Теория и расчет оптико-электронных приборов - Якушенков Ю.Г.
ISBN 5-88439-035-1
Скачать (прямая ссылка):
гистограмма расстояний между элементами изображения с одинаковой освещенностью и ряд других.
Например, достаточно распространенным способом распознавания, применяемым в системах технического зрения, является использование моментов функции f(x, у), описывающей распределение освещенности в изображении объекта. В общем виде момент (р, q)-то порядка представляется как
mpq=jjf(x,y)xpyqdxdy.
* у
Инвариантность к масштабу достигается нормированием центральных моментов следующим образом:
л = mp«
1P? р+д+г
Определяя моменты ml0 и mov можно определить смещение изображения по осям X и у, а. определяя тп00 — размер (масштаб) изображения.
Инвариантны к сдвигу, повороту и изменению масштаба следующие соотношения, которые являются классификационными признаками при распознавании различных образов и могут быть определены по нормированным моментам первого, второго и третьего порядков [33]:
= rUo + tW '
371 Ю.Г. Якушенков. Теория и расчет оптико-электронных приборов
12 ={т\20 -П02)2+ 4^2H; h = (Чзо - 3ц12)2+(3цгі - Лоз)2:
I4 = (%? + tI и)* +{Т\2І + Лоз)2:
-^=Obo-3rU2XrI3O +rI")
[Чзо + Ліг]2 ~3{Чі2 + Чоз)2
+ (Зц2і - 402)(421 + Поз) 3IrIso + Ч12) - (Чгі + Поз) J6=(rUo-rIo2) (rIso + Чи)* -(? + Поз)2 + 4Ли Obo+ rU2XrWu+ rIo3).'
J7 =(3?-rI03XrI30 +rU2)
(rI3O + Ліг)2 - 5(1? + rIo3)2
+ (3rI22 - Лзо)(тІ2і - rIo3) 5(1? + Ліг)2 -(rI21 + rIіз)2
Вычисление этих соотношений в реальном масштабе времени при современных возможностях вычислительной техники не представляет принципиальной трудности. Для учета весьма разнообразных ситуаций, возникающих при распознавании, например при наблюдении какого-либо объекта под разными ракурсами, возможно создать самообучающуюся систему (классификатор) на базе нейронных сетей (см. §11.12).
Использование инвариантных моментных соотношений с параллельной их обработкой для самообучения нейронных сетей позволяет заметно сократить время обучения и вести распознавание в масштабе времени, близком к реальному.
Возможности современной цифровой вычислительной техники позволяют проводить достаточно оперативно анализ изображений по большому числу признаков. Например, можно практически в реальном масштабе времени получить значения нескольких сотен канонических моментов (до 20-го порядка и выше).
11.12. Нейронные сети в оптико-электронных системах
Изучение процессов обработки информации, происходящих в живых организмах, привело к созданию ряда технических аналогов тех средств, которыми обладают нервная система и зрительный аппарат человека и животных. К числу наиболее перспективных среди них относятся нейронные сети (НС) [5, 33 и др.]. Эти устройства уже
372 Глава 11. Фильтрация сигналов в оптико-электронных приборах
нашли применение в ряде оптико-электронных систем, прежде всего при решении задач распознавания образов.
Структура простейшей HC (одного нейрона) представлена на рис. 11.33. Сигналы с выхода предыдущего слоя или входные для всей HC сигналы получают различные веса Wij. Например, если это входные сигналы, соответствующие отдельным признакам распознаваемых объектов (форма, цвет, размер и т.д.), то наиболее информативным признакам придаются большие веса.
Входными сигналами могут быть также сигналы, снимаемые с отдельных элементов матрицы фотоприемников или светодиодов, т.е. необработанная совокупность отдельных составляющих вектора того или иного признака объекта, например, формы объекта, его координат, цвета и т.п.
Простейшая нейронная сеть состоит из трех слоев нейронов: входного, так называемого скрытого, и выходного. В скрытом слое реализуются определенные комбинации взвешенных во входном слое сигналов, например, их суммирование. В выходном слое часто выполняется замена этой суммы некоторой нелинейной функцией.
Рис.11.33. Схема простейшей нейронной сети
Сигнал на выходе HC часто бинаризован, т.е. имеет только два значения — 0 и 1. На рис. 11.33 в качестве функции, описывающей обработку суммы взвешенных сигналов х, показана часто используемая зависимость (l+e-*)"1.
Веса Wij, необходимые для получения на выходе HC нужного результата, определяются аналитически только в случаях простейших HC с небольшим числом нейронов. Обычно для получения оптимальных Wij используются специальные обучающие алгоритмы и схе-
373 Ю.Г. Якушенков. Теория и расчет оптико-электронных приборов
мы. На рис. 11.34 представлена одна из возможных схем НС, в которой для обучения использована обратная связь.
Рис.11.34. Схема обучения нейронной сети
После подачи на входной слой HC обучающих сигналов из банка эталонов БЭ, например изображений распознаваемых объектов, образуемые в выходном слое HC сигналы сравниваются с желаемыми, т.е. с эталонными сигналами, поступающими в обучающий блок ОБ со входа — из совокупности входных сигналов. Разница в сравниваемых сигналах представляется в виде поправки ДWijt вводимой в значения отдельных весов в каждом слое НС.
Результат обучения считается достигнутым, если на выходе HC после нескольких описанных итераций обеспечивается заданный критерий, например допустимая погрешность распознавания.
