книги / Теория признаков распознавания образов на основе стохастической геометрии и функционального анализа
..pdf252 Гл. 12. Стохастическое распознавание в задачах прогнозирования
примерами которых являются изображения из области нанотехнологий (рис. 12 .1).
Глава посвящена формированию признаков распознавания при ска нировании изображений со случайными параметрами с целью расши рения круга решаемых задач и повышения интеллектуальности распо знающих систем.
Трейс-преобразование изображений при сканировании со слу чайными параметрами. Пусть F(M ) функция изображения на плос кости. Определим на плоскости прямую l{6,p,t), которая задается параметрами в и р; параметр t определяет точку на прямой. Опреде лим функцию двух аргументов g(0,p) = Т (F о 1(6, p,t)) как результат действия функционала Т при фиксированных значениях переменных в и р.
При проектировании распознающих систем используют дискретный вариант трейс-преобразования. Параметры сканирующей прямой обра зуют два дискретных множества:
П = {61,62, ... ,6 п},
г= {риР2, ■ ■ чРт }-
Врезультате действия функционала Т получаем матрицу, элемен тами которой являются значения tij = T (F о /(<?*,Pj,t)). Детерминиро ванное сканирование позволяет однозначно определить каждый эле мент матрицы. Выше д(в,р) названа трейс-трансформантой, а процесс получения трейс-трансформанты в результате действия функционала Т на множестве прямых — трейс-преобразованием.
Для организации сканирования со случайными параметрами на множествах $1 и Г задаются вероятностные распределения:
£ = ( |
£ ь •••>£«)> |
Ег& = 1 ; |
V = { V l , V 2 .................. Г)т), |
Е % = 1 - |
|
|
|
3 |
Выбирая параметры |
сканирования |
случайным образом на основе |
заданных распределений, получаем матрицу случайных величин Т ^,
где |
= 0 с вероятностью (1 - |
или TV,- = |
с вероятностью CiVj- |
|
|
Распределение случайной величины |
определяется с одной сто |
||
роны случайностью изображения F, |
с другой — распределениями £, р. |
Формирование стохастических признаков распознавания.
Трейс-преобразование лежит в основе получения различных интеграль ных признаков, которые можно представить в виде последовательного действия трех функционалов на функцию Fol(6,p,t). В главе 3 рассмотрено сканирование решетками фигур Ко, которые получаются как результат всевозможнейших движений, переводящих решетку фундаментальных областей «о, сщ, « 2. • • • [43, 93] в себя. Фигура Ко полностью заключена внутри некоторой фундаментальной области оц. Дискретный вариант получения триплетных признаков можно представить как результат сканирования изображения К решеткой
12.1. Стохастическое формирование триплетных признаков |
253 |
параллельных прямых. В главе 3 показано, что в этом случае интеграл
1 = |
f ( K n K 0)dK, |
( 12. 1) |
К П К о^ 0
где dK — кинематическая плотность относительно фигуры К, может быть заменен интегралом от суммы
1 = J 2 f( T i K 0 n K )d K ,
где Т; — движение, переводящее область ац в область «о- Рассмотрим решетку фундаментальных областей с пропусками. На
последовательности конгруэнтных областей ао,оц,а2 , ... ,а п, ... зада дим вероятностное распределение Р(п). В этом случае (12.1) следует заменить оценкой
!' = J 2 f{ T iK 0 r\K )P (i)dK .
(Уо
В качестве функции f(Ko П Х)возьмем число точек пересечения фигур K Q и К. В этом случае значение интеграла I, как показано в главе 3, равно il(a — I), где I — периметр фигуры К, г а - расстоя ние между прямыми сканирования (Z < а). Однако при рассмотрении решетки фундаментальных областей с пропусками параметр а стано вится случайной величиной, и поэтому интеграл (12 .1) оценивается величиной
Г = Y Jf { P K ^ K ) P { i ) d K = Y J f(Ko П T f lK) dKP(i)
=4l(oi - l)P(i) = 4Z(Ma - Z), (12.2)
где M a — математическое ожидание расстояния между прямыми сканирования для вероятностного распределения Р(п), заданного на
множестве конгруэнтных областей ао.<*ь<*2. • • ••
При сканировании изображения фигура К является случайной и параметр Z есть случайная величина, характеризующая К. В этом случае, как доказано в главе 3, величина (12 .1) равна
I = 4MZ(a - Ml). |
(12.3) |
Если сканирование происходит со случайными параметрами, тогда учитывая (12.2) и (12.3), получим следующий результатV
V = 4MZ(Ma - Ml).
254 Гл. 12. Стохастическое распознавание в задачах прогнозирования
Ошибки измерения признаков распознавания возникают, с одной стороны, вследствие случайности изображения, а, с другой стороны, ввиду случайности прямых сканирования. Если рассматривать детер минированное сканирование, то среднее квадратическое отклонение оценки числа I при N сканирующих прямых, согласно выводам, по лученным в главе 4, равно
N '
Данная дисперсия определяется случайностью изображения. В гла ве 4 показано, что дисперсия случайной величины п — число пере сечений образа со сканирующей фигурой - определяется размерами области сканирования.
При случайном сканировании из N имеющихся прямых выбирается М прямых. Будем определять последовательно, выбирать прямую или нет. В этом случае будем иметь дело с биномиальном распределением
с параметром q = В силу того, что N велико — q мало, бино
миальное распределение апроксимируется распределением Пуассона с
параметром А = Мд = — . Если размер изначальной ячейки а, то щ
можно определить как (т о + 1)а, где то — число последовательно не выбранных прямых, есть случайная величина, распределенная по геометрическому закону.
В этом случае дисперсия |
величины V определяется, в том числе, |
и дисперсией величины а*. Равенство (12.2) запишется в виде |
|
|
\ т р — Х |
V = ^ ^ 4 1(а(т + 1)Рм{тп) —I) ~ 4 /а ^ ^ (то + 1)----- j------412 = |
|
т |
т |
|
= 41(а —I) + 4/аА. |
При детерминированном сканировании изображений величина а 2
N
увеличится в — раз за счет уменьшения числа сканирующих прямых.
При случайном сканировании мы должны учесть дисперсию распре
деления Пуассона, которая равна А = |
Таким образом, итоговая |
дисперсия при сканировании изображений со случайными параметрами сохранится на уровне а 2.
На основе выш еизлож енного следует , что при формировании признаков распознавания с использованием сканирования со случай ными парамет рами дисперсия оценки признака уменьш ает ся при использовании того же числа сканирующ их прямых. При ф иксиро ванной дисперсии сканирование со случайными парамет рами ведёт к уменьш ению числа сканирующ их прямых. Это ведет к повыш ению быст родейст вия, а, следоват ельно, к повыш ению инт еллект уаль ности распознаю щ их систем.
12.2. Свойства стохастических триплетных признаков |
255 |
12.2. Свойства стохастических триплетных признаков
Выше отмечалось, что для распознавания образов представляют ин терес признаки распознавания, инвариантные по отношению к группе движений. Этого требует независимость результата распознавания от поворотов и перемещений распознаваемых объектов. Вместе с тем, для многих практически важных приложений (в аэрокосмических исследо ваниях, в робототехнике — для позиционирования инструмента) важно не только достичь независимости распознавания от группы движений, но и уметь точно определять параметры поворотов и перемещений объектов. В связи с этим актуальной становится постановка задачи создания сенситивных по отношению к группе движений признаков, с помощью которых можно определить параметры движения объектов одновременно с распознаванием.
Свойство инвариантности стохастических триплетных призна ков,получается «автоматически» при сканировании изображений со случайными параметрами, если нормальные координаты сканирующих линий в пространстве (в,р) распределены равномерно.
Исследуем, сохраняется ли сенситивность по отношению к группе движений стохастических триплетных признаков, получаемых при ска нировании изображений со случайными параметрами.
Рассмотрим получение триплетных признаков на основе кинемати ческой меры
тdddpdt.
F
Для расширения получаемых признаков рассмотрим интегрирова ние некоторой функции f(6,p,t) изображения распознаваемого объек та F
П (F) f(d, р, t) dO dpdt.
F
Представим кратный интеграл как последовательный
27Г |
|
П (F) = de |
dp f(0,p,t) dt. |
Такое представление позволяет рассматривать П(Д) как триплет ный признак (последовательное действие трех функционалов).
Введем в рассмотрение на множествах изменения в и р вероятност
ные распределения путем |
определения функций распределения В(в) |
|
и С(р). В этом случае |
|
|
2-7Г |
|
+ о о |
П'(F) |
dB{9) |
dC(p) f(9,p,t)dt |
о |
|
о |
256 Гл. 12. Стохастическое распознавание в задачах прогнозирования
также может рассматриваться как признак, полученный с использова нием сканирования со случайными параметрами.
Если вероятности распределения В(в) и С(р) таковы, что существу ют функции плотности распределения, то
2тг |
+ о о |
|
n'(F) = 6(0) dB |
с(р) dp f{0,p,t)dt = |
|
|
2п |
+ о о |
|
= dO |
dp b(d)c(p)f(d, p,t)dt. |
|
о |
о |
По своей структуре признак П'(Д) аналогичен признаку n (F ). Отличие состоит в том, что функция изображения / умножается на функции плотности распределения Ь(в) и с(р).
Если рассматривать техническую систему распознавания образов, то изменение параметра р конечно; на множествах изменения в и р можно задать равномерные распределения. В этом случае
6(0) = |
IU2тг’ |
если в е [0, 27г], |
|
если в ф [0, 2-7г ] . |
|||
с{р) = |
I А ’ |
если р 6 [О, А], |
|
если р £ [О, А]. |
|||
|
|
А — ширина изменения параметра р. В этом случае будем иметь
|
2 7 г |
А |
|
|
1 |
|
|
1 |
dp f(6,p,t)dt |
|
|||
П'(F) |
U(F). |
|
||||
|
2дД |
о |
|
|
27гД |
|
|
о |
|
|
|
|
|
Данный |
факт позволяет |
сказать, |
что |
если |
признак П (F) |
обладал |
некоторыми |
свойствами, например, |
был |
сенситивным, то и |
признак |
||
П'(F) также будет обладать этими же свойствами. |
|
Следует сказать, что в общем случае вероятностные распределения могут быть достаточно произвольными. Подбор функций Ь(в) и с(р)
может быть |
осуществлен таким образом, что функция изображения |
/ ' = Ъ• с • / |
сохранит свойства признака П (F) при организации скани |
рования со случайными параметрами.
Таким образом, доказано, что свойство сенситивности призна ков распознавания по отношению к движению и линейным дефор мациям объекта сохраняется при сканировании со случайными па раметрами. Следовательно, сенситивные признаки можно использо вать для определения параметров движения (перемещения, поворо тов) и линейных деформаций объектов (в частности, масштабных изменений).
12.3. Оптимизация геологических исследований |
257 |
12.3. Оптимизация геологических исследований
Вероятностно-статистические методы распознавания образов широ ко и с немалым экономическим эффектом используются во всем мире для целей геологоразведки [20, 36]. Однако их применение предъявля ет повышенные требования к информационному обеспечению геолого разведки, так как необходимым условием применения распознавания образов является знание статистической связи между признакамипараметрами месторождений полезных ископаемых. Часть этих сведе ний можно извлечь из знания природы объекта, т. е. из геологической истории местности, геофизических соображений, данных минералогии и т. п. Однако существенная часть этой информации получается путем накопления статистики по уже разработанным месторождениям. От того, насколько полны эти статистические данные, в значительной степени зависит успех применения методов распознавания образов в геологоразведке, и наоборот, эффективность применения методов распознавания резко падает при недостаточности статистического ма териала о характере связи признаков.
В этом плане стохастическая геометрия дает некоторые новые воз можности, частично восполняющие отсутствие статистических данных. Дело в том, что в самой конфигурации месторождений заложена немалая доля этих данных, ибо, как мы видели, распределение неко торых геометрических параметров, в частности расстояний, зависит от формы объекта — в круге и квадрате, например, они существенным образом отличаются. Поэтому для некоторых видов ископаемых, для которых характерна устойчиво повторяющаяся форма месторождений, можно применять методы стохастической геометрии для решения за дач геологоразведки. Примерами таких ископаемых являются нефть и бокситы, месторождения которых имеют линзообразную форму, а также некоторые металлические руды, залежи которых представляют собой пластовые жилы, имеющие форму отрезков прямой. Эти фор мы хорошо изучены в стохастической геометрии, поэтому появляется возможность на ее основе решать задачи прогнозирования зон минера лизации, оценки запасов месторождений, оптимизации геологических исследований [10 1].
Рассмотрим четыре задачи, являющиеся следствиями задачи Бюффона об иголке, важные для приложений в геологических исследова ниях. Эти задачи касаются пересечений объектов разной формы с ре шеткой. В контексте геологического применения под объектами будут пониматься геологические тела или месторождения, под решеткой — система буровых скважин и горизонтальных проходок или штолен.
Задача 1. Предположим, что на плоскую решетку, состоящую из точек, являющихся вершинами прямоугольников а х 6, случайным об разом бросают объект-прямоугольник с размерами I < а и h > b таким образом, чтобы большая ось прямоугольника оставалась параллельной вертикальным осям точек решетки (рис. 12.2). Нас будет интересовать вероятность покрытия хотя бы одной точки решетки прямоугольником.
17 Федотов Н. Г.