Информационные ресурсы, анализ и обработка

СЕКЦИЯ 4
Информационные ресурсы,
анализ и обработка информации
217
Н.П. Белов, В.Н. Грисимов, А.С. Шерстобитова, А.Д. Яськов
Санкт-Петербургский государственный университет
информационных технологий, механики и оптики
197101, г. Санкт-Петербург, Кронверкский пр., д. 49
Санкт-Петербургский государственный медицинский университет им. И. П. Павлова
197022, г Санкт-Петербург, ул. Льва Толстого, д. 6/8
e-mail: ashev87@mail.ru
Моделирование фотометрической интегрирующей сферы c экраном
Принятые в настоящее время отечественные и международные стандарты измерений оптических характеристик объектов с диффузным отражением света предполагают использование
фотометрической интегрирующей сферы. Конструкция интегрирующей сферы в большинстве
приборов (в т. ч. спектральных), предназначенных для таких измерений предусматривает
внешнее расположение (за пределами полости сферы) лампы-излучателя и фотоприемника.
Анализ фотометрических погрешностей для подобной оптогеометрической конфигурации проводился ранее, например в [1].
Представляется перспективной конструкция фотометрической сферы с расположением излучателя непосредственно в ее полости. Очевидными достоинствами здесь являются повышение эффективности светоотдачи излучателя, а также упрощение конструкции в целом, в частности за счет возможного использования оптического волокна для сбора отраженного излучения. В такой конфигурации, где освещение от источника падает на поверхность сферы, а приемник регистрирует отраженный поток излучения, требуется исключить прямое попадание света от излучателя на образец, что обеспечивается установлением непрозрачного экрана. Цель
настоящей работы состояла в численном моделировании интегрирующей сферы с экраном и
анализе фотометрических погрешностей измерения коэффициентов отражения света. В известной нам литературе такой анализ ранее не проводился.
Для определения функциональности данной конструкции было исследовано распределение
освещенности в полости сферы. Предполагалось, что отражение подчиняется закону Ламберта.
Освещенность внутри сферы рассчитывалась матричным методом [1, 2]. Этот метод предполагает выделение на внутренней поверхности сферы кольцевых зон, которые имеют одинаковые
освещенность и коэффициент отражения. Обмен излучением между двумя зонами с заданными
координатами определялся конфигурационными факторами [1]. При этом считалось, что экран
и излучатель, как и в реальной конструкции, расположены вблизи центра сферы. Влиянием волоконно-оптического жгута, используемого в качестве коллектора излучения на распределение
освещенности в сфере пренебрегалось. Начальная освещенность в сфере задавалась в предположении равномерности распределения потока излучения на верхней поверхности экрана, направленной в сторону излучателя. Так как рассматриваемая конструкция имеет осевую симметрию, то было целесообразно разделить поверхности, участвующие в обмене излучением на поверхность образца, верхнюю и нижнюю части сферы и экрана. Каждая из этих поверхностей
делилась на кольцевые зоны. Число таких зон составило 309. Конфигурационные факторы определялись исходя из очевидных геометрических соотношений для взаимодействующих областей: верхняя область сферы – верхняя область сферы; нижняя область сферы – нижняя область
сферы; верхняя область сферы – нижняя область сферы; нижняя область сферы – верхняя область сферы; верхняя область сферы – верхняя область экрана; нижняя область сферы – нижняя
область экрана; верхняя область сферы – образец; нижняя область сферы – образец; нижняя
область экрана – образец. Так как обмена излучением между верхней и нижней плоскостями
экрана не происходило, то соответствующие конфигурационные факторы считались равными
нулю. Кроме того, учитывалось перекрытие отдельных зон при взаимодействии верхней и
нижней полусфер, а также верхней полусферы и образца. Коэффициент отражения поверхностей сферы и экрана принимался равным 0.96, а для образца – варьировался в пределах от 0.1
до 0.9. Отражение в области входного люка в верхней полусфере считался равным нулю.
Данные расчетов показали, что наибольшую неравномерность освещенности имела верхняя
область сферы, на которую попадал первоначальный поток освещения, рассеянный от верхней
218
части экрана. Освещенность поверхности образцов оставалась равномерной для образцов с
низким коэффициентом отражения. Общая освещенность падала с уменьшением коэффициента
отражения образца. Это являлось основной ошибкой метода, которая оказывалась такой же, как
и для конструкции без заслонки.
На основании полученных результатов, можно сделать вывод, что экран не вносит неравномерности освещенности образца, приводящей к погрешностям измерения. Изменение его
радиуса не приводит к значительному изменению распределения освещенности. Лампа может
быть помещена над экраном внутри сферы, поскольку неравномерность освещенности верхней
области сферы также не вносит погрешностей в измерения.
Литература
1. Tardy, H. L. Matrix method for integrating-sphere calculations // J. Opt. Soc. Am. A, Vol. 8,
No. 9, 1411 – 1418 (1991).
2. Clare, J. F. Comparison of four analytic methods for the calculation of irradiance in integrating
spheres // J. Opt. Soc. Am. A, Vol. 15, No. 12, 3086 – 3096 (1998).
219
Е.Н. Бойченко
Белгородская государственная универсальная научная библиотека
308000, г. Белгород, ул. Попова, д. 39а
e-mail: opl@bgunb.ru
Использование электронных версий периодических изданий по технике
в подготовке специалистов производства
Сеть Интернет является огромным информационным ресурсом, без которого работа научных работников, преподавателей вузов, инженеров и студентов в настоящее время становится
малоэффективной. Не вызывает сомнения тот факт, что периодические издания обладают
большей, по сравнению с книгами, оперативностью в доведении до пользователя новых сведений. В отличие от традиционных печатных изданий, электронные периодические издания обладают существенными дополнительными возможностями.
Суммируя выделяемые в ряде исследований положения [3,4,5,6], сформулируем основные
положительные черты электронных версий периодических изданий:
электронная версия журнала/газеты может быть доступна одновременно нескольким пользователям, если компьютеры объединены в локальную сеть;
электронные версии многих периодических изданий есть в свободном доступе или предоставляются по более дешёвой электронной подписке, что позволяет не подписываться на бумажную версию;
сетевые технологии позволяют пользователям обращаться к полнотекстовым базам данных
непосредственно с рабочего места или из дома;
создатели сайтов электронных периодических изданий предоставляют разнообразные поисковые возможности (в базах данных полнотекстовых журнальных статей);
возможна публикация читателем комментариев и откликов на сайте, содержащем статью;
существует возможность заказа и оплаты доступа к отдельным статьям (без необходимости
подписки). В данном случае широко используются возможности системы электронной доставки документов (ЭДД).
Общеизвестно, что до 70% научной информации приходится на долю научных журналов
(периодических и продолжающихся изданий), при этом их количество в мире ежегодно удваивается, и ориентироваться в таком потоке без специальных средств навигации уже практически
невозможно. По данным Роскомнадзора, по состоянию на 1.01.2010 года только в России было
зарегистрировано более 6 тыс. печатных изданий.
Данные исследований, проведенных Л. Ф. Борисовой и О. В. Сюнтюренко свидетельствуют,
что только 38% российских периодических изданий (283 из 726) представлены в Интернете,
тогда как в США это показатель составляет 55% (8000 из 14000), в Китае – 80% (2600 из 3200)
[2]. Необходимо отметить, что авторы публикации не уточняют, какого рода информация представлена в этих журналах.
В настоящее время информация о количестве российских электронных журналов, в том
числе существующих только в электронной форме и распространяемых только по электронным
каналам, отсутствует. Отсутствует полная поисковая система по периодике технической направленности. В то же время существует ряд обстоятельств, которые дают возможность оптимистически оценивать вероятность оперативного поиска информации по техническим наукам в
электронных версиях периодических изданий и использовать результаты данного поиска в
процессе обучения специалистов.
Универсальными являются возможности поиска, осуществимого с помощью баз данных
Научной электронной библиотеки (НЭБ) (www.elibrary.ru). НЭБ – это крупнейший российский
информационный портал в области науки, технологии, медицины и образования, содержащий
рефераты и полные тексты более 12 млн. научных статей и публикаций. Общее число журналов, расписываемых сотрудниками библиотеки, составляет на начало декабря 2010 года 30640
ед., при этом 6295 из них – российские журналы. На платформе eLIBRARY.RU доступны данные о 5737 научно-технических журналов. Следует отметить, что из 812 российских научных
журналов, размещенных на платформе eLIBRARY.RU, которые имеют открытые для всех полнотекстовые выпуски, менее 30 журналов научно-технической тематики (речь идет о тех журналах, архив которых доступен вплоть до 2010 года).
220
Следует отметить, что большинство изданий по технике, представленных на платформе Научной электронной библиотеки, издаются АИЦ «НАУКА» или представляют собой издания
технических вузов. В связи с этим следует отметить тот факт, что данные журналы относятся к
тем периодическим изданиям, спрос на которые в рамках библиотеки определенным образом
зависит от уровня образования пользователя и сложности научной работы – данные издания
востребованы, в основном, научными сотрудниками. Между тем, в число журналов по техническим наукам, востребованных пользователями, входят и научно-практические, и научнопопулярные издания. Существует обывательская версия, что множество зарубежных изобретений базируется на информации, опубликованной в журналах «Техника – молодежи», «Моделист-конструктор», «Наука и жизнь» и других.
Информационно-справочный портал «Library.ru» (http://www.library.ru/) был создан в 2003
году группой специалистов, ныне представляющих АНО «Институт информационных инициатив» и Российскую государственную юношескую библиотеку. Портал поддерживается Министерством культуры Российской Федерации. На начало декабря 2010 года на сайте было приведено 2757 адресов сайтов периодических изданий.
При наличии несомненных достоинств портала, следует отметить, что в структурировании
списка отсутствует единый для библиотек подход (ББК или УДК). Выделены такие разделы как
«Техника. Технические науки. Промышленность» (121 журнал), «Автомобили. Транспорт. Логистика» (65 журналов), «Архитектура. Строительство. Жильё. Дизайн интерьеров» (54 журнала), «Аудио. Видео. Фото. Бытовая техника» (22 журнала) и другие.
Следует также отметить, что в ряду журналов нет достаточно известных, например:
«Машиностроитель» (http://www.mashizdat.ru/mash.html) архив с 2005 до 2010 года. Доступно содержание журнала, краткие аннотации статей, с 2010 года приводится пристатейный список литературы.
«Железнодорожный транспорт» (издается с 1826 года) (http://www.zdt-magazine.ru/). Доступно содержание, краткая аннотация, полнотекстовая версия статьи (с илл.). Архив с 2005 по
2010 год.
Автором данной работы было проведено исследование, согласно которому можно утверждать, что более 70% периодических изданий по технике (197 из 234 журналов, выписываемых
БГУНБ) предоставляют возможность пользователю ознакомиться с архивом данного издания
[1]. Для удобства пользователей Белгородской государственной универсальной научной библиотеки в 2008 году был составлен «Путеводитель по ресурсам Интернет: журналы по техническим наукам». В течение 2009-2010 гг. были созданы тематические путеводители для различных специальностей. В частности, в рамках научно-практической конференции «Экология города: тенденции развития городских пространств» (май 2010 года) был представлен путеводитель по периодическим изданиям заданной тематики.
Таким образом, профессионально значимые качества специалиста основываются, в первую
очередь, на способности самостоятельно пополнять свои знания, что повышает требования к
информационной культуре личности. В процессе обучения, научной и практической деятельности современных специалистов следует использовать все доступные ресурсы Интернет, при
этом особое значение следует уделить электронным периодическим изданиям по технике.
Литература
1. Бойченко, Е.Н. Периодические издания по техническим наукам в Интернете: доступность
электронных ресурсов / Е.Н. Бойченко // Научные и технические библиотеки.– 2009.– № 5.–
С. 31-45.
2. Борисова, Л.Ф. Проблемы информационного обеспечения научно-инновационной и промышленной сферы: новые концептуальные подходы / Л.Ф. Борисова, О.В. Сюнтюренко // Научно-техническая информация. Сер. 1. Организация и методика информационной работы.–
2009.– № 4.– С. 9-12.
3. Веселаго, В.Г. Российские электронные научные журналы новый этап развития, проблемы интеграции / В.Г. Веселаго, А.М. Елизаров, О.В. Сюнтюренко // Электронные библиотеки.–
2005.– № 1.– С. 12-24.
4. Вихрева, Г.М. О возрастающей роли библиотек и периодических изданий в системе научно-технической информации / Г.М. Вихрева // Строительные материалы.– 2005.– № 4.– С. 44-45.
5. Ибрагимова, И. Электронные медицинские ресурсы в Интернете / И. Ибрагимова //
Междунар. журн. мед. практики.– 2005.– № 2.– С. 76-80.
6. Тесля, Е.В. Электронные литературно-художественные и филологические журналы: преимущества и перспективы / Е.В. Тесля // Вестн. Челябинской гос. академии культуры и искусств.– 2009.– № 3.– С. 15-16.
221
И.К. Будникова, А.Ф. Валеев
Казанский государственный энергетический университет
г. Казань, Красносельская, д. 51
e-mail: ikbudnikova@yandex.ru
Программный комплекс криптографической защиты
в телекоммуникационных сетях
Сегодняшняя действительность отличается необходимостью организации защиты персональных данных, при их хранении и передачи по телекоммуникационным каналам связи. Эта
необходимость обусловлена вступлением в силу федерального закона от 27 июля 2006 года №
152 о защите персональных данных. В связи с этим, во многих организациях возникла проблема обеспечения защиты персональных данных и ее реализация до 1 января 2010 года. В работе
представлен возможный вариант решения возникшей проблемы, на примере обеспечения защиты центральной базы данных Республиканского центра по борьбе со СПИД и инфекционными
заболеваниями.
Среди всего спектра методов защиты данных от нежелательного доступа были выбраны
криптографические методы. В отличие от других методов, они опираются лишь на свойства
самой информации и не используют свойства ее материальных носителей, особенности узлов
ее обработки, передачи и хранения [1].
Широкое применение компьютерных технологий и постоянное увеличение объема информационных потоков вызывает постоянный рост интереса к криптографии. В последнее время
увеличивается роль программных средств защиты информации, просто модернизируемых, не
требующих крупных финансовых затрат в сравнении с аппаратными криптосистемами. Поэтому было принято решение реализовать программное средство защиты персональных данных,
содержащих конфиденциальную информацию об инфицированных людях.
Цель работы заключается в разработке программного модуля процесса аутентификации и
криптографической защиты информации между клиентом и сервером территориально распределенной сети.
В результате анализа криптографических методов [2], было разработано предложение модифицировать классический алгоритм аналитического метода шифрования и дополнить его методом RSA. Разработано клиент-серверное программное решение организации доступа к информационным ресурсам центра, в работе которого применяются описанные методики шифрования (дешифрования) пакетов данных. Программная реализация модуля криптографической
защиты информации разделена на три части:
1.«Контролёр ключей», который выполняет:
- формирование пакета данных;
- шифрование пакета данных;
- посылку запроса программе серверу (диспетчеру ключей);
- получение ответа от диспетчера;
- передачу ответа прикладной программе.
2.«Диспетчер ключей», который выполняет:
- получение пакета данных от программы клиента;
- расшифровку пакета данных;
- проверку права доступа пользователя к работе с ресурсами центрального банка данных;
- отсылку результата проверки (в зашифрованном виде) программе - клиенту.
3.«Диспетчер ключей. Администратор», позволяет администрировать систему аутентификации, генерировать ключи шифрования, вести журнал аудита.
Литература
1. Столингс, В. Криптография и защита сетей: принципы и практика / В. Столингс.– М.:
Изд. дом «Вильямс», 2003.
2. Таненбаум, Э. Компьютерные сети / Э. Таненбаум.– СПб.: Питер, 2007.
222
А.Д. Варламов
Муромский институт (филиал) Владимирского государственного университета
602264 г. Муром, Владимирской обл., ул. Орловская, д. 23
e-mail: varlamov_aleks@mail.ru
Корелляционный анализ признаков для устранения нормального шума
на изображениях нейронной сетью
Для устранения нормального шума на изображениях разработано множество алгоритмов,
реализуемых в виде фильтров, снижающих характеристики шума и визуально улучшающих
качество изображения. В последнее время для решения такой задачи прибегают и к использованию нейросетевых методов, основным преимуществом которых является возможность самообучения, освобождающая человека от долгих экспериментов с подбором различных параметров алгоритма для достижения приемлемых результатов (особенно, если алгоритм сложный и
имеет множество параметров, таких, как пороговые значения, весовые коэффициенты и прочие).
Нейронная сеть, обрабатывающая полутоновое изображение, должна принимать решение
по каждой точке, то есть определять значение яркости каждой точки выходного изображения.
Для этого на ее входы поступает набор значений признаков, вычисляемых по окрестности текущей точки. Целью обучению является максимальное соответствие выходных яркостей точек
соответствующим значениям незашумленных изображений.
Исходное
изображение
Цель
Признак 1
Яркость точки
Признак 2
Яркость окрестности
3*3
Признак 3
Яркость окрестности
5*5
Признак 4
СКО окрестности 3*3
Признак 5
Полутоновое замыкание по площади 3*3
Признак 6
Полутоновое размыкание по площади 3*3
Признак 7
Макс. сред. яркость
линейного сегмента в
21 точку**
Признак 8
Мин. сред. яркость
линейного сегмента в
21 точку**
Признак 9
Результат контрастирования границ в окрестности 3*3
Признак 10
Медиана яркости точек в окрестности 3*3
Рис. 1. Изображения локальных признаков зашумленного изображения
** Рассматриваются все линейные сегменты с центром в базовой точке.
223
Покажем, как решается эта задача корреляционным анализом признаков. Создадим обучающую выборку из N изображений (для краткости в материале будет демонстрироваться
только одно из них). На каждое изображение наложим нормальный шум. Изображение из выборки с наложенным шумом будем называть входным, а без шума - целью. Пусть имеется 10
алгоритмов формирования изображений локальных признаков (рисунок 1). Необходимо определить степень влияния каждого признака на результат.
Статистическая взаимосвязь между каждым признаком и идеальным изображением определяется коэффициентом корреляции. Если его значение очень близко к нулю, признак никак не
влияет на результат и его можно исключить. Для рассматриваемого примера вычисленные значения коэффициентов сведены в таблицу, в которой все признаки упорядочены по степени
убывания коэффициента корреляции.
Таблица 1
Корреляция признаков изображения с целью
№ п.п.
Значение
коэффициента
корреляции с целью
Признак
1
Медиана яркости точек в окрестности 3*3
0,99936
2
Яркость окрестности 3*3
0,99918
3
Полутоновое замыкание по площади 3*3
0,99891
4
Полутоновое размыкание по площади 3*3
0,99884
5
Яркость окрестности 5*5
0,99831
6
Результат контрастирования границ в окрестности 3*3
0,99799
7
Яркость точки
0,99704
8
Макс. сред. яркость линейного сегмента в 21 точку
0,99118
9
Мин. сред. яркость линейного сегмента в 21 точку
0,98722
10
СКО окрестности 3*3
0,22422
Анализ полученных значений позволяет сделать следующие утверждения:
1. Все признаки коррелированы с целью, а значит, имеют определенную степень влияния на
результат.
2. Алгоритмы вычисления признаков, расположенных выше признака яркости точки (который фактически является исходным изображением), сами по себе могут снижать уровень шума
на изображении (по объективному математическому критерию).
3. Если рассматривать алгоритмы формирования признаков как самостоятельные фильтры
нормального шума, лучшие результаты наблюдаются у медианной фильтрации с окрестностью
медианы 3*3 точки (признак №10).
Основным недостатком использования коэффициента корреляции между локальным признаком изображения и целью как оценочной характеристики степени влияния признака на результат является неучтенность наличия корреляции между самими признаками. Поэтому данную меру можно применять только в случаях, когда отсутствует (либо слаба) корреляция между признаками.
В целом для отбора признаков изображения для его обработки нейронной сетью следует
учитывать следующие величины:
1. Корреляции между признаками (в теории анализа данных с этой целью применяется факторный анализ).
2. Время выполнения алгоритма вычисления каждого признака (это позволит сократить
время работы фильтра обработки изображения, который будет базироваться на результатах
обучения нейронной сети).
В следующем докладе на данном примере рассматривается метод факторного анализа для
отбора ключевых признаков изображений в нейросетевых алгоритмах, учитывающий корреляции между признаками.
224
А.Д. Варламов, Н.В. Киреев
Муромский институт (филиал) Владимирского государственного университета
602264 г. Муром, Владимирской обл., ул. Орловская, д. 23
e-mail: varlamov_aleks@mail.ru
Факторный анализ признаков для устранения нормального шума
на изображениях нейронной сетью
Для сокращения количества признаков, поступающих на вход нейронной сети, выполняющей обработку изображений, недостаточно вычислить лишь коэффициенты корреляции между
признаками и оригинальным изображением [1]. Это обусловлено наличием статистических
взаимосвязей между самими признаками. В работе представлен пример определения ключевых
признаков для обработки изображения нейронной сетью для задачи, описанной в вышеизложенном докладе [1].
Визуально корреляции между признаками и целью можно проследить на диаграммах рассеяния, отобрженных на рисунке.
Пример корреляции
признаком и целью
между Пример корреляции между Пример корреляции между
взаимозависимыми признака- взаимонезависимыми признами
ками
Рис 1. Диаграммы рассеяния
Сильные зависимости между признаками делают коэффициент корреляции между признаком и целью неприменимым в качестве меры оценки степени влияния признака на результат.
Наибольшее влияние на результат оказывает тот признак, который не только сильно коррелирован с целью, но и менее других коррелирован с другими признаками. Построим корреляциS ×S
онную матрицу признаков K ij i , j =0 , где S – количество признаков, K ij - коэффициент корре-
{ }
ляции между признаками i и j. Для этой матрицы вычисляются собственные значения, которые
отражены в третьем столбце таблицы.
Таблица
Определение наиболее значимых признаков
№
п.п.
1
2
3
4
5
6
7
8
9
10
Собственное
значение
матрицы
Признак
Яркость окрестности 3*3
СКО окрестности 3*3
Макс. сред. яркость линейного сегмента в
21 точку
Мин. сред. яркость линейного сегмента в
21 точку
Яркость окрестности 5*5
Результат контрастирования границ в окрестности 3*3
Полутоновое размыкание по площади 3*3
Полутоновое замыкание по площади 3*3
Медиана яркости точек в окрестности 3*3
Яркость точки
225
8,8485
1,03
0,0583
Процент
влияния
Накопительный
процент
Влияния
88,485
10,3
88,485
98,785
0,583
99,368
0,211
0,143
99,579
99,722
0,118
0,087
0,04
0,023
0,01
99,84
99,927
99,967
99,99
100
0,0211
0,0143
0,0118
0,0087
0,004
0,0023
0,001
По собственным значениям матрицы построим график “Каменная осыпь” (рис. 2). На гафике визуально видно, что с учетом взаимной корелляции признаков большинство из них можно
исключить. Например, три главных признака (включая исходное изображение) “внесут вклад“ в
результат, составляющий 99,368% от вклада, который внесли бы все 10 признаков. Очивидно,
что этим малым влиянием оставшейся части признаков можно пожертвовать для упрощения
обучения нейронной сети и значительного сокращения времени работы обученного алгоритма.
Рис. 2. График “Каменная осыпь”
Таким образом, факторный анализ признаков перед обучением нейронной сети обработке
изображений необходим для исключения признаков, имеющих слишком малое влияние на результат ради сокращения дальнейшей трудоемкости последующей работы и лучших временных
характеристик обученного алгоритма.
Литература
1. Варламов, А.Д. Корреляционный анализ признаков для устранения нормального шума на
изображениях нейронной сетью. Наука и образование в развитии промышленной, социальной и
экономической сфер регионов России [Электронный ресурс]: III Всероссийские науч. Зворыкинские чтения: сб. тез. докладов III Всероссийской межвузовской науч. конф.– Муром: Изд.полиграфический центр МИ ВлГУ, 2011.
226
Е.В. Грицай, Е.М. Дондик, Н.Е. Скоробогатова
Рязанский государственный радиотехнический университет
390005, г. Рязань, ул. Гагарина, д. 59/1
e-mail: dondik@dondem.ryazan.ru; rgrta@rgrta.ryazan.ru
Система распознавания и воспроизведения знаков дактильной речи
Современное развитие информационных технологий позволяет ставить вопрос оказания
помощи людям с дефектами слуха и речи, которые испытывают значительные трудности в общении с окружающими, в том числе при посещении поликлиник, учреждений социальной сферы и т.д. Поэтому задача распознавания и воспроизведения дактильной речи может оказать помощь таким людям в общении с окружающим миром.
В основу русской дактильной речи положена одноручная система представления знаков алфавита и поэтому для распознавания можно выбрать замкнутые одиночные контура бинаризованного изображения. В рассматриваемой системе используется кодирование контура элементарными векторами, которые формируют вектор-контур каждой дактилемы. [1,2].
Ввод знака осуществляется веб-камерой в покадровом растровом полутоновом формате и
обычно в цветном варианте. Для ускорения обработки выбирается наиболее информативный
монохромный канал изображения и оно переводится путем выбора уровня отсечения яркости
пикселей в бинарный формат.
Каждый контур анализируемого знака Г={г(i)}k кодируется набором элементарных векторов
г (i) i=0,...k-1, где k - составляет число элементарных векторов в вектор-контуре. Таким образом, комплекснозначный код контура Г={г(i)}k будет представлен на растровой плоскости изображения последовательностью векторов как функции дискретного комплексного переменного.
Распознавание знаков дактильной речи осуществляется сравнением их вектор-контуров в
пространственной или частотной области.
В качестве решающей процедуры распознавания в пространственной области в системе используется вычисление нормированного скалярного произведения вектор-контура анализируемой дактилемы Г и вектор-контура V каждого из числа хранящихся в базе данных знаков дактилем. Использование в качестве информативных признаков знаков замкнутых векторконтуров позволяет выполнить распознавание при изменении масштаба знака дактилемы и его
наклона. На основе скалярного произведения вводится понятие взаимнокорреляционной функции этих контуров, которая является функцией переменного сдвига т между контурами. Для
каждого значения m получается набор k скалярных произведений, которые и образуют взаимнокорреляционную функцию
k −1
τ (m) = ∑ν (i ) * (i + m), m=0,1,…,k-1.
(1)
i =0
Отсчеты взаимнокорреляционной функции являются комплексными
k −1
(V , Г ) = ∑ν (i )γ * (i ),
i =0
k −1
( Г ,V ) = ∑ν * (i )γ (i ) = (V , Г ) * ,
(2)
i =0
где знак (*) соответствует комплексно-сопряженному значению контура.
Практическая реализация процесса распознавания в пространственной области осуществляется с помощью сравнения анализируемого контура с пространственным контурным согласованным фильтром каждого знака. Признаком каждого конкретного знака будет импульсная характеристика л(m) фильтра размерностью k, у которой все составляющие элементарные вектора
хранятся в запоминающем устройстве. Естественно, что пространственный согласованный
фильтр для выделения вектор-контура г(i)0,k-1 должен быть настроен на этот контур и иметь импульсную характеристику
л(m) = г* (i-m+k-1) ,
(3)
для которой выходной сигнал фильтра будет определяться соотношением:
k −1
η (m) = ∑ν (i )γ * (i − m + k − 1).
i =0
227
(4)
Таким образом, фильтр, согласованный с комплекснозначным вектор-контуром, повторяет
этот сигнал в обратном порядке, с задержкой на число отсчетов к, соответствующих длительности сигнала, и является комплексно-сопряженной копией этого сигнала.
Особенностью контурного спектрального анализа является возможность представить базисные функции разложения также в виде визуальных образов, а именно элементарных контуров. Это позволяет оперировать при спектральном анализе и фильтрации контуров визуально
сопоставимыми образами.
Спектр Р = {p(m)}k вектор-контура Г={г(i)}k-1 в форме ДПФ будет
k −1
p(m) = ∑ γ (i ) exp{− j
i =0
2π
mi} , m=0,…(k-1),
k +1
(5)
где элементарные вектора спектра р(m) являются комплексными числами, и при этом их упорядоченная последовательность {р(0),...,р(к-1)}также образует на плоскости спектральный векторный контур Р. Таким образом р(m) получаются суммированием всех элементарных векторов
исходного контура Г с поворотом каждого из них на угол (
2π
mi) .
k
В спектральном представлении произвольный контур Г может быть представлен линейной
комбинацией элементарных контуров Г0,Г1,...,Гk-1, весами в которой служат компоненты спектра. Спектр контура на выходе согласованного фильтра определяется как
2
p вых (m) = p (m) exp{ j
2π
m} ,
k
(6)
при m=0,.... k-1, т.е. через квадрат модуля частотных компонент |p(m)|.
Частотный коэффициент передачи фильтра будет равен Ω = {w(m)}0,k −1 .
Контурный пространственный сигнал на входе фильтра Г={г(i)}0,(k-1) формирует на выходе
фильтра с частотным коэффициентом передачи Ω = {w(m)}0,k −1 текущий сигнал Н =
{з(s)}0,k-1 в
виде H =
1 k −1
1 k −1
(
)
(
)
ω
m
p
m
Г
=
∑
∑ pвых Г m , т.е. выходной сигнал в виде веквх
m
k i =0
k m =0
тор-контура Н равен взвешенной сумме элементарных контуров Гm m=0,1,.,., k-1, весами в которой выступают элементарные векторы pвых(m) контура спектра.
Для распознавания каждого знака используется свой контурный согласованный фильтр, параметры которого хранятся в памяти системы распознавания. Составляющая частотного коэффициента передачи определяется в виде:
2π
m} ,
(7)
k
где РГ = {рГ(m)} - спектр входного сигнала, PГ* (m) - комплексно-сопряженное значение состав-
ω (m) = PГ* (m) exp{ j
ляющих спектра входного сигнала.
Если спектр фильтруемого входного контура согласован с фильтром, что
2
p вых (m) = p(m) exp{ j
2π
m}, m = 0,1,..., k − 1 .
k
(8)
и сигнал на выходе фильтра в момент m=k-1 будет вещественной величиной и максимально
возможным по модулю.
Таким образом, при поступлении на вход фильтра последовательности контуров с одинаковой энергией максимальный по модулю отсчет будет только у контура согласованного с фильтром. При этом в фильтре реализуются только линейные преобразования, и, следовательно, контурный согласованный фильтр вырабатывает количественную меру сходства и позволяет распознать контуры дактильных знаков, сохраняя свойство инвариантности к изменению масштаба, сдвигу начальных точек контуров и повороту изображений.
Литература
1. Фурман, Я.А. Согласованная фильтрация контуров изображений / Я.А. Фурман // Радиотехника.– 1995.– № 6.– С. 30-33.
2. Furman Ya.A.,Yanshin V.V.Extraction and Linear Filtering of Closed Poligonal Contours of
Images// Pattern Recognition and Image Analysis.– 1994.– V.4, № 2.
228
А.В. Гуськов
Ковровская государственная технологическая академия им. В.А. Дегтярева
601910, Владимирская область, г. Ковров, ул. Маяковского, д. 19
e-mail: endever7@gmail.com
Разработка метода
и инструментальных средств поддержки управления заказами
в условиях виртуального предприятия
Компании во всем мире стремятся минимизировать издержки и увеличить долю выручки,
какая бы деятельность и отрасль не были бы у этой компании. Компания хочет зарабатывать
здесь и сейчас, и хорошую прибыль в будущем.
Как нам всем известно – корабль не может плыть без курса, поэтому и любой коммерческой
организации, нужен курс, курс – направления действий, для сохранения и приумножения собственного капитала.
Управление заказами — это деятельность, осуществляемая в период времени между моментом получения предприятием заказа и моментом, когда персонал склада получает указание на
отгрузку продукции, чтобы выполнить заказ.
Суть предлагаемой концепции - осуществить фокусировку на производстве, покупателях и
их способностях, возможностях, желании. Бизнес-процессы синхронизировать с деятельностью
покупателей. И одним из «начальных» шагов в этом направлении будет, создание системы
управления заказами на производство.
Система управления заказами на производство не только решить выявленные причины недополученной прибыли компании, но будет являться стратегическим инструментов на будущую деятельность компании. Будет являться крепким фундаментом будущих изменений деятельности компании для синхронизации деятельности с желаниями клиента.
Основные проблемы, с которыми сталкивается организация при обычной (бумажной) схеме
работы:
− потеря информации о статусе и состоянии заказа;
− отсутствие календарного планирования состояний и статусов заказов;
− трудозатраты сотрудников компании на информирование всех участников процесса о
статусе и состоянии заказа (текущем и плановом).
Основные задачи по управлению заказами:
− информирование всех участников процесса (склад, брокер, транспортная компания, поставщик, отдел продаж, отдел закупок) о статусе заказа и состоянии заказа;
− календарное планирование состояний и статусов заказа поставщик;
− согласование заказа, отправленного электронным способом, с поставщиком;
− передача электронных документов от поставщика нашей организации;
− повышение лояльности поставщиков;
− разработка метода для оптимизации бизнес процесса, является практической составляющей концепции развития компании.
Изначально, принимается решение о выборе направления развития компании, доказывается
уместность выбранного пути, далее формулируется основное положение – создание эффективной системы управления заказами в условиях бизнеса компании. Дальше происходит переход к
отождествлению теоретической части системы управления, с практическими особенностями
бизнеса компанию. Результатом это этапа становиться выдвижение ряда показателей системы
управления заказами, которые будут являться основой для строительства эффективного управления заказами. На очереди этап построения модели на основе показателей системы управления заказами, которые были определены. И остается два весомых этапа - это внедрение проекта
(модели) и оценка выполненного проекта.
Появляется очень важный подпроцесс в модели для клиентоориентированной компании.
Можно сказать, сначала концепция, потом инструмент. Компания предоставляет базовый вариант реализации любого заказа, клиент говорит – не подходит; компания узнает какой параметр
исполнения заказа не устраивает клиента или несколько параметров; далее производятся расче229
ты того же заказа, но только с поправками по тем параметрам заказа указанные клиентом и естественно без ущерба выгодности компании. Происходит взаимовыгодная сделка. С которой
компания получает выгоду.
Разработка системы информационной поддержки виртуальных предприятий.
Одной из главных задач организации производственной кооперации в виде ВП является
разработка такого интегрированного информационного пространства и системы быстрого
управления процессами и координации, которые позволили бы в оперативном режиме осуществлять прием заказа, проверку возможности его выполнения и распределение работ по выполнению данного заказа между отдельными предприятиями — участниками ВП.
Функции СОУ:
– построение комплексных моделей процессов;
– выбор алгоритмов выполнения решения и оптимизации процессов;
– имитационное моделирование процессов на основе динамической модели — оперативного управления с использованием данных об ассортименте, технологии, загрузки мощностей,
складских запасах, затратах, сроках.
Результатом работы СОУ в данном случае является решение о возможности выполнения заказа с требуемыми параметрами на основе координации ресурсов в ВП. На сайте клиенту выдается ответ о возможности выполнения заказа с его параметрами. Если выполнить заказ в соответствии с требованиями клиента нельзя, ему предлагаются альтернативные варианты (например, изменение срока поставки или стоимости заказа).
Проект развития с внедрением системы управления заказами будет выгоден компании, даже
при высоких затратах проекта в первый год внедрения. Система управления заказами и встроенные инструменты выполнения заказов, начнет давать дополнительный прирост прибыли уже
после полугода работы. Необходимый капитал для внедрения проекта, определить как инвестиции и прибегнуть к заемным средствам, для снижения финансовой нагрузки для компании и
траты собственного капитала.
230
Н.Л. Дзенчарский, М.В. Медведев, М.П. Шлеймович
Казанский государственный технический университет им. А.Н. Туполева
420111, г. Казань, ул. К. Маркса, д. 10
Поиск похожих изображений на основе вейвлет-преобразования
Одним из распространенных подходов к поиску изображений является ручное сопоставление каждому изображению в базе данных множества ключевых слов, однако этот подход имеет
свои трудности. Во-первых, он требует, чтобы пользователь вручную составил описание каждого изображения и сохранил его в базе данных, а это весьма трудоёмкая процедура. Вовторых, подобный метод сложен, так как визуально описать некоторые изображения бывает
достаточно тяжело, тогда как другие изображения можно описать одинаково хорошо множеством различных способов.
Альтернативной стратегией поиска изображений в базе данных является «запрос изображения по содержанию», так называемая CBIR-технология (Content Based Image Retrieval). Это
принципиально другой подход, основанный на том, что запросом является изображение искомого объекта, полученное с другого ракурса, с другим освещением (например, при других погодных условиях), возможно, низкого качества.
CBIR-система работает подобно любой другой поисковой системе – в два этапа. На первом
этапе каждое изображение описывается и заносится в базу данных. Вот только в этом случае
изображения индексируются не по ключевым словам, а по определенным параметрам (сигнатурам) самого изображения, выделяемым с помощью специальных алгоритмов. Полученные данные сохраняются в базе данных. После этого можно вести поиск по определенным значениям
таких сигнатур. Это уже второй этап – нахождение в базе данных изображений с близкими
признаками, т.е. визуально похожих.
В качестве сигнатуры изображения можно использовать множество точечных особенностей
изображения. Чем меньше расстояния между множествами точечных особенностей изображений, тем более похожи эти изображения. Особая точка (salient point) или точечная особенность (point feature) изображения p – это такая точка изображения, окрестность которой o(p) можно отличить от окрестности любой другой точки изображения o(p'). Существует множество известных способов выделения особых точек изображений. В данной
работе предлагается использовать детектор особых точек, основанный на вейвлетпреобразовании [1, 2].
Процедура выделения особых точек заключается в следующем. Для каждого пикселя исходного изображения вводится понятие веса:
W i ( f ( x , y )) =
dh i2 ( x , y ) + dv i2 ( x , y ) + dd
2
i
(x , y ) ,
(1)
где Wi(f(x,y)) – вес точки на i-ом уровне детализации, dhi(x,y) – горизонтальный коэффициент iого уровня, dvi(x,y) – вертикальный коэффициент i-ого уровня, ddi(x,y) – диагональный коэффициент i-ого уровня. Таким образом, особыми точками являются точки, в которых наблюдается
резкий перепад уровня яркости по сравнению с перепадом в соседних точках (наблюдается
максимальная кривизна).
На первом шаге все веса равны 0. Затем осуществляется вейвлет-преобразование изображения до n-ого уровня детализации. Каждый достаточно большой вейвлет-коэффициент этого
уровня соответствует области изображения, в которой содержится особая точка. Подсчитывается предварительный вес каждой особой точки по формуле (1), и происходит переход на n-1
уровень детализации. Возврат на предыдущий уровень сглаженности сопровождается увеличением матриц деталей в 2 раза, следовательно, каждой точке текущего уровня детализации соответствует 2pЧ2p точек предыдущего уровня, где p – порядок используемого вейвлет-базиса
(для вейвлета Хаара, p=1, для вейвлета Добеши 4, p=2). Среди дочерних ячеек, выбирается
ячейка с наибольшим весом на этом уровне детализации. Происходит корректировка координат
231
и веса особой точки в соответствии с формулой (2). Эта процедура рекурсивно повторяется на
всех уровнях вейвлет-разложения. Описанный метод иллюстрируется следующим выражением:
W
n − 1
( f ( x,
y
)) =
W
2x
2y
n − 1
W
(f
( f ( x,
(k, r )),
n
y
))+
≤ k ≤ 2x
+ 2p
− 1,
≤ r ≤ 2y
+ 2p
− 1
{ }{ }{ }
max
(2)
Сделав, наконец, переход к начальному, не сглаженному изображению, необходимо снова
уточнить координаты особой точки. При этом формула (1) предполагает использование коэффициентов вертикальных, диагональных и горизонтальных деталей, отсутствующих на исходном изображении. Для решения этой проблемы предлагается применять так называемый детектор края изображения. В качестве такого детектора был применен оператор Собеля [3], который производит выделение краёв. Таким образом, на исходном изображении выбирается точка
с наибольшим значением оператора Собеля.
Окончательный вес точки является суммой вейвлет-коэффициентов предыдущих уровней и
значения оператора Собеля в данной точке.
Такой рекурсивный спуск выполняется для каждого коэффициента n-ого уровня вейвлетпреобразования. Найденные особые точки сортируются по убыванию весов. Наконец выбирается необходимое количество особых точек с наибольшими весами, и только они и некоторые
их окрестности, сохраняются в базе данных.
Результирующее расстояние между изображениями вычисляется, как сумма всех расстояний между особыми точками этих изображений:
D (QI , I ) =
(d (Pi ,QI , P j , I ))
∑ 1min
≤ j≤k
k
(4)
i =1
где D(QI,I) – расстояние между изображениями (чем меньше это значение, тем более подобны
изображения); d(Pi,QI,Pj,I) – расстояние между парой особых точек Pi,QI (изображения-запроса) и
Pj,I (изображения из базы данных). В качестве меры расстояния d между особыми точками
можно использовать любую известную меру расстояния между их окрестностями, например,
Евклидово расстояние.
Основным недостатком описанного алгоритма является слабая инвариантность детектора
особых точек к вращению. Это вызвано малым количеством возможных ориентаций используемых вейвлет-фильтров (их всего три: горизонталь, вертикаль, диагональ).
Решением этой проблемы может являться использование двумерных вейвлетов Габора. Они
могут быть вычислены под произвольным углом и в любом масштабе. В работе [4] показано,
что вейвлет-преобразование Габора обеспечивает лучшую эффективность поиска, чем стандартное дискретное вейвлет-преобразование. Однако вейвлеты Габора имеют ряд недостатков,
в частности они имеют большую вычислительную сложность.
Относительно недавно было разработано так называемое комплексное вейвлетпреобразование «двойного дерева» (Dual-Tree Complex Wavelet Transform, DT-CWT) [5]. Это
преобразование даёт шесть групп вейвлет-коэффициентов, строго ориентированных под шестью различными углами, а именно ±15є, ±45є, ±75є. Таким образом, использование DT-CWT
решает проблему предложенного алгоритма выделения особых точек, связанную с плохой инвариантностью к вращению. Кроме того, это преобразование не имеет недостатков, описанных
для вейвлетов Габора.
Для повышения точности поиска можно использовать некоторые простейшие цветовые
особенности, вычисляемые с помощью гистограмм. Кроме того, ведутся работы по выбору
наилучшей метрики для вычисления расстояния между изображениями.
Литература
1. Добеши, И. Десять лекций по вейвлетам / И. Добеши.– М.; Ижевск: РХД, 2001.
2. Малла, С. Вэйвлеты в обработке сигналов: пер. с англ. / С. Малла.– М.: Мир, 2005.
3. Sobel I., Feldman G. A 3x3 isotropic gradient operator for image processing, Stanford Artificial
Project, 1986.
4. B.S. Manjunath and W.Y. Ma. Texture features for browsing and retrieval of image data, IEEE
Trans. Pattern Anal. Mach. Intell, vol. 8, no. 8, pp. 837-842, 1996.
5. N.G. Kingsbury. Complex wavelets for shift invariant analysis and filtering of signals, Journal
of Applied and Computational Harmonic Analysis, vol. 10, no. 3, pp. 234–253, May 2001.
232
Н.Л. Дзенчарский, М.В. Медведев, М.П. Шлеймович
Казанский государственный технический университет им. А.Н. Туполеваъ
420111, г. Казань, ул. К. Маркса, д.10
Распознавание изображений в условиях ограниченности ресурсов
при помощи вейвлет-преобразования
В настоящее время большое распространение получили мобильные вычислительные устройства и различная встраиваемая техника, которая зачастую характеризуется минимальными
производительными средствами. Особый интерес для мобильных устройств представляет сжатие мультимедиа информации [6].
Сжатие мультимедиа информации может рассматриваться как уменьшение количества информации из изображения путем выделения главных его частей и отсеиванием наименее значимых. Для этого необходимо проводить элементарное распознавание изображения на предмет
выявления главных особенностей. При этом представляется возможным, снизив количество
информации и используя сжатие, получить основную информацию о семантике изображения.
Классификация и семантическая обработка изображений в основном осуществляется путем
составления цветовых гистограмм и кореллограм для изображения [5]. Недостатками этих методов являются их ресурсоемкость и трудоемкость исполнения, а также зависимость от степени освещения.
Для сегментации изображений можно использовать их точечные особенности [4]. При этом
на изображении выделяются особые точки, а все остальные точки рассматриваются как точки
фона. Для выделения точечных особенностей изображения можно использовать детектор, основанный на частных производных, например, детектор Харриса. Однако, в случае, если изображение имеет множество мелких деталей, локализованных в небольшой области (например,
область с текстурой), детектор Харриса выделит множество точек в этой области, в то время
как основная часть изображения останется без внимания. В данной работе для выделение особых точек с целью формирования из них границ изображения используется вейвлетпреобразование [1]. В отличие от детектора Харриса вейвлет-преобразование исследует изображение на различных разрешениях, а, следовательно, автоматически исключаются мелкие,
незначительные детали [2].
Процедура выделения особых точек заключается в следующем. Для каждого пикселя исходного изображения вводится понятие веса:
Wi (f(x, y)) = dhi2 (x, y) + dvi2 (x, y) + dd i2 (x, y) ,
(1)
где Wi(f(x,y)) – вес точки на i-ом уровне детализации, dhi(x,y) – горизонтальный коэффициент iого уровня, dvi(x,y) – вертикальный коэффициент i-ого уровня, ddi(x,y) – диагональный коэффициент i-ого уровня.
Эта процедура повторяется для всех уровней вейвлет-преобразования. Окончательный вес
точки является суммой вейвлет-коэффициентов предыдущих уровней. Описанный метод иллюстрируется следующим выражением:
Wn−1(f(x, y)) = Wn (f(x, y)) + max{Wn−1(f(k, r))},
2x ≤ k ≤ 2x +1,2 y ≤ r ≤ 2y +1.
(2)
Для выделения компонент в данной работе используется модифицированный алгоритм построчной маркировки связных компонент. В отличие от классического алгоритма данный алгоритм обрабатывает изображение за один проход, однако, при этом приходится хранить координаты пикселей изображения, входящих в каждую область.
Сжатая информация об изображении представляет собой совокупность значений среднего
цвета Rsr, Gsr, Bsr и списка координат, где после каждой координаты по оси у следует соответствующая совокупность координат по оси х в виде разности значений (xi+1-xi) [3].
Существенным достоинством алгоритма, представленного в данной статье, является возможность его реализации на устройствах с ограниченными ресурсами, поскольку вычислительные затраты алгоритма сравнительно невелики. Время обработки изображения на мобильном
233
устройстве с оперативной памятью в 64 Мб и частотой процессора в 600 МГц сравнимо с временем, затраченным на обработку аналогичного изображения на вычислительной машине с
оперативной памятью в 1 Гб и частотой процессора 2000 МГц.
В результате применения последовательности рассмотренных алгоритмов была разработана
программа, позволяющая сегментировать изображения на мобильном устройстве (рис. 3).
а
б
в
г
Рис. 1. Сегментация изображения «Знак» на мобильном устройстве
а – исходное изображение, б – выделение границ методом особых точек, в – сегментированное изображение, г — изображение, полученное на сервере.
В таблице 1 приведен объем информации, занимаемой несжатым изображением «Знак»;
изображением «Знак», сжатым методом JPEG (с применением статистических методов кодирования); и изображением «Знак», сжатым представленным алгоритмом (без применения статистических методов), при различных разрешениях.
Таблица 1
Объем памяти, занимаемый изображением «Знак»
Разрешение
128х128
256х256
512х512
Формат ВМР
48,1Кб
192,1 Кб
768,1 Кб
Формат JPEG
6,9 Кб
15,6 Кб
41,0 Кб
Представленный алгоритм
2,06 Кб
4,83 Кб
8,04 Кб
Таким образом, на основании данной статьи можно говорить о том, что применение вейвлет-преобразования при распознавании изображений может принести положительные результаты, поскольку использование вейвлет-преобразования позволяет выделять границы областей
на изображении в виде особых точек. Кроме того, вейвлет-преобразование требует сравнительно небольших вычислительных ресурсов, что позволяет применять его на мобильных и
других устройствах с ограниченными ресурсами.
Литература
1. Добеши, И. Десять лекций по вейвлетам / И. Добеши.– М.; Ижевск: РХД, 2001.
2. Столниц, Э. Вейвлеты в компьютерной графике: пер. с англ. / Э. Столниц, Т. ДеРоуз,
Д. Салезин.– Ижевск: НИЦ «Регулярная и хаотическая динамика», 2002.– 272 с.
3. Миано, Дж. Форматы и алгоритмы сжатия изображений в действии / Дж. Миано.– М.:
Триумф, 2003.
4. Etienne Loupias, Nicu Sebe. Wavelet-based Salient Points: Applications to Image Retrieval Using Color and Texture Features. Lecture Notes in Computer Science.
5. Gavilan D., Takahashi H., Nakajima M. Mobile Image Retrieval using Morphological Color
Segmentation: International Conference on Mobile Computing and Ubiquitous Networking (ICMU
2006).
6. Said, A. Compression of Compound Images and Video for Enabling Rich Media in Embedded
Systems. Imaging Systems Laboratoriy: HP Laboratories Palo Alto.
234
С.В. Еремеев
Муромский институт (филиал) Владимирского государственного университета
602264 г. Муром, Владимирской обл., ул. Орловская, д. 23
e-mail: sv-eremeev@yandex.ru
Обзор методов и программных средств дешифрирования снимков в ГИС
В докладе рассмотрены методы дешифрирования снимков применительно к геоинформационным системам, а также программные средства, которые их реализуют.
Выделяют две основные группы классификации:
1. Классификация без обучения.
2. Классификация с обучением.
Классификацию без обучения еще называют неконтролируемой классификацией. При этом
все изображение разделяется на группы. Особенностью изображений является их многоспектральность. Все методы этой группы сводятся к анализу спектральных характеристик изображения и соотнесению каждого пикселя к той или иной группе или кластеру.
Можно выделить следующие алгоритмы классификация без обучения:
1. Алгоритм быстрого выделения кластеров.
2. Итерационный алгоритм последовательной кластеризации.
Вторая группа методов формирует обучающую выборку, тем самым создавая эталонные
пикселы.
Существуют следующие алгоритмы классификация с обучением:
1. Метод классификации по минимальному расстоянию.
2. Метод параллелепипедов.
3. Метод максимального правдоподобия.
В качестве программных средств по дешифрированию снимков рассмотрены:
1. Erdas Imagine
2. Envi
Рис.1. Пример дешифрирования многоспектрального снимка
Проанализированы результаты работы алгоритмов дешифрирования снимков в обеих системах как с обучением так и без. Функционально системы работают приблизительно одинаково. Классификация без обучения зачастую дает более достоверный результат, т.к. отсутствует
погрешность, вносимая пользователем в алгоритмы с обучением. Результат классификации
представлен на рис.1.
Литература
1. Лабутина, И.А. Дешифрирование аэрокосмических снимков: учеб. Пособие / И.А. Лабутина.– М.: Аспект Пресс, 2004.– 192 с.: ил.
235
А.А. Захаров
Муромский институт (филиал) Владимирского государственного университета
602264 г. Муром, Владимирской обл., ул. Орловская, д. 23
e-mail: aa-zaharov@ya.ru
Работа выполнена при поддержке гранта Президента РФ МК–8838.2010.9
Реконструкция трехмерных моделей объектов по видеопоследовательности
для задач геологического мониторинга
Контроль за развитием геологических процессов, прогноз их развития, осуществление профилактических и защитных мероприятий приобрели в настоящее время характер актуальных
задач государственного масштаба. Решение этих задач невозможно без наличия долговременных и целенаправленных наблюдений за объектами геологической среды. Одними из показателей природных и техногенных воздействий в геологической среде, являются геометрические
показатели, характеризующие в трехмерном пространстве размер зоны влияния конкретного
источника воздействия. Это может быть площадь, ширина, длина, высота или объем зоны
влияния. В области эрозионного и склоново-процессового мониторингов наблюдения проводятся только временными станциями на локальном уровне. Для повышения качества наблюдений предлагается использовать виртуальные трехмерные модели местности с целью отслеживания изменений за определенный период времени. Трехмерные модели местности реконструируются при помощи видеопоследовательности, полученной с использованием наземной или
аэрофотосъемки. Поэтому для создания систем автоматизации геологического мониторинга
необходимо разрабатывать и совершенствовать методы, реконструирующие геометрию ландшафта по серии видеоизображений.
Методы реконструкции трехмерных моделей по видеопоследовательности изображений активно развиваются. Методы связаны с определением траектории движения камеры, калибровкой камеры, вычислением точечных пар на последовательности изображений, реконструкции
полигональной геометрии на основе вычисленных пар и итеративных улучшений модели. Однако, существующие методы не всегда находят правильные соответствия точечных пар и недостаточно точно восстанавливают геометрию. Также в научной отечественной и зарубежной
литературе практически не отражены методы реконструкции по видеопоследовательности.
Кроме того, процесс реконструкции усложняется помехами, вызванными освещением и наличием посторонних объектов, а также непостоянной скоростью движения камеры.
Реконструкция трехмерных моделей по видеопоследовательности включает в себя следующие этапы:
1. Фильтрация изображений. Частью любой системы обработки изображений является подсистема фильтрации – улучшения, выделения характеристических особенностей и т.п.
2. Поиск характеристических точек. Характеристические точки ищутся, например, детектором Харриса.
3. Поиск стереопар из набора изображений. Соответствие между точками на разных кадрах
осуществляется на основе известной карты смещений, правильность соответствия проверяется
по дифференциальным инвариантам или путем вычисления корреляции по локальной окрестности.
4. Вычисления координат характеристических точек. На найденных стереопарах уже непосредственно вычисляются координаты характеристических точек, после этого все координаты
приводятся к одной системе. Для оценивания трехмерных координат некоторой точки по стереопаре необходимо знать внутренние параметры камер (задача калибровки), найти параметры
взаимного расположения камер (задача взаимного ориентирования), в) определить на изображениях координаты соответствующих данной точке сопряженных точек (задача поиска сопряженных точек).
5. Построения трехмерной модели по вычисленным координатам. Самый простой этап, на
котором по уже вычисленным координатам необходимо построить трехмерные примитивы,
связанные между собой.
236
О.Н. Ильичёва, О.Б. Жданова
Гимназия № 41
г. Новоуральск
e-mail: olga_ilycheva@mail.ru
Интернет как средство социальной коммуникации
Изучение социальных аспектов информатизации является очень актуальным в новых социально-экономических условиях, когда компьютерные сети становятся универсальным средством социальной коммуникации.
Социальные сети - это организационная форма деятельности, которая все шире используется в современном мире как средство коммуникации, создания и обмена информацией. Для их
построения и развития используются социальные сервисы Интернет, которые поддерживают
новые групповые и/или проектные формы деятельности.
В настоящее время все чаще используются сервисы Web 2.0, которые позволяют овладеть
технологиями организации и осуществления индивидуальной и коллективной деятельности в
Сети: ведение блогов, участие в форумах, работа в энциклопедии коллективного авторства на
базе технологии Wiki-Wiki, создание коллекции закладок на онлайновых сервисах хранения
закладок и т.д..
Сегодня Интернет – это средство, позволяющее формировать сетевые сообщества.
Сообщество людей, увлеченных общей целью — это мощное средство для ее достижения.
Подобные интернет-сообщества постепенно начинают играть ощутимую роль в жизни всего
общества. Участники любого Интернет-сообщества несут с собой очень важный багаж знаний,
умений, правил поведения, особенностей общения - все то, что в конечном счете определяет
жизнь любого Интернет-сообщества.
Для работников образования социальные сети - это среда профессионального и личностного
развития.
Сетевое педагогическое сообщество - группа субъектов педагогического процесса, поддерживающих общение и ведущих совместную деятельность средствами информационнокоммуникационных технологий.
Целью деятельности сетевого педагогического сообщества является освоение актуального
для российского образования и личностно значимого для каждого участника содержания, традиционных ценностей отечественной культуры; формирование ключевых компетентностей в
процессе совместной деятельности образовательного характера (Е.Д. Патаракина).
Новые педагогические сетевые сообщества открыли свою работу в рамках проекта «Открытый класс – Сетевые образовательные сообщества» на сайте http://www.openclass.ru
Что ожидает новых участников проекта «Открытый класс»?
Необходимость регистрации. Процедура очень проста.
Заполнение личной странички. Удобный интерфейс.
Знакомство с различными сервисами Веб 2.0. Возможность применения сервисов для решения профессиональных задач. Удобство интерфейса, возможность применения в условиях образовательного учреждения.
Знакомство с практикой сетевых образовательных сообществ и использования социальных
сетей в образовании.
Возможность открыто высказаться по интересующей проблеме. Организованы блоги, форум и система сообщений.
Размещение собственных ЦОР в базе данных сайта http://openclass.ru/. Форма для заполнения и описания своего ресурса удобна и проста. Работая в этом сетевом сообществе, мы имели
возможность поделиться своими наработками с коллегами. Предлагаем вашему вниманию
ссылки на наши ЦОРы:
http://www.openclass.ru/dig-resource/27638 (Жданова О.Б.)
http://www.openclass.ru/dig-resource/27845 (Ильичёва О.Н.)
http://www.openclass.ru/dig-resource/27846 (Ильичёва О.Н.)
237
Возможность использовать в профессиональной деятельности, коллективно созданную базу
данных ЦОР. Достаточно наполненная на сегодняшний день база данных материалов по различным предметам.
Активное участие в обсуждении учебных материалов.
Возможность совместного создания продуктов. Не обладая специальными знаниями, можно
создавать собственные Интернет-странички, применяя технологию Wiki-Wiki - простой и доступный способ создания коллективного гипертекста.
Возможность получить квалифицированную помощь других педагогов.
Возможность найти единомышленников.
Расширение опыта применения ИКТ в профессиональной деятельности.
Участие в работе сетевых профессиональных сообществ http://www.openclass.ru/og , и привлечение к проекту не только учителей, но и различных специалистов (методистов, психологов
и т.д.). Так они смогут принимать участие в сетевых конкурсах.
Экономия временных ресурсов для решения своих профессиональных проблем вне зависимости от географического места расположения.
С какими трудностями могут встретиться участники сетевых сообществ?
Слабая техническая база на местах, «вечная» проблема – занятость учителей, а также пассивность, инертность, желание читать, получать информацию, но не публиковать свою, недостаточный уровень ИКТ-компетенции.
Но как показала практика, сетевые педагогические сообщества могут обеспечить методическую поддержку педагогов в области ИКТ. На форуме учителя могут задать интересующие вопросы по использованию ИКТ в учебном процессе вообще, и в частности, о приемах работы в
том или ином программном продукте.
Несмотря на трудности, освоение новых средств ведет не только к тому, что мы можем решать новые задачи, но и меняет наше мировоззрение, позволяет нам видеть мир с новой точки
зрения.
238
Ю.А. Кралинина, И.Е. Гоголин
Ковровская государственная технологическая академия им. В.А. Дегтярева
601910, Владимирская область, г. Ковров, ул. Маяковского, д. 19
e-mail: karekt@kc.ru, kainter@kc.ru.
Информационная система деканата механико-технологического факультета
Ковровской государственной технологической академии им. В.А.Дегтярева
Задача заключается в разработке информационной системы для сотрудников деканата механико-технологического факультета. Данная система предназначена для хранения [1,2] и работы с экзаменационными ведомостями, протоколами курсовых работ и курсовых проектов,
ведомостями на защиту диплома, сводными ведомостями, приложениями к диплому.
Система имеет возможность формировать на основе учебного плана календарный план.
При редактировании количества часов, отведенных на семинары, практику, СРС, лекции,
меняется и общее время. При отчислении студент удаляется из академической группы или ставится отметка «отч».
Достоинства данной системы:
экономия времени сотрудников деканата;
простота в использовании.
Недостатки данной системы:
для реализации на других факультетах необходима установка дополнительных программных средств.
Рис. 1. Главное окно программы
Рис. 2. Добавление учебного плана
239
Рис. 3. Создание отчетов
Литература
1. Голицына, О.Л. Базы данных / О.Л. Голицына, Н.В. Максимов, И.И. Попов.– М.: ФОРУМ: ИНФРА-М, 2005.– 352 с.
2. Мальцев, М.Г. Базы данных / М.Г. Мальцев, А.Д. Хомоненко, В.М. Цыганов.– М.: Корона-Принт-М, 2007.– 355 с.
240
А.А. Орлов, А.В. Провоторов, А.В. Астафьев
Муромский институт (филиал) Владимирского государственного университета
602264 г. Муром, Владимирской обл., ул. Орловская, д. 23
Системный анализ методов маркировки изделий на предприятиях
Под маркировкой понимают нанесенные на упаковку или непосредственно продукцию буквенно-цифровые или графические обозначения.
Маркировка деталей, готовых изделий и узлов является одним из наиболее важных процессов в современном промышленном производстве. При ее отсутствии затрудняется, а в некоторых случаях становится невозможным контроль качества и объемов выпускаемой продукции.
Современное производство, реализация и учет продукции требуют высокотехнологичных
методов маркировки - гибких, скоростных, компьютеризированных и не влияющих на работоспособность и потребительские свойства маркируемых деталей, узлов и изделий.
Целью данной работы является проведение системного анализа для сравнения методов маркировки промышленных изделий.
Опыт мировой и в частности российской промышленности показывает, что в настоящее
время наиболее востребованными и часто используемыми методами маркировки изделий являются:
Метод ударно-точечной гравировки иглой основан на механическом воздействии на маркируемую поверхность изделия заостренного стержня (иглы), изготовленного из сверхтвердого
сплава. Игла размещена внутри специальной рабочей головки и совершает колебания под действием давления сжатого воздуха.
Лазерная маркировка состоит в модификации поверхности маркируемого материала под
воздействием лазерного излучения. Изменение его оптических, химических или геометрических свойств вследствие локального разогрева, плавления и частичного испарения обуславливает высокую степень разрешения лазерной маркировки при минимальном термомеханическом
воздействии на маркируемое изделие.
Электрохимическая маркировка основана на протекании электрохимических реакций в
среде электролита при воздействии электрического тока низкого напряжения, при которых
изображение с трафарета переносится на токопроводящую поверхность маркируемого изделия.
Результатом таких реакции является либо изменение цвета поверхности изделия, либо изменение рельефа поверхности на глубину от 2-6 мкм до 0,2 мм в случае травления изделий из
мягких металлов.
Каплеструйная маркировка представляет собой нанесение на товар условных обозначений, штрих-кодов с использованием нестираемых чернил. Маркировка проводится бесконтактным способом, когда продукт передвигается по конвейерной ленте, при этом не происходит
прямого контакта с продуктом.
Каждый из описанных методов имеет как свои преимущества, так и недостатки. Для их
сравнения необходимо выделить основные характеристики, которые качественно оценивают
данный метод и имеют большое значение в рамках промышленного производства:
Высокая стойкость нанесения. Одна из основных характеристик, которая должна обеспечиваться при маркировке продукции. Стойкость наносимой информации влияет на возможность распознавания изделия, как функцию контроля за выпуском продукции.
Прослеживаемость. Характеристика тесно связанная со стойкостью нанесения, так как определяет степень распознаваемости нанесённой информации, что важно при автоматизированном контроле за производством.
Высокая скорость нанесения. Важный показатель для крупных производств с большими
объёмами выпускаемой продукции. Внедрение процедуры автоматизированной маркировки
изделий не должно значительно увеличивать время полного цикла выпуска, что отрицательно
скажется на производительности.
Низкая стоимость. Процедура внедрения маркировки не должна быть очень затратной для
предприятия, так как это отрицательно скажется на себестоимости продукции, а в следствии и в
конкурентоспособности её на рынке.
241
Потребление
расходных
материалов
Отсутствие
повреждений
на поверхности
после
маркировки
Виды
маркируемых
поверхностей
(круглые,
плоские,
криволинейные)
Высокое
качество
нанесения
Поддержка
нескольких
цветов
нанесения
Низкая
стоимость
Высокая
скорость
нанесения
Высокая
стойкость
Прослеживаемость
Метод
маркировки
Низкое потребление расходных материалов. Маркировка изделий часто подразумевает
появление дополнительных расходов для поддержание процесса нанесения. Это обусловлено
потребностью аппаратов в расходных материалах, таких как, например, краска.
Отсутствие повреждений на поверхности после маркировки. Некоторые методы нанесения маркировки приводят к частичной деформации поверхности детали, что недопустимо на
некоторых производствах.
Виды маркируемых поверхностей. Поверхность изделия не всегда может быть плоской и
ровной, поэтому при процессе маркировки необходимо учитывать различные виды поверхностей, таких как круглые, плоские или криволинейные.
Высокое качество нанесения. Также как и характеристика стойкости, качество нанесений
играет немаловажную роль в процессе распознавания кода выпускаемого изделия.
Поддержка нескольких цветов нанесения. Позволяет повысить точность распознавания,
благодаря подбору цвета для конкретного вида изделия.
Анализ характеристик рассмотренных методов приведён в табл. 1.
Таблица 1
Анализ методов маркировки
Метод ударно-точечной
+
+
+
+
гравировки
Метод лазерной
марки- +
+
+
+
+
+
+
ровки
Метод электрохимиче+
+
+
+
+
ской маркировки
Каплеструйная маркировка с использо+
+
+
+
+
+
+
ванием
штрих-кода
Исходя из проведённого системного анализа, можно сделать следующие выводы.
Рассмотренные методы могут быть использованы для внедрения на производстве системы
автоматического отслеживания деталей, благодаря высокой стойкости, прослеживаемости и
качеству нанесения. Наиболее полно этим критериям соответствует метод лазерной маркировки. Методы электрохимической и каплеструйной маркировки уступают в стойкости нанесённых обозначений, а метод ударно-точечной маркировки не гарантирует высокого качества нанесения. Метод каплеструной маркировки в отличие от остальных поддерживает несколько
цветов нанесения обозначений, что повышает степень распознаваемости изделий.
С точки зрения экономичности производства, наиболее важны такие характеристики, как
высокая скорость нанесения, низкая стоимость внедрения и потребление расходных материалов. Метод лазерной маркировки в данном случае выделяется благодаря высокой скорости и
отсутствии расходных материалов, но уступает остальным методам в стоимости внедрения. Из
недорогих можно выделить методы каплеструйной и ударно-точечной маркировки. Приспособленность методов маркировки к различным типам промышленных изделий оценивается характеристиками «Виды маркируемых поверхностей» и «Безопасность маркировки для поверхности детали». Эти показатели плохо выражены у метода ударно-точечной гравировки, остальные методы соответствуют стандартам.
242
И.Н. Паламарь, П.В. Сизов
Рыбинская государственная авиационная технологическая академия им. П.А. Соловьёва
152934, г. Рыбинск Ярославской области, ул. Пушкина, д. 53
e-mail: p.v.sizov@mail.ru
Способ и система анализа изображений на основе сегментации
с помощью методов выращивания и слияния областей
В современных условиях роста конкуренции среди фирм-производителей в разных отраслях
экономики и стремления людей к повышению качества своей жизни особенно актуальной является проблема автоматизации производств. Различные технологии и устройства, порождённые
прогрессом науки и техники, делают труд людей менее тяжёлым и более творческим, а также
повышают его эффективность.
Автоматизация труда при помощи систем компьютерного зрения осуществляется во многих
областях профессиональной деятельности: медицине, металлографии, аэрофотосъёмке, робототехнике, дефектоскопии, системах безопасности и охраны правопорядка и других. Яркими
примерами подобных приложений являются системы анализа изображений препарата крови,
данных рентгеновского или ультразвукового обследования в медицинских учреждениях, либо
шлифов композиционных материалов, сплавов с целью определения их состава и последующего прогнозирования свойств изделий.
Основные алгоритмы обработки в данных системах, как правило, реализуются в виде программной части, используемой в составе персональных компьютеров. Примерами данных систем являются программные среды автоматизированного анализа изображений такие, как
ImageExpert Pro (разработка ООО «Новые Экспертные Системы») [1], ВидеоТесТ-Структура
(разработка ООО «ВидеоТесТ») [2]. Данные системы имеют в своём составе различные инструменты обработки изображений (коррекция цвета, повышение или уменьшение резкости и
другие), служащие для подготовки исходного изображения к сегментации, то есть выделению
объектов, интересующих специалиста, и последующего вычисления их характеристик. Объектами в данном случае могут быть зёрна металлов на шлифе или клетки крови в плазме.
Основным недостатком указанных и подобных им систем является низкая степень автоматизации процесса сегментации, приводящая к необходимости совершения оператором многих
действий по предварительной обработке изображения. Кроме того, сам оператор, например,
врач, должен для этого иметь квалификацию в научно-технической области (обработка изображений), ему не свойственной. Причиной низкой степени автоматизации процесса сегментации являются свойства алгоритмов, положенных в её основу.
Очень часто для сегментации в данных системах используются алгоритмы порогового преобразования, которые, хотя и являются простыми в реализации, не могут удовлетворить растущие требования к системам компьютерного зрения. При пороговом преобразовании объекты
выделяются по заданному цвету, то есть просто берётся некоторый срез изображения. Так как
реальные изображения, как правило, зашумлены и объекты на них имеют выраженную текстуру, то для применения такого метода требуется предварительная ручная обработка изображения.
Значительно более эффективными во многих применениях являются алгоритмы сегментации, учитывающие связность областей [3]. Одним из таких алгоритмов является метод выращивания областей, состоящий из следующей последовательности шагов:
– на исходном изображении выбираются точки (центры кристаллизации), предположительно принадлежащие выделяемым областям, например, это могут быть точки с максимальным
уровнем яркости;
– далее из данных точек начинается рост областей, то есть присоединение к уже имеющимся точкам области соседних, при этом используется определённый критерий их близости, например, сходство значений яркости;
– остановка роста областей по какому-либо условию, например, максимальному отклонению яркости новых точек области от уровня яркости центра кристаллизации.
243
Данный алгоритм уже в таком классическом описании позволяет добиться большей степени
автоматизации процесса сегментации, хотя и ценой возросших вычислительных затрат. Однако
в нём есть следующие недостатки:
– необходимость ручного определения центров кристаллизации для объектов без выраженного основного цвета;
– возможна избыточная сегментация в случае неверного автоматического определения центров кристаллизации;
– алгоритм выделяет отдельные объекты от фона, но не проводит полной сегментации;
– алгоритм не использует в своём составе модуля текстурного анализа.
Развитием и в то же время взаимодополняющей техникой для метода выращивания является схема слияния областей [4]. Здесь исходят из положения о том, что пиксел уже является элементарным сегментом с определёнными параметрами цвета. Соответственно цель сегментации
сводится к укрупнению сегментов через множественные слияния. При этом уже не стоит задача
поиска центров кристаллизации, но основной проблемой становится определение шага процесса слияний, на котором необходимо остановить сегментацию.
Авторами с целью разрешения проблем указанных методов сегментации предложены следующие усовершенствования:
– для автоматического определения центров кристаллизации использовать минимизацию
функции многомасштабного градиентного изображения, полученного с помощью разработанного метода вычисления вейвлет-статистики;
– проведение полной сегментации изображения в рамках единого последовательного процесса с использованием глобального правила выращивания;
– с целью устранения избыточной сегментации после процедуры выращивания областей
проводить слияние областей, которое останавливать на шаге, определяемом с помощью разработанного критерия, анализирующего ряд значений функции стоимости слияний;
– использование в процессе сегментации текстурной информации, рассчитанной с помощью
разработанных методов вейвлет-статистики и многомасштабного вычисления оператора Собела.
Способ сегментации, вобравший в себя данные нововведения, отличается качествами адаптивности и универсальности, что приводит к повышению уровня автоматизации всего процесса
анализа изображений, в результате которого пользователю предоставляются количественные
характеристики выделенных областей (сегментов) изображения. На практике это значит, что
для вычисления определённых параметров объектов на изображении (к примеру, площади зёрен металла в сплаве) с необходимой точностью от пользователя потребуется меньшее вмешательство в процесс анализа, чем при использовании классических методов сегментации. Кроме
того, в практических приложениях, где система анализа изображений должна работать в полностью автоматическом режиме, применение представленного метода позволит повысить точность сегментации и, как следствие, качество анализа.
В итоге, использование усовершенствованного способа сегментации с помощью выращивания и слияния областей в технической системе приводит к повышению эффективности анализа
изображений в различных прикладных задачах.
Литература
1. ООО «Новые Экспертные Системы». Программа для количественного анализа изображений
ImageExpert Pro 3 [Электронный ресурс].— Режим доступа: http://www.nexsys.ru/iepro3x.htm.
2. Программное обеспечение ВидеоТесТ – Структура 5.2 [Электронный ресурс].— Режим
доступа: http://www.videotest.ru/ru/others/9.
3. Гонсалес, Р.C. Цифровая обработка изображений [Текст] / Р.C. Гонсалес, Р.Э. Вудс.— М.
: Техносфера, 2005.— 1072 с.— ISBN 5-94836-028-8.
4. Baatz, М. Multiresolution Segmentation: an optimization approach for high quality multi-scale
image segmentation [Текст] / M. Baatz, A. Scheape // Journal of Photogrammetry and Remote Sensing.– 2004.– Vol. 58. Iss. 3–4.– P. 239–258.
244
И.Н. Паламарь, С.С. Юлин
Рыбинская государственная авиационная технологическая академия имени П. А. Соловьева
e-mail: irina.palamar@mail.ru, julin.serg@gmail.com
Поиск ключевых слов речи на основе теории скрытых марковских моделей
с применением вейвлет-преобразования
Создание систем автоматической обработки речи является одним из наиболее актуальных
направлений развития современных информационных технологий. Важное место среди таких
систем занимают системы поиска в речи ключевых слов, имеющие весьма разнообразное применение:
- мониторинг каналов аудиоинформации в службах безопасности оперативного реагирования на звонки о заложенной бомбе, о терактах и похищениях;
- управление промышленными роботами;
- поиск по ключевым словам в различных фоноархивах;
- проверка соблюдения регламента переговоров: система речевых фильтров выделяет из речевых сообщений недопустимые слова и обороты;
- управление системами аварийного отключения промышленного оборудования.
На сегодняшний день подобными системами активно интересуются операторы сотовой связи и производители телефонов. Внедрение систем речевого управления в системы сотовой связи способствует облегчению взаимодействия человека с автоматизированными call-центрами,
созданию новых сервисов с функциями голосового управления. Активное применение системы
распознавания речи находят и в сфере производства автомобилей. Современные автомобили
содержат системы автоматической обработки речи способные управлять температурным режимом и средствами навигации. Для того чтобы такие системы смогли иметь практическое применение обязательным фактором является их дикторонезависимость и возможность выделять
ключевые слова в слитном потоке речи. Эти требования могут быть выполнены при построении систем распознавания на основе теории скрытых марковских моделей (СММ).
Практически все наиболее известные системы распознавания речи, созданные за последние
тридцать лет основаны на статистических принципах и используют аппарат скрытых марковских моделей. Основные положения теории СММ были сформулированы и опубликованы в 70х г. в серии статей Баума (L. E. Baum), а первые практические результаты использования СММ
в системах распознавания речи описаны Бейкером (J. K. Baker) [1]. Большинство современных
коммерческих систем поиска ключевых слов в речи (Voice Digger, SPIRIT ASR Engine) также
основаны на использовании теории СММ. Системы на основе СММ, как и другие системы, основанные на статистических принципах, требуют предварительного обучения на многочасовых
коллекциях речевых данных. Затем, на этапе распознавания, системы производят сопоставление входных образов с ранее вводившимися по обученным моделям. Такой подход эффективен,
только если речевые характеристики обучающих и тестовых образов близки, чего на практике
добиться сложно. Поэтому в данный момент наиболее остро стоит задача параметризации речевого сигнала. До сих пор не найдено адекватной модели представления речевых структурных
единиц, позволившей бы с высокой точностью распознавать речь. Эффективность работы
СММ напрямую зависит от качества извлечения признаков. В современных работах предпочтение отдается кепстральному анализу, как эффективному методу параметризации [2]. Кепстральный анализ основан на преобразовании Фурье, существенным недостатком которого является применимость в основном к стационарным сигналам, поскольку дает усредненные коэффициенты для всего исследуемого образа. Речевой сигнал является примером нестационарного
процесса, в котором информативным является сам факт изменения его частотно-временных
характеристик. Для выполнения анализа таких процессов требуются базисные функции, обладающие способностью выявлять в анализируемом сигнале как частотные, так и временные характеристики. Такими функциями являются вейвлеты. Кроме того, И. Добеши
(I. Daubechies) [3] утверждает, что органы слуха человека устроены так, что при обработке звукового сигнала они передают мозгу именно вейвлет-образ сигнала.
245
Вейвлет-преобразование позволяет представить речевой сигнал на различных масштабных
уровнях с различной степенью детализации, что способствует обеспечению дикторонезависимости. Целевое выделение ключевых слов основано на том, что коэффициенты пакетного вейвлет-преобразования на разных масштабных уровнях определяют различные иерархические фонетические конструкции. Таким образом, одному ключевому слову будет соответствовать несколько моделей различного уровня иерархии, что даст наиболее адекватное модельное представление этого слова.
Разработана система поиска ключевых слов в слитной речи, основанная на использовании
теории СММ и вейвлет-преобразовании.
Первоначальная последовательность временных отсчетов речевого сигнала подвергается
предварительной фильтрации, с целью отбросить постоянную частотную составляющую, негативно влияющую на параметризацию речевого сигнала. Полученный сигнал подвергается пакетному вейвлет-преобразованию, работа которого заключается в рекуррентном применении
высокочастотных и низкочастотных фильтров к входному речевому сигналу. Данный процесс
представляет собой бинарное дерево разложения, каждая функция фильтрации в узле которого
делится на две новых. Параметры фильтра определяются видом выбранного базисного вейвлета. Обычно в качестве параметра, определяющего выбор базисного вейвлета, выступает внешнее сходство вида исследуемого сигнала и функции преобразования. Исходя из этого в качестве
базисной вейвлет-функции использован вейвлет Добеши седьмого порядка. Полученные низкочастотные и высокочастотные коэффициенты в процессе фильтрации на каждом масштабном
уровне позволяют анализировать сигнал с разной степенью аппроксимации и детализации.
После параметризации выполнялось построение скрытой марковской модели произнесенного слова. В качестве СММ была использована лево-правая модель Бакиса (Bakis Model), каждому состоянию которой соответствовал временной интервал длительностью 20 мс (именно
при таком интервале модель показала наилучший результат). В данном типе модели состояния
переходят из одного в другое только слева на право. Этот тип моделей подходит для моделирования сигналов, свойства которых меняются во времени, в частности речевых. Обучение модели состоит в настраивании параметров модели так, чтобы максимизировать вероятность появления заданной последовательности. Данная задача является задачей поиска локального максимума методом градиентного подъема и решается с использованием алгоритма Баума-Велша
(Baum-Welch algorithm). Поиск слова состоит в определении того, насколько существующая
модель слова соответствует последовательности наблюдении и выбора той модели, которая
максимально соответствует наблюдаемой последовательности.
Для экспериментальной проверки данного метода поиска ключевых слов в слитном потоке
речи был использован речевой поток, содержащий непрерывное произнесение арабских цифр.
Для составления и обучения моделей ключевых слов каждая цифра предварительно произносилась разными дикторами по 10 раз. Вероятность распознавания слова «один» составила 90 %,
слова «два» – 95 %, слова «три» – 90 %.
Выявлено, что начальные параметры СММ сильно влияют на адекватность модели. Статистические модели требуют большого объема обучающей выборки, а использование иерархической модели на основе вейвлет-преобразования в СММ позволяет обеспечить дикторонезависимость при значительно меньшем количестве обучающих данных.
Литература
1. Рабинер, Л.Р. Скрытые Марковские модели и их применение в избранных приложениях
при распознавании речи: обзор / Л.Р. Рабинер // ТИИЭР.– Т. 77, № 2.– Февр. 1989.– С. 86 – 120.
2. Шарии, Т.В. О проблеме параметризации речевого сигнала в современных системах распознавания речи / Т.В. Шарии // Вестн. Донецкого национального ун-та.– Вып. 2.– 2008.– С.
536 – 541.
3. Добеши, И. Десять лекции по вейвлетам / И. Добеши. – Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001.– 468 с.
246
В.Л. Парко
Сибирская государственная геодезическая академия
630108, г. Новосибирск, ул. Плахотного, д. 10
e-mail: Vladimir-Parko@yandex.ru.
Расчет хроматизма положения сложных объективов телескопических систем
Остаточные хроматические аберрации – лимитирующий фактор линзовых объективов астрономических приборов, отличающихся большими величинами фокусных расстояний, малыми относительными отверстиями и угловыми полями. Для их расчета были созданы различные
методики, например, теория аберраций третьего порядка, теория хроматизма, методика Слюсарева Г. Г. (применительно к расчету склеенных двухлинзовых объективов-ахроматов) [1].
В известных методиках при выводе расчетных формул пренебрегают изменением показателей преломления dn материалов в пределах некоторой ограниченной области спектра, считая
их бесконечно малыми величинами. Такое допущение упрощает как сами выводы, так и получаемые при этом формулы [2], вызывая при этом погрешность в расчете хроматизма положения
изображения (ХПИ). По этой причине для сложных оптических систем, в которых расстояния
между компонентами сопоставимыми с фокусным расстоянием всей системы, поиск базовой
схемы указанными методиками становится нецелесообразным.
Предлагаемый метод расчета заключается в вычислении задних фокальных отрезков рассчитываемого объектива S’л1, S’л2 и S’л3 для, соответственно, длин волн л1, л2 и л3, где л2 –
средняя, а л1 и л3 – крайние линии рабочего спектрального диапазона (в видимом спектральном диапазоне им соответствуют линии e и F’, C’).
Для устранения ХПИ в оптической системе, необходимо добиться равенства задних фокальных отрезков S’л1 и S’л3, при этом разность задних фокальных отрезков S’л1 и S’л2 – есть
численное значение вторичного спектра. Тогда условием апохроматической коррекции будет
равенство S’л1 = S’л2 = S’л3. Однако, указанное равенство на практике достижимо редко и более
удобным для расчетов является условие │S’л1 – S’л2│ + │S’л3– S’л2│≤K, где К – максимально допустимое значение остаточного хроматизма оптической системы. Как правило, у объективовапохроматов К не превышает 1/2000 фокусного расстояния.
Предлагаемый алгоритм расчета ХПИ сложных объективов, состоящих из нескольких компонентов, разнесенных вдоль оптической оси, состоит из следующих основных этапов:
1) проведение габаритного расчета системы для основной длинны л2, в ходе которого определяются оптические силы компонентов, расстояния между ними, задний фокальный отрезок S’л2;
2) выбор марок стекол, их последовательность в оптической системе;
3) выбор оптических сил отдельных линз в компонентах системы, вычисление задних фокальных отрезков S’л1 и S’л3;
4) проверка условия апохроматической коррекции системы: если оно выдержано, то расчет
можно завершить, в противном случае – повторение расчета с этапа 1, 2 или 3.
На основе предложенного алгоритма написана программа, позволяющая определить оптические силы компонентов системы, расстояния между ними, найти марки стекол, при которых
достигается ахроматическая или апохроматическая коррекция в широком спектральном диапазоне. При этом точность метода выгодно отличается от указанных выше методик, что позволяет достоверно рассчитывать ХПИ в многокомпонентных объективах телескопических систем и
исключить необходимость коррекции марок стекол при дальнейших расчетах оптической системы по стандартным оптимизационным программам.
Литература
1. Слюсарев, Г.Г. Расчет оптических систем [Текст] / Г.Г. Слюсарев.– Л.: Машиностроение,
1975.– 640 с.
2. Чуриловский, В.Н. Теория хроматизма и аберраций третьего порядка [Текст] / В.Н. Чуриловский.– Л.: Машиностроение, 1968.– 383 с.
247
Д.А. Погонин
Белгородский государственный технологический университет им. В.Г. Шухова
308012, г. Белгород, ул. Костюкова, д. 46
Конвертация изображения в приборах бесконтактного контроля шероховатости
На кафедре технологии машиностроения БГТУ им. В.Г. Шухова был разработан и запатентован прибор для бесконтактного контроля шероховатости [1]. Принцип работы устройства базируется на алгоритме получения шероховатости поверхности с заданной точностью, основываясь лишь на плоском изображении данной поверхности [2]. Последовательность обработки
изображения, включающая в себя идентификацию микрорельефа, определение величины микронеровностей на поверхности изделия, а также отображение её числового значения на экране,
выполняется c использованием специального программного обеспечения, разработанного в
Microsoft Visual Basic 6.0.
На первом этапе автором были получены снимки обработанной поверхности, выполненные
при помощи цифрового микроскопа. Возникла проблема конвертации цветного изображения в
монохромное с использованием программных средств Microsoft Visual Basic. Фрагмент программы для конвертации изображения представлен на рис. 1.
Рис.1 Фрагмент программы для перевода цветного изображения в монохромное
Изображения загружаются в программу либо непосредственно с цифрового микроскопа,
либо из графического файла. Управление микроскопом, а также организация потока данных
также осуществляются при помощи используемого программного обеспечения.
Окно загрузки и конвертации изображения приведено на рис. 2.
248
Рис.2. Окно загрузки изображения
Таким образом, с использованием простейших инструментальных средств программирования реализуется конвертация цветного изображения обработанной поверхности в монохромное
с заданной яркостью, позволяя уже на первом этапе идентифицировать величину шага микронеровности.
Литература
1. Пат. № 84533. Российская Федерация, МПК G01B2/30. Устройство бесконтактного
определения шероховатости / Погонин Д.А., Тюрин А.В., Хуртасенко А.В., Чепчуров М.С.;
опубл. 10.07.2009., Бюл. № 19
2. Бесконтактная оценка шероховатости поверхностей формообразующих деталей прессформ [Текст] / Ю.А. Афанаскова, Д.А. Погонин // Сб. ст. науч.-исслед., проектноконструкторских и технологических работ студентов, молодых учёных и инженеров, представленных на Всероссийский открытый конкурс, посвящённый 80-летию МАИ и 70-летию ОКБ
имени А.И. Микояна.– М.: Изд-во МАИ.– 2009.– 424 с.– С. 114 – 121.
249
Д.Г. Привезенцев, А.Л. Жизняков
Муромский институт (филиал) Владимирского государственного университета
602264 г. Муром, Владимирской обл., ул. Орловская, д. 23
e-mail: dgprivezencev@mail.ru
Фрактальная модель цифрового изображения
В настоящее время активно развиваются новые подходы к цифровой обработке изображений. Одним из таких является обработка изображений с использованием фрактальных методов.
Успешному применению фракталов в обработке изображений способствует тот факт, что фрактал – это самоподобный объект, обладающий свойством инвариантности к масштабу рассмотрения, кроме того установлено, что многие изображения можно в некоторой степени считать
фракталами или мультифракталами. Вычисляемые фрактальные характеристики используются
для качественного или количественного описания изображений, и обладают очень полезным
свойством – инвариантностью к изменению масштаба фрактального объекта и к положению
объекта.
Любая из процедур обработки изображений опирается на модель класса изображений –
формализованное описание, выполненное с определенной степенью абстрагирования. Роль модели изображения в процессе извлечения информации состоит в обеспечении адекватного описания существенных свойств класса изображений, позволяющего дать конструктивную основу,
для построения эффективных вычислительных процедур.
В частности для создания новых методов фрактальной обработки изображений необходимо
создать фрактальную модель изображений. Одним из возможных подходов к фрактальному
описанию изображения является использование систем итерируемых функций, которые используются для построения регулярных фрактальных объектов [1].
С учетом этого изображение представляется следующим образом:
M
(
)[ (
)
f ′ = ∑ Bnrii ,mi * Ai Bkdii,li [ f ] + Ci
i =1
]
(1)
,
где f – исходное изображение, Bkn.m – оператор извлечения блока изображения, (Bkn.m)* - оператор вставки блока, которые соответственно извлекают и вставляют блок изображения размером
k×k, левый нижний угол которого находится в точке с координатами (n,m), Ai, Ci – коэффициенты преобразования яркости изображения.
Выражение (1) можно назвать фрактальной моделью изображения. Каждое изображение
описывается параметрами этой модели, составляющими фрактальный код изображения Ф:
• Список ранговых блоков R={Ri}; Ri={ri,ni,mi};
• Список доменных блоков D={Di}; Di={di,ki,li};
• Соответствующие преобразования T={Ti}; Ti={Ai,Ci}.
Ввиду широкого распространения цифровой техники человеку приходится работать с
большим количеством различных изображений. Поэтому, одной из важных задач в цифровой
обработке изображений является задача распознавания, включающая выделение характерных
признаков и особенностей изображений, на основе которых можно осуществлять их классификацию, упорядоченное хранение и поиск.
Предполагается применить фрактальную модель для решения этих задач. Использование
методов и средств фрактального представления изображений позволяет решать эту задачу на
основе сравнения промежуточного цифрового описания изображений, а не исходного. Здесь
фрактальное представление, выявляющее локальные признаки самоподобия внутри изображения, позволит выделить его основное содержание.
Ввиду того, что фрактальный код изображения может однозначно определять его на некотором множестве изображений, одной из основных фрактальных характеристик на основе его
фрактального кода является структура фрактального кода. Фрактальный код изображения состоит из совокупности ранговых блоков разных размеров (блоков разных уровней). Размер рангового блока характеризует размер самоподобного участка изображения, т.е. чем меньше раз-
250
мер блока, тем меньшего размера самоподобный элемент. Исходя из этого, можно рассчитать
средний размер самоподобных участков на изображении.
Исходя из того факта, что большинство реальных изображений не полностью самоподобно,
следует, что для формирования фрактального кода используются не все участки изображения,
т. е. не все доменные блоки необходимы для восстановления изображения.
Таким образом, из множества доменных блоков D={Di} можно выделить подмножество используемых доменных блоков Du={Dui}, отражающие самоподобные участки изображения.
Исходя из этого, можно использовать следующие характеристики самоподобия изображений: процент используемых доменных блоков и суммарную площадь покрытия используемыми
доменными блоками изображения. Первый параметр характеризует насколько разнообразно
проявлено свойство самопобие на изображении. Второй параметр отображает общую картину
проявления свойства самоподобия на изображении и позволяет выделить на изображении несамоподобные участки и участки, которые не участвуют в восстановлении изображения по
фрактальному коду.
Представленная фрактальная модель цифрового изображения позволяет описать изображение с точки зрения самоподобия. Следовательно, с помощью этой модели можно оценить различные локальные характеристики подобия на изображении, которые, в частности, могут использоваться как информативные признаки изображения в задачах распознавания.
В докладе рассматривается принцип фрактальной модели цифрового изображения с применением систем итерируемых функций и методы выделения локальных признаков самоподобия
цифрового изображения.
Литература
1. Уэлстид, С. Фракталы и вейвлеты для сжатия изображений в действии: учеб. пособие / С.
Уэлстид.– М.: Триумф, 2003.– 320 с.: ил.
2. Прэтт, У. Цифровая обработка изображений : в 2 кн. / У. Прэтт ; пер.– М.: Мир, 1982.
3. Новейшие методы обработки изображений / под ред. А.А. Потапова.– М.:ФИЗМАТЛИТ,
2008.– 496 с., ил.
4. Petrou M., Bosdogianni P. Image processing : The fundamentals, John Wiley and Sons, 1999 г.
ISBN: 0-471-99883-4.
251
К.В. Приходько
Сибирский федеральный университет
г. Красноярск, пр. Свободный, д. 79
e-mail: kenka@inbox.ru
Интернет-магазины: за и против
В России активное развитие Internet-технологии получили после указа президента Медведева Д.А., в котором говориться о необходимости развития информационных технологий, а
также Internet на всей территории страны.
Internet, для предприятий и простого гражданина стал более доступен. Компании, поставщики Internet, предлагают множество всевозможных тарифов подключения c высокими и низкими скоростями, ограниченным или безлимитным трафиком, при этом цена на подключение
доступна каждому.
Активное развитие Internet повлекло за собой развитие и интернет – магазинов.
Что же такое интернет – магазин ? Интернет магазин – это реализованное в сети Интернет
представительство путем создания Web-сервера для продажи товаров и услуг другим пользователям сети Интернет. К нему полностью подходит определение виртуального предприятия.
Иначе говоря, интернет магазин — это сообщество территориально разобщенных сотрудников
магазина (продавцов, кассиров) и покупателей, которые могут общаться и обмениваться информацией через электронные средства связи при полном (или минимальном) отсутствии личного прямого контакта.
До сих пор сектор интернет-торговли в России развивался не так бурно, как на Западе. Хотя, казалось бы, у виртуального магазина есть целый ряд преимуществ. Главные из них очень
важны для предпринимателей – это возможность экономить на аренде помещения и фонде заработной платы. Однако до сих пор торговцам мешала слабо развитая в России система электронных платежей, а также пристрастие потребителей к традиционному виду продаж (покупатель ценит возможность повертеть товар в руках, поговорить с продавцом…).
Впрочем, теперь ситуация может измениться. Кризис вполне способен заставить ряд предпринимателей уйти из обычной торговли в виртуальную. В Сеть могут устремиться и покупатели, ведь товары в интернет-магазинах обычно дешевле. С другой стороны, нынешняя экономическая ситуация затрагивает и сферу интернет-торговли.
Преимущества виртуального магазина перед реальным очевидны. Уменьшается численность персонала за счет сокращения объема взаимодействия с клиентами, аренда дискового
пространства и размещение "электронной витрины" дешевле и проще аренды торговых помещений и размещения товаров на полках, нет нужды в кассовом обслуживании и т.д. Так же
виртуальный магазин можно использовать как эффективный способ маркетингового исследования, тем более что сегодня эта услуга довольно дорога в маркетинговых агентствах. Любой
пользователь сети Интернет может быстро заполнить анкету, предлагаемую ему магазином через компьютер. Это позволяет без особых затрат изучить потребности и вкусы потенциальных
покупателей и учесть результаты маркетингового обследования в своей работе.
А в чем проигрывает интернет-магазин? В необходимости иметь хорошие каналы связи и
аппаратно-программное обеспечение, да и доля доставки в себестоимости существенно возрастает. Проигрывает и на "синдроме недоверия", поскольку в Интернет-торговле покупатель менее защищен от недобросовестного продавца, да и постоянно присутствующий в Интернете
хакерский фактор существенно повышает риск сделки.
Для того что бы создать интернет магазин на сегодняшний день существует большое многообразие программного обеспечения (CMS), как платного, так и бесплатного. Далее приведено
наиболее распространенное программное обеспечение (CMS):
1С-Битрикс;
UMI.CMS;
Amiro.CMS;
eCommerce и Ubercart для Drupal;
InSales;
252
Interchange;
Magento;
OpenCart;
osCommerce;
Simpla;
VirtueMart для Joomla;
Shop-rent;
PHPShopCMS.
Наиболее распространенным решением в России для создания интернет магазина является
1С-Битрикс. По состоянию на октябрь 2010 года "1C-Битрикс: Управление сайтом" занимает
первое место в рейтинге платных тиражных [CMS] с долей в 49.18%. Основными преимуществами данной системы являются:
-механизм информационных блоков (инфоблоков). Он позволяет легко создавать пользовательские типы содержания (например для различных каталогов). При этом способы работы с
инфоблоками Битрикс по возможности приближена к способам работы со справочниками
платформы 1С:Предприятие.
-мощный визуальный HTML-редактор, позволяющий размещать на странице как обычную
HTML информацию, PHP код, так и различные динамические компоненты, работу которых
обеспечивает CMS.
Подводя итог всему вышесказанному, учитывая все аргументы за и против интернет - магазина, учитывая все особенности программного обеспечения для создания интернет магазина,
ключевым фактором остается желание клиента совершать покупку.
253
Н.А. Родионова
Учреждение Российской Академии Наук Институт машиноведения им. Благонравова
e-mail: modul_lab@mail.ru
Разработка банка данных базирующих элементов станочных приспособлений
Развитие производства в машиностроении неразрывно связано с техническим перевооружением и модернизацией различных средств производства на базе применения новейших разработок. Техническое перевооружение, подготовка производства новых видов продукции машиностроения и модернизация средств производства обязательно включают проектирование
средств технологического оснащения и их изготовления.
В общем объеме средств технологического оснащения значительную долю составляют станочные приспособления. Создание любого вида станочных приспособлений, отвечающих требованиям производства, неизбежно сопряжено с применением квалифицированного труда. В
последнее время в области проектирования станочных приспособлений достигнуты значительные успехи. Разработаны методики расчета точности обработки деталей в станочных приспособлениях, созданы прецизионные патроны и оправки, улучшены зажимные механизмы и усовершенствована методика их расчета, разработаны различные приводы с элементами, повысившими их эксплуатационную надежность.
При проектировании приспособлений большое значение имеет правильный выбор базирующих элементов приспособлений для установки заготовок. Базирующие элементы отличаются большим разнообразием по конструкции и по области применения. Информация о них
разобщена, так как находится в многочисленных источниках: справочниках, монографиях, альбомах, рабочих материалах предприятий, что затрудняет их поиск.
Поэтому актуальной является задача систематизации и классификации базирующих элементов с последующей разработкой банка данных базирующих элементов станочных приспособлений. Это позволит, во-первых, обобщить имеющуюся информацию о них, осуществлять
унификацию, во-вторых, автоматизировать поиск требуемых элементов, тем самым возможно
помочь конструктору.
Следует различать базирующий элемент и конструкцию из базирующих элементов. Под базирующим элементом будем понимать элемент, контактирующий с одной поверхностью заготовки или ее частью (точкой, линией), выступающей в качестве одной из баз: опорной, направляющей, установочной, двойной опорной или двойной направляющей.
Под конструкцией из базирующих элементов будем понимать устройство, содержащее несколько базирующих элементов, которые контактируют с комплектом баз заготовки.
Главным в базирующем элементе является опорный элемент, содержащий рабочую поверхность, который в ряде случаев может быть самим базирующим элементом.
Анализ конструкций базирующих элементов показал, что они делятся на две группы: опорные (рис.2,а) и опорно-зажимные, в последнем случае базирование заготовки происходит одновременно с её зажимом, как например, в 3-х кулачковом патроне (рис.2,б), где кулачки одновременно базируют и зажимают заготовку.
На выбор конструкции базирующего элемента влияют такие факторы, как количество лишаемых степеней свободы заготовки, вид базы заготовки (явная, скрытая), геометрия заготовки, размеры и качество поверхностей заготовки, которые контактируют с опорными элементами, жесткость заготовки, ее масса и величина усилия зажима заготовки.
Первый отличительный признак - число лишаемых у заготовки степеней свободы (1 - 6).
Влияние лишаемых степеней свободы сказывается на конструкции базирующего элемента.
Под вторым признаком примем наименование базы: опорная (О), направляющая (Н), двойная опорная (ДО), установочная (У) и двойная направляющая (ДН), также возможны различные
сочетания данных баз. Влияние наименования базы сказывается на конструкции базирующего
элемента через геометрию базы и число лишаемых степеней свободы.
Третий признак - вид базы заготовки, которая может быть явной (Я) или скрытой (С).
Четвертым отличительным признаком принята геометрия базы. У явной базы это может
быть плоскость (П), линия (Л), точка на линии (ТЛ), две точки на линиях в 2-х взаимноперпен254
дикулярных плоскостях (ДТЛ), три точки в 3-х перпендикулярных плоскостях (ТТЛ), две линии, расположенные в 2-х взаомноперпендикулярных плоскостях (ДЛ); у скрытой базы – точка
симметрии на линии (ТСЛ), точка симметрии на плоскости (ТСП), линия симметрии (ЛС),
центр симметрии в пространстве (Ц), плоскость симметрии (ПС) и ось симметрии (ОС). Также
возможны различные сочетания данных характеристик.
Пятым отличительным признаком является вид поверхности заготовки: наружная (НР) или
внутренняя (В).
Шестой признак – площадь поверхности заготовки (малые (М), средние (Ср), большие (Б)).
Седьмой признак – шероховатость поверхности заготовки, которая может быть малая (М),
средняя (Ср) и большая (Б).
Восьмой признак делит заготовки на жесткие (Ж) и нежесткие (НЖ).
И последний девятый признак – варианты конструкций базирующего элемента.
С помощью предложенного классификатора каждому базирующему элементу присваивается соответствующий код из латинских букв, в котором каждая буква соответствует определенному отличительному признаку классификатора. На основе этого можно составить базу данных
базирующих элементов, в которой поиск требуемого базирующего элемента осуществляется по
коду, закрепленному за каждым элементом.
В соответствии с приведенным классификатором код базирующего элемента будет иметь
вид: [A-F][A-M][A-B][A-Z][A-B][A-C][A-C][A-B][1-m], последняя скобка отвечает за количество вариантов базирующих элементов, подходящих по имеющимся исходным данным.
Таким образом, конструктор, получив чертеж заготовки и схему ее базирования, после разработки принципиальной схемы приспособления, переходит к выбору базирующих элементов.
Зная вид и тип базы, вид, размеры и уровень неровностей поверхностей заготовки, контактирующих с опорными элементами, а так же размеры, массу, жесткость заготовки, конструктор
определяет в соответствие с классификатором коды требуемых базирующих элементов, по которым из базы данных находит чертежи базирующих элементов и при наличии вариантов выбирает наилучший. Для этой цели была разработана программа поиска элементов по банку, добавления, редактирования и удаления элементов из нее. Поиск осуществляется по коду или по
отличительным признакам элемента, которые предложены в классификаторе базирующих элементов.
В программе осуществляется 3 основных алгоритма: поиск элемента в банке данных; вывод
всех элементов банка данных; добавление элемента в банк данных.
1) Поиск элемента в банке данных можно осуществлять двумя способами:
- последовательным вводом исходных данных;
- непосредственным вводом кода, присвоенного базирующему элементу.
При выборе пункта «Поиск в банке с использованием классификатора», далее последовательно будут появляться 8 окон, в которых необходимо выбрать соответствующие отличительные признаки базирующего элемента, что является исходными данными.
После ввода всех исходных данных появляется список всех базирующих элементов, которые удовлетворяют введенным условиям. При нажатии на название определенного элемента,
выводится его чертеж, таблица стандартных размеров, примечания и код элемента, согласно
классификатору (рис.1)
Рис.1
255
C.С. Садыков, С.В. Савичева
Муромский институт (филиал) Владимирского государственного университета
602264 г. Муром, Владимирской обл., ул. Орловская, д. 23
e-mail: savicheva.svetlana@gmail.com
Алгоритм идентификации двух наложенных тестовых
и реальных плоских объектов
В современных условиях возникает необходимость увеличения интенсивности производства с целью повышения производительности труда и снижения стоимости продукции. Особая
роль в этом вопросе отводится интеллектуальным робототехническим устройствам и системам.
Основным компонентом этих систем является система технического зрения (СТЗ). В функции
СТЗ входит определение типа детали, ее положения и ориентации.
Для реализации упомянутых и аналогичных операций достаточно осуществить анализ изображений объектов. Следует отметить, что существующие СТЗ распознают сравнительно небольшое количество объектов, расположенных вполне определенным образом. Во многом это
связано с тем, что СТЗ работают с большим количеством признаков объектов и использует достаточно сложные алгоритмы. Данных затрат можно избежать путем выбора небольшого числа
информативных признаков и упрощения самого алгоритма идентификации.
В данной работе предложен алгоритм идентификации двух наложенных тестовых и реальных плоских объектов с использованием одного признака – значения кривизны точек внешнего
контура объекта. Он состоит в следующем.
1. Предварительная обработка полутоновых изображений объектов (сглаживание шумов,
сегментация).
2. Приведение бинарных изображений объектов к исходному положению.
3. Выделение контура объекта.
4. Вычисление значения кривизны б в каждой точке контура.
5. Формирование б-функции каждого объекта и идентификация объектов путем сравнения
их б-функций.
Шаг 1 реализуется с использованием алгоритма, рассмотренного в [1].
Шаги 2, 3 реализуются аналогично алгоритмам, приведенным в [2, 3].
Шаги 4 и 5 – аналогично алгоритму, описанному в [4].
Для экспериментальных исследований были использованы сгенерированные бинарные изображения 16 объектов произвольной формы и изображения реальных деталей. Максимальный
размер объектов 512х512 и 1024х1024 элементов. Часть объектов имеет отверстия, другая часть – нет.
Исходный объект
Определение центра тяжести
256
Поиск линии длины объекта
Поворот объекта
Рис. 1 Пример обработки двух наложенных тестовых объектов
Исходный объект
Определение центра тяжести
Поиск линии длины объекта
Поворот объекта
Рис. 2. Пример обработки двух наложенных реальных объектов
На основе описанного алгоритма производится восстановление объектов в условиях неполной информации об идентифицируемых объектах.
Анализ временных затрат показывает, что для уменьшения количества вычислений можно
определять и использовать значения кривизны не всех точек контура, а через одну, две, три и
т.д., то есть осуществить так называемое прореживание точек.
В докладе приведены многочисленные изображения промежуточных и конечных результатов обработки исходных тестовых и реальных объектов. Оцениваются точностные и временные характеристики отдельных этапов алгоритма и пути их дальнейшего улучшения.
Литература
1. Прэтт, У. Цифровая обработка изображений: пер с англ. / У. Прэтт.– М.: Мир, 1982.– 788 c.
2. Садыков, С.С. Методы и алгоритмы выделения признаков объектов в системах технического зрения / С.С. Садыков, Н.Н. Стулов.– М.: Горячая линия – Телеком, 2005.– 204 с.: ил.
3. Садыков, С.С. Алгоритмы определения длины и ширины дискретных площадных объектов / С.С. Садыков, Д.Н. Стародубов // Автоматизация и современные технологии.– 2007.–
№ 10.– С. 10-15.
4. Савичева, С.В. Идентификация тестовых и реальных плоских объектов путем формирования б-функций / С.В. Савичева; Муромсмкий ин-т Владимирского гос. ун-та.– Муром, 2010.–
18 с.: ил.– Библиогр. 4 назв.– Рус.– Деп. в ВИНИТИ 12.10.10 № 583-В2010
257
М.С. Соколов, А.Н. Рябов
Муромский институт (филиал) Владимирского государственного университета
602264 г. Муром, Владимирской обл., ул. Орловская, д. 23
e-mail: is@mivlgu.ru
Анализ и обработка данных
об объектах муниципальной собственности в МГИС
Генерализация - это средство к выделению в геоинформационных системах их ведущих
элементов, связей и процессов. В контексте решения муниципальных задач генерализация приобретает более широкий смысл по сравнению с термином принятым в картографии. Основной
смысл генерализации – отображение картографируемой части действительности в ее основных
типических чертах и характерных особенностях.
С картографическими объектами, как правило, связан блок семантических атрибутов [1,2],
принадлежащий множеству A. Поэтому множество картографических объектов O можно представить как бинарное отношение функциональное по второй компоненте, или множество упорядоченных пар, являющееся подмножеством прямого произведения P х A (декартово):
O = {(p, a): p∈ P, a ∈ A, a = f(p)},
(1)
где p – пространственная составляющая объекта,
a – семантический блок атрибутов,
f – биективное отображение из множества пространственных составляющих во множество
семантических атрибутов, f: P -> A.
При таком задании атрибуты и пространственное расположение объектов представляются в
компонентах соответствующего кортежа. Тогда,
(2)
Oi = <p, a>.
Элемент семантических атрибутов можно представить как кортеж, или n-арное отношение
на множестве A, функциональное по первой компоненте:
(3)
a = <k, p, a1,…,an>,
где k ∈ N– первичный ключ отношения,
p∈ P – пространственная составляющая,
ai, i = 1..n – индивидные константы соответствующие семантической информации и относящиеся к строковым либо числовым данным,
n – общее число атрибутов связанных с конкретным муниципальным объектом.
Теперь мы может сформулировать отображение f:
(4)
f(p) := ( p = ap).
При этом обратное отображение также верно:
f(ap) := ( ap = p).
(5)
Определим следующие множества.
Алгоритм генерализации земельных участков по признаку принадлежности к муниципальной собственности для планирования застройки и контроля правил землепользования.
Решение задачи позволит визуально оценить расположение земли относящейся к собственности муниципалитета и проверить корректность передачи ее в частную собственность
В данном случае генерализация означает формирование подмножества M = {mk} (k=1..n),
исходного множества картографических объектов O определяемого формулой (1), где n – определяет мощность формируемого массива данных.
При этом индивидные константы a ∈ A множества атрибутов входящие в выражение (3)
должны определяться исходя из набора объектов земельных участков zu ∈ ZU с помощью некоторой операции извлечения. В свою очередь для визуализации на ЕЦКО необходимо применять множество, построенное для обеспечения доступа к пространственной составляющей интегрированного представления через B.
258
Операцией извлечения атрибутивной информации по земельным участкам назовем функцию Ц1(ZU,i) возвращающую набор атрибутов соответствующих элементу множества: Ц1(ZU, i)
= ZUi либо в данном конкретном случае Ц1(ZU, i) = (ZUi)x2, где x2 – атрибут принадлежности
участка к муниципальной собственности.
Фактически приведенная выше формула соответствует биективному отображению f: P -> A
определенному выражениями (4) и (5). Тогда a = f(p), f(p) = Ц1(ZU, i), где i=p.
Таким образом, итоговая формула формирования набора объектов для проведения генерализации имеет вид:
M = {mk: mk ∈ O, mk = <p, Ц1(ZU, p)>, if (ZUp)x2=true},
(6)
где mk – картографический объект, земельный участок, обладающий требуемой в данном
контексте характеристикой: признаком принадлежности к муниципальной собственности.
Алгоритм работы
– отобрать все земельные участки, присутствующие на карте с целью получения их идентификаторов,
– для каждого полученного идентификатора посредством выражения (6) сформировать
множество M,
– для каждого полученного элемента (M)p произвести визуализацию на карте.
Поиск муниципальной информации носит итеративный характер, и эффективность работы
каждого шага в конечном итоге влияет на общую продолжительность выборки данных, а в конечном итоге и на эффективность принимаемых управленческих решений.
Основной исследуемой характеристикой данных алгоритмов является влияние учета интегрированного представления информации о городском хозяйстве при организации доступа к
данным связанных с решением определенного круга задач.
Рис. 1. Анализ скорости работы алгоритма генерализации объектов
по признаку принадлежности к муниципальной собственности
В результате получены алгоритмы анализа картографических объектов, которые позволяет
организовать быстрый отбор по топологическим правилам на основе интегрированного представления.
Литература
1. Садыков, С.С. Формальное определение топологических отношений между картографическими объектами в ГИС / С.С. Садыков, Д.Е. Андрианов, С.В. Еремеев // Обработка информации: методы и системы: сб. науч. ст.– М.: Горячая линия – Телеком, 2003.
2. Андрианов, Д.Е. Алгоритм представления сложных топологических отношений в геоинформационных системах / Д.Е. Андрианов, А.А. Булаев // Труды Российского науч.-техн. общества радиотехники, электроники и связи им. А.С. Попова. Сер.: Цифровая обработка сигналов и
ее применение.– Вып. VIII-2.– Москва, 2006.
259
Д.Н. Стародубов
Муромский институт (филиал) Владимирского государственного университета
602264 г. Муром, Владимирской обл., ул. Орловская, д. 23
e-mail: stadmitriy@yandex.ru
Обезличивание освобождаемой приложением памяти
С развитием компьютерной техники и внедрением ее во все сферы человеческой деятельности все острее встает вопрос защиты информации, хранимой и обрабатываемой в электронном
виде. При работе с любой конфиденциальной информацией доступ к ней должен быть ограничен программными и аппаратными средствами. Особенно актуальна задача защиты информации стала в связи с принятием закона «О персональных данных», вступившего в силу 8 августа
2006 года и предусматривающего, что информационные системы персональных данных должны быть приведены в соответствие с требованиями этого закона не позднее 1 января 2010 года [1].
Одним из требований к большинству автоматизированных систем, подлежащих защите от
несанкционированного доступа к информации, является требование обезличивания (очистки,
обнуления) освобождаемых областей оперативной памяти ЭВМ и внешних накопителей [2].
Как известно, оперативная память, выделяемая процессу для хранения и обработки данных,
после освобождения обычно не очищается, а просто помечается как свободная. Таким образом,
в оперативной памяти даже после завершения работы приложения могут сохраниться конфиденциальные данные, которые могут быть считаны другими приложениями. То же самое относится и к данным на жестком диске – файлам. При удалении файла он не стирается физически с
внешнего накопителя, а просто помечается как удаленный в специальной системной области
диска. Все данные файла после удаления по-прежнему находятся на диске и могут быть прочитаны специальными программами. В результате удаление файла не дает гарантии безвозвратного удаления конфиденциальных данных.
Обезличивание освобождаемой оперативной памяти подразумевает как минимум двукратную запись в освобождаемую область памяти. В качестве записываемого значения логично использовать либо произвольное значение (потребует накладных расходов на его генерацию), либо нулевые и единичные байты, т.е. значения 0x00 и 0xFF. Очистку нужно производить при
каждом освобождении памяти в программе, что удобнее всего реализовать с использованием
собственного менеджера памяти, который будет использоваться вместо стандартных операций
выделения и освобождения памяти.
Очистка удаляемых файлов на внешних накопителях производится аналогично, т.е. непосредственно перед удалением файла нужно перезаписать его несколько раз произвольными
данными, обязательно сохраняя их на диск. Сложности здесь возникают из-за особенностей
операционных и файловых систем, в которых будет функционировать программа.
Так сохранению на диск может помешать системная буферизация, которая используется для
более эффективной работы с диском и при которой запись сначала производится в системный
буфер и лишь потом данные из буфера непосредственно записываются на диск. В случае обезличивания файла такого поведения нужно избегать. Для этого при открытии файла указывается
специальный флаг, отключающий использование буфера. В Windows-системах это флаг
FILE_FLAG_WRITE_THROUGH. В UNIX-системах все не так однозначно из-за большого количества их реализаций. В большинстве UNIX-систем для синхронного ввода-вывода при открытии файла указывается один из флагов O_SYNC, O_FSYNC или O_DSYNC. Если же эти
флаги не поддерживаются системой, можно использовать одну из функций fdatasync или fsync,
которые записывают на диск содержимое всех буферов данных, связанных с файлом и возвращают управление в программу только после того, как устройство подтвердит, что запись была
произведена.
Еще одна особенность, затрудняющая очистку файлов в Windows – особые типы файлов,
которые хранятся на диске особым образом. Это разреженные (SPARSE), зашифрованные
(ENCRYPTED) и сжатые (COMPRESSED) файлы. Подобные типы файлов поддерживаются в
файловой системе NTFS особым образом и при их перезаписи новые данные сначала записываются в новую область диска, после чего старые блоки данных на диске помечаются как сво260
бодные. Таким образом, простая перезапись таких файлов не позволит удалить их данные с
диска и для полной их очистки необходимо обращаться к низкоуровневым функциям работы с
файловой системой NTFS. Более подробно об этом можно узнать из описания утилиты безопасного удаления файла SDelete от Microsoft [3].
После очистки содержимого файла может быть полезно гарантировать удаление имени
файла из журнала файловой системы. Большинство файловых систем в настоящее время являются журналируемыми, что облегчает их восстановление после сбоев питания. Такие файловые
системы заносят в специальный журнал все операции, выполняемые со структурой диска. В
результате имя удаленного файла, которое также может содержать конфиденциальную информацию, останется в журнале. Чтобы избежать этого достаточно перед удалением переименовать файл несколько раз, перезаписав таким образом его исходное имя в журнале.
Описанный комплекс мер позволяет гарантировать, что любая информация, удаляемая из
защищенной информационной системы, будет обезличена без возможности восстановления.
Литература
1. Российская Федерация. Законы. О персональных данных [Текст] : федер. закон : [принят
Гос. Думой 6 июля 2006 г. : одобр. Советом Федерации 14 июля 2006 г.].
2. Руководящий документ. Автоматизированные системы. Защита от несанкционированного
доступа к информации. Классификация автоматизированных систем и требования по защите
информации: [Текст]: [утв. 30 марта 1992 г].– М.: ГТК РФ, 1992.– 39 с.
3. SDelete [Electronic resource]. – Electronic data. 2006. – Mode acсess:
http://technet.microsoft.com/en-us/sysinternals/bb897443.aspx.
261
А.Л. Холодков
Сибирский федеральный университет
г. Красноярск, проспект Свободный, д. 79
e-mail: darkman.kras@mail.ru
Преимущества web-приложений
С первых дней, как появилась глобальная сеть Internet, она зарекомендовала себя как средство удобного обмена информацией. По мере развития технологий, средств создания, проектирования сетей и создания web-проектов, значимость и влияние глобальной сети возрастало. Сегодня общество всего мира не представляет жизнь без Internet, его ресурсов: социальных сетей,
видео серверов и др., общество настолько привыкло использовать в повседневной жизни ресурсы Internet сети, что в Европе отключение Internet сравнивают с отключением электричества,
горячей или холодной воды.
В России активное развитие Internet-технологии получили после указа президента Медведева Д.А., в котором говориться о необходимости развития информационных технологий, а
также Internet по всей территории страны.
Internet, для предприятий и простого гражданина, стал более доступен. Компании, поставщики Internet, предлагают множество всевозможных тарифов подключения, c высокими и низкими скоростями, ограниченным или безграничным трафиком, при этом цена на подключение
доступна каждому.
Активное развитие Internet повлекло за собой развитие и web-проектов, которые являются
основой существования глобальной сети Internet. Одним из направлений развития webпроектов стало создание web-приложений, которые способны решать самые разнообразные задачи, в том числе организовать деятельность организации для управления персоналом. Ярким
примером web-приложений может служить компания Google, которая одна из первых начала
разрабатывать это направление в internet-технлогиях.
Web-проекты (web-приложения) обладают рядом преимуществ перед привычными приложениями, которые использует каждая организация на персональных компьютерах:
Web-приложение кроссплатформено. Любое web-приложение не зависит от установленной
на компьютере операционной системы, для работы оно использует только лишь одно приложение Ї Internet-обозреватель (браузер), который имеется в любой операционной системе и поставляется вместе с ней.
Web-приложение Ї это сервер-приложение. Любое web-приложение можно установить на
одном компьютере Ї сервере, к которому смогут подключаться сотрудники фирмы для работы,
используя локальную или Internet сети и браузер.
Web-приложение Ї это полноценная программа. Как и в любом сервер-приложении, в webприложении можно создать несколько пользователей в различными правами доступа Ї это
обеспечивает защиту информации от несанкционированного доступа, а так же создать проверку вводимой информации Ї это позволяет избежать ошибок при заполнении форм и записей
сотрудником.
Web-приложение Ї это удобно. Каждый сотрудник, с возможностью выхода в Internet, может войти в web-приложение из любой точки города, страны, мира для получения или ввода
информации, другими словами может работать не только в офисе, но и любом месте где есть
доступ в Internet.
Web-приложение Ї это экономически выгодно. Для использования web-приложения, как на
сервере, так и на клиент-компьютере, потребуется любая операционная система, в том числе
бесплатная, что позволит значительно сократить расходы организации при приобретении программного обеспечения.
Рассмотренные преимущества говорят о том, что применение web-приложений в деятельности организации является выгодным, экономически целесообразным, удобным для обеспечения
деятельности сотрудников фирмы.
262