Учебная работа. Дипломная работа: Обработка изображений на основе аналоговых нейрокомпьютеров

Учебная работа. Дипломная работа: Обработка изображений на основе аналоговых нейрокомпьютеров

Федеральное агентство по образованию РФ (Российская Федерация — Курский муниципальный технический институт

Кафедра ВТ

ОБРАБОТКА ИЗОБРАЖЕНИЙ НА ОСНОВЫ АНАЛОГОВЫХ НЕЙРОКОМПЬЮТЕРОВ

Курск – 2009

Содержание

Введение. 3

1 Общие сведения о нейрокомпьютерах. 5

1.1 Что такое нейрокомпьютер. 5

1.2 История нейрокомпьютеров. 7

1.3 Современный нейрокомпьютер. 10

1.4 Нейрочипы.. 11

1.5 Индивидуальности архитектуры аналоговых и гибридных ЭВМ . 13

1.5.1 Главные способы неалгоритмических вычислений. 13

2 Компьютерной обработки изображений. 22

2.1 Определение компьютерной обработки изображений. 22

2.2 Устройства формирования изображений. 24

2.2 Пространственные диапазоны изображений. 29

2.3 Спектральные интенсивности изображений. 31

2.4 Вероятностные модели изображений и функции Автокорреляции. 32

2.5 Аспекты свойства изображений. 33

Заключение. 38

Перечень применяемой литературы: 39

Введение

Невзирая на то, что нейронные сети как научно-технический объект есть наиболее полвека, главные методы их практической реализации ограничиваются областью программного моделирования в разных средах зрительного (и не зрительного) проектирования. Программные реализации преобладают над аппаратными. Не считая того, аппаратные реализации вследствие собственной относительной накладности до сего времени не имеют повсеместного распространения. Но их удельный вес в полном количестве глобальных технологических разработок неприклонно вырастает. Впереди планетки всей в данном направлении, как постоянно, шагает Япония, где разработки на базе нейросетевых технологий удачно внедряются во огромном количестве образцов бытовой техники, таковых как фотоаппараты, микроволновые печи, камеры и т.д. Не отстают и остальные развитые страны.

Обработка изображений – одно из активно развиваемых направлений исследования. Но, обработка изображений на базы аналоговых нейрокомпьютеров все еще относительно новое направление.

Таковым образом, животрепещущей

является обработка изображения при помощи аналоговых устройств.

: разработка алгоритмов и схем аналоговых нейрокомпьютеров для выполнения различных задач обработки изображений.

1. Сравнительный анализ способов обработки изображений, применяемых для устройств с аналоговой обработкой изображения

2. Аналитический обзор устройств с аналоговой обработкой изображений

3. анализ цифровой и аналоговой реализации алгоритмов обработки изображений с внедрением нейронных сетей

4. Разработка математической модели устройства аналоговой обработки изображений

5. Разработка аппаратно-ориентированных алгоритмов подготовительной обработки изображений

6. Моделирование разработанных алгоритмов и устройств

1. Общие сведения о нейрокомпьютерах


1.1 Что такое нейрокомпьютер

Нейрокомпьютеры – это системы, в каких метод решения задачки представлен логической сетью частей личного вида – нейронов с полным отказом от булевских частей типа И, ИЛИ, НЕ. Как следствие этого введены специальные связи меж элементами, которые являются предметом отдельного рассмотрения. В отличие от традиционных способов решения задач нейрокомпьютеры реализуют методы решения задач, выставленные в виде нейронных сетей. Это ограничение дозволяет разрабатывать методы, потенциально наиболее параллельные, чем неважно какая иная их физическая реализация.

Нейросетевая тема является междисциплинарной, что определило значимые разночтения в общих терминологических подходах. Нейросетевой темой занимаются как создатели вычислительных систем и программеры, так и спецы в области медицины, финансово-экономические работники, химики, физики и т.п. (т.е. все кому не лень). То, что понятно физику, совсем не принимается доктором и напротив – все это породило бессчетные споры и целые терминологические войны по разным фронтам внедрения всего где есть приставка нейро –.

Приведем некие более устоявшиеся определения нейрокомпьютера

№

Научное направление

Определение нейровычислительной системы

1

Математическая статистика

Нейрокомпьютер – это вычислительная система автоматом формирующая описание черт случайных действий либо их совокупы, имеющих сложные, часто многомодальные либо совершенно априори неведомые функции распределения.

2

Математическая метод работы которой представлен логической сетью частей личного вида – нейронов, с полным отказом от булевых частей типа И, ИЛИ, НЕ.

3

Пороговая метод решения задач в какой представлен в виде сети пороговых частей с динамически перестраиваемыми коэффициентами и методами опции, независящими от размерности сети пороговых частей и их входного места

4.

Вычислительная техника

Нейрокомпьютер – это вычислительная система с MSIMD архитектурой, в какой процессорный элемент однородной структуры упрощен до уровня нейрона, резко усложнены связи меж элементами и программирование перенесено на изменение весовых коэффициентов связей меж процессорными элементами.

5.

медицина (нейробиологический подход)

Нейрокомпьютер – это вычислительная система представляющая собой модель взаимодействия клеточного ядра, аксонов и дендридов, связанных синаптическими связями (синапсами) (т.е. модель биохимических действий протекающих в Экономика и деньги

Устоявшегося определения нет, но почаще всего под нейровычислителем соображают систему обеспечивающую параллельное выполнение «бизнес» – транзакций.

В предстоящем под нейрокомпьютером будем осознавать вычислительную систему с архитектурой MSIMD, в какой реализованы два принципных технических решения: упрощен до уровня нейрона процессорный элемент однородной структуры и резко усложнены связи меж элементами; программирование вычислительной структуры перенесено на изменение весовых связей меж процессорными элементами.

Общее определение нейрокомпьютера быть может представлено в последующем виде:

Нейрокомпьютер – это вычислительная система с архитектурой аппаратного и программного обеспечения, адекватной выполнению алгоритмов, представленных в нейросетевом логическом базисе

Достоинства нейрокомпьютеров.

По сопоставлению с обыкновенными компами нейрокомпьютеры владеют преимуществ.

Во-1-х – высочайшее быстродействие, связанное с тем, что методы нейроинформатики владеют высочайшей степенью параллельности.

Во-2-х – нейросистемы делаются весьма устойчивыми к помехам и разрушениям.

В третьих – устойчивые и надежные нейросистемы могут создаваться из ненадежных частей, имеющих значимый разброс характеристик.

Недочеты нейрокомпьютеров.

Невзирая на вышеперечисленные достоинства эти устройства имеют ряд недочетов:

1. Они создаются специально для решения определенных задач, связанных с нелинейной логикой и теорией самоорганизации. Решение таковых задач на обыденных компах может быть лишь численными способами.

2. В силу собственной уникальности эти устройства довольно дорогостоящи.

1.2 История нейрокомпьютеров

Нейрокомпьютеры – это ЭВМ новейшего поколения, отменно отличающиеся от остальных классов вычислительных систем параллельного типа тем, что для решения задач они употребляют не заблаговременно разработанные методы, а особым образом подобранные примеры, на которых обучаются. Их возникновение обосновано беспристрастными причинами: развитие элементной базы, позволяющее на одной плате воплотить индивидуальный комп – полнофункциональный комп (модель нейрона), и необходимость решения принципиальных практических задач, поставленных реальностью. Пробы сотворения ЭВМ , моделирующих работу мозга , предпринимались ещё в 40-х гг. спецами по нейронной кибернетике. Они стремились создать самоорганизующиеся системы, способные учиться умственному поведению в процессе взаимодействия с миром вокруг нас, причём компонентами их систем обычно являлись модели служащий для передачи в обычно расположенный в головном отделе тела и представляющий собой компактное скопление нервных клеток и их отростков»>мозг

принципиальной для организма информаци»>время вычислительная техника и связанные с нею науки, в особенности математическая области исследования, связанные с мозгом .

К истинному времени сформировался широкий рынок нейросетевых товаров. Подавляющее большая часть товаров представлено в виде моделирующего программного обеспечения. Ведущие компании разрабатывают также и спец нейрочипы либо нейроплаты в виде приставок индивидуальным ЭВМ . Более броским макетом супернейрокомпьютера является система обработки аэрокосмических изображений, разработанная в США ». Объявленная производительность супернейрокомпьютера составляет 80 PFLOPS (80∙1015
операций с плавающей точкой в 1 с) при физическом объёме, равном объёму людского мозга , и потребляемой мощности 20 Вт.

В июле 1992 г. в Стране восходящего солнца была принята 5-ая программка (работающая и доныне), сплетенная с созданием координационного исследовательского центра по реализации интернационального проекта Real World Computing Partnership (RWCP), главный целью которого являлась разработка практических способов решения настоящих задач на базе гибких и многообещающих информационных технологий.

В истинное время в рамках развития этого проекта сотворена трансконтинентальная сеть на базе гетерогенной вычислительной среды, объединяющей Суперкомпьютерный центр в Штутгарте (Германия), Компьютерный центр в Питсбурге (шт. Пенсильвания), Электротехническую лабораторию в Тшукубе (Япония), Компьютерный центр в Манчестере (Англия), в какой часть пользовательских компов выполнена по нейросетевой технологии. Пиковая производительность образованного сверхсуперкомпьютера составила 2.2 TFLOPS.

Считается, что теория нейронных сетей, как научное направление, в первый раз была обозначена в традиционной работе МакКаллока и Питтса[1] 1943 г., в какой утверждалось, что, в принципе, всякую арифметическую либо логическую функцию можно воплотить при помощи обычной нейронной сети. В 1958 г. Фрэнк Розенблатт [2] вымыслил нейронную сеть, нареченную перцептроном, и выстроил 1-ый нейрокомпьютер Марк‑1. Перцептрон был предназначен для систематизации объектов. На шаге обучения «учитель» докладывает перцептрону к какому классу принадлежит предъявленный объект. Обученный перцептрон способен систематизировать объекты, в том числе не использовавшиеся при обучении, делая при всем этом весьма не достаточно ошибок. Приблизительно в это время вышла работа Минского и Пейперта[3], указавшая ограниченные способности простого перцептрона. Результаты Минского и Пейперта погасили Интерес большинства исследователей, в особенности тех, кто работал в области вычислительных наук.

С начала 80‑х годов ИНС вновь завлекли Энтузиазм исследователей, что соединено с энергетическим подходом Хопфилда[4] и методом оборотного распространения для обучения мультислойного перцептрона (мультислойные сети прямого распространения), в первый раз предложенного Вербосом[5]. При всем этом важную роль сыграли работы группы PDP (Parallel Distributed Processing). В их рассматривались нейронные сети, нареченные мультислойными перцептронами, которые оказались очень действенными для решения задач определения, управления и пророчества. (Мультислойные перцептроны занимают ведущее положение, как по обилию способностей использования, так и по количеству удачно решенных прикладных задач.)

1.3 Современный нейрокомпьютер

на данный момент количество проданных в странах Запада нейрокомпьютеров исчисляется десятками тыщ. В главном это нейрокомпьютерные программки для ПЭВМ, созданные для решения задач аппроксимации и прогнозирования числовых данных. Около 5% нейрокомпьютеров относятся к устройствам проф уровня, нацеленным на применение массивных рабочихстанций и аппаратных нейроакселераторов. Программное обеспечение таковых систем обычно содержит библиотеки нейропарадигм, что дозволяет при решении задач применять разные типы нейронных сетей. Обычным примером может служить система BrainMaker компании CSS (США ), получившая в 1990 г. приз журнальчика PC Magazine «Наилучший программный продукт года». Система может работать на любом компе, на котором установлен Windows. Базисная версия (стоимость 950 баксов) нацелена на широкий круг юзеров. Ее применение не просит особых познаний. Настройка сети ограничена установкой нескольких характеристик, основным посреди которых является допустимая погрешность ответа. Основная работа состоит в подготовке данных для обучения, которые можно импортировать из файлов формата *.DBF, *.TXT, Excel, Lotus 1–2–3. При успешном подборе примеров система дает 95% правильных ответов.

Для расширения способностей системы служит набор доп программ Toolkit Option, позволяющих убыстрить процесс обучения и сделать лучше представление графических данных. Для проф юзеров выпускается расширенная версия BrainMaker Professional, позволяющая моделировать сети с числом нейронов до 8192 (допускается расширение до 37767), стоимость которой составляет 1550 баксов. Для данной версии сотворен набор доп программных средств, которые включают Genetic Training Option – программку оптимизации, использующую «генетические» методы, и Training Finansial Data – особые наборы данных для опции нейронной сети на коммерческие приложения.
В конце концов, для более больших приложений выпущен BrainMaker Accelerator – спец нейроплата – акселератор на базе сигнального микропроцессора TMS320C25 компании Texas Ins., позволяющая в несколько раз повысить производительность нейрообработки данных. Еще наиболее мощная версия аппаратного расширителя BrainMaker Accelerator Pro, содержащая 5 процессоровTMS320C25 и до 32 Мбайт оперативки, дозволяет убыстрить процесс обучения в 40 раз по сопоставлению с компом PC 486DX‑50.

1.4 Нейрочипы

метод, данный нейронной сетью, быть может интерпретирован обыкновенной всепригодной вычислительной машинкой, или неким спец устройством [5].

Построение вычислительных систем, интерпретирующих нейросетевые методы, осуществляется на данный момент на классической элементной базе. Но очень перспективной смотрится возможная возможность реализации базовой операции (вычисления скалярного произведения) в физической среде-носителе сигнала. До этого всего, это касается операции суммирования в электромагнитном поле, хотя в {живых} организмах есть и другие примеры, а именно, суммирования на биохимическом уровне. Реализация скалярного произведения за счет суммирования электромагнитного поля (включая оптический спектр) может привести к тому, что время срабатывания элемента, вычисляющего скалярное произведение, будет только малым, сопоставимым со временем прохождения светом линейного размера элемента.

Одним из первых коммерчески доступных нейрочипов был Micro Devices MD1220 (1990 год) [6]. Этот кристалл интерпретирует 8 нейронов и 8 связей с 16‑ти разрядными, хранящимися во внутрикристальной памяти, весами и одноразрядными входами. Входы имеют одноразрядные поочередные умножители. Сумматоры в кристалле также 16‑разрядные. Из этих нейрочипов путём их каскадирования могут быть построены нейрокомпьютеры.

КомпанияNeuralogix производит нейрочип NLX – 420 с 16‑ти процессорными элементами, любой из которых имеет 32‑х разрядный сумматор [7].

КомпанияHitachi выпустила Wafer Scale Integration – многокристальные полупроводниковые пластинки [8]. На пластинке располагается сеть Хопфилда с 576 нейронами, любой из которых имеет 64 восьмиразрядных весовых коэффициента. сеть Хопфилда работает как ассоциативная память. При подаче на входы частичной либо неверной входной последовательности сеть через некое время перебегает в одно из устойчивых состояний, предусмотренных при её конструировании. При всем этом на входах сети возникает последовательность, признаваемая сетью как более близкая к одной из вначале поданных.

Кроме цифровых, бывают нейрочипы аналоговые и гибридные. Аналоговые элементы меньше и проще цифровых. Но обеспечение нужной точности просит кропотливого проектирования и производства. Пример аналогового нейрочипа – Intel 80170NW ETANN. Этот кристалл содержит 64 нейрона и два банка 64×80 весов [9]. Гибридные нейрочипы употребляют комбинацию аналогового и цифрового подходов. к примеру, входы могут быть аналоговыми, веса загружаться как цифровые и выходы быть цифровыми. Чип CLNN‑32 компании Bellcore содержит 32 нейрона. Входы, выходы и внутренняя обработка – аналоговые, а 5‑ти разрядные веса цифровые [10].

В качестве нейропроцессоров время от времени употребляются также сигнальные процессоры. Разработанный в НТЦ «Модуль» русский нейпроцессор NM6403 (Neuro Matrix) имеет скалярное RISC‑ядро для выполнения логических операций, целочисленных арифметических операций, операций сдвига и формирования адресов для воззвания в память, также векторный микропроцессор VP для обработки двоичных векторов случайной разрядности в границах 1–64 битов [11]. При всем этом в одном такте VP может делать операции над несколькими векторами, прямо до 64, суммарная длина которых не превосходит 64. Скалярный машина — комплекс технических средств, предназначенных для автоматической обработки информации в процессе решения вычислительных и информационных задач) (либо вычислительной системы) которое делает арифметические и логические операции данные программкой преобразования инфы управляет вычислительным действием и коор делает всю подготовку данных для работы векторного микропроцессора. Нейропроцессор NM6403 имеет два интегрированных линка, совместимых по логическому и физическому протоколам с линками сигнального процессора TMS 320 C4X.

1.5 Индивидуальности архитектуры аналоговых и гибридных ЭВМ

1.5.1 Главные способы неалгоритмических вычислений

один из путей увеличения производительности ВС – применение параллельных неалгоритмических вычислений, основанных на непрерывной (аналоговой) форме представления (НФП) обрабатываемых математических величин:

Хмаш(tm)=mxXm(mtt),

Где Хмин, tm – машинные величины зависимой переменной и ее аргумента;

mх, mt – массштабы переменной Х и аргумента t.

НФП – это электрических компонент, при помощи которых реализуются машинные переменные, и проявляется при оборотном преобразовании машинных величин в разыскиваемые математические величины:

XM(t)=(1/mX) Xмаш (tM/mt)+ D/mX,

Где D – абсолютная погрешность вычислений.

НФП дозволяет воплотить неалгоритмический принцип вычислений (НПВ) методом ввода в машинку и реализации решения задачки в принятой аналитической форме ее описания. Аналитический принцип обработки инфы заключается в том, что каждой аналитической завимости меж математическими переменными начальной задачки (интегродифференциальной, алгебраической, тригонометрической и т.п.) в машине соответствуют аналогичное (схожее) аналитическое описание связи меж машинными переменными. Это достигается способом моделирования на базе теории подобия.

Более всераспространенный НПВ – аналоговое математическое моделирование по способу непрямой аналогии, основанному на операционно-блочном построении модели, когда каждой операции и функции уравнений начального оригинала в модели соответствует схожий операционный блок (сумматор, интегратор, блок умножения и деления, многофункциональный преобразователь и т.п.). Используя достаточный набор типовых операционных блоков, можно решать широкий класс математических задач. Программирование аналоговых вычислительных машин (АВМ) заключается в составлении схемы аналоговой модели, представляющей собой схему соединения друг с другом типовых операционных блоков в согласовании с данной задачей, и в расчете настраиваемых характеристик операционных блоков, так именуемом масштабировании модели.

к примеру, нелинейное неоднородное обычное дифуравнение второго порядка:

при исходных критериях:

быть может запрограммировано к решению на АВМ последующим методом.

Схема аналоговой модели составляется способом снижения порядка (выделением высшей производной и поочередным её интегрированием) и способом неявных функций, условно полагая разыскиваемые типо сначала известными:

Блок 1 – аналоговый сумматор со обычным оператором:

Блок 4 – инвертор с оператором: .

Блоки 2,3 – аналоговые интеграторы со обычным оператором:

.

Блок БУ – аналоговый блок умножения с оператором: , где

k – коэффициент нормирования шкалы выходного напряжения:

,

а — предельное в АВМ типа МН – 7).

Решение дифференциального уравнения начинается в момент времени t=0 синхронного замыкания пусковых ключей К1, К2 на входах интеграторов и заканчивается по окончании переходных действий. Как следует, в процессе вычислений все операционные блоки модели работают параллельно и сразу. Сиим и разъясняется возможность увеличения производительности на базе НПВ.

В начальном состоянии модели при разомкнутых ключах К1, К2 производится подготовка АВМ: ввод значений коэффициентов передачи (КП) К11,…, К14, К21, К31 и исходных критерий, соединение операционных блоков по схеме модели.

Масштабирование модели состоит в расчете КП: К11,…, К14, К21, К31; НУ: и машинной переменной правой части Uy с учетом масштабов переменных. Оно заключается в выводе масштабных уравнений модели на базе сравнения сходственных систем уравнений оригинала и модели.

Уравнения оригинала со вспомогательными переменными х1, х2 и неотклонимой нормировкой величины коэффициентов в левой части уравнений К=1:

Уравнения модели как совокупа обычных операторов операционных блоков (при выводе масштабных уравнений исходные значения интегралов сначала не учитываются.):

Уравнения модели, перевоплощенные в сходственную с оригиналом дифференциальную форму:

Уравнения модели, перевоплощенные методом подмены машинных величин на математические величины оригинала с учетом их масштабов:

где

Нормированные уравнения модели:

Масштабные уравнения модели, приобретенные методом сравнения коэффициентов в одноименных членах нормированных уравнений модели и оригинала в согласовании с необходимостью тождественности сходственных уравнений модели и оригинала:

из которых совершенно точно находятся требуемые величины КП операционных блоков модели.

Масштабные соотношения НУ и правых частей:

Главный недочет данного типа НПВ – сравнимо большая погрешность решения задач, которая даже при относительной погрешности операционных блоков, построенных, как понятно из схемотехники, на прецизионных резисторах и конденсаторах и операционных усилителях с весьма огромным коэффициентом усиления КУ=105…107, равной dОБЛ=100D/Umax=0,01…0,1%, добивается dмодели»1…5% из-за скоплений их погрешностей в сложных схемах аналоговых моделей.

Точность неалгоритмических вычислений увеличивают методом частичного либо полного перехода от аналогового к цифровому моделированию, сохраняя главные достоинства НПВ – параллельное функционирование операционных блоков в вычислительном процессе. Используются два главных подхода:

Реализация операционных блоков на цифровой схемотехнической элементной базе;

Распределение с учетом допустимой погрешности вычислений частей сложной задачки меж аналоговым и цифровым микропроцессорами.

ЭВМ , построенные с внедрением сочетания аналогового и цифрового НПВ, т.е. аналогового и цифрового моделирования, именуется гибридными вычислительными машинками (ГВМ), а ВС, представляющие из себя комплекс ЦВМ и АВМ, объединенных при помощи ЦАП и АЦП, – гибридными (аналого-цифровыми) вычислительными комплексами (ГВК либо АЦВК).

Как следует, к НПВ, не считая аналогового математического моделирования, относятся:

· Цифровое моделирование (конечно-разностное и разрядное моделирование);

· Аналого-цифровое моделирование (частичное внедрение с целью увеличения производительности параллельного НПВ в аналоговой части);

· Цифровой НПВ на базе неалгоритмического потокового программирования по степени готовности операндов, а не последовательности установок, как это принято в традиционно-абстрактной модели ЦВМ фон-Неймана.

Крайний НПВ дозволяет применять для увеличения производительности естественный параллелизм операций, имеющийся в большинстве решаемых задач. Но он реализуется на базе особенной многофункциональной и структурной организации цифрового микропроцессора и особенного машинного языка низкого уровня, отличающегося от ассемблера ЦВМ фон-Неймана, оставаясь по главным чертам абстрактной модели цифровой машинкой, и потому к ГВМ не относится. ЭВМ этого типа организации принято именовать потоковыми ЦВМ.

Особенное пространство посреди ГВМ занимают получившие очень обширное распространение цифровые микропроцессоры сигналов. В их не употребляется НПВ, а к ГВМ они относятся поэтому, что на входном и выходном их портах ввода-вывода добавочно подключаются входной АЦП и выходной ЦАП, дозволяющие по цифровым алгоритмическим программкам обрабатывать аналоговые сигналы опосля их квантования по времени и по уровню. В истинное время они удачно теснят сложную и недостаточно размеренную и технологичную модифицирующую и вычислительную аналоговую схемотехнику. Но для того, чтоб они с достаточной точностью обрабатывали широкополосные аналоговые сигналы (спектр частот спектральных составляющих от 1 до 10 МГц) предъявляются весьма высочайшие требования, как к быстродействию их элементной базы, так и производительности микропроцессора. В их используются сверхпараллельные многофункциональные узлы АЛУ, к примеру однотактные матричные блоки умножения, однотактные параллельные движки и особенная конвейерная организация структуры АЛУ и т.п. Со всеми этими способами организации, позволяющими повысить производительность, мы ознакомимся в данной дисциплине. Начнем с особенностей организации ГВМ и ГВК.

Аналоговое математической моделирование с применением аналоговой электрической и оптоэлектронной элементной базы физически в истинное время применяется сравнимо изредка лишь в тех вариантах, когда это дает выигрыш по сопоставлению с цифровой схемотехникой в 100…1000 раз по производительности, потребляемой мощности и габаритам. Это электрические и оптоэлектронные СБИС аналоговых нейрокомпьютеров, дозволяющие строить узкоспециализированные ЭВМ , решающие некие сложные задачки за 10 мкс…1 мс. Это аналоговые микропроцессоры нечеткого логического вывода, имитирующие в системах автоматики деяния человека-оператора. Это однотактные оптические устройства преобразования Фурье плоских изображений, представляющие из себя две системы линз, меж которыми на пути световых лучей помещается полупрозрачный электрически управляемый транспарант обрабатываемого изображения. Результаты обработки снимаются матрицей фото-электрических преобразователей в задней фокальной плоскости. машинки таковой организации относятся к спец и будут рассмотрены в последующей доборной учебной дисциплине.

2. Компьютерная обработка изображений


2.1 Определение компьютерной обработки изображений

Компьютерная обработка и определение изображений представляет собой стремительно развивающуюся самостоятельную дисциплину.


При всем этом под обработкой изображений понимается не только лишь улучшение зрительного восприятия изображений, да и систематизация объектов, выполняемая при анализе изображений.

В 60-е годы прошедшего века получила развитие особенная наука о изображениях – «иконика», которая посвящена исследованиям общих параметров изображений, целей и задач их преобразования, обработки и проигрывания, определения графических образов [1].

термин «иконика» происходит от греческого «eikon», что значит изображение, образ. Сейчас под ним соображают «создание и обработку изображений при помощи ЭВМ , что совпадает с понятием компьютерной обработки изображений.

области внедрения цифровой обработки в истинное время существенно расширяются, вытесняя аналоговые способы обработки сигналов изображений. Способы цифровой обработки обширно используются в индустрии, искусстве, медицине, мироздании. Они используются при управлении действиями, автоматизации обнаружения и сопровождения объектов, распознавании образов и в почти всех остальных приложениях.

Цифровая передача изображений с галлактических аппаратов, цифровые каналы передачи сигналов изображений требуют обеспечения передачи все огромных потоков инфы. Если при передаче цифрового сигнала цветного телевидения нужно передавать потоки порядка 216 Мбит/с, то для передачи телевидения высочайшей четкости скорость передачи обязана составлять порядка 1 Гбит/c. Формирование изображений, улучшение свойства и автоматизация обработки мед изображений, включая изображения, создаваемые электрическими микроскопами, рентгеновскими аппаратами, томографами и т.д., являются предметом исследования и разработки. сейчас в мед технике обширно используются системы формирования изображения, его преобразования в цифровую форму, визуализация и документирование методом введения в комп изображений при помощи специализированных устройств захвата видео.

Автоматический анализ в системах дистанционного наблюдения обширно применяется при анализе местности, в лесном хозяйстве, к примеру, для автоматического подсчета площади вырубок, в сельском хозяйстве для наблюдения за созреванием урожая, при разведке, в системах противопожарной сохранности. Контроль свойства производимой продукции производится благодаря автоматическим способам анализа сцен.

Компьютерная обработка изображений применяется в задачках экспертизы живописи неразрушающими способами [2]. Для восстановления старенькых кинофильмов используются способы автоматической компенсации изъянов видеоматериала, приобретенного опосля преобразования киноизображения в видео.

Сейчас тяжело представить область деятельности, в какой возможно обойтись без компьютерной обработки изображений. веб, мобильник, камера, фотоаппарат, сканер, принтер, так крепко вошедшие в наш быт, – невообразимы без компьютерной обработки изображений.

Устройства формирования изображений получили обширное распространение и применение в самых разных областях науки, техники, индустрии, медицине, биологии и др. [3–6]. Они являются неотъемлемыми компонентами систем и устройств, используемых в фотокинотехнике, телевидении, системах технического зрения: дневного, ночного и термического видения, при дистанционном зондировании Земли. Предназначение этих систем подразумевает решение комплекса технических и научных задач, требующих синтеза и анализа способов обработки, бинаризации, систематизации изображений. Развитие микроэлектроники, переход от аналоговой формы сигналов к цифровой разрешают расширить гамму и повысить сложность используемых алгоритмов для решения намеченных целей [7,8]. Разглядим некие из устройств формирования изображений.

2.2 Устройства формирования изображений

Устройства формирования изображений разрешают создавать изображения, порождаемые электромагнитным излучением в диапазоне от палитра излучения до инфракрасного (ИК ). Разглядим некие из устройств формирования, которые включают электровакуумные и твердотельные фоточувствительные приборы.

Электровакуумные фоточувствительные приборы имеют фотокатод, эмитирующий электроны, и анод, на который подается положительный потенциал. Большая часть передающих электровакуумных трубок и систем на их базе работают в видимом спектре. Отдельную группу оптико – электрических систем составляют приборы ночного видения, работающие в ближнем ИК спектре. Приемником и преобразователем ИК излучения в видимый спектр в их является электронно – оптический преобразователь (ЭОП) [9]. В ЭОП анодом является люминисцентный экран, создающий видимое изображение при бомбардировке его электронами. Таковым образом, он конвертирует оптическое излучение в оптическое излучение, а не в электронный сигнал.

Передающие электроннолучевые трубки (телевизионные) конвертируют оптическое излучение в электронный сигнал. В электровакуумных фотоприборах вероятна регистрация максимально малых оптических сигналов на уровне единичных фотоэлектронов, высочайшее разрешение. Главные недочеты – это сложные вакуумные стеклянные и металлоконструкции, ограниченный срок службы катодов, мишеней и анодов, высочайшие напряжения питания; ослепление, ограничение спектральной чувствительности близким ИК спектром, огромные массогабаритные свойства.

Твердотельные фоточувствительные приборы обеспечивают преобразование оптических сигналов в электронные в жестком теле. Существует два класса твердотельных фоточувствительных устройств: квантовые и термо приемники излучения.

Квантовые фотоприемники основаны на изменении электронных параметров полупроводника при поглощении фотона. Фотон передает свою энергию электрону, переводя его на наиболее высочайший энергетический уровень. Этот процесс фотогенерации сопровождается формированием пары носителей электрон и дырка. К таковым устройствам относятся фотодиоды, фоторезисторы, приборы с зарядовой связью (ПЗС). ПЗС обеспечивают высочайшее разрешение (размеры частей растра наименее 10 мкм), огромные форматы (768×576 и больше), возможность управления экспонированием, высшую однородность чувствительности частей, большее, чем в ЭЛТ, отношение сигнал/шум (С/Ш), малые габариты, вес и потребляемую мощность, имеют сравнимо низкую стоимость и огромную номенклатуру изделий.

Термо твердотельные приемники излучения употребляют эффект конфигурации электронных параметров материала (емкости, сопротивления) при изменении его температуры вследствие нагрева при поглощении термического излучения (при радиационном нагреве). Болометрическим эффектом именуется изменение электронного сопротивления материала
при радиационном нагреве вследствие конфигурации температуры
этого материала. Болометрический эффект характеризуется температурным сопротивлением материала

=,

где
– сопротивление материала (чувствительного слоя болометра) при температуре
. Приемник, построенный на базе этого эффекта, именуется болометром. К фотоприемным устройствам резисторного типа относятся микроболометрические матрицы. Термочувствительный слой частей таковых матриц делается из пленок окислов ванадия, кремния и германия. Для устранения воздействия температуры окружающей среды, приводящей к непостоянности характеристик, микроболометр заключают в вакуумированный корпус с термоэлектрической системой стабилизации рабочей температуры. Оптический модулятор не нужен. Сейчас эти приемники уступают охлаждаемым фотонным матричным приемникам по чувствительности, размерам частей и быстродействию [10].

2-ой тип устройств – это пироэлектрические фотоприемники. Они употребляют тонкие пленки особенных кристаллических диэлектриков, владеющих пироэлектрическим (ферроэлектрическим) эффектом. Чувствительный элемент в таковых приемниках представляет собой ферроэлектрический конденсатор, при изменении температуры которого, меняется его диэлектрическая неизменная, а, как следует, и емкость.

Изменение емкости при неизменном приложенном к конденсатору напряжении, приводит к изменению заряда, поступающего от конденсатора на схему считывания сигнала. Так как изменение заряда происходит лишь при изменении температуры, то для наблюдения за объектами с неизменной температурой, нужно модулировать падающее излучение. Осуществляется это обтюратором, который с частотой кадров перекрывает падающий на приемник поток излучения. В качестве диэлектриков употребляются ниобат калия тантала (
), титанат барий-стронций (
) и остальные виды керамики. Плюсами пироэлектрических приемников являются практически равномерная спектральная чувствительность в широком спектре (от 800 нм до 25 мкм), высочайшая временная стабильность и низкая стоимость.

3-ий тип термических устройств построен на использовании термопар (термоэлектрические матрицы). Два слоя разнотипных металлов/ полупроводников образуют термопару. один слой облучается радиацией и греется, 2-ой – экранирован от обучения. Меж ними возникает термо ЭДС
. Величина ЭДС пропорциональна производной от данной ЭДС по температуре = ∂
∂
Термопара является генератором напряжения. При поочередном включении термоэлементов чувствительность увеличивается пропорционально числу включенных частей. Стабилизатор температуры не нужен. Термопары нередко образуют пленками алюминия и поликристаллического кремния, расположенными друг под другом. Пленки разбиты слоем [11]. Термоэлементы имеют линейные рабочие хаарктеристики, не требуют обтюрации (в отличие от пироэлектрических приемников), работают без термостабилизации, не требуют источников питания.

Независимо от типа матричного фотоприемника общей тенденцией остается повышение формата. При всем этом понижение размеров чувствительных частей подошло к теоретическому лимиту. Улучшение технологии производства приемников ориентировано, до этого всего, на уменьшение темнового тока с целью увеличения пороговой чувствительности, увеличение однородности чувствительности частей, увеличение чувствительности частей, уменьшение перекрестных межэлементных помех.

Неохлаждаемые приемники ИК излучения все еще отстают от обычных охлаждаемых по температурному разрешению. Но их главные характеристики (чувствительность, пространственное и температурное разрешение) в крайние годы улучшаются, что в сочетании с таковыми преимуществами, как отсутствие холодильника, низкая стоимость, формат кадра порядка 640×480 частей, обусловливают все наиболее обширное их применение в мобильных тепловизионных системах широкого внедрения.

2. Математические модели изображений

2.1 Модели непрерывных изображений

Компьютерная обработка изображений вероятна опосля преобразования сигнала изображения из непрерывной формы в цифровую форму. Эффективность обработки зависит от адекватности модели, описывающей изображение, нужной для разработки алгоритмов обработки. При всем этом нужно учесть воздействие передающей и приемной систем и канала связи на сигнал изображения. Модель изображения представляет систему функций, описывающих значительные свойства изображения: функцию яркости, отражающую изменение яркости в плоскости изображения, пространственные диапазоны и спектральные интенсивности изображений, функции автокорреляции. канал изображения содержит оптическую систему, оптико – электронный преобразователь, устройство аналого – цифрового преобразования (АЦП) и цифровой обработки сигналов изображения. В общем случае непрерывное изображение быть может представлено функцией 5 аргументов: 3-х пространственных координат, времени и длины волны электромагнитного излучения. Упрощения модели пространственно – временных сигналов в неком спектре волн
(
λ) приводят к моделям пространственно – временного сигнала
(
), пространственного сигнала
(
), временного сигнала
(
). тут
– пространственные координаты,
– время, λ – длина волны электромагнитного излучения.

2.2 Пространственные диапазоны изображений

Диапазон изображения получают прямым двумерным преобразованием Фурье функции, описывающей изображение [12]:

(
) =
(
) exp (−
(ω

+ ω

))
, (2.1)

где ω
ω
– пространственные частоты;
= , надуманная единица.

Функция exp (−
(ω
+ ω
)) при фиксированных значениях пространственных частот обрисовывает плоскую волну в плоскости изображения (
). Формула (2.1) связывает вещественную функцию, описывающую яркость изображения
(
,
) с всеохватывающей функцией частоты – диапазоном изображения
(ω
ω
:

(

=
(
) cos (−
(
))

(−
(
) sin (
))




,

где
(ω

ω

– настоящая часть диапазона;
(ω

ω

– надуманная часть диапазона.

Набросок 2.1 Определение пространственных частот изображения.

Амплитуда и фаза диапазона определяются по формулам (2.3) и (2.4) соответственно:

(

=

ϕ (щ

щ

= arctg (
(



(
)).

Из (2.3)

(ω ω) =



F(
) exp (
ϕ(

). (2.4)

Оборотное преобразование Фурье дозволяет вернуть изображение по его диапазону:

(


) = (1
4)



exp (
(
)) (2.5)

2.3 Спектральные интенсивности изображений

Спектральная интенсивность изображения охарактеризовывает

распределение энергии по пространственным частотам. Она определяется как квадрат модуля диапазона изображения:

S(
) =
+
(
= ((
)). (2.6)

Для ее наименования употребляются определения спектральная плотность и энергетический диапазон.

Энергия изображения определяется как интеграл энергетического диапазона по пространственным частотам. В согласовании с аксиомой Парсеваля энергия изображения быть может вычислена в согласовании с (2.7):

2.4 Вероятностные модели изображений и функции Автокорреляции

Вероятностные модели изображений обширно употребляются для описания изображений. Изображение в этом случае рассматривается как случайная функция пространственных координат (
) и времени
. Случайный процесс именуется
, если он имеет неизменные значения математического ожидания и дисперсии, а его автокорреляционная функция зависит не от координат, а от их разностей (сдвига). Случайный процесс именуется
, если его
‑мерная плотность распределения вероятностей инвариантна к сдвигу. В этом случае не зависят от времени и моменты наиболее высочайшего порядка, а именно, асимметрия и эксцесс. Случайный процесс описывается плотностью вероятности распределения яркости в изображении по пространственным координатам для некого фиксированного момента времени
(
,
).

В согласовании с определением математическое ожидание (среднее

=
(
)
=const. (2.8)

Дисперсия

D
=σ 2=
(
(
) – ξ = (
ξ
(
)
=const. (2.9)

Функция автокорреляции рассчитывается в согласовании с (2.10):

= =











(2.10)

где
задают сдвиги изображения по подходящим осям координат.

Для реальной функции
автокорреляционная функция является реальной и четной. Диапазон двумерной автокорреляционной функции изображения (прямое преобразование Фурье автокорреляционной функции) равен энергетическому диапазону изображения (спектральной плотности мощности) по определению:

=



exp (−

+

. (2.11)

Стационарный случайный процесс именуется
, если неважно какая его вероятностная черта быть может получена из одной реализации методом усреднения по времени. При всем этом среднее по времени равно среднему по ансамблю реализаций. Свойство эргодичности употребляется при оценке вероятностных черт изображений.

2.5 Аспекты свойства изображений

Качество отображения может определяться статистическими, спектральными, яркостными чертами изображения. В большинстве практических применений свойство рассматривается как мера близости 2-ух изображений: настоящего и безупречного либо перевоплощенного и начального. При таком подходе можно оценивать как личную степень похожести изображений, так и получать конкретные оценки характеристик сигналов изображения: моменты первого и второго порядка разностного сигнала сравниваемых изображений, такие характеристики преобразования как отношение С/Ш, коэффициенты сжатия инфы и остальные.

Личные аспекты – это аспекты зрительного восприятия, оцениваемые в процессе экспертизы некой группой наблюдателей (профессионалов). Наибольшее распространение получил способ оценок, при котором наблюдающий оценивает качество отображения в баллах по определенной шкале, считая, что безупречное изображение имеет наибольший балл. Этот способ дозволяет оценить такие свойства изображения как корректность цветопередачи, координатные преломления, чистоту переходов и др. Главные шкалы оценок при использовании способа сопоставления приведены в таблице 2.1 [13].

Для интерпретации приобретенных экспертных оценок разработаны способы их представления, к примеру построение кумулятивных кривых распределения оценок как функции от искажений. Средняя оценка определяется по формуле

где
‑общее число оценок,
– число оценок равных
баллам,
– количество видов различных оценок.

Нормализованные оценки
выражают относительное свойство в спектре [0,1]. При пятибалльной системе, когда
∈ [1,5]:

= (
−1)
4,

а средняя оценка рассчитывается в согласовании с формулой:

ср = ( + 0,75 + 0,5 + 0,25)/

Таблица 2.1 Главные шкалы личных оценок свойства изображения

Единицей ухудшения свойства телевизионных (ТВ — комплекс устройств для передачи движущегося изображения и звука на расстояние)) изображений является имп (от
– ухудшение, повреждение). Эта единица введена Проссером, Аллнаттом и Льюисом в 1964 г. и употребляется МККР (Интернациональным консультативным комитетом по радиосвязи (
)). Ухудшение назад пропорционально нормализованной оценке свойства и

меняется от ∞ до 0 при изменении
от 0 до 1 в согласовании с формулой:

=1
−1.

Достоинство методики оценки ухудшения заключается в том, что результирующая оценка ухудшения выходит арифметическим суммированием оценок ухудшения, вызванных разными видами искажений сигналов изображения. Основываясь на психофизических свойствах наблюдающего, личные оценки разрешают охарактеризовывать восприятие изображения. Интегральный аспект свойства формируется по обобщенной формуле:

где
‑ число характеристик, по которым оценивается качество отображения; ν – показатель степени. к примеру, такие значения как 0,78 либо 2. В истинное время используются и остальные оценки свойства изображений. При

разработке аппаратных средств специального предназначения огромное f
(
,
) и (
) является среднеквадратическое x
∈[0
] и
∈[0
], среднеквадратическое отклонение (СКО) рассчитывается по формуле:

(2.12)

В неких вариантах употребляется аспект наибольшей ошибки, который в отличие от (2.12), дозволяет установить

= max |
(


) – | (2.13)

(

Используются и остальные конкретные аспекты свойства изображений [14]. Существует определенное разногласие в оценках свойства, даваемых человечьим глазом (личных), и беспристрастных, приобретенных в виде количественных характеристик. глаз является совершенным изобретением природы, с ним не могут соревноваться довольно примитивные конкретные оценки типа СКО, пикового дела сигнал/шум (ПСШ) и др. Потому некие результаты, рассматриваемые исходя из убеждений беспристрастных оценок как схожие, зрительно могут восприниматься различно. Но конкретные аспекты употребляются при компьютерной обработке изображений в системах с автоматическим принятием решений. Функционирование автоматических компьютерных систем на сто процентов подчинено математическим аспектам, и свойство их работы оценивается лишь беспристрастными показателями. Понятно, что и свойство изображений, применяемых в этих системах, также обязано оцениваться лишь по беспристрастным аспектам.

Заключение

Нейронные сети основывались на высокоуровневом моделировании процесса мышления на обыденных компах. Чтоб сделать искусственный ум, нужно выстроить систему с похожей на естественную архитектурой, т.е. перейти от программной реализации процесса мышления к аппаратной.

Базу нейросетей составляют относительно обыкновенные, почти всегда – однотипные, элементы (ячейки), имитирующие работу нейронов мозга – искусственные нейроны.

Естественным продолжением аппаратного и программного подхода к реализации нейрокомпьютера является программно-аппаратный подход. Аппаратный подход связан с созданием нейрокомпьютеров в виде нейроподобных структур (нейросетей) электронно-аналогового, оптоэлектронного и оптического типов. Для таковых компов разрабатываются особые СБИС (нейрочипы, нейроускорители).

Перечень применяемой литературы

1. А. Горбань, Д. Россиев. Нейронные сети на индивидуальном компе. // Новосибирск: Наука, 1996.

2. Ф. Уоссермен, Нейрокомпьютерная техника, М., Мир, 1992.

3. Итоги науки и техники: физические и математические модели нейронных сетей, том 1, М., изд. ВИНИТИ, 1990.

4. HTTP://therocker.narod.ru/doc/neuro.htm#comp1

5. Marguerat C. Artificial neural Network algorithms on a parallel DSP system. In: Transputers’94 Advanced research and industrial applications. Proc. Of the International conf. 21–23 Sept. 1994. IOS Press 1994, p. 278–287.

6. MD 1220 Data Sheet. March 1990, Micro Devices, 30 Skyline Dr., Lake Mary, F1 32746–6201, USA.

7. NXL420 Data Sheet. June 1992, Neurologix, Inc., 800 Charcot Av., Suite 112, San Jose. Ca. USA.

8. M. Yasunga, N. Msuda, M. Yagyu, M. Asai, M. Yamada, A. Masaki, Design, Fabrication and Evaluation of a 5‑Inch Wafer Scale Neural Networks LSI Composed of 576 Digital Neurons, Proc. Int. Joint Conf. on Neural Networks IJCNN» 90, June 1990.

9. 80170NX Electrically Trainable Analog Neural Network, Data Sheet, Intel Corp., Santa Clara, CA, 1991.

10. J. Alspector, T. Jayakumar, S. Luna. Experimental Evaluation of Learning in a Neural Microsystem, Proc. Of NIPS» 91 in Advances in Neural Information Processing Systems‑4, pp. 871–878, Morgan-Kaufmann Pub., San Mateo, CA, 1992.

11. Виксне П., Черников В., Фомин Д., Шевченко П. Применение процессора NM6403 для эмуляции нейронных сетей. Сборник докладов V Всероссийской конференции «Нейрокомпьютеры и их применение». Москва, 17–19 февраля 1999.

12. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. – 1-е. – Высшая школа, 2002. – С. 184. – ISBN 5–06–004094–1

13. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. – 1-е. – М.: Жгучая линия – Телеком, 2001. – С. 382. – ISBN 5–93517–031–0

14. Каллан Р. Главные концепции нейронных сетей = The Essence of Neural Networks First Edition. – 1-е. – «Вильямс», 2001. – С. 288. – ISBN 5–8459–0210‑X

15. Ясницкий Л.Н. Введение в искусственный ум. – 1-е. – Издательский центр «Академия», 2005. – С. 176. – ISBN 5–7695–1958–4

16. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. – 1-е. – Изд-во МГТУ им. Н.Э. Баумана, 2002. – С. 320. – ISBN 5–7038–1908–3

]]>