Информационные технологии распознавания изображений

Введение

Информационные технологии-весьма широкое определение, что подпадает под ряд отдельных технических средств и методов работы с информацией. Но, как правило, в процессе работы с информацией люди имеют дело с четко определенной связанной последовательностью взаимодействий с различными средствами. В зависимости от временных масштабов (от оперативных до долгосрочных стратегических целей) и масштаба действий (от одного рабочего места до всей компании) можно найти различные связи и последовательности, а также различные методы управления ими. Методы также различаются по степени алгоритмизации и рационализации.
Наиболее рационально алгоритмизирован комплекс методов и средств работы с информационно-информационной системой. Информационная система-взаимосвязанная совокупность средств, методов и персонала, используемых для хранения, обработки и выдачи информации.
Автоматическая обработка визуальной информации является одним из важнейших направлений в области искусственного интеллекта. Интерес к проблемам компьютерной обработки определяется расширением возможностей, как самих компьютерных систем, так и разработкой новых технологий обработки, анализа и идентификации различных типов изображений. В то же время для создания эффективных технологий разработанные методы и алгоритмы должны отвечать ряду требований к скорости и точности.
ИНФОРМАЦИОННАЯ СИСТЕМА ИДЕНТИФИКАЦИИ ИЗОБРАЖЕНИЙ

Разработка компьютерных систем обнаружения и распознавания объектов на изображениях является достаточно актуальной задачей. Актуальность проявляется в связи с необходимостью повышения качества и снижения рутинной работы человека, а также возможностью совершенствования алгоритмов обработки изображений в связи с развитием компьютерных технологий. Формирование признаков-первый шаг в любой системе распознавания образов. Качество всей системы строго зависит от того, насколько правильно подобраны характеристики для описания изображения. Основной проблемой, возникающей при решении задач сравнения и идентификации, является необходимость выполнения большого количества итераций вариантов, требующих огромных вычислительных вычислений. Итерации необходимы для обеспечения инвариантности изображения искомого объекта к сдвигу, вращению и масштабированию [1].
Соответственно, для повышения производительности часто используется неполная информация об исходном изображении (выполняется только частичный анализ исходного изображения) и искомом на нем объекте (искомый объект идентифицируется только некоторыми характеристиками) или обеспечивается инвариантность только в небольшом диапазоне значений параметров. Все это резко сокращает Область применения таких алгоритмов (алгоритмы корректно работают только на изображениях простых объектов) и приводит к снижению вероятности правильного обнаружения или распознавания. В связи с этим требуется разработка новых, более быстрых, качественных и универсальных алгоритмов.
1.1 Основные сведения

Многие задачи распознавания необходимо решать за строго ограниченное время, поэтому алгоритмы распознавания должны быть оптимизированы по временной сложности, возможность такой оптимизации может быть достигнута на основе распараллеливания. Компьютерная реализация таких алгоритмов требует высокой скорости и практической стойкости к искажениям. Ограниченный объем машинной памяти, выделяемой для пространства эталонов, а также требование быстродействия выдвигаются на первый план распараллеливаемыми алгоритмами распознавания, инвариантными к сдвигу, масштабированию и повороту распознаваемых изображений.
Преобразование масштабирования интерпретируется как равномерное растяжение или сжатие изображения вдоль осей координат, исключающее отражение.
Существующие устройства ввода, такие как сканеры, фото-и видеокамеры, а также устройства вывода,такие как мониторы и принтеры, определяют форму представления визуальной информации в виде изображений; в памяти компьютера обычно используется представление изображения в виде матрицы пикселей f(m1, m2), около < T1 < MX -1, 0 < T2 < M2 -1 (растровое изображение). В зависимости от типа элементов матрицы различают следующие типы изображений:
•полноцветный,
* палитры,
•полутон,
•двоичный.
Элементы полноцветных изображений непосредственно хранят всю информацию о цветовых компонентах, использование таких изображений требует больших вычислительных затрат. В изображениях палитры значение пиксела является ссылкой на ячейку цветовой карты (палитру), двумерный массив, столбцы которого содержат интенсивности цветовых компонентов каждого цвета

. Полутоновые изображения состоит из элементов, которые могут принимать одно из значений интенсивности цвета. Это один из самых распространенных типов изображения, который используется в исследованиях различных видов (широко используется Глубина цвета 8 бит / пиксель). Диапазон значений элементов в двоичном (монохромном) изображении ограничен только двумя значениями: O (фоновые точки) или 1 (точки интереса). Природа происхождения таких изображений разнообразна, часто бинарные изображения получаются в результате порогового разделения полутоновых изображений с фиксированным или адаптивным порогом. Количество информации значительно уменьшается, поэтому бинарные изображения легко обрабатывать, хранить и отправлять [2].
Методы распознавания, в зависимости от предметной области, могут получать полноцветные или палитровые изображения. Однако полутоновые и двоичные изображения чаще всего используются в распознавании. Если важны пространственные характеристики изображаемых объектов, то выбираются полутоновые изображения (например, при распознавании лица человека); переход к двоичным изображениям оправдан в тех предметных областях, где анализируемые объекты по существу плоские (в частности, при распознавании печатных и рукописных символов).
2 ОБЗОР ПРОГРАММНО-ТЕХНИЧЕСКИХ РЕШЕНИЙ

Распознавание изображений и их идентификация-сложная задача, как с научной точки зрения, так и в приборостроении. Для большинства практических применений, таких как: идентификация паспортов и банкнот; распознавание номерных знаков; анализ технического состояния сложной механической системы и др. – необходимо принять правильное решение [3].
В большинстве случаев решение принимается путем обработки большого количества объектов распознавания в режиме реального времени. Это потребовало применения цифровых методов обработки изображений с помощью компьютера. Теория и методы распознавания образов основаны на использовании искусственного интеллекта. Особое место в этом направлении занимают искусственные нейронные сети, созданные на изображениях. В качестве основных числовых характеристик исследуемых изображений предлагается использовать следующие характеристики одномерного случайного процесса в нейронной сети: математическое ожидание, стандартное отклонение (дисперсия), коэффициенты асимметрии и эксцесса, энтропия, значение минимального и максимального элементов анализируемого поля и величина (диапазон уровней).

Рисунок 1- Общая схема получения изображения и блок-схема сигнала

Для получения изображения используется панорамный сканер или цифровая фотокамера. Схема получения изображения и структура цифровой обработки сигналов приведена на рис. 1. На предметный столик 1 помещается исследуемое изображение. Освещение осуществляется набором светодиодов 3 или площадным источником 4. Блок 2 служит для управления цветом и интенсивностью облучения. Цветная фотокамера или цветной панорамный сканер формируют исследуемое изображение, которое вводится в системный блок ЭВМ 6. Блок 7 содержит программу, которая осуществляет считывание информации по определенным траекториям искусственной нейронной сети. В блоке 8 производится измерение цвета и в виде кодового сигнала поступает на вход спектроанализатора 9. Если производится измерение контраста, получаемого в проходящем или в отраженном свете, то на вход спектроанализатора поступает сигнал непосредственно с системного блока. Значение относительного контраста через 0,05 с вводилось в блок 10. Полагая сигнал случайным, в блоке 10 вычислялись коэффициенты корреляции, по значениям которых в блоке 11 принимается решение относительно заданного порога. Полученная информация запоминается в блоке 15 и используется в дальнейшем при принятии окончательного решения. На выходе спектроанализатора 9 выводится спектр амплитудных модуляций, который в блоке 12 используется для формирования Фурье-портрета сигналов со всех четырех траекторий эталона и исследуемого изображения. В блоке 13 проводится корреляционный анализ полученного спектра амплитудных модуляций. Блок 14 служит для вычисления авто- и взаимнокорреляционных функций и производит их предварительный анализ. Окончательное решение путем сравнения с эталоном принимается в блоке 15 и выдается на информационное табло или на управление в случае анализа работы сложной механической системы. [4]
В настоящее время биометрические (с использованием физических и поведенческих характеристик человека) технологии идентификации и системы на их основе широко используются в различных областях: от доступа в помещения до электронной коммерции и государственных систем различного назначения