Сравнительная характеристика методов распознавания изображений

Введение
С задачей распознавания образов живые системы, в том числе и человек, сталкиваются постоянно с момента своего появления. В частности, информация, которая поступает от органов чувств, обрабатывается мозгом, который, в свою очередь, сортирует информацию, обеспечивает принятие решений, а затем с помощью электрохимических импульсов передает нужный сигнал другим, например, органам движения, которые осуществить необходимые действия. Затем среда меняется, и вышеуказанные явления происходят снова. И если подумать, то каждый шаг сопровождается признанием.
С развитием компьютерных технологий удалось решить ряд проблем, которые возникают в процессе жизни, ускорить, облегчить, улучшить качество результата. К примеру, работа разного рода систем жизнеобеспечения, появление роботизированных систем, взаимодействие человека с компьютером и т.д. Тем не менее нужно отметить, что в некоторых задачах невозможно обеспечить удовлетворительный результат (рукописный текст, распознавание быстро движущихся похожих объектов) в наше время.
Уже сейчас распознавание изображений тесно интегрировано в повседневную жизнь и выступает одним из важнейших знаний современной инженерии. В медицине распознавание образов помогает врачам ставить более точные диагнозы, на заводах оно используется для прогнозирования брака партиями. Биометрические системы идентификации как их алгоритмическое ядро ​​тоже основаны на результатах этой дисциплины.
1. Распознавание образов
Долгое время задача распознавания рассматривалась человеком с психологической и биологической точек зрения. В то же время изучались только качественные характеристики, которые не давали возможности точно описать механизм функционирования. Получение функциональных зависимостей, как правило, было связано с изучением рецепторов органов осязания, слуха или зрения. Но принципы формирования решения оставались загадкой. Считается, что основным заблуждением на заре исследования было убеждение, что мозг функционирует в соответствии с конкретными алгоритмами, и поэтому, обнаружив эту систему правил, его можно воссоздать, используя постоянно развивающиеся технические и вычислительные средства.
Распознавание изображений (объектов, ситуаций, явлений, сигналов или процессов) - задача идентификации объекта или определения каких-либо его свойств по его аудиозаписи (акустическое распознавание) или изображению (оптическое распознавание) и другим характеристикам.
Одним из основных выступает понятие множества, которое не имеет конкретной формулировки. В компьютере набор представляет собой неповторяющиеся похожие элементы. Слово «неповторяющийся» значит, что некоторый элемент в наборе либо существует, либо его нет. Универсальный набор включает в себя все возможные элементы для поставленной задачи, пустой не содержит ни одного.
Изображение является классификационной группировкой в системе классификации, которая объединяет (распределяет) конкретную группу объектов по некоторому критерию. Изображения обладают характерным свойством, которое проявляется в том, что знакомство с конечным числом явлений из одного и того же множества дает возможность узнать как можно больше его представителей. Изображения обладают характерными объективными свойствами в том смысле, что разные люди, обучаясь на разных наблюдательных материалах, в основном независимо и одинаково друг от друга классифицируют одни и те же объекты

. В классической постановке задачи распознавания универсальный набор делится на образы и части. Каждое отображение объекта на воспринимаемых органах системы распознавания, независимо от его положения относительно этих органов, обычно называемое изображением объекта, и наборы таких изображений, объединенные какими-либо общими свойствами, выступают изображениями.
Метод приписывания элемента к изображению называется решающим правилом. Еще одно важное понятие - метрика, способ определения расстояния между элементами универсального набора. Чем меньше это расстояние, тем больше похожи объекты (символы, звуки и т.д.). Зачастую элементы определяют в качестве набора чисел, а метрика определяют как функцию. Эффективность программы зависит от реализации метрик и выбора представления изображения, один алгоритм распознавания с разными метриками будет неправильным с разной частотой.
Обучением обычно называют процесс развития в какой-либо системе реакции на группы внешних идентичных сигналов посредством многократного воздействия на систему внешней коррекции. Такая внешняя коррекция в обучении обычно упоминается как «поощрение» и «наказание». Механизм генерации этой коррекции практически полностью определяет алгоритм обучения. Самообучение отличается от обучения тем, что здесь дополнительной информации о правильности реакции на систему не сообщается.
Адаптация является процессом изменения структуры и параметров системы и, возможно, - и управляющих действий, которые основаны на текущей информации для достижения конкретного состояния системы при начальной неопределенности и изменении условий работы.
Обучение выступает процессом, в результате которого система постепенно приобретает способность реагировать с нужными реакциями на конкретные наборы внешних воздействий, а адаптация - это корректировка параметров и структуры системы для достижения требуемого качества управления в постоянное изменение внешних условий.
Примеры задач распознавания образов:
- распознавание букв;
- распознавание штрих-кода;
- распознавание номерного знака автомобиля;
- распознавание лиц и других биометрических данных;
  - распознавание речи.
Методы распознавания образов
Метод отбора. Этот метод сравнивается с некоторой базой данных, где представлены различные варианты модификации отображения для каждого из объектов. Например, для оптического распознавания изображений можно применить метод поиска под разными углами или масштабами, смещениями, деформациями и т.д. Для букв можно использовать шрифт или его свойства.
Следующий метод - использование искусственных нейронных сетей (ANN). Это требует либо огромного количества примеров задачи распознавания, либо специальной структуры нейронной сети, которая учитывает специфику задачи. Но, тем не менее, этот метод отличается высокой эффективностью и производительностью.
Методы, основанные на оценках плотности распределения значений атрибутов. Заимствовано из классической теории статистических решений, в которой объекты исследования рассматриваются как реализации многомерного случайного значения, распределенного в пространстве признаков по некоторому закону. Они основаны на байесовской схеме принятия решений, апеллирующих к начальным вероятностям принадлежности объектов к тому или иному классу и условному распределению плотности признаков.
Группа методов, основанных на оценке плотности распределения значений признаков, напрямую связана с методами дискриминантного анализа