автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы решения задачи попиксельной S-аппроксимации мультитоновых изображений и их оптимизация

кандидата технических наук
Скляренко, Анна Анатольевна
город
Ростов-на-Дону
год
2012
специальность ВАК РФ
05.13.01
Диссертация по информатике, вычислительной технике и управлению на тему «Методы решения задачи попиксельной S-аппроксимации мультитоновых изображений и их оптимизация»

Автореферат диссертации по теме "Методы решения задачи попиксельной S-аппроксимации мультитоновых изображений и их оптимизация"

На правах рукописи

СКЛЯРЕНКО АННА АНАТОЛЬЕВНА

МЕТОДЫ РЕШЕНИЯ ЗАДАЧИ ПОПИКСЕЛЬНОЙ Б-АППРОКСИМАЦИИ МУЛЬТИТОНОВЫХ ИЗОБРАЖЕНИЙ И ИХ ОПТИМИЗАЦИЯ

Специальность 05.13,01 - Системный анализ, управление и обработка информации

Автореферат диссертации на соискание ученой степени кандидата технических наук

Ростов-на-Дону - 2012 г. - 8 НОЯ 2012

005054558

Работа выполнена на кафедре «Программное обеспечение вычислительной техники и автоматизированных систем», ФБГОУ ВПО «Донской государственный технический университет» (ДГТУ).

Научный руководитель: доктор технических наук, профессор

Нейдорф Рудольф Анатольевич

Официальные оппоненты: доктор физико-математических наук,

профессор Фетисов Валерий Георгиевич, Южный математический институт Владикавказского научного центра РАН

доктор технических наук, профессор, Финаев Валерий Иванович, Таганрогский технологический институт ЮФУ

Ведущая организация: ФГАОУ ВПО «Южный федеральный

университет»

Защита состоится 15 ноября 2012 года в 16-00 часов на заседании диссертационного совета Д212.058.04 ДГТУ по адресу:

344000, г. Ростов-на-Дону, пл. Гагарина, 1, ауд. № 252.

С диссертацией можно ознакомиться в библиотеке ДГТУ.

Автореферат разослан 12 октября 2012 г.

Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью, просим направлять ученому секретарю диссертационного совета Д212.058.04.

Ученый секретарь диссертационного совета, кандидат

технических наук, доцент " Могилевская Н.С.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ Актуальность темы

Основным источником получения информации человеком является зрение, поэтому одним из важных направлений развития информационных технологий является распознавание образов по принципу зрения человека.

Большинство различных информационных систем (ИС) представляют результаты в виде графических изображений: графики, диаграмма, схемы и т.д. При таком представлении результатов важно придать выводимому изображению качества, при которых человек будет комфортно их воспринимать и в дальнейшем обрабатывать, а соответствующая подсистема ИС -преобразовывать как графический образ.

Задачи распознавания образов возникают в медицинской диагностике. Например, при исследовании морфологической картины биожидкостей для обнаружения патологических состояний, также при томографических исследованиях. Морфологический анализ изображений таюке применяется в геодезии и геологии. Широкое применение методы распознавания и сегментации нашли в металлографии при обработке микрошлифов металлов. Большое значение распознавание образов имеет при автоматизации контроля качества на производстве. Особое место задача распознавания занимает в робототехнике и в реализации технического зрения.

При распознавании изображений очень сложно оценивать цветное графическое изображение, так как оно представляет собой сочетание тысяч и миллионов форм, яркостей, цветностей, границ и тонов. Однако оказывается, что в большинстве из этих задач это и не нужно, так как не все многочисленные черты исследуемого образа являются информативными. Для эффективности анализа некоторые признаки полезно подчеркнуть, усилить, а другие, наоборот, сделать незаметными или устранить. Во многих задачах распознавания образов, например, основной характеристикой, передающей структуру и смысл изображения, является яркость его элементов. Для таких задач оказывается достаточным исследование изображения в палитре серых тонов различной яркости. В

предельном случае она может отображать всю гамму яркостей от минимальной (черный цвет) до максимальной (белый цвет). Такое изображение называется в данной работе мультитоновым.

В рассмотренных случаях основным этапом распознавания образов является предварительная обработка изображения, результатом которой является его упрощение для дальнейшей визуализации и преобразования. Основным элементом мультитонового изображения является пиксель, характеризующейся яркостью. Поэтому упрощение сводится к попиксельному преобразованию, в результате которого сокращается количество тонов, используемых для передачи изображения.

В связи с этим в каждом конкретном научном исследовании по распознаванию графического образа возникает две задачи. Во-первых, нужно определить количество тонов необходимое для передачи признаков, нужных для распознавания образа. Во-вторых, необходимо разработать и реализовать формальный алгоритм преобразования исходного изображения в ¿'-тоновое. Последняя задача выбрана в качестве основной цели настоящей работы и получила в ней название попиксельной ¿'-аппроксимации.

Таким образом, диссертационная работа посвящена решению актуальной научно-технической проблемы, связанной с разработкой и оптимизацией общего метода и ряда частных алгоритмов попиксельной аппроксимации мультитонового изображения с использованием 5 тонов.

Цель и основные задачи диссертационной работы

Основной целью диссертации является разработка алгоритма параметрически оптимальной попиксельной аппроксимации исходного мультитонового изображения ¿'-тоновым.

Системные исследования этой проблемы выявили, что для достижения поставленной цели необходимо решить следующие научные и экспериментально-практические задачи: 1. Исследовать процесс решения задачи распознавания графического образа и выявить основные этапы предварительной попиксельной обработки изображения.

2. Разработать и исследовать математическую модель критериальной оценки эффективности применения попиксельной ¿'-аппроксимации.

3. Провести сравнительное исследование известных алгоритмов попиксельной аппроксимации мультитоновых изображений с использованием разработанной критериальной оценки.

4. Разработать более эффективные алгоритмы попиксельной аппроксимации мультитоновых изображений и провести их сравнительное критериальное исследование.

5. Провести подробный системный анализ результатов, выбрать наиболее перспективную информационную технологию упрощения изображений, а также построить обобщенный алгоритм попиксельной ^-аппроксимации.

6. Разработать, исследовать и довести до формального алгоритма метод поисковой параметрической оптимизации попиксельной £ -аппроксимации мультитоновых изображений.

7. Разработать комплекс программ, реализующих разработанные алгоритмы, с учетом возможности их практического, научно-исследовательского и учебного использования, а также возможности проведения сравнительных численных экспериментов.

Методы исследования. В диссертации применялись методы математического анализа, исследования операций, математического моделирования, теории распознавания изображений, математической статистики, теории планирования экспериментов.

Основные результаты и степень их научной новизны

1. Метод и обобщенный алгоритм параметрически оптимальной попиксельной ^-аппроксимации мультитоновых изображений, отличающийся от известных методов преобразования изображений тем, что он позволяет получать ¿»-тоновое изображение, минимально отличающееся по яркостным характеристикам от исходного по разработанному квадратичному

критерию (в среднем на 11% по сравнению со стандартными алгоритмами, применяемыми в фотошопах).

2. Комплекс субоптимальных алгоритмов ¿"-аппроксимации мультитоновых изображений, отличающихся от разработанного оптимального простотой реализации и меньшими ресурсными, в частности, временными затратами (в 50-80 раз), а от известных -более обоснованными критериями пиксельных замен, что приводит к более высокой точности аппроксимации (в среднем на 8 %).

3. Модифицированный метод и алгоритм поисковой оптимизации, основанный на идее имитации поведения роя, отличающийся от известных вариантов повышенной эффективностью обнаружения экстремумов и возможностью их параллельного поиска.

4. Метод и алгоритм деления роя, основывающийся на градиентном исследовании пространства оптимизируемых параметров, обоснованные множеством статистически представительных экспериментов, как при исследовании сложных экстремальных аналитических зависимостей, так и при решении конкретных практических задач.

Достоверность результатов исследования достигается за счет корректного применения методов системного и математического анализа, моделирования, исчерпывающей статистической обработки результатов. Проведены представительные по числу опытов вычислительные эксперименты, результаты которых использованы для получения статистически достоверных данных. Общий объем экспериментальных исследований по оценке свойств алгоритмов составил более 135000 опытов. Статистическая достоверность опытных данных обеспечивалась несколькими параллельными опытами.

Теоретическая значимость диссертационной работы

Теоретически значимыми результатами диссертационной работы являются:

1. Введение этапа попиксельной ¿"-аппроксимации изображений для их упрощения путем уменьшения количества тонов с сохранением информативных для предметной области признаков на этапе предобработки при решении задачи распознавания образов позволяет упростить всю задачу и расширить ее возможности.

2. Предложенная опорная СКО-оценка, обеспечившая объективное сравнительное исследование всех вариантов алгоритмов попиксельной ¿»-аппроксимации мультитоновых изображений, может быть использована как стандартная оценка любых графических аппроксимаций.

3. Разработанный для параметрической оптимизации алгоритма попиксельной ^-аппроксимации модифицированный метод роящихся частиц (МРЧ) показал себя при исследованиях эффективным и универсальным инструментом поисковой оптимизации для координатных многоэкстремальных задач.

Практическая полезность диссертационной работы

Практически значимыми результатами диссертационной работы являются:

1. Возможность использования созданных алгоритмов попиксельной ^-аппроксимации изображений для упрощения изображения путем уменьшения количества тонов на этапе предобработки при решении задачи распознавания образов во многих сферах деятельности: физике, металлографии, управлении оценкой качества, геологии и геодезии, робототехнике, медицине и т.д.

2. Добавление в практику обработки изображений процедуры сокращения количества тонов в исходной тоновой палитре до значения, обеспечивающего сохранение информативных признаков, как обязательного этапа распознавания, повышает его эффе!сгивность и упрощает информационную обработку изображения.

3. Модифицированный алгоритм оптимизации на основе МРЧ позволил разработать для исследований «Программное средство S-аппроксимации мультитоновых изображений», построенное на основе концепции объектно-ориентированного программирования и зарегистрированное в Роспатенте (№ 2009616802, заявл. 30,11.2009; зарег. 27.01.2010). Оно также может быть использовано для осуществления предобработки графических изображений с целью повышения эффективности их дальнейшего распознавания, в различных прикладных задачах.

Кроме того, нужно отметить, что уменьшение количества тонов позволит выбирать более простые, быстрые и эффективные методы сегментации и распознавания изображений, что позволит снизить программную сложность реализации таких методов и повысить точность.

Результаты работы применены при решении практических задач в ЗАО «Инфраструктурный проект», ООО «лиОни» г. Ростова-на-Дону и фирме «ДейтаМикро» г. Таганрог.

Результаты работы также внедрены в учебный процесс, при изучении методов распознавания и сегментации в рамках курсов «Интеллектуальные системы» и «Методы распознавания образов» специальности «Программное обеспечение вычислительной техники и автоматизированных систем»; курса «Эвристические методы в криптографии» специальности «Компьютерная безопасность» и в Центр дистанционного обучения и повышения квалификации ДГТУ.

Апробация основных теоретических и практических результатов диссертационной работы

Основные результаты диссертационной работы докладывались и обсуждались на:

• международных научно-технических конференциях «Математические методы в технике и технологиях»: ММТТ-18 -Казань, 2005 г.; ММТТ-20 - Ярославль, 2007 г.; MMTT-2Í - Саратов, 2008 г.; ММТТ-22 - Псков, 2009 г.; ММТТ-23 - Саратов, 2010 г.;

• международных научно-методических симпозиумах «Современные проблемы многоуровневого образования» (г. Ростов-на-Дону - с, Дивноморское): 2007-2009 гг.;

• IV региональной научно - практической конференции, АТИ ДГТУ. - Азов, 2007 г.;

• IX-ой Международной научно-технической конференции «Интеллектуальные системы '09»: Конгресс по интеллектуальным системам и информационным технологиям «AIS-IT'09». - Москва, 2009 г.;

• международных научно-технических форумах ИнЭРТ (г. Ростов-на-Дону): 2009 г., 2012 г.

• международных научных семинарах «Системный анализ, управление и обработка информации» (г, Ростов-на-Дону - с. Дивноморское): 2007 г., 2011 г., 2012 г.

Большинство промежуточных результатов диссертационных исследований докладывались на ежегодных научно-технических конференциях Донского государственного технического университета в 2007 - 2012 гг.

Публикации по теме диссертационной работы

Основные результаты диссертации опубликованы в 30 работах, из которых 20 - самостоятельные публикации. В 10 работах, опубликованных в соавторстве, доля материалов, принадлежащих автору диссертации, составляет не менее 50%. При этом 3 статьи, одна из которых - самостоятельная публикация, опубликованы в ведущих научных журналах, входящих в список ВАК РФ.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Работа состоит из введения, четырех глав, заключения, списка литературы из 117 позиций (из них более половины после 2000 года), а также приложений.

Первая глава диссертации посвящена обзору основных этапов распознавания изображений. В ней определены области применения методов распознавания, приведено описание пиксельной и символьно-числовой моделей изображения.

Исследование основных этапов решения задачи распознавания изображений выявило влияние предобработки изображения на дальнейшее качество распознавания. При этом часто предобработка заключается в контрастировании изображения, удаления шумов и уменьшении физического размера графического файла. Но редко решается задача уменьшения количества тонов. В

связи с этим актуальна разработка алгоритмов, позволяющих уменьшить количество тонов до конечного значения 51 с сохранением информативных признаков. Такое упрощение позволяет повысить скорость и эффективность, как дальнейшей сегментации, так и непосредственного выделения признаков.

Среди основных характеристик тоновых изображений выделяется яркость пикселей, т.е. изображение описывается в виде матрицы, каждый элемент которой хранит значение яркости соответствующего пикселя. Поэтому разработаны алгоритмы упрощения изображений на основе попиксельной обработки и

диаграмм яркости.

Очевидно, что попиксельная замена может осуществляться различными алгоритмами, которые с разной эффективностью будут приближать упрощенное изображение к исходному. Естественно предположить, что эти алгоритмы могут обеспечивать различную эффективность. Поэтому неизбежно возникает необходимость решения задачи поиска оптимального алгоритма преобразования изображения. В связи с этим в первой главе также приведен анализ существующих поисковых методов оптимизации. На основании анализа вполне представительного списка литературных источников приведены необходимые сведения по теории распознавания изображений, представлена классификация существующих поисковых методов оптимизации. Анализ достоинств и недостатков различных оптимизационных методов позволил выбрать для исследования метод роящихся частиц, так как он по своей сути хорошо реализует координатную задачу поиска.

Во второй главе диссертации рассматривается сущность попиксельной аппроксимации изображений. Вводится понятие

мультитонового изображения, т.е. состоящего из Р = 2 тонов. Показывается, что оно может быть представлено в виде матрицы

1ш? = пЛ , где я е [1,0] - индекс, позволяющий различать

ч у

изображения (например, он может задавать номер изображения); <Э - количество упрощаемых изображений; 1 <= [1,п] , ] е [1,т] п-количество строк матрицы (количество пикселей по вертикалу), т-количесгво столбцов матрицы (количество пикселей по

горизонтали); соответственно Ь^ - яркость пикселя,

расположенного в ¡-ой строке и ,]-ом столбце. В свою очередь упрощенное изображение также представляет собой матрицу

размера пхт и обозначается = (ь?.) # или 8 общем случае Ьп .

4 у

Упрощение мультитонового изображения происходит по

некоторому правилу (алгоритму), который обозначается как А .

Соответственно процесс преобразования можно описать в виде

Б Р Б

функциональной зависимости 1т = А(1т ) , или Ар . Такое

упрощение получило название ¿"-аппроксимации.

Приводится подробное описание разработанных алгоритмов Б-аппроксимации, основанных на частотной и интегральной диаграммах яркости. Выполняется сравнительный анализ данных алгоритмов на основе опорной СКО-оценки_'

(т р I С|Д1т ,1т 1=

Л

1 п т р со

-ЕЕ (Ц-ф2

N 1=11=1

В результате анализа выделяется три лучших алгоритма по сравнению с другими и проводится их экспериментальное исследование, в которых используется около 40 изображений различной технической тематики. Испытания проводились для значений Б от 2 до 16, т.к. предыдущие исследования показали, что количество тонов больше 16 избыточно при решении задач распознавания, рассмотренных в первой главе. В процессе исследования определено, что выдвинутые алгоритмы попиксельной ¿-аппроксимации основываются на аксиоме равноудаленное™ границ от опорной яркости и не дают лучший результат во всех случаях. На рисунке 1 построены круговые диаграммы, показывающие процент случаев, в которых тот или иной алгоритм лидировал по качеству аппроксимации.

в лдо_ч н адов а азо_г а лдо_ч в адо_б в азо_г

Б=7 8=16

Рисунок 1. Процент случаев,- в которых тот или иной алгоритм

лидировал

Несмотря на малые различия между эффективностью данных алгоритмов и их возможностью применения в инженерной практике, полученные результаты указали на целесообразность постановки задачи совместной оптимизации расположения границ деления диапазона яркости и самих опорных яркостей.

Решение задачи оптимизации зависит от трех факторов:

8

количества тонов 5, координат вектора опорных яркостей н и координат границ интервалов (ь!к,

Для решения оптимизационной задачи разработано два новых, кардинально отличающихся от предыдущих, алгоритмов аппроксимации. По этим алгоритмам в качестве значений опорных яркостей выбираются равностоящие от границ деления значения опорных яркостей. В результате применения этих двух новых алгоритмов для всех значений Б найдены параметры аппроксимации, дающие улучшение значения опорной СКО-оценки.

Полученные результаты обуславливают необходимость разработки эффективного метода решения задачи многопараметрической оптимизации. Следующая глава посвящена решению этой задачи.

В третьей главе диссертации разрабатывается метод решения задачи оптимизации 5 -аппроксимации.

В основу разрабатываемого метода положена идея одного из эвристических алгоритмов поисковой оптимизации, а именно метода роящихся частиц, сущность которого описана в первой главе. Модификация исходного, так называемого канонического метода, позволила разработать метод роящихся частиц (МРЧ), который

3 адо_ч надо_в в азо_г 8=2

показал достаточно хорошую эффективность при поиске оптимума. Кроме того в нем заложена возможность параллельного поиска нескольких экстремумов. Модификация метода заключается во включении в рой частиц с нестандартным поведением и наделением их свойством оценки знака градиента сканируемого пространства. Это позволило строить новые рои в областях возможного расположения нового экстремума. Данный алгоритм получил название метода деления роев. Модель метода описывается двумя уравнениями:

1. уравнение состояния по положению, которое задает закон изменения координат частицы в ходе поиска:

хк = х к + у к ; к = 1, , где Кс - количество роев,

У, 1+1 )'-]'1 и,1+1 образовавшихся к 1:-му этапу; Дt - темп поиска, введённый в рассмотрение для облегчения настройки процесса поиска; к - номер роя;! - номер частицы О е [1,т]); ] - номер координаты в п-мерном

пространстве.

2. уравнение состояния по скорости роения:

Ук = уЛ , + Ак м ; к = , где А - общее ускорение

Ш+\ ил

частицы, которое складывается из двух составляющих: силы притяжения Ар и торможения А1г. При этом каждая составляющая движения может быть как положительной, так и отрицательной в зависимости от типа частицы (социальная, антисоциальная).

Начальное исследование механизма деления роев производится на примерах решения математических многоэкстремальных задач на основе тестовых функций, описание и экстремумы которых хорошо известны. При этом каждая такая функция имеет свои особенности, которые усложняют поиск экстремумов.

Эффективность работы алгоритма зависит от ряда параметров: количества частиц в рое, радиус роя и т.д. Выбор наилучших значений параметров не возможен аналитическим путем, поэтому проводился полнофакторный эксперимент. На его основе найдены оптимальные значения параметров настройки, при которых методом роящихся частиц найдены необходимые экстремумы функций.

В последующих параграфах третьей главы на основе метода роящихся частиц и алгоритма ¿-аппроксимации построен обобщенный, параметрически определенный алгоритм, на основе которого произведена оптимальная ¿'-аппроксимация для всех исследуемых изображений.

Четвертая глава диссертации посвящена алгоритмическому и программному конструированию средств автоматизированного выполнения ¿"-аппроксимации и проведения вычислительных экспериментов при решении задачи оптимизации S-аппроксимации.

В рамках диссертационной работы разработано программное обеспечение (ПО) «Imaging», удовлетворяющее поставленным требованиям. Программное обеспечение «Imaging» предназначено для выполнения ¿'-аппроксимации одного или нескольких изображений различными алгоритмами и при указанном значении S.

На рисунке 2 представлены результаты ¿-аппроксимации изображения пористой структуры металла на основе оптимизированного обобщенного алгоритма. Из представленных результатов видно, что 418 тонов избыточно для выделения основных признаков (темные пятна на изображении), достаточно всего четырех тонов. Уменьшение количества тонов позволяет в дальнейшем применить более простые методы распознавания.

_ г.. " - _ г ^ чИВЯР БЧЙРШ^МД " f нш Lig--.. ¿а "^таЯЙ ВПК. - JH Jjk » v 'лЧ Т-

Исходное S=2 S=4

Рисунок 2. Результаты аппроксимации изображения пористой структуры металла

С использованием разработанного ПО было проведено исследование построенных алгоритмов при аппроксимации около 40 изображений при значении Б равном от 2 до 16 и решена задача

оптимизации Б-аппроксимации. В процессе проверки были получены содержательные и корректные результаты.

В заключение сформулированы основные научно-практические перспективы использования результатов диссертационной работы.

1. Исследование процесса решения задачи распознавания графического образа позволило обосновать необходимость и выделило основные этапы предварительной попиксельной упрощающей обработки изображения.

2. Предложенная опорная СКО-оценка обеспечила объективное сравнительное исследование всех вариантов алгоритмов попиксельной ¿»-аппроксимации мультитоновых изображений, и может быть использована как стандартная оценка любых графических аппроксимаций.

3. Последовательная разработка и исследование субоптимальных эвристически построенных алгоритмов попиксельной аппроксимации мультитоновых изображений позволила сформулировать и реализовать идею создания и параметрической оптимизации обобщенного алгоритма попиксельной ¿"-аппроксимации.

4. Проведенные исследования алгоритмов упрощения мультитоновых изображений и оптимизация обобщенного алгоритма позволит создать библиотеку методов попиксельной ^-аппроксимации мультитоновых изображений, обладающих различными точностными и ресурсными свойствами.

5. Программная реализация разработанных алгоритмов обеспечила проведение сравнительных численных экспериментов, и показала возможность их эффективного практического, научно-исследовательского и учебного использования.

Таким образом, поставленная в диссертации цель достигнута.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в рецензируемых научных журналах и изданиях

1. Деревянкина* A.A. Структурно-параметрическая оптимизация полутоновых изображений методом S-аппроксимации в задачах распознавания образов / A.A. Деревянкина // Вестник Донского гос. техн. ун-та. - 2009. - Т. 9. - Спец. вып.: Технические науки, Ч. 2.

2. Деревянкина A.A. Решение многоэкстремальных задач методом делящихся роев / A.A. Деревянкина, P.A. Нейдорф // Вестник Донского гос. техн. ун-та. - 2010. - Т. 10, № 4 (47).

3. Деревянкина A.A. Решение задач распознавания методом роящихся частиц с делением роя / A.A. Деревянкина, P.A. Нейдорф // Известия ЮФУ. Технические науки. Тематический выпуск «Интеллектуальные САПР». - Таганрог: Изд-во ТТИ ЮФУ, 2010. - № 7 (108).

Публикации в других изданиях

4. Деревянкина A.A. Система структурно-функционального анализа изображений / A.A. Деревянкина, А.П. Коробейников // Современные тенденции развития металлургической, машиностроительной и стакоинструментальной промышленности" в рамках промышленного конгресса юга России и международной специализированной выставки "Метмаш. Станкоинструмент - 2006": сб. тр., 6-8 сент. -Ростов н/Д, 2006.

5. Деревянкина A.A. Теоретические основы использования информационных технологий при распознавании морфологических картин биологических жидкостей / A.A. Деревянкина // Инновационные образовательные технологии в технических университетах: сб. науч. статей по проблемам высшей школы/ Юж. -Рос. гос. техн. ун-т (НПИ).-Нозочеркасск, 2006.

6. Деревянкина A.A. Сегментация изображения морфологической картины биологических жидкостей / A.A. Деревянкина // Наука и образование на рубеже тысячелетий, сб. науч. - исследоват. работ /КГТИ. - М., 2006.

* До июля 2011 года соискатель Скляренко A.A. носила фамилию Деревянкина 16

7. Деревянкина A.A. Распознавание образов - одно из приоритетных направлений исследовательской деятельности образовательных учреждений / A.A. Деревянкина // Формирование компетентностного подхода в подготовке специалиста на основе совершенствования образовательных технологий и развития социального партнерства: материалы IV регион, науч. - практ. конф. /АТИ ДГТУ. - Азов, 2007.

8. Деревянкина A.A. Система структурно-функционального анализа компонентов эмульсий биологических сред / A.A. Деревянкина // Математические методы в технике и технологиях -ММТТ-20: сб. тр. XX Междунар. науч. конф.- Ростов н/Д, 2007. -Т.10: Современные проблемы многоуровневого образования.

9. Деревянкина A.A. Построение словаря информативных признаков как основной этап классификации изображений фаций / A.A. Деревянкина // Системный анализ, управление и обработка информации: 1-й межвуз. сб. науч. ст./ ДГТУ; ТТИ ЮФУ. - Ростов н/Д, 2007.

10. Деревянкина A.A. Влияние точки кристаллизации на сегментацию изображения фации биологической жидкости / A.A. Деревянкина // Системный анализ, управление и обработка информации: 1-й межвуз. сб. науч. ст./ ДГТУ; ТТИ ЮФУ. - Ростов н/Д, 2007.

11. Деревянкина A.A. Методы сегментации рисунка фации биологической жидкости / A.A. Деревянкина // Математические методы в технике и технологиях - ММТТ - 20.:сб. тр. XX Междунар. науч. конф.:в 10 т.- Ярославль, 2007. - Т.7.

12. Деревянкина A.A. Структурно - функциональная диагностика морфологической картины биоэмульсий / A.A. Деревянкина // Математические методы в технике и технологиях - ММТТ - 20.:сб. тр. XX Междунар. науч. конф.:в 10 т.- Ярославль, 2007. -Т.7.

13. Деревянкина A.A. Моделирование методов распознавания образов' в учебном курсе "Интеллектуальные системы" в ДГТУ / A.A. Деревянкина // Математические методы в технике и технологиях -ММТТ - 22: сб. тр. XXII Междунар. науч.-метод. симп. "Современные проблемы многоуровневого образования" /ДГТУ. - Ростов н/Д, 2008.

14. Деревянкина A.A. Построение информационной модели морфологической картины капли биожидкости / A.A. Деревянкина // Математические методы в технике и технологиях - ММТГ-21: сб. тр. XXI Междунар. науч. конф.: в 10 т./СГТУ. - Саратов, 2008, - Т. 5.

15. Деревянкина A.A. Проблемы формирования символьно -числовых моделей полутоновых изображений в задачах их распознавания / A.A. Деревянкина, P.A. Нейдорф, А.П. Коробейников И Математические методы в технике и технологиях - ММТТ - 22: сб. тр. XXII Междунар. науч. конф.: в 10 т. - Псков, 2009. - Т. 6.

16. Деревянкина A.A. Методы и задачи s - аппроксимации полутоновых изображений при распознавании графических образов / A.A. Деревянкина, P.A. Нейдорф // Математические методы в технике и технологиях - ММТТ - 22: сб. тр. XXII Междунар. науч. конф.: в 10 т. - Псков, 2009. - Т. 5.

17. Деревянкина A.A. Исследование влияния ограничения диапазона яркости на эффективность s-аппроксимации полутонового изображения / A.A. Деревянкина // Математические методы в технике и технологиях - ММТТ - 22: сб. тр. XXII Междунар. науч. конф.: в 10 т. - Псков, 2009. - Т. 6.

18. Деревянкина A.A. Алгоритм оптимизации и полутоновой аппроксимации фотоизображений / A.A. Деревянкина // AIS-IT09: тр. конгр. молодеж. науч. - техн. конф. "Интеллектуальные системы -2009" / ЮФУ. - М.: Физматлит, 2009. - Т. III.

19. Деревянкина A.A. Исследование поведения канонического метода роя частиц / A.A. Деревянкина // AIS-IT09: тр. конгр. молодеж. науч. - техн. конф. "Интеллектуальные системы -2009" / ЮФУ. - М.: Физматлит, 2009. - Т. I.

20. Деревянкина A.A. Результаты исследования влияния основных параметров метода роения частиц на его эффективность / A.A. Деревянкина // Математические методы в технике и технологиях -ММТТ-22: сб. тр. XXII Междунар. науч. конф. и IV Междунар. науч. -метод, симп. - Ростов н/Д, 2009.

21. Деревянкина A.A. Модификация и структурно-параметрическая оптимизация метода роящихся частиц для решения экстремальных задач / A.A. Деревянкина // Математические методы в технике и технологиях - ММТТ-22: сб. тр. XXII Междунар. науч. конф. и IV Междунар. науч. - метод, симп. - Ростов н/Д, 2009.

22. Деревянкина A.A. Оптимизация вектора опорных яркостей при s-аппроксимации изображений / A.A. Деревянкина, P.A. Нейдорф // Математические методы в технике и технологиях - ММТТ - 23: сб. тр. XXIII Междунар. науч. конф.: в 12 т. Т. 6. Секции 6,7/ под общ. ред. Б,С. Балакирева,- Саратов:Сарат. гос. техн. ун-т. 2010.

23. Деревянкина A.A. Автоматизация исследования изображений методом s-аппроксимации / A.A. Деревянкина // Математические методы в технике и технологиях - ММТТ - 23: сб. тр. XXIII Междунар. науч. конф.: в 12 т. Т. 6. Секции 6,7/ под общ. ред. B.C. Балакирева.- Саратов:Сарат. гос. техн. ун-т. 2010.

24. Деревянкина A.A. Программная поддержка оптимизации s-аппроксимации изображения на основе эвристических алгоритмов / A.A. Деревянкина // Математические методы в технике и технологиях - ММТТ - 23: сб. тр. XXIII Междунар. науч. конф.: в 12 т. Т. 6. Секции 6,7/ под общ, ред. B.C. Балакирева.- Саратов:Сарат. гос. техн. ун-т. 2010.

25. Деревянкина A.A. Программное средство поддержки структурно-параметрической аппроксимации полутоновых изображений «Imaging»: свидетельство о государственной регистрации программы для ЭВМ № 2010610865 / A.A. Деревянкина, P.A. Нейдорф // Роспатент: № 2009616802, заявл. 30.11.2009, зарег. 27.01.2010.

26. Скляренко A.A. Эффективный метод оптимизации s-аппроксимации изображений методом свободных границ / A.A. Деревянкина, P.A. Нейдорф // Труды И Международного семинара под общ. ред. P.A. Нейдорфа - Ростов н/Д, изд. центр Донск. гос. техн. унта 2012.

27. Скляренко A.A. Сравнительное исследование инженерно-эвристических подходов к s-аппроксимации полутоновых изображений / A.A. Деревянкина // Труды И Международного семинара под общ. ред. P.A. Нейдорфа - Ростов н/Д, изд. центр Донск. гос. техн. ун-та 2012.

28. Скляренко A.A. Параметрическая оптимизация обобщенного алгоритма S-аппроксимации мультитоновых изображений / A.A. Деревянкина, P.A. Нейдорф // Труды III Международного семинара под общ. ред. P.A. Нейдорфа - Ростов н/Д, изд. центр Донск. гос. техн. ун-та 2012.

29. Скляренко A.A. Разработка универсального алгоритма S -аппроксимации полутонового изображения / A.A. Деревянкина, P.A. Нейдорф // Инновация, экология и ресурсосберегающие технологии на предприятиях машиностроения, авиастроения, транспорта и сельского хозяйства. Труды X Международного научно-технического форума, 2012.

30. Скляренко A.A. Выбор алгоритма S-аппроксимации для полутонового изображения / A.A. Деревянкина // Инновация, экология и ресурсосберегающие технологии на предприятиях машиностроения, авиастроения, транспорта и сельского хозяйства. Труды X Международного научно-технического форума, 2012.

В работе [2] автору принадлежит разработка механизма деления роев для решения многоэкстремальных задач. В работе [3] автору принадлежит адаптация метода роящихся частиц с делением роев к решению задачи распознавания образов. В работе [4] автору принадлежит выделение основных этапов структурно-функционального анализа изображений. В работе [15] автору принадлежит построение построение символьно-числовых моделей полутоновых изображений. В работе [16] автору принадлежит разработка методов s-аппроксимации. В работе [22] автору принадлежит решение задачи оптимизации вектора опорных яркостей. В работе [25] автору принадлежит программная реализация алгоритмов s-аппроксимации и возможности их исследования. В работе [26] автору принадлежит разработка алгоритма s-аппроксимации на основе свободных границ. В работах [28, 29] автору принадлежит исследование обобщенного алгоритма s-аппроксимации.

В набор 08.10.2012 В печать 10.10.2012

Объем 1 усл.п.л., 1.0 уч.-изд.л, Офсет. Формат 60x84/16. Бумага тип №3. Заказ № 576. Тираж 120.

Издательский центр ДГТУ Адрес университета и полиграфического предприятия 344000, г. Ростоз-на-Дону, пл. Гагарина, 1.

Оглавление автор диссертации — кандидата технических наук Скляренко, Анна Анатольевна

ВВЕДЕНИЕ.

1 АППРОКСИМИРУЮЩЕЕ ПРЕОБРАЗОВАНИЕ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ КАК МЕТОД PIX ПОДГОТОВКИ К ЗАДАЧАМ РАСПОЗНАВАНИЯ.

1.1 Прикладные задачи распознавания изображений.

1.1.1 Компьютерное зрение.

1.1.2 Использование распознавания изображений в машиностроение.

1.1.3 Задача распознавания изображений в геодезии и геологии.

1.1.4 Использование распознавания изображений в медицине.

1.1.5 Проблемы решения задачи распознавания изображений.

1.1.6 Описание задачи обработки распознаваемых изображений.

1.2 Задача предобработки распознаваемых изображений.

1.2.1 Предобработка изображения.

1.2.2 Структура кодирования цветного изображения.

1.2.3 Матричная модель пиксельного изображения.

1.2.4 Упрощение полутоновых изображений в PhotoShop.

1.3 Сегментация полутоновых изображений.

1.3.1 Постановка задачи сегментации изображений.

1.3.2 Методы сегментации.

1.3.3 Постановка задачи оптимальной аппроксимации изображений.

1.4 Анализ возможностей методов поисковой оптимизации применительно к задаче построения оптимального упрощенного изображения.

1.4.1 Классификация методов оптимизации.

1.4.2 Сравнительный анализ методов оптимизации.

1.5 Эвристические методы как универсальный инструмент поисковой оптимизации.

1.5.1 Понятие эвристических методов.

1.5.2 Генетические алгоритмы.

1.5.3 Метод "колонии муравьев".

1.5.4 Метод роящихся частиц.

1.6 Исследование возможностей и особенностей КМРЧ для решения задач поисковой оптимизации.

1.6.1 Обзор канонического метода роящихся частиц.

1.6.2 Анализ возможностей канонического метода роящихся частиц при исследовании функции Химмельблау на экстремумы.

1.7 Выводы по первой главе.

2 АЛГОРИТМЫ 8-АППРОКСИМАЦИИ МУЛЬТИТОНОВЫХ ИЗОБРАЖЕНИЙ.

2.1 Структурирование изображений на основе метода 8-аппроксимации

2.1.1 Сущность аппроксимации изображений.

2.1.2 Критериальная оценка результатов 8-аппроксимации.

2.1.3 Критерий эффективности 8-аппроксимации на основе опорной СКО-оценки.

2.2 Приближенная Б-аппроксимация изображения на основе его частотной диаграммы яркостей.

2.2.1 Общая характеристика задачи формирования изображения в б-тоновой палитре.

2.2.2 Алгоритм «прямого деления частотной диаграммы яркости».

2.2.3 Алгоритм «взвешенного деления частотной диаграммы яркости»

2.2.4 Алгоритм «доминирования опорной яркости на основе ЧДЯ».

2.2.5 Анализ альтернативных возможностей повышения эффективности аппроксимации.

2.3 Приближенная Б-аппроксимация изображения на основе интегральной диаграммы яркостей.

2.3.1 Интегральная диаграмма яркости.

2.3.2. Алгоритм «прямого деления интегральной диаграммы яркости»

2.3.3 Алгоритм «доминирования опорной яркости на основе ИДЯ».

2.3.4 Алгоритм «зеркального отображения опорных яркостей».

2.3.5 Гибридные алгоритмы 8-аппроксимации.

2.4 Сравнительный анализ эвристических алгоритмов S-аппроксимации на статистически значимой выборке мультитоновых изображений.

2.4.1 Описание библиотеки изображений.

2.4.2 Влияние величины S на выбор алгоритма аппроксимации заданного изображения.

2.4.3 Влияние величины S на выбор алгоритма аппроксимации множества изображений.

2.4.4 Расчет степени лидерства алгоритма S-аппроксимации над другими алгоритмами.

2.5. Оптимизация S-аппроксимации изображений методом свободных границ.

2.5.1 Аксиома s-аппроксимации.

2.5.2 Алгоритм «равноудаленности границ».

2.5.3 Модифицированный алгоритм равноудаленности границ.

2.6 Выводы по второй главе.

3 ПАРАМЕТРИЧЕСКАЯ ОПТИМИЗАЦИЯ ОБОБЩЕННОГО АЛГОРИТМА S-АППРОКСИМАЦИИ МУЛЬТИТОНОВЫХ ИЗОБРАЖЕНИЙ.

3.1 Предметная ориентация метода роящихся частиц под задачу оптимизации S-аппроксимации.

3.1.1 Анализ особенностей исходного канонического метода роящихся частиц.

3.1.2 Концептуальная усовершенствованная структура модели роя.

3.1.3 Структура роя и ее построение под задачу оптимизации S-аппроксимации.

3.1.4 Постановка задачи поведенческой модифицикации метода роящихся частиц.

3.2 Структурно-параметрическая модификация метода роящихся частиц

3.2.1 Описание путей модификации исходного метода роящихся частиц

3.2.2 Математическая модель метода деления роев.

3.2.3 Алгоритмическая модель метода деления роев.

3.3 Исследование метода деления роев при решении математических задач

3.3.1 Общая постановка задачи.

3.3.2 Описание схемы полнофакторного эксперимента.

3.3.3 Анализ эффективности применения МДР для поиска экстремумов одномерной функции.

3.3.4 Анализ эффективности применения МДР для поиска экстремумов двумерной функции.

3.4 Исследование метода деления роев при решении задачи оптимизации s-аппроксимации мультитоновых изображений.

3.4.1 Постановка задачи.

3.4.2 Исследование эффективности применения метода деления роев для оптимизации S-аппроксимации.

3.5 Применение метода делящихся роев для решения задачи распознавания образов.

3.5.1 Предметная ориентация МДР под задачу распознавания зерен.

3.5.2 Результаты применения предметно ориентированного МДР для распознавания зерен.

3.6 Выводы по третьей главе.

4ПРОГРАММНЫЙ КОМПЛЕКС «IMAGING» ПОПИКСЕЛЬНОЙ S-АППРОКСИМАЦИИ МУЛЬТИТОНОВЫХ ИЗОБРАЖЕНИЙ.

4.1 Общая характеристика программного комплекса «Imaging».

4.1.1 Функциональное назначение программного комплекса «Imaging»

4.1.2 Концептуальная схема функционирования программного комплекса «Imaging».

4.1.3 Структура программного комплекса «Imaging».

4.1.4 Объектно-ориентированная модель модуля «PRApproximation».

4.1.5 Объектно-ориентированная модель модуля «Roy».

4.2 Описание интерфейса взаимодействия с пользователем.

4.2.1 Интерфейс, реализованный в модуле «PRApproximation».

4.2.2 Интерфейс, реализованный в модуле «Roy».

4.3 Выводы по четвертой главе.

Введение 2012 год, диссертация по информатике, вычислительной технике и управлению, Скляренко, Анна Анатольевна

Актуальность темы. Основным источником получения информации человеком является зрение, поэтому одним из важных направлений развития информационных технологий является распознавание образов по принципу зрения человека, т.е. развивается техническое или компьютерное зрение.

Области применения компьютерного зрения разнообразны. Широко оно применяется в металлографии при обработке микрошлифов металлов. Морфологический анализ изображений на основе компьютерного зрения также применяется в геодезии и геологии. Большое значение оно имеет при автоматизации контроля качества на производстве. Задачи распознавания образов также возникают в медицинской диагностике. Например, при исследовании морфологической картины биожидкостей для обнаружения патологических состояний, также при томографических исследованиях. Особое место компьютерное зрение занимает в робототехнике. Ключевым этапом компьютерного зрения является распознавание изображений.

При распознавании изображений очень сложно оценивать цветное графическое изображение, так как оно представляет собой сочетание тысяч и миллионов форм, яркостей, цветностей, границ и тонов. Однако оказывается, что в большинстве случаев это и не нужно, так как не все многочисленные черты исследуемого образа являются информативными. Для эффективности анализа некоторые признаки полезно подчеркнуть, усилить, а другие, наоборот, сделать незаметными или устранить. В связи с этим одним из основных этапов распознавания образов является предобработка изображения, результатом которой является его упрощение для дальнейшей визуализации и преобразования. Одним из вариантов упрощения является уменьшение количества тонов исходного изображения до количества, при котором сохраняются информативные признаки и удаляются лишние яркости затрудняющие применение методов распознавания. Такое упрощение в данной работе названо 8-аппроксимацией.

Таким образом, диссертационная работа посвящена решению актуальной научно-технической проблемы, связанной с разработкой и оптимизацией общего метода и ряда частных алгоритмов попиксельной аппроксимации мультитонового изображения с использованием 51 тонов.

Цели и задачи исследования. Основной целью диссертации является разработка алгоритма параметрически оптимальной попиксельной аппроксимации исходного мультитонового изображения ^-тоновым.

Системные исследования этой проблемы выявили, что для достижения поставленной цели необходимо решить следующие научные и экспериментально-практические задачи:

1. Исследовать процесс решения задачи распознавания графического образа и выявить основные этапы предварительной попиксельной обработки изображения.

2. Разработать и исследовать математическую модель критериальной оценки эффективности применения попиксельной б'-аппроксимации.

3. Провести сравнительное исследование известных алгоритмов попиксельной аппроксимации мультитоновых изображений с использованием разработанной критериальной оценки.

4. Разработать более эффективные алгоритмы попиксельной аппроксимации мультитоновых изображений и провести их сравнительное критериальное исследование.

5. Провести подробный системный анализ результатов, выбрать наиболее перспективную информационную технологию упрощения изображений, а также построить обобщенный алгоритм попиксельной 5"-аппроксимации.

6. Разработать, исследовать и довести до формального алгоритма метод поисковой параметрической оптимизации попиксельной -аппроксимации мультитоновых изображений.

7. Разработать комплекс программ, реализующих разработанные алгоритмы, с учетом возможности их практического, научноисследовательского и учебного использования, а также возможности проведения сравнительных численных экспериментов.

Существенные научные результаты, полученные в диссертации:

1. метод и обобщенный алгоритм параметрически оптимальной попиксельной iS-аппроксимации мультитоновых изображений;

2. комплекс субоптимальных алгоритмов ^-аппроксимации мультитоновых изображений;

3. постановка задачи параметрической оптимизации алгоритмов S-аппроксимации;

4. модифицированный метод и алгоритм поисковой оптимизации, основанный на идее имитации поведения роя;

5. метод и алгоритм деления роя, основывающийся на градиентном исследовании пространства оптимизируемых параметров.

Научная новизна существенных результатов диссертации определяется следующими отличительными признаками:

1. разработанный метод и обобщенный алгоритм параметрически оптимальной попиксельной S-аппроксимации мультитоновых изображений отличается от известных методов преобразования изображений тем, что он позволяет получать S-тоновое изображение, минимально отличающееся по яркостным характеристикам от исходного по разработанному квадратичному критерию (в среднем на 11 % по сравнению со стандартными алгоритмами, применяемыми в фотошопах);

2. сформированный комплекс субоптимальных алгоритмов S-аппроксимации мультитоновых изображений отличается от разработанного оптимального метода простотой реализации и меньшими ресурсными, в частности, временными затратами (в 50-80 раз), а от известных - более обоснованными критериями пиксельных замен, что приводит к более высокой точности аппроксимации (в среднем на 8 %);

3. модифицированный метод и алгоритм поисковой оптимизации, основанный на идее имитации поведения роя отличается от известных вариантов повышенной эффективностью обнаружения экстремумов и возможностью их параллельного поиска.

4. метод и алгоритм деления роя, основывающийся на градиентном исследовании пространства оптимизируемых параметров обоснован множеством статистически представительных экспериментов, как при исследовании сложных экстремальных аналитических зависимостей, так и при решении конкретных практических задач.

Методы исследования. В диссертации применялись методы имитационного моделирования, статистической обработки результатов, теории распознавания изображений, математической статистики, теории планирования экспериментов.

Достоверность результатов исследования достигается за счет корректного применения методов системного имитационного моделирования и исчерпывающей статистической обработки результатов. Проведены представительные по числу опытов вычислительные эксперименты, результаты которых использованы для получения статистически достоверных данных. Общий объем экспериментальных исследований по оценке свойств алгоритмов составил более 135000 опытов. Статистическая достоверность опытных данных обеспечивалась несколькими параллельными опытами.

Практическая значимость. Практически значимыми результатами диссертационной работы являются:

1. возможность использования созданных алгоритмов попиксельной аппроксимации изображений для упрощения изображения путем уменьшения количества тонов на этапе предобработки при решении задачи распознавания образов во многих сферах деятельности: физике, металлографии, управлении оценкой качества, геологии и геодезии, робототехнике, медицине и т.д.;

2. добавление в практику обработки изображений процедуры сокращения количества тонов в исходной тоновой палитре до значения, обеспечивающего сохранение информативных признаков, как обязательного этапа распознавания, повышает его эффективность и упрощает информационную обработку изображения;

3. модифицированный алгоритм оптимизации на основе МРЧ позволил разработать для исследований «Программное средство б'-аппроксимации мультитоновых изображений», построенное на основе концепции объектно-ориентированного программирования и зарегистрированное в Роспатенте (№ 2009616802, заявл. 30.11.2009; зарег. 27.01.2010). Оно также может быть использовано для осуществления предобработки графических изображений с целью повышения эффективности их дальнейшего распознавания, в различных прикладных задачах.

Кроме того, нужно отметить, что уменьшение количества тонов позволит выбирать более простые, быстрые и эффективные методы сегментации и распознавания изображений, что позволит снизить программную сложность реализации таких методов и повысить точность.

Практическая значимость проведенных исследований и разработок подкрепляется актами внедрения и применения результатов диссертационного исследования, как в производственном процессе частных организаций, так и в учебном процессе при изучении методов распознавания и сегментации в рамках различных дисциплин.

Апробация диссертационной работы. Основные результаты диссертационной работы докладывались и обсуждались на:

• международных научно-технических конференциях «Математические методы в технике и технологиях»: ММТТ-18 - Казань, 2005 г.; ММТТ-20 - Ярославль, 2007 г.; ММТТ-21 - Саратов, 2008 г.; ММТТ-22 - Псков, 2009 г.; ММТТ-23 - Саратов, 2010 г.;

• международных научно-методических симпозиумах «Современные проблемы многоуровневого образования» (г. Ростов-на-Дону - с. Дивноморское): 2007-2009 гг.;

• IV региональной научно - практической конференции, АТИ ДГТУ. -Азов, 2007 г.;

• 1Х-ой Международной научно-технической конференции «Интеллектуальные системы '09»: Конгресс по интеллектуальным системам и информационным технологиям «А18-1Т'09». - Москва, 2009 г.;

• международных научно-технических форумах ИнЭРТ (г. Ростов-на-Дону): 2009 г., 2012 г.

• международных научных семинарах «Системный анализ, управление и обработка информации» (г. Ростов-на-Дону - с. Дивноморское): 2007 г., 2011 г., 2012 г.

Большинство промежуточных результатов диссертационных исследований докладывались на ежегодных научно-технических конференциях Донского государственного технического университета в 2007-2012 гг.

Публикации. Основные результаты диссертации опубликованы в 30 работах, из которых 20 - самостоятельные публикации. В 10 работах, опубликованных в соавторстве, доля материалов, принадлежащих автору диссертации, составляет не менее 50%. При этом 3 статьи, одна из которых -самостоятельная публикация, опубликованы в ведущих научных журналах, входящих в список ВАК РФ.

Диссертационная работа состоит из введения, четырех глав, заключения и приложений.

Заключение диссертация на тему "Методы решения задачи попиксельной S-аппроксимации мультитоновых изображений и их оптимизация"

4.3 Выводы по четвертой главе

4.3.1. Высокая практическая значимость программного комплекса «Imaging». Разработанный программный комплекс «Imaging» является эффективным и удобным инструментом для решения задачи S-аппроксимации мультитоновых изображений. Она позволяет быстро и эффективно выполнить аппроксимацию изображения до любого количества тонов на основе выбранного метода. Также предусмотрена возможность составления индивидуальной последовательности шагов, составляющих алгоритм упрощения изображения. В программе предусмотрена возможность применения опорной СКО-оценки для любых графических аппроксимаций. В данной работе она применялась для оценки алгоритмов PhotoShop. Возможности, реализованные в программном комплексе «Imaging» позволяют существенно упростить преобразование изображения к форме, более удобной для дальнейшего выделения информативных признаков. О востребованности программного комплекса «Imaging» говорят акты об использовании результатов диссертационной работы, приведенные в приложении Ж.

4.3.2. Объектно-ориентированная модель программного комплекса «Imaging». Программный комплекс «Imaging» разработан на основе объектно-ориентированной парадигмы программирования в рамках платформы ASP.NET с использованием языка С#. Данный программный комплекс состоит из двух основных модулей «PRApproximation» и «Roy», что позволило создать две независимые программы. Первая из которых направлена на решение задачи S-аппроксимации изображений, а вторая на исследование КМРЧ и МДР с возможностью сохранения статистики для проведения экспериментов.

4.3.3. Интуитивно-понятный интерфейс программного комплекса «Imaging». Для работы с программным комплексом «Imaging» достаточно владение навыками работы с операционной системой Windows. Выполнение алгоритма S-аппроксимации сопровождается выводом промежуточной информации в виде диаграмм яркостей с указанными на них координатами границ интервалов и опорных яркостей.

ЗАКЛЮЧЕНИЕ

В рамках диссертационной работы разработан алгоритм параметрически оптимальной попиксельной аппроксимации исходного мультитонового изображения ^-тоновым.

Для его разработки решены следующие научные и экспериментально-практические задачи:

1. Исследован процесс решения задачи распознавания графического образа и выявлены основные этапы предварительной попиксельной обработки изображения.

2. Разработана и исследована математическая модель критериальной оценки эффективности применения попиксельной Б-аппроксимации.

3. Проведено сравнительное исследование известных алгоритмов попиксельной аппроксимации мультитоновых изображений с использованием разработанной критериальной оценки.

4. Разработаны более эффективные алгоритмы попиксельной аппроксимации мультитоновых изображений и проведено их сравнительное критериальное исследование.

5. Проведен подробный системный анализ результатов, выбрана наиболее перспективная информационная технология упрощения изображений, а также построен обобщенный алгоритм попиксельной аппроксимации.

6. Разработан, исследован и доведен до формального алгоритма метод поисковой параметрической оптимизации попиксельной 8 -аппроксимации мультитоновых изображений.

7. Разработан комплекс программ, реализующий построенные алгоритмы, с учетом возможности их практического, научно-исследовательского и учебного использования, а также возможности проведения сравнительных численных экспериментов.

Библиография Скляренко, Анна Анатольевна, диссертация по теме Системный анализ, управление и обработка информации (по отраслям)

1. Абламейко C.B., Лагуновский Д.М. Обработка изображений: технология, методы, применение. Мн.: Ин-т техн. кибернетики HAH Беларуси, 1999. -300 с.

2. Адлер Ю.П. Планирование эксперимента при поиске оптимальных условий / Адлер Ю.П., Маркова Е.В., Гранковский Ю.В. М.:Наука, 1976. -278 с.

3. Аоки М. Ведение в методы оптимизации. М.: Наука. 1977. 344с.

4. Аттетков A.B. Методы оптимизации/ A.B. Аттетков, C.B. Галкин, B.C. Зарубин. М.: МГТУ им. Н.Э. Баумана, 2003.

5. Васильев Ф.П. Методы оптимизации / Ф.П. Васильев. Факториал Пресс, 2002. - 824 с.

6. Ватолин Д.С. Алгоритмы сжатия изображений. / Методическое пособие // Издательский отдел факультета Вычислительной Математики и Кибернетики МГУ им. М.В.Ломоносова, 1999. 76 с.

7. Галах Н. Сегментация Электронный ресурс.: статья. Режим доступа: http://www.masters.donntu.edu.ua/2010/fknt/galakh/library/l 0rus.htm.

8. Гиббоне Д. XML / Гиббоне Д., Кэгл К., Хантер Э. М.: Лори, 2006.- 408 с.

9. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. Пер. с англ. — М.: Мир, 1985.

10. П.Гладков Л.А. Генетические алгоритмы / Л.А. Гладков, В.В. Курейчик, В.М. Курейчик М.:ФИЗМАТЛИТ, 2006.-320с.

11. Голицына О.Л. Основы алгоритмизации и программирования / Голицына О.Л., Попов И.И. 2-е изд. - М.: Форум: Инфра-М, 2006. - 432 с.

12. Гонсалес Р. С., Вудс Р. Э. Цифровая обработка изображений. М.: Техносфера, 2006. - 1072 с.

13. Грудин Б.Н. Оптико-электронная обработка изображений Электронный ресурс.: учебное пособие / Грудин Б.Н., Александрова Л.И., 53с. Режим доступа: http://www.besplatnie-uchebniki.org/read/854.

14. Грузман И.С., Киричук B.C. Цифровая обработка изображений винформационных системах. / Новосибирск: НГТУ, 2002. 351 с. *

15. Деревянкина A.A. Решение многоэкстремальных задач методом делящихся роев / A.A. Деревянкина, P.A. Нейдорф // Вестник Донского гос. техн. ун-та. 2010. - Т. 10, № 4 (47). - С. 492-499.

16. До июля 2011 года соискатель Скляренко A.A. носила фамилию Деревянкина

17. Деревянкина A.A. Сегментация изображения морфологической картины биологических жидкостей / A.A. Деревянкина // Наука и образование на рубеже тысячелетий, сб. науч. исследоват. работ /КГТИ. - М., 2006. - С.53-55.

18. Деревянкина A.A. Влияние точки кристаллизации на сегментацию изображения фации биологической жидкости / A.A. Деревянкина // Системный анализ, управление и обработка информации: 1-й межвуз. сб. науч. ст./ ДГТУ; ТТИ ЮФУ. Ростов н/Д, 2007. - С. 409-411.

19. Деревянкина A.A. Методы сегментации рисунка фации биологической жидкости / A.A. Деревянкина // Математические методы в технике и технологиях ММТТ - 20.:сб. тр. XX Междунар. науч. конф,:в 10 т.Ярославль, 2007. - Т.7. - С. 103-106.

20. Деревянкина A.A. Структурно функциональная диагностика морфологической картины биоэмульсий / A.A. Деревянкина // Математические методы в технике и технологиях - ММТТ - 20.:сб. тр. XX Междунар. науч. конф.:в 10 т.- Ярославль, 2007. - Т.7. - С. 106-108.

21. Деревянкина A.A. Алгоритм оптимизации и полутоновой аппроксимации фотоизображений / A.A. Деревянкина // AIS-IT'09: тр. конгр. молодеж. науч. -техн. конф. "Интеллектуальные системы -2009" / ЮФУ. М.: Физматлит, 2009.-Т. III.-С. 73-76.

22. Деревянкина A.A. Исследование поведения канонического метода роя частиц / P.A. Нейдорф, A.A. Деревянкина // AIS-IT'09: тр. конгр. молодеж. науч. техн. конф. "Интеллектуальные системы -2009" / ЮФУ. - М.: Физматлит, 2009. - Т. I. - С. 47-51.

23. Дьяконов В.П. Новые информационные технологии: Учебное пособие. Часть 3. Основы математики и математическое моделирование / В. П. Дьяконов, И. В. Абраменкова, А. А. Пеньков // Смоленск: СГПУ, 2003. 192 с.

24. Журавель И. М. Краткий курс теории обработки изображений Электронный ресурс.: 2004. Режим доступа: http://matlab.exponenta.ru/imageprocess/book2/index.php.

25. Изображения в MatLab и Image Processing Toolbox Электронный ресурс.: Введение Режим доступа: http ://matlab. exponenta.ru/imageprocess/book5 /6 1 .php.

26. Иллюстрированный самоучитель по Adobe Illustrator Электронный ресурс., режим доступа: http://www.realcoding.net/teach/AdobeIllustrator10/index.html.

27. Карпенко А.П. Обзор методов роя частиц для задачи глобальной оптимизации. Электронный ресурс.: А.П. Карпенко, Е.Ю. Селиверстов //

28. Инженерное образование, электронное научно-техническое издание «Наука и образование», 2009. Режим доступа: http://technomag.edu.ru/doc/! 16072.html.

29. Кластеризация палитры изображения и сжатие в формате PNG. Электронный ресурс.: статья. Режим доступа: http://habrahabr.ru/post/l 13393/#habracut.

30. Колесников С. Распознавание изображений Электронный ресурс.: газета «Компьютер-Информ», 2006. — Режим доступа: http://www.masters.donntu.edu.ua/2006/fvti/poltava/library/article5.htm.

31. Компьютерное зрение Электронный ресурс.: Мегаэнциклопедия Кирилла и Мефодия. Режим доступа: http://www.megabook.ru/Article.asp?AID=606839.

32. Кучуганов A.B. Разработка и исследование методов и технологий автоматического анализа полутоновых изображений Электронный ресурс.: Дис. канд. техн. наук: 05.13.18. Ижевск: РГБ, 2007.

33. Курейчик В.М., Лебедев Б.К. Определения и основные понятия генетических алгоритмов Электронный ресурс.: Интернет-лекция в рамках научной школы Третьей конференции молодых ученых. Режим доступа: http://faculty.ifmo.ru/csd.

34. Лужков Ю.В. Разработка и исследование методов сжатия изображений с потерями на основе адаптивной сегментации и квантования. Электронный ресурс.: Дис. канд. техн. наук: 05.13.13-Санкт-Петербург: РГБ, 2009.

35. Маляренко И. Планирование и оптимизация: от Вергилия до . APS системы. Электронный ресурс.: Корпоративные системы PC Week / Re №27, 2006. Режим доступа: http://www.masters.donntu.edu.ua/2009/fem/bazarova/library/tez2.htm.

36. Модуль Save for Web. Особенности сохранения изображений для Internet. Электронный ресурс.: уроки PhotoShop. Режим доступа: http://www.adobeps.ru/download/photoshop-lessons/56-modul-save-for-web.html.

37. Норенков И.П. Эволюционные методы для решения задач проектирования и логистики Электронный ресурс.: И.П. Норенков, 2008. Режим доступа: http://bigor.bmstu.ru.

38. Оптимизация изображений / PhotoShop Elements // Help of Adobe. Режим доступа:http://help.adobe.com/ruRU/photoshopelements/using/WS287f927bd30d4blf-118fö0f612e28b29a0a-7fff.html#WS287f927bd30d4b 1 f-118fö0f612e28b29a0a-7ffe.

39. Орлянская И.В. Современные подходы к построению методов глобальной оптимизации Электронный ресурс.: Электронный журнал «Исследовано в России», 2002. Т.5. - 2097-2108 с. Режим доступа: http://zhurnal.ape.relarn.ru/articles/2002/189.pdf.

40. Прикладная математика. Электронный ресурс.: Справочник математических формул Режим доступа: http://www.pm298.ru/menu.php.

41. Прэтт У. Цифровая обработка изображений / Прэтт У. М.: Мир, 1982. Т.1. 312 с.

42. Пупков К.А. Оценка и планирование эксперимента / Пупков К.А., Костюк Г.А. М.: Машиностроение, 1977. - 118с.

43. Путятин Е.П. Нормализация и распознавание изображений Электронный ресурс. / Е.П. Путятин Режим доступа: http://sumschool.sumdu.edu.ua/is-02/rus/lectures/pytyatin/pytyatin.htm.

44. Рубан И.В. Методологические основы идентификации модели для решения задачи сегментации изображений в переменных условиях получения данных. / И.В. Рубан, К.С. Смеляков, Н.И. Науменко // Системы обработки информации, 2009, выпуск 1(75). 117-120 с.

45. Самойлов Н.С. Методы исследования и испытания металлов. Металлографические исследования Электронный ресурс. / Н.С. Самойлов -Режим доступа: www.naukaspb.ru/spravochniki/.

46. Самоучитель по Adobe PhotoShop 6 Электронный ресурс.: техническая библиотека lib.qrz.ru Режим доступа: http://lib.qrz.ru/node/26131.

47. Сегментация изображений Электронный ресурс.: статья, 2011 Режим доступа: http://habrahabr.ru/post/128768.

48. Скляренко A.A. Параметрическая оптимизация обобщенного алгоритма S-аппроксимации мультитоновых изображений / A.A. Скляренко, P.A. Нейдорф

49. Труды III Международного семинара под общ. ред. P.A. Нейдорфа Ростов н/Д, изд. центр Донск. гос. техн. ун-та 2012. - С. 104-114.

50. Сойфер В.А. Компьютерная обработка изображений. Методы и алгоритмы Электронный ресурс.: Сойфер В. А., 1996. — Режим доступа: http://www.masters.donntu.edu.ua/2003/kita/kokov/library/for2.htm.

51. Соболь Б.В. Методы оптимизации: практикум. / Б.В. Соболь, Б.Ч. Месхи, Г.И. Каныгин // Ростов-на-Дону: Феникс, 2009. 377с.

52. Статистические методы локального поиска. Электронный ресурс.: статья. Режим доступа: http://kazbayev.narod.ru/web/21 .htm.

53. Стоянов A.K. Предобработка изображений одномерными точечными отображениями / А.К. Стоянов, В.Б. Немировский // Известия Томского политехнического университета, 2011. Т. 319. № 5. С. 107-111.

54. Струченков В.И. Методы оптимизации / В.И. Струченков // Изд. «Экзамен», 2005.

55. Томас X. Алгоритмы: построение и анализ = INTRODUCTION ТО ALGORITHMS. / Томас X. Кормен и др. // 2-е изд. — М.: «Вильяме», 2006. — 1296 с.

56. Трифонов А.Г. Постановка задачи оптимизации и численные методы ее решения Электронный ресурс.: А.Г. Трифонов. Режим доступа: http://matlab.exponenta.ru/optimiz/book2/index.php.

57. Ульд Ахмед Талеб Махфуд Комбинированные алгоритмы сегментации цветных изображений. Электронный ресурс.: Автореферат дис. канд. техн. наук: 05.13.01-Минск, 2002.

58. Фахад Гилани С# и наука: применение языковых средств С# в проектах для научных вычислений Электронный ресурс.: статья, 2004. Режим доступа: http://msdn.microsoft.com/ru-ru/library/dd335957.aspx.

59. Федоров В.В. Теория оптимального эксперимента (планирование регрессионных экспериментов) / Федоров В.В. М.: Наука, 1971. - 312с.

60. Фисенко В. Т., Фисенко Т. Ю. Компьютерная обработка и распознавание изображений. СПб.: СпбГУ ИТМО, 2008. - 195 с.

61. Форсайт Д. Компьютерное зрение. Современный подход / Д. Форсайт, Ж. Понс. М.: Вильяме, 2004 - 928 с.

62. Хрящев Д.А. Об одном методе анализа цифрового изображения с применением гистограмм. / Вестник АГТУ. Сер.: Управление, вычислительная техника и информатика, 2010. №1 109-113 с.

63. Черноруцкий И.Г. Методы оптимизации в теории управления: учебное пособие / И.Г. Черноруцкий. СПб.: Питер, 2004. - 256с.

64. Чочиа П.А. Пирамидальный алгоритм сегментации изображений / П.А. Чочиа // Информационные процессы, т.10, №1, 2010 23-35 с.

65. Чураков M. Муравьиные алгоритмы Электронный ресурс.: М. Чураков,

66. A. Якушев. 15с. Режим доступа: http://rain.ifmo.ru/cat/data/theory/unsorted/ant-algo-2006/article.pdf.

67. Шабалин В.Н., Шатохина С.Н. Морфология биологических жидкостей человека. / Шабалин В.Н., Шатохина С.Н. М.:Хризотом, 2001. - 303с.

68. Шапиро J1. Компьютерное зрение: пер. с анг. / JT. Шапиро, Дж. Стокман. -М.: БИНОМ, 2006.-752 с.

69. Шепперд Д. Освой самостоятельно XML за 21 день. СПб.: Вильяме, 2002. - 432с.

70. Шибаева Ирина Васильевна. Дискретные представления графических изображений для интеллектуальных телекоммуникационных систем : Дис. канд. техн. наук : 05.12.13 : Ижевск, 2004 142 с.

71. Шпаргалка по ZedGraph Электронный ресурс.: сборник примеров построения диаграмм и графиков на основе ZedGraph. Режим доступа: http://ienyay.net/Programming/ZedGraph.

72. Эвристические методы Электронный ресурс. Режим доступа: http://www.inventech.ru/lib/glossary/evrmethod/.

73. Энциклопедический словарь справочник. Алгоритмы поиска локального экстремума. Электронный ресурс.: под ред. А.И. Половинкина,1. B.В. Попова.

74. Яковлев А. В. Использование методов цифровой обработки изображений в количественной металлографии Текст. / С. С. Садыков, А. В. Яковлев // Надежность и качество 2000: труды международного симпозиума. Пенза: Пенз. гос. ун-т, 2000. С. 55 - 56.

75. Яковлев A.B., Орлов А.А. Методы автоматического анализа удельной поверхности границ зерен или фаз в сплаве. /Алгоритмы, методы и системы обработки данных // Муромский институт, 2000, №5. 69-73 с.

76. Яне Б. Цифровая обработка изображений/ Б. Яне. М.: Техносфера, 2007. - 584 с.

77. Beyer H.G., Schwefel Н.Р., Wegener I. How to analyse Evolutionary Algorithms. Technical Report No.CI-139/02. University of Dortmund, Germany, 2002.

78. Brits R., Engelbrecht A.P., F. van den Bergh. A niching particle swarm optimizer / Brits R., Engelbrecht A.P., F. van den Bergh // in Proc. of the 4th Asia-Pacific Conference on Simulated Evolution and Learning 2002 (SEAL 2002), 2002, pp.692- 696.

79. Brits R., Engelbrecht A.P., F. van den Bergh, Solving Systems of Unconstrained Equations using Particle Swarm Optimization // Submitted to IEEE Conference on Systems, Man, and Cybernetics, Tunisia, 2002.

80. F van den Bergh, An Analysis of Particle Swarm Optimizers / PhD Thesis, Department of Computer Science // University of Pretoria, Pretoria, South Africa, 2002.

81. Fogel David B. (editor) Evolutionary Computation: The Fossil Record.— New York: IEEE Press, 1998.

82. Gonzalez R. Digital Image Processing. Second Edition / R. Gonzalez, R. Woods. Prentice Hall, 2002. - 793p.

83. Haralick R. M., Shapiro L. G. Image Segmentation Techniques. / Computer Vision, Graphics, and Image Processing, vol 29, No 1.- 1985.

84. Linda G. Shapiro and George C. Stockman / Linda G. // Computer Vision. -2001. -pp 279—325.

85. Parsopoulos K.E., Vrahitis M.N. Modification of the Particle Swarm Optimizer for Locating all the Global Minima / In V. Kurkova, N.C. Steele, R.

86. Neruda and M. Karny // editors Artificial Neural Networks and Genetic Algorithms. Springer, 2001. pp 324-327.

87. Rinnoy Kan A.H.G., Timmer G.T. Stochastic Global Optimization Methods // Mathematical programming, 39, 27-78, 1987.

88. Robert M. Haralick and Linda G. Shapiro, Computer and Robot Vision, Volume II, Addison-Wesley, 1992, pp. 316-317.

89. Ron Ohlander Picture Segmentation Using a Recursive Region Splitting Method / Ron Ohlander, Keith Price, and D. Raj // Computer Graphics and Image Processing, volume 8, 1978. - pp 313—333.

90. Sonka M. Image processing, analysis and machine vision / M. Sonka, V. Hlavak, R. Boyle. California (USA): Cole Publishing Company, 1999. - 770p.