Система статистического анализа и нейросетевого распознавания текстурных изображений

• Автор: Вин Тхей
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Москва
• Количество страниц: 154 с. : ил.

1. СОВРЕМЕННОЕ СОСТОЯНИЕ ИССЛЕДОВАНИЙ ПО ПРОБЛЕМЕ РАСПОЗНАВАНИЯ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ

I. I Понятие текстуры и практические примеры распознавания текстурных изображений

1.1.1 Определение текстуры

1.1.2 Типы текстур в изображении

1.2 Формальная постановка задачи распознавания текстурных изображений

1.3 Информативные признаки для распознавания текстур

1.4 Сегментация изображений

1.5 Распознавание текстурных изображений

1.5.1 Методы распознавания изображений

1.6 ейросетевые классификаторы изображений

1.6.1 Классификатор Хемминга

1.6.2 Параметрическая векторная нейронная сеть
1.6.3 Многослойная нейронная сеть
1.7 Содержание задачи диссертационной работы ВЫВОДЫ
2. МЕТОД НЕЙРОСЕТЕВОГО РАСПОЗНАВАНИЯ ТЕКСТУР
С ИСПОЛЬЗОВАНИЕМ СЕКУЩИХ ЛИНИЙ ИЗОБРАЖЕНИЙ
2.1 Проблема формирования вектора признаков для распознавания текстурного изображения
2.2 Секущие линии изображения. Одномерная сегментация
2.3 Таблица частот распределения сегментов по длине и яркости
2.4 Предварительная обработка текстурных изображений
2.4.1 Приведение изображения к заданной средней яркости
2.4.2 Масштабирование текстурного изображения
2.5 Статистические характеристики корреляционного типа для текстурных изображений
2.5.1 Матрицы смежности сегментов по яркости и длине
2.5.2 Корреляционные функции для показателей длины и яркости объектов в поле изображения
2.6 Критерий подобия двух текстурных изображений
2.7 Нейросетевая классификация текстурных изображений
2.7.1 Особенности применения сети Хемминга
для распознавания текстурных изображений
2.7.2 Схемы поиска эталонных изображений в базе данных
2.7.3 Распознавание текстур с применением векторной
параметрической нейронной сети
ВЫВОДЫ
3. ПРОГРАММНАЯ СИСТЕМА I ИНСТРУМЕНТАЛЬНОЕ СРЕДСТВО
АНАЛИЗА И КЛАССИФИКАЦИИ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ
3.1 Программная среда разработки
3.1.1 Используемые классы
3.1.2 Описание классов
3.2 Функциональные задачи и требования к программе I
3.3 Формирование статистических признаков текстурного изображения
3.3.1 Формирование секущих линий
3.3.2 Алгоритм одномерной сегментации функции яркости вдоль
секущих линий
3.3.3 Вычисление матрицы частот сегментов по длине и яркости
3.3.4 Вычисление матрицы смежности сегментов по длине и яркости
3.3.5 Вычисление корреляционной функции плотности расположения сегментов в поле изображения
3.4 Работа с базой эталонных изображений
3.5 Подсистема классификации изображений
3.5.1 Полный перебор по среднеквадратичному отклонению
3.5.2 Полный перебор по энтропийному критерию
3.5.3 Решение задачи распознавания с использованием нейронной сети Хемминга
3.5.4 Векторная параметрическая нейронная сеть
3.6 Визуализация и документирование данных
3.7 Предварительная обработка изображений
3.8 Предварительная обработка сегментов
3.8.1 Масштабирование
3.8.2 Приведение изображения к заданной средней яркости
3.9 Безопасность доступа к системе I
ВЫВОДЫ
4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ МЕТОДОВ АНАЛИЗА И
НЕЙРОСЕТЕВОГО РАСПОЗНАВАНИЯ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ
4.1 Исходные данные для проведения экспериментальных исследований
4.2 Примеры распознавания текстурных изображений в системе I
4.3 Анализ устойчивости статистических характеристик одномерных сегментов
4.4 Исследование точности распознавания текстур
на векторной нейронной сети
4.5 Исследование быстродействия вычислительных схем
распознавания текстурных изображений
ВЫВОДЫ
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ


Это позволяет решать ряд прикладных задач, связанных с обработкой и распознаванием текстурных изображений, в реальном времени анализа данных специалистами. Учитывая большой объем накопленных текстурных изображений в различных прикладных областях и необходимость оперативной работы с имеющимися данными, полученные в диссертации результаты имеют важное практическое значение. Достоверность научных результатов. Достоверность научных результатов подтверждена данными компьютерного экспериментального исследования в разработанной программной среде I, которая была экспонирована на выставке Телекоммуникации и новые информационные технологии в образовании Москва, МИФИ в г. Апробация работы. Основные положения и результаты диссертационного исследования докладывались и обсуждались на научных конференциях и семинарах Научная сессия МИФИ г. XV международный научнотехнический семинар Современные технологии в задачах управления, автоматики и обработки информации Алушта, сентября г. IX всероссийская научнотехническая конференция Нейроинформатика Москва, г. Телекоммуникации и новые информационные технологии в образовании Москва, г Ряд докладов, представленных на Научных сессиях МИФИ, были отмечены дипломами. Публикации. По теме диссертационного исследования опубликовано 7 печатных
Структура и объем работы. Диссертация состоит из Введения, четырех разделов, Заключения, библиографического списка и четырех Приложений. Основная часть диссертации содержит 8 страниц машинописного текста, включая рисунок и 8 таблиц. В разделе I диссертации дан аналитический обзор публикаций по теме диссертации. Рассмотрены различные алгоритмические подходы к описанию текстурных свойств изображений, сегментации и распознаванию изображений. Особое внимание уделено применению нейросстсвых методов для распознавания изображений. Излагаются принципы построения нейронной сети Хемминга и векторной параметрической нейронной сети для решения поставленной в диссертационной работе задачи. Дается описание всех связанных с этими нейросетевыми архитектурами процедур, так как они используются и в настоящей работе. Теоретические основы развитой в диссертации технологии распознавания текстурных изображений представлены в разделе 2. Массив выделенных на изображении сегментов используется для формирования информативных признаков изображения таблицы распределения частот встречаемости сегментов по длине и яркости, а также признаков корреляционного тина матрицы смежности сегментов по длине и яркости и корреляционные функции для плотности распределения сегментов разных категорий в поле изображения. Благодаря переходу от пиксельного анализа текстурного изображения к анализу массива выделенных сегментов, в диссертации удалось построить алгоритмы преобразования сегментов по длине и яркости, обеспечивающие инвариантность решения задачи распознавания текстуры относительно угла поворота, масштаба и освещенности при регистрации изображений. Найденное алгоритмическое решение приведено в разделе 2. Определение состава статистических признаков, которые с информационной точки зрения полно представляют свойства текстур, позволило ввести показатели близостиразличия текстурных изображений в пространстве признаков. В диссертации в качестве такого показателя использован не только традиционный среднеквадратичный показатель, но и дифференциальная энтропия по Кульбаку I. Кроме того, в разделе 2 изложены особенности использования нейронной сети Хемминга и векторной параметрической нейронной сети для решения задачи распознавания текстур в пространстве статистических признаков одномерных сегментов. Раздел 3 посвящен описанию программной системы I, которая разработана с целью экспериментального исследования различных теоретических и практических вопросов по проблеме распознавания текстурных изображений. Особенности практического использования системы I иллюстрируются на схемах, графиках, таблицах и гистограммах, построенных с использованием соответствующих средств разработанной программной системы. Заключительный четвертый раздел диссертации содержит результаты экспериментальных исследований, выполненных в рамках системы I.