Область наук:
  • Комп'ютер та інформатика
  • Рік видавництва: 2005
    Журнал: Известия Південного федерального університету. Технічні науки
    Наукова стаття на тему 'Алгоритм виділення малих динамічних об'єктів при обробці зображень нейронною мережею'

    Текст наукової роботи на тему «Алгоритм виділення малих динамічних об'єктів при обробці зображень нейронною мережею»

    ?контрольованих УЕЦН, їх типів і специфіки функціонування. Поряд з цим за рахунок реалізації процедур навчання нейроагенти МНСППР можуть набувати здатність не тільки визначати в реальному масштабі часу характер виникаючих ситуацій, а й передбачати можливість виникнення аварійних ситуацій, що забезпечує істотне зниження ймовірності виникнення аварій, поломок і простоїв УЕЦН. Остання обставина свідчить про ефективність і перспективність запропонованого підходу до управління технологічними процесами нафтогазовидобувних підприємств.

    висновок

    Таким чином, пропонований в роботі підхід до побудови систем підтримки прийняття рішень для управління технологічними процесами нафтогазовидобувних підприємств на основі комплексного використання мультиагентних і нейромереж-вих технологій, дозволяє створювати МНСППР, здатні не тільки вирішувати проблеми, характерні для традиційних підходів і створюваних на їх основі систем , але і наділяє їх новою якістю - здатністю прогнозувати розвиток ситуацій. Це дає можливість зробити процедуру управління технологічними процесами більш інтелектуальної та ефективної і, як наслідок, знизити витрати на позаплановий ремонт УЕЦН і підвищити рентабельність нафтогазовидобувних підприємств.

    БІБЛІОГРАФІЧНИЙ СПИСОК

    1. Матвєєв С.Н., Осипов А.В., Кузнецов А. Ф. Розвиток систем підтримки прийняття рішень на нафтогазовидобувних підприємствах // Нафтове господарство. Квітня 2005 року С.114-117.

    2. Коровін С.Я., Матвєєв С. Управління інформаційними потоками // Буріння & нафту. Липень-серпень 2005. С.40-42.

    3. Уоссерман Ф. нейрокомп'ютерних техніка. М .: Мир, 1992.

    Н.П. Аносова

    АЛГОРИТМ ВИДІЛЕННЯ МАЛИХ ДИНАМІЧНИХ ОБ'ЄКТІВ ПРИ ОБРОБЦІ ЗОБРАЖЕНЬ НЕЙРОННОЇ МЕРЕЖЕЮ

    Завдання покадровой (кроскадровой) фільтрації зображень і розпізнавання рухомих малих об'єктів на основі аналізу їх траєкторії є досить актуальною і цікавою як з точки зору вибору найбільш підходящого методу, так і з точки зору побудови оптимальної моделі штучної нейронної мережі (ІНС), який реалізує цей метод і задовольняє заданим критеріям якості.

    В основу пропонованої моделі багатошарової нейронної мережі покладено алгоритм итерационной фільтрації зображення, що використовує прямий і зворотний вейвлет-перетворення [1].

    Відомо, що фільтрація є одним з найважливіших етапів попередньої обробки при розпізнаванні зображень. Даний етап роботи пов'язаний з великими обчислювальними витратами. Один з класичних прийомів щодо зменшення цих витрат пов'язаний з використанням для великих зображень методу ковзного вікна, форму якого задають за спеціальним алгоритмом [2]. Однак такий підхід породжує ряд проблем при обробці областей зображення, що потрапляють на межі ковзаючого вікна (наприклад, артефакти зображень, що виникають при сильному JPEG стисненні, викликані саме цими причинами).

    З іншого боку, навіть на поточному етапі розвитку обчислювальної техніки часто залишається неможливим обробити всі зображення цілком. Таким обра-

    зом, в процесі фільтрації зображення актуальною залишається задача декомпозиції зображення з подальшою коректної обробкою отриманих частин [2].

    Вейвлет-перетворення з цієї точки зору цікаві тим, що дозволяють виділити області з грубими і дрібними деталями зображення і надалі обробляти їх окремо [3].

    Стандартне перетворення растрового зображення починається обчисленням вейвлетного коефіцієнтів всіх рядків зображення. Виходить образ, в першому стовпці якого знаходиться середнє стовпців вихідного образу. Після цього стандартний алгоритм виробляє вейвлетного перетворення кожного стовпчика. Наприклад, при використанні вейвлет-перетворення Хаара вийде двовимірний масив, в якому самий лівий верхній кутовий елемент дорівнює середньому всього вихідного масиву. Інші елементи верхнього рядка будуть дорівнюють середнім зваженим різницям, нижче стоять різниці середніх, а всі інші пікселі перетворюються в відповідні різниці [3].

    Вейвлетного перетворення, подібні перетворення Хаара, є піддіапазонами. Вони розбивають образ на підобласті, з яких одна область містить великі числа (середні значення в разі перетворення Хаара), а інші області складаються з малих чисел (різниць в нашому випадку). Однак ці області, звані піддіапазонами, не просто є родинами великих і малих чисел. Вони відображають різні геометричні властивості трансформованого образу. Розглянемо результати почергового застосування до рядках і стовпцях першої ітерації перетворення Хаара.

    1. н ЬЬ 1.Н г г г-- = ш ш

    Н1. НН Н1. НН нь НН

    Мал. 1. Декомпозиція зображення

    Нижній правий поддиапазон позначимо НН (рис.1), на ньому відбиваються діагональні особливості образу. Верхній правий поддиапазон містить вертикальні деталі образу, а в нижньому лівому поддиапазоне відображаються горизонтальні деталі образу відповідно. Позначимо ці піддіапазони іь і ЬІ.

    Верхній лівий поддиапазон цілком складається з середніх величин (він позначається ЬЬ). Це квадрант, що є зменшеною копією вихідного образу зі зниженим якістю.

    Квадрант ЬЬ при другій ітерації розбивається на чотири піддіапазони, що характеризують, в свою чергу, зменшене зображення в квадраті ЬЬ.

    Наступні перетворення формують в першому пікселі першого рядка середньозважену суму всього зображення.

    В силу особливостей вейвлет-перетворення Хаара всі дрібні деталі і шуми зображення зосереджені в високочастотному квадраті матриці коефіцієнтів, тому застосування порогової фільтрації до цього квадранту дозволяє видалити значну частину шумів. Крім того, можна поліпшити якість обробки і фільтрації зображення дослідженням нижнього лівого і верхнього правого квадрантів матриці за допомогою ітераційного процесу. Це особливо актуально, якщо зображення містить суттєві дрібні фрагменти зображення.

    На рис. 2 представлений приклад піддіапазонами вейвлет-перетворення вихідного слабо зашумленного растрового зображення.

    Мал. 2. Пряме вейвлет-розкладання

    Якщо, наприклад, в нижньому правому квадранті НН (рис.3) видалити всі пікселі зліва від цього значення за алгоритмом проміжної фільтрації і зробити цей процес ітераційним по всім другорядним квадрантам вейвлет-розкладання вихідного зображення, то можна зменшити шум (число шумових пікселів) і скоротити час і обсяг відновлюваного образу. На заключній фазі обчислювального експерименту відфільтроване зображення піддається зворотному вейвлет-перетворенню.

    В окремих випадках вейвлет-фільтр комбінується з мережею для грубої фільтрації і згладжування явно зашумленних пікселів. Суть його роботи полягає в попарном порівняння яскравості кожного пікселя з сусідніми, і якщо різниця яркостей перевищує порогове значення в переважній більшості випадків (наприклад 7 з 8), то значення цього пікселя змінюється на середньозважене значення сусідніх пікселів. Конкретне значення порога усереднення вимагає спеціальної установки, так як при занадто малій його значенні будуть губитися дрібні деталі зображення, а при занадто великому - не буде фільтруватися значна частина явних шумів.

    Даний механізм дозволяє настроїти алгоритм фільтрації на конкретні особливості зображення, уточнити завдання виділення малих динамічних об'єктів і видати основні параметри, необхідні для генерації чотиришаровій ІНС прямого поширення [4], який реалізує вейвлет-фільтр.

    1. На вхід мережі подається сигнал Х1 ..., хп, що містить перешкоди.

    2. На другому шарі мережі здійснюється вейвлет-перетворення і блокова нормалізація отриманої матриці коефіцієнтів.

    3. На третьому шарі мережі відбувається фільтрація.

    4. На останньому шарі здійснюється зворотне вейвлет-перетворення, яке формує відфільтрований сигнал.

    Навчання такої мережі здійснюється по частинах, спочатку на основі наборів незашумленим зображень і їх нормалізованих вейвлет-образів навчається кодує блок, потім будується блок декодування, і на останньому етапі на-

    страівается шар фільтрації вже з використанням зашумленних зразків. Результуюча нейронна мережа не є повно і зберігає блочну структуру, характерну для вейвлет-розкладання.

    Мал. 3. Фільтрація квадранта НН

    Розгалуження Декретний Отсечение Зворотне

    сигналу вейелет-греобраеоваьме шуму веівлет-леробразованіе

    Мал. 4. Структура вейвлет-фільтра

    Необхідно відзначити, що в залежності від конкретного завдання для досягнення заданої якості фільтрації, можливо, буде достатньо створити мережу, яка здійснює від однієї до трьох ітерації перетворення Хаара.

    Після фільтрації зображення можна здійснювати його подальший аналіз для виділення малих динамічних об'єктів. При цьому істотним є те, що розмір таких об'єктів може складати всього декілька пікселів, і виділення контуру такого об'єкта виявляється практично неможливим [5].

    Рішення завдання виділення малих рухомих об'єктів на нерухомому фоні складається з двох етапів. Перший - виділення нерухомого фону по 5-ти кадрів.

    • Для кожної точки (х, у) з 5 значень яскравості вибираються максимальне і мінімальне значення (використовується мережу Мах№1).

    • Ці значення виключаються (вони подаються як додаткові входи але з зворотними знаками).

    • За рештою трьома підраховується середньозважене значення яскравості для поточної точки (х, у).

    • Це значення віднімається з значення яскравості для точки (х, у) поточного кадру.

    • Всі значення яскравості, менші деякого мінімального порогу яскравості, обнуляються.

    Другий етап - обробка отриманого зображення багатошарової і, можливо, рекуррентной нейронною мережею (виходи цієї мережі для попереднього кадру будуть служити додатковими входами для поточного), що створює "область стеження" навколо передбачуваного місця розташування об'єкта пошуку [5].

    Для простоти можна розглянути одновимірний випадок такої мережі.

    Кожен г, п нейрон на п-м шарі мережі пов'язаний з Б (Б - діаметр області стеження) нейронами на наступному шарі:

    г1- (й-1) / 2

    п + 1 п + 1 п + 1

    - г-1 А, ^ + 1

    . г + (0-1) / 2

    Кількість шарів в мережі N (при використання нерекуррентного варіанти) відповідає кількості кадрів, протягом яких можна очікувати появи шуканого об'єкта, якщо він був зафіксований на першому кадрі. Наприклад, якщо шуканий об'єкт не з'явився на наступних 7 кадрах, то подальше його відстеження недоцільно.

    Запропонована мережа має наступну структуру:

    I В, V

    т-П + 1

    1-2

    - } \ < про, про, | / -; '| > про,

    К (net) =

    7П + 1

    4 + 1

    7 П + 1

    Ч + з

    1, net > 1,

    0, net < в, net, В < net < 1,

    де 3 = 1,

    Кубив, Кубив

    - коефіцієнт

    убування яскравості в області стежу-. >1).

    СПИСОК

    1. Блаттер К. Вейвлет-аналіз. Основи теорії. М .: Техносфера, 2004.

    2. Гуляєва Ю.В., Галушкин А.І. Нейрокомп'ютери в системах обробки зображень. М .: Радіотехніка, 2003.

    3. Селомон Д. Стиснення даних, зображення і звуку. М .: Техносфера, 2004.

    4. Осовский С. Нейронні мережі для обробки інформації. М .: Фінанси і статистика, 2002.

    5. Аносова Н.П. Про деякому підході до фільтрації зображень і виділення невеликих динамічних об'єктів за допомогою нейронних мереж // Нейроінформатика і системи асоціативної пам'яті. Матеріали наукової молодіжної школи. Таганрог: Изд-во ТРТУ, 2005. С. 201-206.


    Завантажити оригінал статті:

    Завантажити