WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 14 | 15 || 17 | 18 |   ...   | 65 |

отображающее промежуточную точку y в один из 2. Строим гистограмму яркости изображения.

классов r-мерного пространства решений, где r – ко3. Вычисляем статистические характеристики:

личество классов;

среднюю яркость; дисперсию; параметр относитель– система, проектирующаяся как единая многоной гладкости R; третий момент, определяющий стеслойная сеть прямого распространения, используюпень симметрии гистограммы и показывающий, нащая один из алгоритмов обучения с учителем. При блюдается ли на ней перекос влево (при отрицательэтом узлы скрытого слоя сети решают задачу извленом значении момента) или вправо (при положительчения признаков (в упрощенном варианте) и классином значении); однородность, характеризующую равфикации.

номерность распределения яркости; энтропию, покаОднако наиболее перспективным методом проекзывающую изменчивость яркости изображения.

тирования нейронных сетей является разработка ис4. Выводим и сохраняем полученные статистичекусственных нейронных сетей, инвариантных к некоские характеристики.

торым допустимым преобразованиям. Существуют 5. Строим матрицу смежности пикселей с равными три способа обеспечения инвариантности нейронной или близкими значениями яркости. Выводим матрицу сети: первый – когда синаптические связи между отсмежности.

дельными нейронами сети строятся таким образом, 6. Конец алгоритма.

чтобы допустимые преобразования входных сигналов Кроме статистических характеристик для отличия вызывали бы один и тот же выходной сигнал (структекстур Б. Мандельброт [4] ввел специальный термин турная инвариантность); второй – когда, например, «заполнение», или «лакунарность» (lacunarity) для изображения одного и того же объекта, снятого под описания характеристик фракталов, имеющих одинаразными ракурсами, подаются на входы нейронной ковые фрактальные размерности, но различный сети, а учитель правильно классифицирует их, относя внешний вид или текстурные показатели. Было предк одному образу (инвариантность к обучающей выложено несколько альтернативных способов опредеборке); третий – использование инвариантных приления заполнения, самый известный из которых имеет знаков, процесс извлечения которых может быть реавид лизован самой сетью или выполнен с помощью до= M M -1, () полнительных системных преобразований до подачи на нейронную сеть. Последний способ представляется где M – масса фрактального образования; M – ожи- нам наиболее целесообразным при дешифрировании даемая масса. Заполнение, показывающее разницу аэрофотоснимков, поскольку мы можем влиять на между фрактальной массой и ожидаемой массой, от- процесс извлечения инвариантных признаков, строя носится к статистическим характеристикам второго инвариантные текстурные фильтры.

порядка и изменяется следующим образом: заполне- Рассмотрим процесс обучения нейронной сети ние мало для плотной текстуры и велико для крупно- прямого распространения, использованной в наших зернистой текстуры. экспериментах. Пусть нейрон k работает под управлеРаспознавание текстур. Распознавание образов нием вектора сигнала от одного или нескольких скры(в частности, текстур изображений лесных массивов), тых слоев x(n), где n – номер шага итеративного провыполняемое нейронной сетью, является по своей цесса настройки синаптических весов нейрона k. Обо Математика, механика, информатика Таблица значим выходной сигнал нейрона k как yk(n), примем, Входы и выходы нейронной сети что этот сигнал является единственным выходом нейронной сети. Сравним полученный выходной сигнал Входы/Выходы Название yk(n) с эталонным сигналом dk(n), в результате чего Вход 1 Фрактальная размерность (D) получим сигнал ошибки ek(n):

Вход 2 Средняя яркость ek(n) = dk(n) – yk(n).

Вход 3 Дисперсия Далее сигнал ошибки инициирует последовательВход 4 Гладкость ность корректировок синаптических весов нейрона k.

Вход 5 Третий момент Такие изменения преследуют цель пошагового приВход 6 Однородность ближения выходного сигнала yk(n) к эталонному сигВход 7 Энтропия налу dk(n). Цель достигается за счет минимизации Выход Тип текстуры, выход функции стоимости E(n), определяемой как E(n) = ek2(n)/2, Реализация алгоритмов и результаты эксперигде E(n) – текущее значение энергии ошибки. Пошаментальных исследований. Разработка программноговая корректировка синаптических весов нейрона k го комплекса TextureFeatures v.1.0 проводилась в срепродолжается до тех пор, пока нейронная сеть не досде программирования Code Gear C++ Builder 2007.

тигнет устойчивого состояния. Рассмотренный проПрограммный комплекс включает четыре модуля:

цесс является обучением, основанном на коррекции главный модуль Main.cpp; модуль расчета статистиошибок. Минимизация функции стоимости E(n) выческих характеристик Stat.cpp; модуль расчета фракполняется по так называемому дельта-правилу, или тальных показателей Fract.cpp; модуль вспомогательправилу Видроу–Хоффа. Обозначим переменной ных функций ImageCol.hpp.

wkj(n) текущее значение синаптического веса wkj нейВ главном модуле Main.cpp реализован графичерона k, соответствующего элементу xj(n) вектора x(n) ский интерфейс и структура меню программы. Мона шаге приближения n. В соответствии с дельтадуль расчета статистических характеристик Stat.cpp правилом изменение wkj(n), применяемое к синаптисодержит функцию расчета статистических показатеческому весу wkj, задается выражением лей для описания изображения. Модуль Stat.cpp wkj(n) = ek(n)xj(n), использует гистограмму яркости изображения, которая рассчитывается вспомогательным модулем и пегде – параметр скорости обучения (некоторая полоредается в функцию Get_Stat(int *gist). Функция возжительная константа).

вращает шесть значений характеристик с плавающей Вычислив величину изменения синаптического запятой. Модуль расчета фрактальных показателей веса wkj(n), можно определить его значение для слеFract.cpp выполняет четыре основных функции: подующего шага приближения крытие изображения эталонами, покрытие изображеwkj(n + 1) = wkj(n) + wkj(n). (3) ния поверхностями, вычисление фрактальной размерПерепишем выражение (3) как ности и вычисление показателя лакунарности.

wkj(n) = z–1[wkj(n + 1)], Модуль вспомогательных функций выполняет перевод изображения в бинарное и полутоновое, а также где z–1 – оператор единичной задержки элемента парассчитывает гистограммы изображения по яркости.

мяти нейронной сети.

Все модули непосредственно связаны с главным моРассмотрим нейронную сеть для распознавания дулем и функционируют по командам из главного текстур ландшафтных изображений (рис. 1). Сеть соменю.

стоит из двух скрытых слоев по 10 нейронов в кажТестирование проводилось на персональном комдом, входного и выходного слоев. На вход подается пьютере, имеющем следующую конфигурацию: профрактальная размерность и шесть статистических цессор Intel Corel 2 DUO 2.26 GHz; ОЗУ 2024 Mb;

характеристик, а на выходе получаем тип текстуры.

видеокарта Ati Radeon HD 3470 512 Mb. Для тестироИнформация о входах и выходах нейронной сети вания использовались две базы с естественными текпредставлена в табл. 1.

стурами: Textures Library Forrest (400 изображений) и Brodatz (110 изображений). Также был реализован m-файл в программном обеспечении MatLab 2008b, вычисляющий фрактальную размерность методом покрытий квадратной сеткой и файл для расчета статистических характеристик. Данные по расчетам фрактальных показателей с помощью программного продукта TextureFeatures v. 1.0 и с использованием среды MatLab 2008b представлены в табл. 2.

По результатам тестирования видно, что текстуры с разными фрактальными образованиями имеют Рис. 1. Нейронная сеть прямого распространения в основном разную фрактальную размерность. Фрак Вестник Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева талы текстур «трава» имеют ФР, равную 2,6256, «об- Экспериментальные исследования, проведенные лака» – 2,6421, «вода» – 2,6001, «кора дерева» – с помощью разработанного программного комплекса 2,7198, «дерево» – 2,69584, «куст» – 2,65438. В ходе TextureFeatures v. 1.0 и полученные с применением пакета MatLab 2008b, показали, что расхождения при экспериментов было обнаружено, что некоторые расчете фрактальных показателей составляют около фрактальные образования имеют почти одинаковую 2…4 %, что существенно не влияет на полученные размерность, для чего рассчитывались показатели результаты.

лакунарности (см. табл. 2) и статистические характеНейронная сеть была построена и обучена с пористики. Статистические характеристики позволяют мощью программы Neural Network Wizard 1.7. В тесопределить характер текстуры (гладкая, грубая, петовой выборке было подано на входы нейронной сети риодическая). К грубой текстуре относятся изображепо 50 эталонов каждого вида текстуры. Пример расния «дерево» и «куст», к периодической текстуре – считанных весовых коэффициентов синапсов на осизображения «кора дерева» и «трава», к гладкой текнове тестовой выборки представлен в табл. 3.

стуре – изображение «вода».

Таблица Результаты расчета фрактальных показателей текстурных изображений с помощью программного продукта TextureFeatures v. 1.0 и среды MatLab 2008b Текстура Фрактальная размерность Фрактальная размерность Показатель лакунарности TextureFeatures v.1.0 MatLab 2008b TextureFeatures v.1.«Трава» 2,627 1 2,625 6 0,910 «Облако» 2,643 9 2,642 1 0,756 «Вода» 2,603 681 2,600 1 0,934 «Кора дерева» 2,721 743 2,719 8 0,891 «Дерево» 2,697 814 2,695 84 0,873 «Куст» 2,658 424 2,654 38 0,859 Таблица Пример весовых коэффициентов синапсов n00 n01 n02 n03 n04 n05 n06 n07 n08 nInt 1 0,774 5 –0,195 3 –1,300 0 –1,301 7 –0,262 7 2,606 1 –0,039 3 –0,134 3 2,871 4 –0,457 Int 2 0,352 1 0,558 4 1,132 6 0,688 8 –0,077 8 0,046 0 0,656 5 0,525 2 –0,261 3 0,662 Int 3 0,086 0 0,518 1 0,128 0 0,007 7 0,344 0 0,469 0 0,692 5 0,688 7 1,103 1 0,612 Int 4 0,926 2 0,549 8 1,332 3 1,974 9 1,468 7 –0,780 2 1,207 0 0,944 7 –1,291 3 1,034 Int 5 0,826 0 0,622 8 0,547 8 0,602 9 0,105 9 1,527 0 0,490 1 0,006 7 1,432 5 0,676 Int 6 0,193 5 0,442 5 0,239 8 1,100 0 0,062 0 0,362 7 0,090 9 0,689 1 0,620 1 0,956 Int 7 0,918 8 0,515 9 0,852 0 0,773 3 1,194 3 0,425 6 0,377 9 0,501 0 0,703 8 0,923 const 0,592 9 0,602 4 0,093 1 0,190 1 0,335 2 0,746 5 0,480 3 –0,072 9 0,469 5 0,377 n10 n11 n12 n13 n14 n15 n16 n17 n18 nn00 0,733 2 0,588 3 0,109 4 0,520 9 0,510 9 0,902 0 0,917 1 –0,341 7 0,219 7 0,286 n01 0,040 2 1,005 3 0,976 2 0,156 6 0,504 5 0,668 1 0,317 1 0,334 7 –0,322 0 0,588 n02 –0,064 9 0,629 4 0,623 3 0,365 6 0,823 3 0,594 1 0,763 2 1,760 7 0,477 5 0,185 n03 –0,226 3 0,965 6 0,521 1 0,719 2 0,751 1 0,678 1 0,364 9 1,936 6 0,925 1 0,486 n04 0,091 4 0,062 1 0,340 9 0,577 7 0,621 8 0,457 8 0,626 6 0,874 2 0,793 5 0,730 n05 0,519 6 0,438 4 0,762 8 0,066 6 0,717 9 0,932 5 0,720 0 –3,119 1 –1,246 8 –0,294 n06 0,078 0 0,785 5 0,995 9 0,072 6 0,768 5 0,488 2 0,604 6 0,379 9 0,143 8 0,486 n07 0,041 4 0,893 1 0,197 1 0,050 6 0,921 0 0,361 0 1,005 1 0,432 4 0,218 4 0,014 n08 1,069 8 0,190 3 0,680 6 0,656 8 0,458 1 0,542 2 0,813 0 –3,655 4 –2,118 5 –0,089 n09 0,567 6 0,597 0 0,742 2 0,912 0 0,581 7 0,378 0 0,802 6 0,379 5 0,512 8 0,354 const 0,939 4 0,579 6 0,954 6 –0,011 4 0,407 4 0,881 5 0,800 4 –0,644 1 –0,223 0 0–341 out 0,764 3 0,218 0 0,565 1 –0,538 0 –0,122 4 0,418 7 0,591 6 –8,333 8 –3,312 8 –0,839 out const 0,315 Математика, механика, информатика Рис. 2. Диаграмма верного и ложного распознавания По диаграмме точности распознавания различных Библиографические ссылки классов текстур с помощью трехслойной нейронной 1. Gonzalez R. C., Woods R. E. Digital image procсети прямого распространения на основе обучающей essing. New Jersey : Prentice-Hall, 2002.

выборки видно, что процент верно распознанных тек4. Mandelbrot B. B. The Fractal Geometry of Nature.

стур составил 79…93 %, а ложного – 7 и 21 % (рис. 2).

N. Y. : Freeman, 1982.

Таким образом, разработанный программный 2. Петухов Н. Ю. Реализация метода покрытий для комплекс Texture Recognition v.1.0 позволяет оценирасчета фрактальной размерности ландшафтных изовать основные фрактальные и статистические покабражений // Тез. докл. 11 междунар. конф. «Цифровая затели текстур ландшафтных изображений. Для пообработка сигналов и ее применение». Ч. 2. М., 2009.

вышения точности распознавания необходимо проС. 393–396.

извести обучение нейронной сети с большим коли3. Потапов А. А. Фракталы в радиофизике и рачеством образцов.

диолокации: топология выборки. М. : Унив. кн., 2005.

N. Yu. Petukhov ANALYSIS AND RECOGNITION OF TEXTURAL IMAGES ON THE BASIS OF STATISTICAL AND FRACTAL FEATURES An algorithm of recognition of textural images by means of a neural network of direct distribution is considered.

Fractal dimensions calculation methods, by the method of coating a surface with master plates and method of coating a fractal structure with two-dimensional surface, are considered. Algorithm of calculation of statistical descriptors is presented, along with the results of the experiments carried out.

Keywords: texture, fractal dimension, statistical characteristics, a neural network.

© Петухов Н. Ю., Вестник Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева УДК 004.932.Д. И. Пьянков АЛГОРИТМЫ ПРОСТРАНСТВЕННО-ВРЕМЕННОЙ КОРРЕКЦИИ ВИДЕОПОСЛЕДОВАТЕЛЬНОСТЕЙ В ЗАДАЧАХ СТЕРЕОВИДЕНИЯ Приведен метод пространственно-временной коррекции видеопоследовательностей в задачах стереовидения. Рассмотрен алгоритм оценки движения и получения интерполяционных кадров в видеопоследовательностях. Приведен алгоритм совмещения видеопоследовательностей для построения стереовидеопоследовательности. Представлены результаты тестирования методов интерполяции и совмещения видеопоследовательностей.

Ключевые слова: видеопоследовательность, изображение, стереовидение, интерполяция.

На сегодняшний день стереосъемка становится все ствующими полученными дополнительными кадрами более популярной. Однако по сравнению со съемками преобразованной видеопоследовательности (интерпов профессиональных студиях, в которых используется лированные кадры).

специализированное дорогостоящее оборудование, 4. Генерируется новая видеопоследовательность, стереосъемка в домашних условиях затруднительна. полученная из текущего совмещенного кадра, полуЭто обусловлено тем, что необходимо обеспечивать ченного интерполяцией, путем добавления его в высинхронную запись на несколько видеокамер одно- ходной поток.

временно. Бюджетный вариант видеокамер не по- 5. Повторяется шаг 2 до тех пор, пока все кадры базволяет достичь синхронной записи при частоте зовой видеопоследовательности не будут совмещены.

Pages:     | 1 |   ...   | 14 | 15 || 17 | 18 |   ...   | 65 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.