Введение к работе
Актуальность темы. Компьютерная обработка изображений относится к числу наиболее динамично развивающихся информационных технологий, применяемых в различного рода радиофизических системах, в том числе в системах радиолокации, аэрокосмического мониторинга поверхности Земли, в технической диагностике, физическом материаловедении. При обработке радиолокационных и оптических изображений в системах дистанционного зондирования земной поверхности решаются различные задачи сегментации пространственно распределенных объектов, обнаружения локализованных объектов, классификации типов земных покровов, измерения геометрических и ра-диояркостных характеристик. Решение этих задач базируется как на использовании различного рода эвристических методов, так и на основе синтеза алгоритмов в рамках статистической теории решений. В основе статистического синтеза лежит, как правило, использование математических моделей случайных полей, формирующих реализации для описания пространственно однородных объектов. Одной из важных задач является задача предварительного обнаружения локально-неоднородных участков и, на этой основе, границ пространственно распределенных объектов с целью их последующей сегментации и классификации. Решение этой задачи неоднократно рассматривалось как на основе эвристических методов (В. Прэтт, Р. Харалик, Дж. Превитти др.), таки в рамках теории статистических решений (А. Джайн, Ч. Террайен, И.В. Никифоров, М. Бассвиль, А. Банвенист, В.В. Моттль, Н.В. Верденская и др.). Алгоритмы, реализованные на эвристической основе, с трудом поддаются попыткам получения количественных оценок эффективности, обладают слабой устойчивостью по отношению к влиянию шумов и не всегда работоспособны при выделении участков с неоднородной текстурой. Статистические алгоритмы также не всегда оказываются эффективными для реальных приложений: во-первых, крайне высока их вычислительная сложность при расчете функционалов правдоподобия для большого числа гипотез при неопределенности пространственного положения границ объектов; во-вторых, статистические модели изображений, для которых эти алгоритмы получены, не всегда хорошо аппроксимируют реальные изображения. Возникает вопрос о применении в указанных целях алгоритмов, построенных на основе искусственных нейронных сетей, которые, как известно, обладают способностью обучаться практически на любых исходных данных и позволяют при этом реализовывать экономные в вычислительном отношении алгоритмы принятия решений. Обоснование подобных алгоритмов (выбор используемого типопредставителя нейронной сети, архитектуры, параметров обучения) в большинстве случаев строится на эвристической и эмпирической основе. При этом зачастую трудно сделать какие-либо выводы относительно оптимальности сделанного выбора и близости полученных результатов к потенциально достижимым. Кроме того, при применении нейросетевых алгоритмов для обработки реальных изображений возникают сложности, связанные с получением представительных совокупностей данных для их обучения. В этом плане интерес представляет рассмотрение комбинированного подхода, основанного на сочетании аппарата
ЙЯИП
искусственных нейронных сетей и статистических алгоритмов анализа случайных полей, что, как можно ожидать, позволит выгодным образом сочетать их преимущества и избавиться от недостатков.
Таким образом, тема диссертации, связанная с разработкой нейросетевых, статистических и комбинированных алгоритмов для выделения неоднородных участков и границ раздела случайных полей и их применения для анализа реальных изображений пространственно распределенных объектов, получаемых в системах дистанционного зондирования земной поверхности, является актуальной.
Целью работы является разработка и исследование моделей и алго
ритмов выделения неоднородных участков и границ раздела случайных полей
на основе нейросетевых и статистических методов обработки информации.
Для достижения цели в диссертации рассматриваются и решаются следующие
задачи.
Анализ известных методов и подходов к решению задач выделения неоднородных участков и границ изображений пространственно распределенных объектов при обработке изображений.
Проведение синтеза и сравнительного анализа эффективности и робаст-ности оптимальных и нейросетевых алгоритмов обнаружения локальных не-однородностей в интересах выделения границ раздела случайных полей на основе тестовой статистической модели неоднородностей.
Обоснование принципов построения последовательных алгоритмов обнаружения пространственной «разладки» в интересах выделения границы раздела случайных полей, синтезированных на основе авторегрессионных моделей, и исследование эффективности их функционирования с помощью методов имитационного моделирования.
Обоснование методики построения нейросетевых алгоритмов генерации текстур искусственных изображений авторегрессионного типа, а также рассмотрение применения полученных нейросетевых моделей изображений в комбинации с алгоритмами обнаружения «разладки» в интересах выделения границ пространственно распределенных объектов при обработке реальных изображений.
Методы проведения исследования. При решении поставленных в диссертации задач использовались современные методы теории вероятностей и математической статистики, теории статистических решений, теории марковских случайных полей, аппарата искусственных нейронных сетей, методы математического анализа, численные методы и методы программирования.
Основные результаты работы. На защиту выносятся следующие результаты, впервые достаточно подробно развитые или полученные в настоящей работе.
1. Синтезированные на основе введенной тестовой модели статистически оптимальные и нейросетевые алгоритмы обнаружения неоднородности в виде границы раздела гауссовских случайных полей и результаты исследования их эффективности и робастности.
Авторегрессионные модели случайных полей с границами произвольной формы и синтезированные на их основе алгоритмы выделения границ на основе обнаружения пространственной «разладки».
Нейросетевые алгоритмы моделирования текстур искусственных изображений авторегрессионного типа и результаты исследования их точности и адекватности.
Комбинированные алгоритмы определения границ пространственно распределенных объектов на основе сочетания алгоритмов обнаружения «разладки» и нейросетевых авторегрессионных моделей, обученных по реальным изображениям.
Научная новизна результатов работы заключается в следующем.
При обосновании алгоритмов обнаружения неоднородностей получены соотношения для функционалов правдоподобия гауссовских случайных полей, заполняющих общую область (фрагмент изображения) и разделенных границей произвольной формы, а также выражения для ошибок обнаружения неоднородности при использовании критерия идеального наблюдателя. Обоснована архитектура нейросетевых алгоритмов аналогичного назначения. Проведен сравнительный анализ эффективности и робастности оптимальных и нейросетевых алгоритмов в условиях, отвечающих возможным ситуациям практического применения подобных алгоритмов, и показано, что предложенные нейросетевые алгоритмы обеспечивают эффективность обработки, близкую к потенциально достижимой на основе оптимальных. Одновременно показано, что нейросетевые алгоритмы являются более робастными по сравнению с оптимальными при отклонении параметров используемой модели неоднородности от номинальных.
Получены выражения для условных и безусловных плотностей распределения вероятности гауссовского неразделимого случайного поля с границами произвольной формы, формируемого на основе авторегрессионных моделей различного порядка. Для трехточечной модели приведены рекуррентные соотношения для условных и безусловных дисперсий и определены условия стационарности случайного поля. Синтезированы статистические алгоритмы определения положения границ раздела трехточечных неразделимых случайных полей методом обнаружения одномерной (построчной) и пространственной «разладок» и проведен сравнительный анализ их эффективности на примерах типовых ситуаций. Показано, что использование алгоритмов обнаружения пространственной «разладки» повышает вероятность правильного определения элемента границы в среднем от 20 до 50% по сравнению с однострочными методами в зависимости от степени различия параметров полей.
Впервые предложены нейросетевые алгоритмы моделирования (генерации) изображений пространственно распределенных объектов авторегрессионного типа, обучаемые непосредственно на реальных изображениях. Сформулированы рекомендации относительно структуры и параметров линейных и нелинейных нейронных сетей, используемых в качестве основных вычислительных элементов для проведения машинного синтеза изображений. Получены аналитические выражения, определяющие условия устойчивости нейросе-
тевых алгоритмов для девятиточечной (размера 3x3) неупреждающей области локальных состояний.
4. Предложена методика синтеза комбинированных статистических алгоритмов определения границы объектов на изображениях методами обнаружения «разладки» в сочетании с нейросетевыми, формирующими коэффициенты линейной и нелинейной авторегрессии. Обоснована эффективность данного подхода при выделении границ раздела пространственно распределенных объектов на реальных изображениях, обладающих различной текстурой.
Практическая значимость. Предложенные в диссертации оптимальные, нейросетевые и комбинированные алгоритмы обнаружения неоднородных участков и оценивания местоположения границы раздела случайных полей, а также алгоритмы моделирования искусственных изображений могут быть использованы при обосновании принципов построения и разработке программных средств, систем обработки и анализа изображений. Полученные аналитические соотношения и результаты имитационного моделирования, направленные на оценку эффективности выполненных процедур анализа изображений, позволяют обоснованно выбирать необходимые режимы работы и параметры разработанных алгоритмов, реализуемых в конкретных системах в зависимости от имеющейся априорной информации и ограничений вычислительных ресурсов. Результаты работы могут найти практическое применение при проектировании и анализе информационных систем: автоматизированной обработки радиолокационных или оптических изображений, получаемых методами дистанционного зондирования; медицинской и технической компьютерной диагностики; искусственного зрения и анализа сцен в задачах робототехники; компьютерной графики для синтеза искусственных изображений.
Обоснованность и достоверность результатов определяется понятной физической трактовкой основных результатов и выводов, совпадением полученных теоретических оценок с результатами модельного эксперимента, а также с данными обработки реальных изображений, данными сравнительного анализа характеристик используемых моделей формирования случайных полей и реальных изображений.
Внедрение научных результатов. Полученные в диссертации результаты использованы в 5 ЦНИИИ МО РФ при выполнении плановых НИОКР, а также в НТЦ «Версия» при разработке программного обеспечения для обработки изображений, получаемых в системах дистанционного зондирования, что подтверждается соответствующими актами о реализации.
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на:
XIII, IX и X Международных научно-технических конференциях «Радиолокация, навигация и связь», Воронеж, 2002,2003,2004гг.
I Всероссийской научной конференции «Проектирование научных прило
жений в среде Matlab», Москва, ИПУ РАН, 2002г.
II научно-практической конференции «Мониторинг земель в системе
управления ресурсами регионов России», Воронеж, 2003г.
III международной конференции «Идентификация систем и задачи управления» SICPRO '04, Москва, ИЛУ РАН, 2004г.
Публикации. По теме диссертации опубликовано 9 работ [1-9], в том числе 2 [1,5] в центральной печати.
Объем и структура диссертационной работы. Диссертация состоит из введения, четырех глав, заключения и списка литературы, включающего 97 наименований. Объем диссертации составляет 176 страниц, включая 163 страницы основного текста, 3 страницы рисунков и 10 страниц списка литературы.
