Delist.ru

Методы эффективной декомпозиции вычислительных процедур линейной локальной фильтрации изображений (18.02.2008)

Автор: Мясников Владислав Валерьевич

с минимальным значением производящего функционала:

над K указывает числовую величину - степень «пригодности»: вектор считается «лучше», если значение функционала на нем меньше. Доказывается следующее предложение.

- взаимнооднозначный производящий функционал. Если решение частной задачи синтеза эффективного ЛЛП существует, то:

- оно единственно, и

В дополнении к сформулированной частной задаче построения эффективного ЛЛП в работе предложены следующие методы построения эффективных ЛЛП:

Методы построения отдельного эффективного ЛЛП

прямой метод построения НМС-последовательности;

метод построения НМС-последовательности, согласованной с заданным производящим функционалом (путем решения частной задачи).

Методы построения множества эффективных ЛЛП

-семейства НМС-последовательностей;

метод отбора множества НМС-последовательностей, согласованных с заданным обобщенным производящим функционалом.

. Он приводит к введению понятия НМС-набора последовательностей, который для задачи множественной корреляции имеет тот же смысл, что и НМС-последовательность для задачи (1).

В тексте диссертации приводятся примеры различных НМС-последовательностей, НМС-наборов последовательностей, семейств этих последовательностей и наборов. Некоторые примеры для случая 1D приведены на рисунке 3.

В третьем разделе подробно рассмотрены удобные для практического использования и апробированные автором в реальных задачах НМС-наборы последовательностей и порождаемые ими эффективные алгоритмы вычисления наборов ЛЛП:

НМС-набор последовательностей в виде полиномов четных степеней (1D и 2D),

НМС-набор последовательностей в виде полиномов нечетных степеней (1D и 2D),

НМС-набор последовательностей бинарных (одномерных) шаблонов.

В четвертом разделе диссертации рассматривается применение эффективных алгоритмов ЛЛФ для решения задач обработки изображений и компьютерного зрения. Условно этот раздел можно разделить на две части.

В первой части раздела рассматриваются вопросы построения методов и алгоритмов обнаружения, локализации и распознавания, использующих эффективные алгоритмы. В частности, предлагается модификация известного алгоритма Петерсона-Маттсона настройки линейного классификатора, которая позволяет находить параметры линейной дискриминантной функции при совпадающих средних в классах, в случае использования критерия Неймана-Пирсона и др.

Предлагается процедура расчета параметров линейной дискриминантной функции, используемой в процедуре совместного обнаружения и локализации (СОЛ) объектов на изображении. Процедура строится в предположении независимости отсчетов изображения дискриминантной функции в окне локализации. Показано, что в случае, когда можно допустить нормальность распределения дискриминантной функции, ее параметры также могут быть получены с использованием известного алгоритма Петерсона-Маттсона и его модификации, указанной выше.

г) первые 4 НМС-последовательности семейства НМС-последовательностей

в) НМС-набор последовательностей;

Рисунок 3 - Примеры НМС-последовательностей, НМС-набора последовательностей

и семейства НМС-последовательностей

В качестве удобного и в значительной степени универсального способа построения вычислительных процедур локальной нелинейной обработки и анализа изображений, использующих предложенные в диссертации эффективные алгоритмы ЛЛФ, в работе рассматривается класс двухэтапных процедур обработки. Предлагается метод, позволяющий решить задачу настройки таких двухэтапных процедур для ряда типовых задач. Приводится общее формальное описание предлагаемого метода, названного методом согласованной оптимизации двухэтапных процедур обработки, а также указаны его ограничения. Предлагается базовая итерационная процедура (БИП) метода согласованной оптимизации, приводится доказательство сходимости БИП при некоторых гипотезах. Предлагается ряд модификаций БИП, которые можно использовать в ситуациях, когда обозначенные гипотезы не выполняются.

Предлагаемый метод обосновывает принцип построения процедур оптимизации. Этот принцип и БИП необходимо конкретизировать под решаемую задачу обработки. В четвертом разделе выполнена конкретизация метода согласованной оптимизации и БИП для наиболее важных задач обработки и анализа изображений.

Во-первых, метод согласованной оптимизации и БИП конкретизированы для задачи настройки процедуры СОЛ объектов на изображении; приводится сравнение результатов работы процедуры СОЛ после настройки с использованием: метода согласованной оптимизации; процедуры настройки, построенной в предположении независимости отсчетов изображения дискриминантной функции; известных алгоритмов. Показано преимущество предложенного метода согласованной оптимизации.

Во-вторых, метод согласованной оптимизации и БИП конкретизированы для задачи настройки двухэтапной процедуры распознавания локальных объектов на изображениях. Приводятся результаты исследования эффективности использования предложенного метода на примере решения конкретной задачи распознавания локальных объектов, показано его преимущество по сравнению с известными методами настройки. Детальное исследование метода приводится в диссертации в приложении В.

Важным выводом по результатам исследований является то, что при использовании метода согласованной оптимизации удается не просто достигнуть разумного компромисса между сложностью и качеством конструируемой двухэтапной процедуры обработки, но и получить лучшие качественные характеристики при меньшем времени обработки изображения по сравнению с первоначальной (одноуровневой) процедурой.

Во второй части четвертого раздела приведены примеры реальных практических задач обработки изображений и компьютерного зрения, при решении которых были использованы результаты настоящей диссертации. Учитывая ограниченный объем автореферата, ниже приводится только их список:

выделение контуров и углов на изображении;

синтез локального нелинейного преобразования изображения «по прецеденту»;

моделирование видеоинформационого тракта;

GRID-система обработки данных дистанционного зондирования;

распознавание дактилоскопических изображений;

поиск изображений, видео- и аудио- данных в коллекциях;

поиск личности по фотоизображению лица в БД;

распознавание номеров автотранспортных средств на видеоизображениях;

обнаружение транспортных средств на аэрофотоснимках, полученных с низколетящего летательного аппарата.

Решение приведенных задач выполнялось либо под руководством автора диссертации, либо при непосредственном его участии.

загрузка...