Часть дипломной работы на тему Метод сравнения обработки изображений с искусственным интеллектом

Содержание:

Введение

Глава 1: обработка изображений

1) обработка изображений компьютерным зрением

2) различные типы изображений

а) цветные изображения

б) черно-белые изображения

c) 3D-изображений

3) Основы Обработки изображений

а) пиксель

b) Фильтрация

с) сегментация

г) математическая Морфология (расширение, эрозия и т.…)

Введение:

Все более широкое
распространение компьютерной техники является причиной ее внедрения во все
новые сферы жизнедеятельности человека. Большое внимание в практически любых
человеческих обществах традиционно уделяется вопросам безопасности, где
существует очень широкое поле для применения современных компьютерных
технологий. Так, повсеместное внедрение камер наблюдения, хотя и воспринимается
многими как угроза частной жизни человека, однако помогает раскрывать (а во
многих случаях и предотвращать) миллионы преступлений по всему миру, которые
без этого остались бы нераскрытыми.

Очевидно, что потоки
информации, генерируемые такими массивами камер, даже для среднего по размерам
города могут составлять величины порядка гигабайтов информации в секунду при
видеопотоке 1 Мб/с и тысячах камер наблюдения. При таких больших объемах данных
важная роль должна отводиться автоматической обработке наблюдаемого
видеосигнала, в результате которой можно было бы производить первичное
детектирование в кадре опасных объектов и процессов: оружия, автомобильных
аварий, пожаров, драк, а также лиц, находящихся в розыске. Любой видеопоток по
своей сути представляет собой последовательность отдельных изображений, поэтому
во многом анализ видеосигнала основывается на методах обработки статических картинок.
В таком случае возникает важная частная задача автоматической обработки
изображений на предмет сравнения с важными эталонами (лица разыскиваемых
злоумышленников, предметы типа оружия и т.д.).

Таким образом, даже
исходя чисто из соображений безопасности, актуальным
является поиск существующих методов сравнения изображений, реализация подходов
к их усовершенствованию и разработка новых, более эффективных из них. Те же
задачи стоят и перед исследователями в других сферах, где используется машинное
зрение: полностью автономная робототехника, «умная» управляемая техника,
управление технологическими процессами, и т.д.

Например, при
использовании беспилотного режима движения соответствующим образом оборудованных
автомобилей, которые все больше входят в нашу повседневную жизнь, для принятия
адекватных дорожной обстановке решений, ему требуется непрерывный поток входной
информации об окружающей среде и изменениях, которые в ней происходят.
Очевидно, что максимальную долю информации при управлении автомобилем водитель
получает через зрительный канал, следовательно и автоматическая система управления
должна обладать высококачественным программно-аппаратным наполнением,
обеспечивающим возможность надлежащего визуального контроля дорожной
обстановки. Одними из алгоритмически наиболее простых задач при этом являются
процессы распознавания дорожных знаков (простота обусловлена их стандартными
вариантами расположения, ориентации по отношению к водителю и ограниченному
числу видов, до 100 штук). Фактически, тут мы имеем задачу сравнения участка
текущего изображения, взятого с фронтальной камеры автомобиля, и одного из
эталонных изображений дорожных знаков, хранящихся в памяти компьютерной системы
управления.

Еще одним примером задачи
автоматического анализа изображений является «разбор» спутниковых снимков, в
результате которого сразу в сведенном виде лицу, принимающему решение, (далее –
ЛПР) выдается вся полная информация про найденные объекты (археологические
объекты – для историков, зарождающиеся циклоны – для метеорологов, передвижения
вражеской военной техники – для военных, и т.п.). И тут также мы приходим к
задаче сравнения двух изображений – текущего, снятого с камеры и эталонного,
прошитого в памяти соответствующей ЭВМ. Таким образом, дальнейшую работу
посвятим рассмотрению вариантов решения именно этой проблемы – сравнения двух
изображений, которое, как будет подробно показано в данном исследовании, можно
проводить очень и очень разными методами.

Первоочередной задачей
для исследователя в любой отрасли является поиск аналогичных по назначению, уже
выполненных исследований других авторов, с последующим выделением нерешенных ими
ранее проблемных моментов. Очевидно, что для проведения означенного выше сравнения
изображений на сегодняшний день существует достаточно обширный набор методов,
часть из которых относится к распознаванию образов, часть – к задачам чистой
математической статистики, другим разделам математики. Каждый такой метод имеет
свои положительные и отрицательные стороны, поэтому нужно рассмотреть их
подробнее.

Вторым шагом должен быть выбор некоего базового метода, который подлежит
улучшению в рамках конкретной научно-исследовательской работы. После этого
необходима разработка проекта алгоритма, улучшающего базовый подход, с
дальнейшей его программной реализацией, на базе которой можно проводить

Заключение:

Фрагмент текста работы:

Все более широкое
распространение компьютерной техники является причиной ее внедрения во все
новые сферы жизнедеятельности человека. Большое внимание в практически любых
человеческих обществах традиционно уделяется вопросам безопасности, где
существует очень широкое поле для применения современных компьютерных
технологий. Так, повсеместное внедрение камер наблюдения, хотя и воспринимается
многими как угроза частной жизни человека, однако помогает раскрывать (а во
многих случаях и предотвращать) миллионы преступлений по всему миру, которые
без этого остались бы нераскрытыми.

Очевидно, что потоки
информации, генерируемые такими массивами камер, даже для среднего по размерам
города могут составлять величины порядка гигабайтов информации в секунду при
видеопотоке 1 Мб/с и тысячах камер наблюдения. При таких больших объемах данных
важная роль должна отводиться автоматической обработке наблюдаемого
видеосигнала, в результате которой можно было бы производить первичное
детектирование в кадре опасных объектов и процессов: оружия, автомобильных
аварий, пожаров, драк, а также лиц, находящихся в розыске. Любой видеопоток по
своей сути представляет собой последовательность отдельных изображений, поэтому
во многом анализ видеосигнала основывается на методах обработки статических картинок.
В таком случае возникает важная частная задача автоматической обработки
изображений на предмет сравнения с важными эталонами (лица разыскиваемых
злоумышленников, предметы типа оружия и т.д.).

Таким образом, даже
исходя чисто из соображений безопасности, актуальным
является поиск существующих методов сравнения изображений, реализация подходов
к их усовершенствованию и разработка новых, более эффективных из них. Те же
задачи стоят и перед исследователями в других сферах, где используется машинное
зрение: полностью автономная робототехника, «умная» управляемая техника,
управление технологическими процессами, и т.д.

Например, при
использовании беспилотного режима движения соответствующим образом оборудованных
автомобилей, которые все больше входят в нашу повседневную жизнь, для принятия
адекватных дорожной обстановке решений, ему требуется непрерывный поток входной
информации об окружающей среде и изменениях, которые в ней происходят.
Очевидно, что максимальную долю информации при управлении автомобилем водитель
получает через зрительный канал, следовательно и автоматическая система управления
должна обладать высококачественным программно-аппаратным наполнением,
обеспечивающим возможность надлежащего визуального контроля дорожной
обстановки. Одними из алгоритмически наиболее простых задач при этом являются
процессы распознавания дорожных знаков (простота обусловлена их стандартными
вариантами расположения, ориентации по отношению к водителю и ограниченному
числу видов, до 100 штук). Фактически, тут мы имеем задачу сравнения участка
текущего изображения, взятого с фронтальной камеры автомобиля, и одного из
эталонных изображений дорожных знаков, хранящихся в памяти компьютерной системы
управления.

Еще одним примером задачи
автоматического анализа изображений является «разбор» спутниковых снимков, в
результате которого сразу в сведенном виде лицу, принимающему решение, (далее –
ЛПР) выдается вся полная информация про найденные объекты (археологические
объекты – для историков, зарождающиеся циклоны – для метеорологов, передвижения
вражеской военной техники – для военных, и т.п.). И тут также мы приходим к
задаче сравнения двух изображений – текущего, снятого с камеры и эталонного,
прошитого в памяти соответствующей ЭВМ. Таким образом, дальнейшую работу
посвятим рассмотрению вариантов решения именно этой проблемы – сравнения двух
изображений, которое, как будет подробно показано в данном исследовании, можно
проводить очень и очень разными методами.

Первоочередной задачей
для исследователя в любой отрасли является поиск аналогичных по назначению, уже
выполненных исследований других авторов, с последующим выделением нерешенных ими
ранее проблемных моментов. Очевидно, что для проведения означенного выше сравнения
изображений на сегодняшний день существует достаточно обширный набор методов,
часть из которых относится к распознаванию образов, часть – к задачам чистой
математической статистики, другим разделам математики. Каждый такой метод имеет
свои положительные и отрицательные стороны, поэтому нужно рассмотреть их
подробнее.

Вторым шагом должен быть выбор некоего базового метода, который подлежит
улучшению в рамках конкретной научно-исследовательской работы. После этого
необходима разработка проекта алгоритма, улучшающего базовый подход, с
дальнейшей его программной реализацией, на базе которой можно проводить