Низкая цена
Всего 249a за скачивание одной диссертации
Скидки
75 диссертаций за 4900a по акции. Подробнее
О проекте

Электронная библиотека диссертаций — нашли диссертацию, посмотрели оглавление или любые страницы за 3 рубля за страницу, пополнили баланс и скачали диссертацию.

Я впервые на сайте

Отзывы о нас

Мультиагентный подход к анализу изображений : диссертация ... доктора технических наук : 05.13.11

Год: 2005

Номер работы: 84094

Автор:

Стоимость работы: 249 e

Без учета скидки. Вы получаете файл формата pdf

Оглавление и несколько страниц
Бесплатно

Вы получаете первые страницы диссертации в формате txt

Читать онлайн
постранично
Платно

Просмотр 1 страницы = 3 руб



Оглавление диссертации:

1.1. Представление изображений на уровне пикселов Множество элементов (никселов) дискретного изображения I нередко обозначается через Р. На Р заданы функция яркости Fi(pi) и отношение соседства ai GPXP. Функция Fi(pi) может быть введена нри с иснользованием вероятностного, либо детерминированного языка. В нервом случае Fi(pi) рассматривается как реализация случайного поля Z с заданной плотностью вероятностей P(z). Во втором случае Fi(pi) действительная функция, принадлежащая метрическому прос

1.2. Основные категории иконических признаков Все признаки, измеряемые на изображении подразделяются на яркостные, контурные, текстурные. К яркостным признакам относятся исходное изображение (функция яркости), среднее, мода, медиана, порядковые статистики, усредняющие маски. Контурные признаки формируются с помощью следующих методов: Линейные методы. Дискретные разности вертикальных и горизонтальных перепадов (одномерные). Свёртка с курсовыми градиентами (9 масок). Операторы Лапласа (3 маски)

1.3. Методы анализа текстур Проблема автоматической обработки текстур изучается в течение многих лет. За это время было рассмотрено много различных признаков, которые могут быть использованы в автоматических системах обработки изображений текстур. Условно эти взаимозависимые признаки можно разделить на три большие группы; основанные на измерении пространственных частот, статистических характеристик уровней интенсивности элементов разложения, описании структурных элементов. При структурном под

1.3.1. Признаки текстур, основанные на измерении пространственных частот Розенфельд и Трои [9] предложили характеризовать текстуру пространственной автокорреляционной функцией ,n)f(m-^,n- ыР которая вычисляется в окне размером (2W+l)x(2W+l) для каждой точки изображения (j> f^) и при смещении £,; т|=0, ±1; ±2, ... При фиксированном сдвиге (^,г|) большие значения А (t,,r\, j , к^ будут соответствовать области крупнозернистой текстуры, т. е. размер зерна текстуры пропорционален ширине авто

1.3.2. Одномерные признаки текстур, основанные на статистических хараю-еристиках уровней интенсивности элементов разложения При определении признаков текстур предполагается, что информация о текстуре изображения обусловлена пространственной взаимосвязью интенсивностей элементов разложения [7]. В качестве признаков, характеризующих текстуры, обычно используют одномерные и двумерные статистические характеристики [9]. Рассмотрим сначала одномерные статистические характеристики текстур. Их вычис

1.3.3. Гистограммные признаки второго порядка. Признаки Харалика Харалик, Шанмугам, Динстейн [7] предложили использовать в качестве признаков текстур двумерные статистические характеристики уровней интенсивности элементов разложения. Они использовали различные меры рассеяния величины элементов матриц пространственной зависимости серого тона соседних элементов с учетом углового расположения этих элементов. ф ^ ф ф % Вокруг каждого элемента разрешения выделяется восемь соседних элементов,

1.3.4. Признаки на основе обобщённых матриц совместного появления * ф # В последствии, появился ряд работ, развивающих предложенную Хараликом систему признаков. В работах Дейвиса, Цуккера и Розенфельда применение МСН распространено на поля "локальных" признаков, предварительно вычисляемых по изображению текстуры. Использование матриц M g Mg, особенно при обработке структурированных текстур, обусловливает наличие больших пиков в матрицах в области малых градиентов яркости. Не инв

1.3.5. Метод К-преобразований Близкими к методам, использующим статистики первого порядка, являются методы классификации текстур по градиентным перепадам, одним из которых является метод К-преобразований. По методу Кпреобразования, рассмотренному в [13], вычисляется двумерная функция вероятности распределения соседних, экстремальных по яркости элементов изображения в зависимости от величины градиента и расстояния между ними. Эта зависимость инвариантна к изменению яркости фона. Автор считает

1.3.7. Структурные методы описания текстур. Метод длин серий Галлоуэй [17] предложил характеризовать текстуру длинами серий, т. е. числом элементов строки растра, имеющих постоянную яркость. Признаки, базирующиеся на длинах серий, 'были определены им следующим образом. Пусть Ре (iJ)o3Ha4aeT количество линий, длина которых равна j и которые ориентированы в направлении 0. Эти линии состоят из точек изображения, уровни интенсивности которых лежат в i-M интервале. Тогда можно выделить следующие

1.4. Представление изображений на уровне сегментов Представление изображения на уровне сегментов также как и предшествующие представления характеризуют синтаксис анализируемого изображения, но на более высоком уровне абстракции. Нередко сегментное представление изображения сопровождается некоторой семантической меткой. Под сегментом будем понимать односвязную область изображения, имеющую в своём составе п>1 примитивов и характеризующуюся семантической меткой. S есть множество сегментов, на

1.4.1, Классификация методов сегментации Согласование условий однородности и связности — главная проблема в разработке методов сегментации (постановка задачи сегментации приведена в приложении 2). Выделим 3 группы методов сегментации: кластеризация, наращивание, анализ границ — и рассмотрим, как в них по-разному согласуются эти условия. При применении традиционных методов кластеризации пространство признаков элементов изображения разбивается на области (кластеры) и F(A^=1, когда все XGAJ ВХО

1.4.2. Методы кластеризации В алгоритмах сегментации методы кластеризации применяются следующим образом. Для каждой точки изображения х определяют некоторый набор характеристик (признаков). В пространстве этих признаков выделяют скопления точек — кластеры. Точки одного кластера, составляющие на изображении связные компоненты, являются искомыми сегментами. При сегментации используют характеристики точек изображения (признаки), которые были рассмотрены в теме «Иконические признаки. Методы клас

1.4.3. Наращивание областей Пусть имеется некоторое исходное разбиение А° множества X, например тривиальное А^={х}. Назовем графом смежности областей граф R=(A, V), где V={Vij}, Vy, — ребро, связывающее вершины Aj, Ар соответствующие соседним областям. Припишем характеристики сегментов ai, и линий раздела Д,- соответственно вершинам и ребрам графа R. На основе этих характеристик проверяется условие наращивания (обозначим его O(i, j)), оценивающее сходство соседних сегментов Ai, Aj, например

1.4.4. Основные категории геометрических признаков. Топологические и метрические признаки Напомним, что дискретная решетка DG [1] представляет собой множество правильных многоугольников {dgk} со стороной единичной длины, таких, что П dg^ = 0 либо dgj^ П dg. = (часть границы dg,^) (

1.4.1.) g, = i?' k=\ (1-

4.2.) где R^ - вещественное двумерное евклидово пространство (плоскость). Цепочка на DG - последовательность элементов решетки, каждый из которых, кроме первого, является со

1.4.5. Факторы формы В отличие от метрических признаков, значения которых выразимы в единицах длины или площади, факторы формы представляют собой безразмерные величины, позволяющие дать количественную оценку формы областей изображения. Одним из важнейших свойств формы является свойство выпуклости. Среди известных подходов к определению выпуклости дискретного объекта наиболее конструктивным представляется подход на основе "аппроксимации" традиционного определения выпуклости непрерыв

1.4.6. Параметрические описания В отличие от факторов формы дискретного объекта, отражающих такие фундаментальные понятия, как "продолговатый", "вытянутый", "округлый", "компактный", "выпуклый", параметрические описания позволяют дать количественную оценку понятий, описывающих форму границы области как "гладкую", "изрезанную", "прямолинейную" и др. Методы параметрического описания границ подразделяются на методы

2.1. Общая характеристика решающей системы и её окружения (среды) К настоящему времени сложилось достаточное представление о том, что всякая решающая система всегда находится в некоторой среде и во взаимодействии с ней нытается достичь поставленной цели. В общем случае среда обладает собственным поведением. Решающая система, чтобы построить план достижения поставленной цели и обеспечить его выполнение, должна иметь модель среды. Задача планирования состоит в нахождении последовательности дейс

2.1.1. Пространство состояний Пространство состояний может быть представлено некоторым графом, вершины которого есть состояния, а дуги - операторы. Дочерней является верщина, в которую направлена дуга, а родительской вершиной называется вершина, из которой дуга исходит. Граф может быть задан как в явном виде, так и неявно. Построение пространства состояний осуществляется при неявном его задании следующим образом. Берется некоторая его начальная вершина, к ней применяются все возможные операт

2.1.2. Пространство задач Пространство задач задаётся описанием задачи, решение которой необходимо получить, и заданием операторов сведения задачи к подзадачам. Эти операторы преобразуют описание задачи во множество описаний задач, которые необходимо решить для получения решения исходной задачи. Для множества подзадач этот процесс повторяется до тех пор, пока каждая из полученных подзадач либо будет элементарной подзадачей, либо неразрешимой подзадачей. Под элементарной задачей понимается за

При решении практически важных задач нространство поиска очень велико и при ограниченном ресурсе решающей системы получение решающего графа становится невозможным. Начиная с работ М.Минского [85], выход из создавшегося положения исследователи нашли в представлении исходного пространства в виде иерархии подпространств. Одним из первых шагов в этом нанравлении явилось представление исходного нространства в виде двух подпространств: абстрактного и конкретного. Классическим примером использования

Фиксированное множество пространств представляется абстрактным пространством, описываюш;им наиболее важные особенности задач и позволяющим разбить исходную задачу на фиксированную последовательность подзадач. Тогда остальные пространства определяются как пространства ноиска для каждой из фиксированных подзадач. То есть каждая из подзадач решается в своём подпространстве и за ней, как правило, закреплён свой набор правил.

Разумеется, не всегда удаётся исходную задачу представить в виде фиксированного набора подзадач. Для решения таких задач строится иерархия подпространств: от абстрактного к конкретному. Причём первоначально формируется решение в абстрактном подпространстве, затем соответствующие подзадачи решаются в более конкретном подпространстве и так до тех пор, пока будут получены (сформулированы) элементарные подзадачи для их решения в конкретном пространстве. На каждом уровне формируются окончательные

Основной смысл введения метапространств наряду с уже рассмотренными пространствами состоит в том, чтобы отобразить в них знания решающей системы о методах решения задач, на решение которых она ориентирована. Поиск в метапространстве - это поиск мета плана решения исходной задачи, сформулированного в терминах методов поиска, известных решающей системы. Нередко метапространство факторизуется, как и абстрактное пространство на метазадачи.

Построение ранее рассмотренных пространств основано на предположении, что знание решающей системы о проблемной области является полным, непротиворечивым и точным: например, все состояния описаны точно, полно, их описания не противоречат друг другу. Применение некоторого оператора к некоторому состоянию формирует новое состояние, которое обладает уже сформулированными свойствами. Практика же решения, прежде всего неформализуемых задач, сталкивается как раз с обратной ситуацией: знание решающей

Все рассмотренные выше пространства, исключая метапространства, представляют собой модели среды. Причём эти модели являлись статическими моделями, то есть в них не учитывались временные изменения предмета исследования. Общий подход к формированию динамических моделей к настоящему времени ещё не сформировался, по этому поводу могут быть приведены только отдельные примеры. К проблематике динамических миров многие исследователи относят и те случаи, когда решающая система воздействует на среду. К

Использование множественных моделей - это использование нескольких источников знаний. Источники знаний по характеру приобретения знаний - независимы и только при их использовании (при решении исходной задачи) они взаимодействуют. Другими словами, проблема организации их взаимодействия - проблема решения исходной задачи. Взаимодействие источников знаний есть итеративный процесс порождения и проверки гипотез. В этом итеративном процессе строится последовательность абстрактных пространств. Причё

Наиболее исчерпывающее определение понятия Решающая Система дано в теории решения задач. Все агентные модели являются решающими системами второго рода, для которых характерно апостериорное определение пути решения исходной задачи. Уже первые системы, основанные на знаниях, (см. выше) стали претендовать на оказание пользователю поддержки в постановке его и планировании их решения. Но всё это строилось на резком сужении проблемной ориентации систем обработки изображений. Реально, вся проблемная

Классический подход к построению агентов состоит в том, чтобы рассматривать агент, как систему, основанную на знаниях, в которой используется точное представление о среде в символьной форме, а решение принимается на основе формальных рассуждений и методов сравнения с эталоном. Агент, построенный в соответствие с указанной парадигмой принято называть как агент с делиберативной архитектурой. Основой обозначенной символической парадигмы в ИИ является гипотеза физической символической системы, сф

Многие неразрешимые в рамках символического AI задачи привели к смене всей парадигмы, к развитию реактивных архитектур. В значительном числе случаев невозможно, затруднительно или нерационально формировать централизованную символическую модель мира и генерировать полный план до начала действий агента. Обычно это обусловлено сложностью среды, неполнотой информации и ограниченной наблюдаемостью среды. При реактивном планировании агент не генерирует весь план заранее как в случае классического п

Многими исследователями [119-121] высказано соображение, что ни делиберативный, ни реактивный подходы не являются достаточными для создания агентов. Ими предложены гибридные системы, в которых сделана попытка сочесть классический и альтернативный подходы. Очевидный подход состоит в том, чтобы построить агент из двух (или более) подсистем: делиберативная и реактивная [122,123]. Первая компонента содержит символическую модель мира, генерирует планы и реализует их методами символических AI. Втор

На фоне мультиагентных систем организационное структурирование может рассматриваться как образец структуры управленческих и информационных связей, существующих в пределах некоторого сообщества. Взаимозависимость подцелей, необходимость сочетания планирования действий решающей системы и выполнения самих действий, необходимость сочетания сбора новой информации и совершенствования модели среды с планированием и действиями системы обусловило в последнее время значительный рост интереса исследоват

Выше уже говорилось о проблеме планирования действий решающей системы. Более того, эта проблема имеет некоторый опыт своего решения, который и рассматривается в настоящем разделе.

2.4.1. Понятие поиска Задача поиска может быть сформулирована следующим образом [134]: Пусть заданы множества начальных и целевых состояний (А и W) и множество операторов F. Необходимо найти упорядоченный набор действий решающей системы <dj, d2, ... такой что суперпозиция функций перехода G(G...(G(wo,di) й

Как ясно из названия класса рассматриваемых методов в данных методах для управления ходом ноиска используются простейшие эвристики. Рассмотрим какая и как эвристическая информация используется в этих методах. В простейших методах, таких как "метод ветвей и границ", "алгоритм Мура", "алгоритм Дейкстры" эвристической информацией является стоимость дуги графа пространства состояний, ведущей из родительской вершины в дочернюю. Эта стоимость может быть одинаковой и ра

Следующая группа методов в качестве информации, управляющей процессом поиска, используют так называемые оценочные функции, позволяющие оценивать перспективность тех или иных действий решающей системы. В отличие от рассмотренных выше, данные методы привлекают больший объем информации для управления поиском, поскольку оценочные функции в своем составе объединяют сразу несколько простейших эвристик, каждая из которых характеризует лишь некоторый аспект среды. Поэтому данные методы позволяют боле

Данный вид поиска рассматривался многими авторами [131,132,136143], работы которых посвящены проблеме искусственного интеллекта. Так при описании слепых методов поиска встречается понятие "прямой поиск". На каждом его этапе решается задача нахождения очередного оператора, применение которого к текущему состоянию приведет к получению состояния, которое станет исходным для следующего этапа прямого поиска В теории экспертных систем при выводе на системах продукций (в том числе и при л

Рассмотренные ранее методы либо не привлекали априорные знания о среде, либо эти знания выступали в виде оценочных функции или простейщих эвристик. Е. И. Ефимов в [132], исследуя системы, использующие только методы поиска рассмотренные выще, указывает на следующие их недостатки. Во-первых, в этих системах преобладающей является стратегия достижения ближайших возможных целей, использовапие которой не всегда приводит к получению рещения задачи. В [140] приводится соответствующий пример, демонст

Рассмотренные выше методы поиска позволяют строить системы с предельно узкой проблемной ориентацией. Нередко они ориентированы на решение одной конкретной задачи. Примером более развитых систем может служить система SIGMA [ 9 4 ] . Планирование в таких системах представляет собой некоторую комбинацию рассмотренных выше видов планирования: поиск, управляемый данными, и поиск, управляемый целями. Поскольку для комбинированных методов обязательным является наличие этапа поиска, направляемого дан

Начнём анализ понятия «задача» с определения Месаровича [159]: «задача представляется абстрактной парой < Х,С >, где X - некоторое множество, а С - некоторое подмножество X». При этом X нередко называют множеством возможностей, а С - множеством решений. Если приведённое определение изложить в терминах решаюш;ей системы, то X следует рассматривать как множество доступных для системы действий, а С - как множество приводящих к результату действий. Однако столь общее определение не позволяе

Задачи решающих систем второго рода варьируются от простых задач (малая область поиска, предметная область статична, описана одной моделью, данные точны и не содержат ошибок) до сложных задач (большое пространство поиска, динамичность модели предметной области, неполнота модели описания, неопределённость исходных данных) [131]. Поскольку для решающих систем второго рода способ решения задач - это всегда некоторый поиск, то все методы поиска без учёта остальных признаков можно разделить на одн

3.3. Типовые задачи опознавания В связи с тем, что в продукции (З.1.), описывающей решение простой задачи, возникают акты опознавания применимости продукции (предусловие), решения задачи (ядро продукции), реакции среды (постусловие) рассмотрим типовые задачи опознавания [163,164], которые были сформулированы на основе полного набора элементов теории опознавания образов, таких как

1) алфавит,

2) признаки,

3) решающие правила,

4) ограничения, например, допущение о частич

Введём понятие агента системы анализа изображений. Агентом системы анализа изображений является решающая система второго рода, ориентированная на решение простых задач. Из предыдущего изложения следует, что агент системы анализа изображений находится в некоторой среде. Агент взаимодействует со средой и всякое взаимодействие со средой - решение простой задачи. Агенту как решающей системе второго рода не известен априори путь решения его задач. О способе решения агентных задач известно, что это

Агент как система, основанная на концепции конечности знания, и вследствие этого находящийся в ситуации начальной неопределённости своего состояния и изменчивости среды, должен обладать свойством адаптивности. Общее определение адаптации было дано Я.З.Цыпкиным [166,167]: «Адаптация - процесс изменения параметров, структуры системы и управляющих воздействий на основе текущей информации с целью достижения определённого, обычно оптимального, состояния системы при начальной неопределённости и изм

В силу недостатка априорной информации и изменчивости среды для формулировки исходной задачи агента характерна начальная неопределённость. Степень неопределённости исходной ситуации (степень сложности решаемой задачи) в общем случае определяет тот или иной вид адаптации решающей системы к среде. С учётом сложности задач, на решение которых ориентирован агент и которые были выше сформулированы, и с учётом того, что статическая структура агента может быть изменена только его надсистемой, агент

Рассмотрим некоторые из взаимоотношений агента с надсистемой, которые безусловно определяют ряд свойств агента. Мы имеем в виду прежде всего те свойства агента, которые предопределяют статическую структуру коллектива агентов. Об этой структуре до сих пор было известно, что (1) коллектив агентов должен обладать свойством необходимой достаточности: набор функций, реализуемых агентами коллектива необходим и достаточен для решения задач коллектива; (2) коллектив агентов разнороден и в силу этого

Выше отмечалось, что всякий агент системы анализа изображений, представляющей собой коллектив агентов, уникален. С другой стороны, коллектив агентов должен быть достаточным средством решения исходной задачи. В целом коллектив агентов должен осуществить упрощение сложной исходной задачи до простых агентных задач. Упрощение исходной задачи - это многошаговый процесс поиска решающего дерева подзадач исходной задачи. В то время, как решение простой агентной задачи - одношаговая процедура поиска.

Все взаимодействия внешней среды и решающей системы (коллектив агентов) взаимозависимы, они не могут рассматриваться отдельно друг от друга. Сама решающая система является частью внешней среды. Внешняя среда замкнута, она представляет собой единое целое. Отображение внешней среды решающей системой безусловно конечно. Решающая система, находясь во внешней среде, должна функционировать в соответствии с закономерностями этой среды. Любое другое поведение решающей системы приведёт к её разрушению

Накопившийся опыт решения задач цифровой обработки изображений позволяет рассматривать всякое изображение как некоторый текст (структурированный знак) внешней знаковой Рис.

3.5. Структура среды САИ системы. Следовательно, всякое его описание должно содержать семантический и синтаксический "срезы" изображения. При этом внешняя знаковая система - это совокупность изображений, на анализ которых ориентирована соответствующая решающая система. Это то множество изображений, которые

Паряду с тем, что

а) внешняя среда агента замкнута, она представляет собой единое целое,

б) сам агент является частью этой среды,

в) агент должен функционировать в соответствии с закономерностями среды на основе её адекватного отражения, то есть все взаимодействия среды и агента взаимозависимы, они не могут рассматриваться отдельно друг от друга, среда агента уникальна, хотя бы в силу уникальности самого агента. Па рис.

3.6. изображена структура среды некоторого агента

Структура агента нрежде всего определяется его средой. Ответственные за взаимодействие со средой внещние подсистемы агента реализуют следующие функции агента: взаимодействие с пользователем, обучение пользователя, восприятие анализируемого фрагмента изображения, обучение и самообучение агента, взаимодействие агента с соседями. Внутренние подсистемы агента осуществляют планирование рещения агентной задачи, ведение базы знаний, являющейся моделью среды агента, координацию взаимодействия подсист

4.1. Обобщённая схема взаимодействия агентов После возникновения в среде коллектива агентов некоторой сложной задачи и носле активизации корневого агента коллектива (последнее означает, что коллектив агентов принял на себя обязательства по достижению возникшей в среде цели) в конечном итоге будет сформирован такой агентный коллектив, структура которого адекватна исходной задаче. Для каждой исходной задачи формируется свой агентный коллектив, со своей структурой. Будем далее формируемую для ко