластером понимают обычно группу объектов (образов), образующих в пространстве описания компактную в некотором смысле область. Принцип перечисления членов класса Задание класса перечислением образов, входящих в его состав, предполагает реализацию процесса автоматического распознавания образов посредством сравнения с эталоном. Множество образов, принадлежащих одному классу, запоминается системой распознавания. При предъявлении системе незнакомых (новых) образов она последовательно сравнивает их с хранящимися в ее памяти. Система распознавания образов относит новый образ к тому классу, к которому принадлежал находящийся в памяти системы образ, совпавший с новым. Так, например, если в память системы распознавания введены литеры различных наборных шрифтов, то подход, основанный на перечислении членов класса, позволяет распознавать соответствующие буквы, но только в тех случаях, когда их изображения не искажены шумом, связанным с размазыванием или плохим нанесением краски, пористостью бумаги и т. п. Несомненно, это несложный метод, однако он позволяет строить недорогие системы распознавания, которые в отдельных прикладных областях вполне справляются со своими задачами. Метод перечислеиия членов класса работает удовлетворительно, если выборка образов близка к идеальной .
Принцип общности свойств Задание класса с помощью свойств, общих для всех входящих в его состав членов, предусматривает реализацию процесса автоматического распознавания путем выделения подобных признаков и работы с ними. Основное допущение в этом методе заключается в том, что образы, принадлежащие одному и тому же классу, обладают рядом общих свойств или признаков, отражающих подобие таких образов. Эти общие свойства можно, в частности, ввести в память системы распознавания. Когда системе предъявляется неклассифицированный образ, то выделяется набор описывающих его признаков, причем последние иногда кодируются, и затем они сравниваются с признаками, заложенными в память системы распознавания. B таком случао последняя зачислит предъявленный для распознавания образ в класс, характеризующийся системой признаков, подобных признакам этого образа. Итак, при использовании данного метода основная задача заключается в выделении ряда общих свойстз по конечной выборке образов, принадлежность которых искомому классу известна.
Очевидно, что эта концепция распознавания во многих отношениях превосходит распознавание по принципу перечисления членов класса. Для запоминания признаков класса требуется значительно меньше памяти, чем для хранения всех объектов, входящих в класс. Поскольку признаки. характеризующие класс в целом, обладают инвариантностью, принцип сопоставления признаков допускает вариацию характеристик отдельных образов. Процедура сопоставления с эталоном, с другой стороны, не допускает существенных вариаций характеристик отдельных образов. Если все признаки, определяющие класс, можно найти по имеющейгся выборке образов, то процесс распознавания сводится просто к сопоставлению no признакам. Исключительно трудно, однако, если не невозможно вообще, как уже упоминалось выше, найти для некоторого класса полный набор различающих признаков. Следовательно, обращение к этому принципу распознавания часто связано с необходимостью развития методов выбора признаков, являющихся в некотором смысле оптимальными.
Принцип кластеризации Когда образы некоторого класса представляют собой векторы, компонентами которых являются действительные числа, этот класс можно рассматривать как кластер и выделять только его свойства в пространстве образов кластера. Построение систем распознавания, основанных на реализации данного принципа, определяется взаимным пространственным расположением отдельных кластеров. Если кластеры, соответствующие различным классам, разнесены достаточно далеко друг от друга, то с успехом можно воспользоваться сравнительно простыми схемами распознавания, например такими, как классификация по принципу минимального расстояния. Если же кластеры перекрываются, приходится обращаться к более сложным методам разбиения пространства образов. Перекрытие кластеров является результатом неполноценности доступной информации и шумовых искажений результатов измерения. Поэтому степень перекрытия часто удается уменъшитъ, увеличивая количество и качество измерений, выполняемых над образами некоторого класса.
Для реализации рассмотренных выше основных принципов построения автоматических систем распознавания образов существуют три основных типа методологии: эвристическая, математическая и лингвистическая (синтаксическая). Нередко системы распознавания создаются на основе комбинации этих методов.
Эвристические методы За основу эвристического подхода взяты интуиция и опыт человека; в нем используются принципы перечисления членов класса и общности свойств. Обычно системы, построенные такими методами, включают набор специфических процедур, разработанных применительно к конкретным задачам распознавания. Пример подобного подхода в связн с задачей распознавания символов, в которой классификация образа (символа) производилась на основе выделения определеиных признаков, в частности таких, как количество и последовательность расположения специфических штрихов (черточек). Хотя эвристический подход играет большую роль в построении систем распознавания образов, не много может быть сказано относительно общих принципов синтеза, так как решение.каждой конкретной задачи требует использования специфическнх приемов разработки системы. Это означает, следовательно, что структура и качество эвристической системы в значительной степени определяются одаренностью и опытом разработчиков.
Математические методы B основу математического подхода положены правила классификации, которые формулируются и выводятся в рамках определенного математического формализма с помощью принципов общности свойств и кластеризации. Этим данный подход отличается от эвристического, в котором решения определяются с помощью правил, тесно связанных с характером решаемой задачи. Математические методы построения систем распознавания можно разделить на два класса: детерминистские и статистические. Детерминистский подход базируется на математическом аппарате, не использующем в явном виде статистические свойства изучаемых классов образов. Статистический подход основывается на математических правилах классификации, которые формулируются и выводятся в терминах математической статистики. Построение статистического классификатора в общем случае предполагает использование байесовского классификационного правила и его разновидностей Это правило обеспечивает полу-
чение оптималыюго классификатора в тех случаях, когда известны плотности распределения для всех совокупностей образов и вероятности появления образов для каждого класса.
Лингвистические (синтаксические) методы Если описание образов производится с помощью непроизводных элементов (подобразов) и их отношений, то для построения автоматических систем распознавания применяется лингвистический или синтаксический подход с использованием принципа общности свойств. Образ можно описать с помощью иерархической структуры подобразов, аналогичной синтаксической структуре языка. Это обстоятельство позволяет применять при решении задач распознавания образов теорию формальных языков. Предполагается, что грамматика образов содержит конечные множества элементов, называемых переменными, непроизводными элементами и правилами подстановки. Характер правил подстановки определяет тип грамматики. Среди наиболее изученных грамматик можно отметить регулярные, бесконтекстные и грамматики непосредственно составляющих. Ключевыми моментами данного подхода являются выбор непроизводных элементов образа, объединение этих элементов и связывающих их отношений в грамматики образов и, наконец, реализация в соответствующем языке процессов анализа и распознавания. Такой подход особенно полезен при работе с образами, которые либо не могут быть описаны числовыми измерениями, либо столь сложны, что их локальные признаки идентифицировать не удается и приходится обращаться к глобальным свойствам объектов.
Выбор метода синтеза системы еще не решает до конца проблему составления конкретной программы и проблемы реализации. B большинстве случаев у нас в распоряжении имеются репрезентативные образы, представляющие каждый из рассматриваемых классов. B таких ситуациях можно воспользоваться методами распознавания, называющимися обучением с учителем. B схеме обучения с учителем система "обучается" распознавать образы с помощью разного рода адаптивных схем. Ключевыми элементами такого подхода являются обучающие множества образов, классификация которых известна, и реализация соответствующей процедуры обучения.
B некоторых прикладных задачах принадлежность к определенным классам элементов обучающего множества неизвестна. B таких случаях можно обратиться к методам распознавания образов, называющимся распознаванием без учителя. Как указывалось ранее, распознавание по схеме "обучение с учителем" характеризуется тем, что известна правильная классификация каждого обучающего образа. B случае "обучения без учителя" требуется, однако, конкретно изучить классы образов, которые имеются в данной информации. Важно ясно представлять себе, что обучение происходит только на этапе построения (или коррекции в связи с поступлением новой информации) системы распознавания. Как только система, работая с обучающим множеством образов, добивается приемлемых результатов, ей предлагается реальная задача распознавания пробных объектов, взятых из той среды, в которой системе предстоит работать. Естественно, качество распознавания будет в существенной степени определяться тем, насколько хорошо обучающие образы представляют реальные данные, с которыми система будет сталкиваться в процессе нормальной эксплуатации.
ЛИТЕРАТУРА
1. Неймарк Ю.И. Многомерная геометрия и распознавание образов. Соросовский образовательный журнал.2 0 07г.
2. Царев А.Г., Држевецкий А.Л. Структурно-лингвистическое описание и идентификация произвольных контурных изображений. Международный симпозиум. «Надежность и качество» Пенза, ПГУ. 2005
