[стр.-0]
Синтез и анализ алгоритмов автоматической классификации цветных изображений
Ковригин А.В., Хлопов А.Н. (alexhl@list.ru)
Красноярский Государственный Технический Университет
На основе теории распознавания образов синтезирован и исследован алгоритм автоматической классификации цветных изображений, независимый от помех типа «освещенность». Приводятся вычислительные эксперименты и анализируются применение полученных результатов в задаче построения машинного зрения.
1. Введение
Актуальной задачей в области искусственного интеллекта является реализация машинного зрения. Комплексное решение данной задачи затруднено, в связи ограниченности вычислительных ресурсов и отсутствия единой теоретической базы. Предпринимались попытки решить задачу на конкретном классе объектов, накладывая на входную информацию дополнительные ограничения. Так некоторые системы идентификации личности основывались на заранее известном положении лица человека на изображении, что значительно сужало область их применения. Требовались значительные ресурсы на синтез и реализацию методов идентификации объектов для разных прикладных задач, из-за невозможности применения ранее внедренных методов распознавания.
Задача состоит в создании алгоритмов анализа изображений способных локализовать и распознавать любые объекты без дополнительной перенастройки или обучения. В данной статье предлагается метод автоматического обнаружения объектов независимо от их размера и расположения на изображении, что является первым этапом при синтезе алгоритмов машинного зрения.
2. Постановка задачи исследования
Пусть задана исходная выборка V = (x, i = 1,n), представляющая собой цветное изображение, где x1 - многомерная случайная величина. Каждая компонента вектора X = (xl, x2, x3) характеризует яркость красного, зеленого, синего цветов соответственно.
Требуется выделить классы на цветном изображении, при заранее не известном их количестве. Под классом подразумеваются фрагмент изображения, пиксели которого близки по цвету.
3. Синтез алгоритма автоматической классификации цветных изображений
Идея предлагаемого похода основывается на построении окрестности R вокруг выбранного класса Q и проверки гипотезы (1) о принадлежности точек из окрестности R классу Q . Задача классификации решается с помощью проверки близости цветовых характеристик X = (X, x2, x3) класса Q с точками x1 = (x{, x2, xJ3 ) R окрестности (2) и дополнительных знаний об объектах на изображении (3). Окрестность R определяется как набор x1 точек, граничащих с классом Q .
Предлагаемая методика:
1.Выбрать i -ую точку из выборки V и отнести её к классу Qm ( включить точку x в
выборку Vm m -го класса, с последующим её удалением из V ).
2.Определить R окрестность класса Qm.
3.Проверить все точки x1 из R окрестности на принадлежность их классу Q m, путем
применения решающего правила (1)
D xix2 ,D x
-- <а2 е а <--
x- xJ\\ <Z е а1 <-.- <а2 е а1 <-.- <а2, x] gQm
m(x) -s11D1x1x2D1x1x3,(1)
eiaa, x1 <£ Qm
где x - точка, принадлежащая классу Qm ,
x1 - точка, принадлежащая R окрестности, Мера близости между точками x и x1 определена как
\\x - x1
(x; - xk) <z(2)
k
k-1
Di x1x2 , Di x1x3 - разностные характеристики, постоянные для отдельных классов на изображении и малозависимые от помех типа «освещенность». Dx1x2 - x1 - x2 , Dx1x3 - x1 - x13 ,(3)
Z - коэффициент размытости изображения, а1 « 0.8, а2 « 1.2 - заранее выбранные пороговые значения.
При условии принадлежности точки x1 из R окрестности классу Q m включить x1 в выборку V m m -го класса, с последующим удалением x1 из V ).
4.При отсутствии точек из R окрестности, которые можно отнести к классу Qm , следует увеличить счетчик классов на единицу m - m +1
5.При отсутствии точек из выборки V , которые можно отнести к классу Qm при заданном коэффициент размытости изображении Z , следует прекратить выполнение алгоритма, в противном же случае перейти к этапу 1.
Эмпирически установлено, эффективность алгоритма автоматической классификации зависит от выбора коэффициента размытости изображения Z . Положение усугубляется отсутствием возможности выбора фиксированного значения Z , минимизирующего ошибку, по причине большого варьирования оптимального Z для разных исходных выборок.
4. Итерационный метод настройки четкости изображения в алгоритме автоматической классификации цветных изображений
Большие значения коэффициента размытости изображения Z делают алгоритм автоматической классификации цветных изображений не чувствительным к цвету точек выборки V. Результатом применения метода с таким значением Z станет существования одного класса, включающего в себя все точки.
Для минимизации ошибок, на первом этапе целесообразно значение параметра Z выбирать достаточно малым Z g [5,8], с целью поставить в соответствие одному
объекту на изображении хотя бы один класс. Для правильного распознавания оставшихся
точек, следует поэтапно увеличивать значение Z на малую величину dZ с целью их равномерного распределения между выделенными классами. Предлагаемая методика:
1. 2.
3. 4.
5.
применить алгоритм автоматической классификации
R
окрестность и проверить этой окрестности классу
гипотезу о
Q т , путем
Задать значение Z и цветных изображений. Выбрать Qт класс, построить
принадлежности каждой точки x из применения решающего правила (1)
При отсутствии точек из R окрестности, которые могут принадлежать
указанному классу, выбрать следующий класс и перейти к этапу 2.
При отсутствии точек из выборки V, которые могут быть распределены между
указанными классами при заданном уровне Z , увеличить коэффициент
размытости изображения Z на величину dZ и перейти к шагу 2.
Если значение Z достаточно велико ( Z~ [30,35] ) и все точки выборки
V распределены между классами, следует закончить классификацию.
Достижение более точной классификации, осуществляется с помощью перераспределения граничных точек между смежными классами. Каждая граничная точка будет принадлежать тому классу, среднее значение которого MQ (x) ближе к
усредненному параметру
x =11 xj
3 j=i
т (x) = S
M q ( x)
3 • Q
i\ q j=i
x | - M x) | < | x - MQ2( x) | , x1 eQ1 |
x | - M x) | > | x - M Q2( x) | , x1 eQ2 |
(4)
При условии перехода точки из одного класса в другой по правилу (4), необходимо пересчитать средние показатели этих классов. Для этого следует применять рекуррентные формулы.
n (n -1) n -1
n (n -1) 1=1
n
n
nn
где Qt - класс к которому перешла точка xn, Q j - класс который покинула точка xn.
Результатом применения модифицированного алгоритма автоматической классификации цветного изображения служит набор выборок V1, j = 1, т , характеризующих отдельные объекты на изображении.
5. Исследование показателя эффективности алгоритма автоматической классификации цветных изображений
Для исследования эффективности предложенного метода автоматической классификации цветных изображений, алгоритм был протестирован на наборе данных, состоящем из 20 изображений одинакового размера (500х300), полученных при разных условиях освещенности окружающей среды.
