Метод автоматизированного конструирования процедур анализа изображений с использованием генетических алгоритмов

• Автор: Буряк, Дмитрий Юрьевич
• Шифр специальности: 05.13.11
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Москва
• Количество страниц: 126 с. : ил.

Содержание
Введение

1. Анализ основных подходов к построению процедур анализа изображений.

1.1. Неформальная постановка задачи конструирования процедур идентификации и обнаружения объектов на изображениях

1.2. Подходы, основанные на использовании библиотек функций.

1.3. Алгоритмы вычисления оценок.

1.4. Методы автоматизированного конструирования отдельных элементов алгоритма распознавания.

1.5. Использование баз знаний

1.6. Генетическое программирование.

1.7. Выводы
2. Метод автоматизированного конструирования субоптимальных процедур идентификации и обнаружения объектов на изображениях
2.1. Исходные данные.
2.2. Построение субоптимальной процедуры идентификации объектов одного класса
2.3. Обоснование применения ГА для поиска оптимальных решений
2.4. Построение субоптимальной процедуры обнаружения объектов одного класса
2.5. Построение субоптимальных процедур идентификации и обнаружения объектов нескольких классов.
2.6. Повышение устойчивости конструируемых процедур
2.7. Инвариантность решающих процедур к сдвигу, повороту и масштабированию объекта на изображении
2.8. Выводы
3. Модель генетического алгоритма для поиска субоптимальной процедуры распознавания объекта на цифровом изображении.
3.1. Модель генетического алгоритма для поиска субоптимальных процедур идентификации и обнаружения объектов одного класса
3.2. Функционал оценки качества процедур идентификации и обнаружения объектов одного класса
3.3. Модель генетического алгоритма для поиска субоптимальных процедур
идентификации и обнаружения объектов нескольких классов
3.4. Выводы
4. Система автоматизированного конструирования субоптимальных процедур анализа изображений
4.1. Структура системы автоматизированного конструирования субоптимальных процедур анализа изображений
4.2. Базовые алгоритмы.
4.3. Алгоритм выполнения решающей процедуры
4.4. Алгоритм оценки качества хромосомы.
4.5. Алгоритм формирования очередной популяции
4.6. Алгоритм регенерации популяции.
4.7. Экспериментальная проверка работоспособности метода автоматизированного конструирования субоптимальных процедур распознавания объектов на изображениях
4.8. Выводы.
Заключение
Список литературы


Задача построения субоптимальной процедуры сводится к задаче ее поиска в подмножестве У/' процедур идентификации заданного объекта, которое формируется по эталонному изображению 1т и с использованием алгоритмов из базы знаний. Скорость и точность работы каждой процедуры из данного подмножества определяется по результатам ее применения к изображениям из обучающей выборки. Для построения процедур, формирующих множество IV' на эталонном изображении 1т объекта заданного класса, выбирается ряд фрагментов 1т} (рис. Размеры этих фрагментов, а также их количество определяется при помощи равномерно распределенной случайной величины. Для каждого фрагмента 1п1 случайным образом выбирается один из заданных алгоритмов, хранящихся в базе знаний системы. Для каждой такой пары фрагмент-алгоритм конструируется элементарная процедура ру, которая выполняет идентификацию данного фрагмента при помощи заданного алгоритма. Из полученных процедур р, формируется процедура р=(р,р2, ¦ ¦. Рп)» которая выполняет идентификацию объектов заданного класса с некоторой точностью. Множество IV' состоит из всевозможных процедур, построенных по данной схеме и имеющих длину, не превышающую заданного значения. Рис. Конструирование процедуры идентификации. Поиск оптимальной процедуры идентификации в подмножестве IV’ осуществляется при помощи генетических алгоритмов. Была разработана модель процедуры идентификации р**(р1,р2,—,Рт), которая обладает следующими свойствами. Каждой элементарной процедуре ру поставлен в соответствие единственный фрагмент эталонного изображения, идентификацию которого она выполняет. Элементарные процедуры р; выполняются последовательно. Для каждого фрагмента 1т; а, следовательно, и соответствующей ему процедуры р;у определен вектор его геометрического расположения относительно следующего фрагмента 7/лу+/. Данная информация позволяет ограничивать область применения каждой последующей элементарной процедуры, начиная со второй, это приводит к увеличению скорости работы всей процедуры идентификации в целом, а также повышению точности получаемых результатов. Для принятия решения об идентификации объекта заданного класса на входном изображении необходимо, чтобы результирующие значения мер близости для всех р] на данном изображения превышали заданный порог. Метод, описанный на примере построения процедуры идентификации, служит основой для решения задачи конструирования процедуры обнаружения объекта заданного класса на изображении. При этом возможность присутствия в анализируемой сцене нескольких объектов из предметной области, а также необходимость вычисления координат распознанных объектов обусловили введение в модель и схему функционирования метода ряда новых элементов: вес распознаваемого фрагмента, схема вычисления координат расположения объекта на изображении, "механизм возвратов". Под понятием вес фрагмента будем понимать количественный показатель, характеризующий степень "уникальности” данного фрагмента эталонного изображения. Принцип его вычисления основывается на подсчете количества позиций эталонного изображения, в которых значение меры близости между данным фрагментом и областью изображения превышает заданный порог. С; > 5. Мах; - общее количество позиций на эталонном изображении, где может быть идентифицирован данный фрагмент. V - вектор относительного расположения этого фрагмента на эталонном изображении. Присутствие на изображении нескольких объектов или частей объектов из предметной области может привести к ложному обнаружению некоторых характерных признаков, но которым построена решающая процедура. С целью учета данной особенности в модель процедуры обнаружения был введен дополнительный элемент - "механизм возвратов". Логика функционирования "механизма возвратов" предусматривает возможность повторных применений элементарной процедуры р, в случае, если точность работы последующих элементарных процедур не удовлетворяет заданному порогу. Рассмотренный метод был расширен на случай решения задач идентификации и обнаружения объектов нескольких классов.