Машинное и компьютерное зрение
Стремясь воспроизвести функции человеческого мозга, исследователи создали простые аппаратные (позже программные) модели биологического нейрона и системы его соединений. Первый успех в области машинного зрения можно смело связать с разработкой психолога Корнеллской лаборатории аэронавтики Фрэнка Розенблатта – персептроном (от perception - восприятие). Персептрон был впервые смоделирован на универсальной ЭВМ IBM-740 в 1958 году. Аппаратный вариант персептрона – Mark I Perceptron был изготовлен в 1960 году и предназначался для распознавания зрительных образов. Его рецепторное поле состояло из 400 точек (матрица 20S20 элементов), и он был способен решать ряд несложных задач, в частности распознавать печатные буквы. К началу 60-х годов задачи компьютерного зрения в основном охватывали область космических исследований, требовавших обработки большого количества цифровой информации. Запущенные в то время космические летательные аппараты передавали на Землю тысячи телевизионных изображений Земли, обратной стороны поверхности Луны. Полученные тогда цифровые изображения требовали удаления различного рода искажений, в частности оптических. Кроме того, эти изображения нуждались в обработке и анализе с целью решения различного рода навигационных задач – таких как определение места площадок, пригодных для посадки спускаемых космических аппаратов. Позднее, в 70-е годы, наряду с ростом разрешающей способности изображений в видимом спектре эта информация стала дополняться полученной в тепловизионном и других спектральных диапазонах частот, что позволяло проводить более глубокий анализ данных.
Основные стадии цифровой обработки изображений
Рассмотрим схему: эта схема не подразумевает, что к изображению применяется каждый из описанных процессов, напротив, целью является донести принципы всех методов обработки, который могут применяться к изображениям в различных целях и, возможно, с различными получаемыми результатами /2/.
Регистрация изображений – первый из процессов, показанных на рис. 1.1. Заметим, что регистрация изображения может оказаться предельно простой, как в случае, когда исходное изображение уже представлено в цифровой форме, несмотря на то что оно может быть получено из разных источников (со спутника в каком либо не видимом для человека диапазоне – машинное зрение, машинная графика). В общем случае стадия регистрации изображения включает некоторую предобработку, например, масштабирование.
Улучшение изображения входит в число наиболее простых и впечатляющих областей цифровой обработки изображений. По существу, за методами улучшения изображения стоит идея выявления плохо различимых деталей или просто подчеркивания интересующих характеристик на исходном изображении. Известным примером улучшения является усиление контраста изображения, т.к. в результате «оно выглядит лучше». Важно иметь в виду, что улучшение качества – весьма субъективная область в обработке изображений.
Восстановление изображений – это область, также связанная с повышением визуального качества изображения, однако, в отличие от собственно улучшения, критерии которого субъективны (предпочтения человеческого восприятия), восстановление изображения является объективным в том смысле, что методы восстановления изображений опираются на математические или вероятностные модели искажений изображения, основанные на способах регистрации получения изображения.
Рис. 1.1. Основные стадии цифровой обработки изображения.
Обработка цветных изображений приобрела особую важность в связи со значительным расширением использования цветных изображений (Цветовые модели, цифровое преобразование цветов, цветовая кластеризация).
Вейвлеты образуют фундамент для представления изображений с несколькими степенями разрешения одновременно. В частности, этот аппарат используется применительно к сжатию данных изображения, а также построения пирамидального представления, при котором изображение поэтапно разбивается на все более мелкие фрагменты или строятся уровни разрешающей способности.
Сжатие относится к методам уменьшения объема памяти, необходимого для хранения изображения или сужения полосы пропускания канала, требуемой для его передачи. Хотя техника запоминающих устройств за последнее десятилетие была значительно усовершенствована, этого нельзя сказать в отношении пропускной способности линий связи (затронули при рассмотрении форматов файлов).
Морфологическая обработка связана с инструментами для извлечения таких компонент изображения, которые могут быть полезны для представления и описания формы. Т.е. переход от процессов, имеющих на выходе изображение. к процессам, имеющим на выходе атрибуты изображении.
Сегментация разделяет изображение на составные части или объекты. В целом автоматическая сегментация принадлежит к числу самых трудных задач цифровой обработки изображений. Излишне подробная сегментация усложняет процесс решения задачи обработки изображения в том числе, если требуется идентифицировать объекты по отдельности. С другой стороны, недостаточно подробная или же ошибочная сегментация почти неизбежно приведет к возникновению ошибок на финальной стадии обработки. В общем, чем точнее сегментация, тем больше шансов на успех при распознавании.
Представление и описание почти всегда следуют непосредственно за этапом сегментации, на входе которого обычно имеются лишь необработанные данные о пикселях, которые либо образуют границу области, либо представляют все точки самих областей. В обоих случаях необходимо преобразовать данные в форму, пригодную для компьютерной обработки. Также должен быть указан метод описания данных, при котором бы выдвигались на передний план интересующие признаки (границы, текстура, скелет и т.д.) и метод их описания. Таким образом, построение описания, иначе называемое выбором признаков, служит основой для различения классов объектов.
Распознавание представляет собой процесс, который присваивает некоторому объекту идентификатор на основании его описателей.
Необходимо отметить также о значении базы знаний и взаимосвязи ее с модулями обработки. Знание предметной области некоторым образом закодировано внутри самой системы обработки изображений. Это знание может быть очень простым, как детальное указание участков изображения, где должна находиться интересующая нас информация, что позволит ограничить область ее поиска. База знаний может быть и очень сложной, как, например, взаимосвязанный список всех наиболее вероятных дефектов в задаче контроля материалов, спутниковые снимки местности с высоким разрешением для контроля изменений и т.п. Помимо этого база знаний руководит работой каждого модуля обработки, она также управляет взаимодействием между модулями (двунаправленные стрелки).