На правах рукописи БУЛДАКОВ Николай Сергеевич КОМБИНИРОВАННЫЕ АЛГОРИТМЫ ПОДДЕРЖКИ ПРИНЯТИЯ

На правах рукописи
БУЛДАКОВ Николай Сергеевич
КОМБИНИРОВАННЫЕ АЛГОРИТМЫ ПОДДЕРЖКИ ПРИНЯТИЯ
РЕШЕНИЙ ПРИ АВТОМАТИЗИРОВАННОЙ ИДЕНТИФИКАЦИИ
ЗАШУМЛЕННЫХ СТРУКТУРИРОВАННЫХ ИЗОБРАЖЕНИЙ
05.13.01 – Системный анализ, управление и обработка
информации (в технической отрасли)
Автореферат
диссертации на соискание ученой степени
кандидата технических наук
Саратов 2012
2
Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Саратовский
государственный технический университет имени Гагарина Ю.А.».
Научный руководитель:
доктор технических наук, профессор
Большаков Александр Афанасьевич
Официальные оппоненты:
Шульга Татьяна Эриковна,
доктор физико-математических наук, профессор,
ФГБОУ ВПО «Саратовский государственный
технический университет имени Гагарина Ю.А.»,
заведующая кафедрой «Прикладная информатика
и программная инженерия»
Литовка Юрий Владимирович,
доктор технических наук, профессор,
ФГБОУ ВПО «Тамбовский государственный
технический университет»,
профессор кафедры «Системы автоматизированного
проектирования»
Ведущая организация:
Институт проблем точной механики и управления
РАН (г. Саратов)
Защита диссертации состоится «25» декабря 2012 г. в 14.30 часов на заседании диссертационного совета Д 212.242.04 при Федеральном государственном
бюджетном образовательном учреждении высшего профессионального образования «Саратовский государственный технический университет имени Гагарина Ю.А.» (410054, г. Саратов, ул. Политехническая, 77, Саратовский государственный технический университет имени Гагарина Ю.А., корп. 1, ауд. 319).
С диссертацией можно ознакомиться в научно-технической библиотеке
СГТУ имени Гагарина Ю.А.
Автореферат разослан «20» ноября 2012 г.
Ученый секретарь
диссертационного совета
В.В. Алешкин
3
Актуальность темы. Многие современные технические задачи связаны с
распознаванием и принятием решений о внутренней структуре объектов, с дистанционным мониторингом состояния систем на основе обработки визуальных
образов. При этом возникает необходимость обработки изображений, которой
посвящено большое количество зарубежных и отечественных работ. Принимаемые решения часто основываются на идентифицируемых структурных элементах и их свойствах, полученных по результатам анализа снимков (Chino S., Christoyianni I., DeCartel J.M., Dermatas E., Duda R.O., Fujimura S., Gonzalez R.C.,
Keyes W.I., Kokkinakis G., Hanaizumi H., Hart P.E., Roe R.W., Stork D.G., Surdu J.R., Абакумов А.А., Вайнберг Э.И., Галушков А.И., Горбунов В.В., Дудкин А.А., Игнатьев А.А., Казак И.А., Курозаев В.П., Назиров Р.Р., Садыхов Р.Х.,
Соколов В.А., Шорин М.В. и др.).
Существующие системы обработки изображений успешно функционируют
только при использовании качественных, контрастных снимков. В случае расплывчатых, зашумленных или низкоконтрастных изображений они обычно характеризуются низкой точностью выявления структур, что не позволяет в полной мере реализовать возможности традиционных методов идентификации
снимков, в т.ч. алгоритмов сегментации аномальных структурных элементов.
Задача усложняется при поиске или идентификации скрытых, завуалированных
или зарождающихся структур (охраняемые объекты, минирование местности,
возникновение патологии в биосистемах и др.). В этом случае необходимо использовать всю доступную информацию для принятия решения о возможном
нахождении идентифицируемых структур на изображении.
В настоящее время существуют работы, в которых авторы для обработки
неструктурированной информации предлагают использовать нейросетевые методы (Большаков А.А., Бровкова М.Б., Колентьев С.В., Макаренко А.А., Миркес Е.М., Ососков Г.А., Стадник А.В., Суятинов С.И., Федяев О.И. и др.). Однако
открытыми остаются вопросы выбора критериев идентификации и разработки
интеллектуальных технологий для автоматизированного распознавания зашумленных изображений. Кроме того, для повышения точности идентификации и
эффективности принятия решений следует применять не только методы и модели искусственного интеллекта, но и расширенный вектор признаков, включающий доступную априорную информацию, например, о форме анализируемых
структурных элементов, о физической плотности вещества и т.д., что позволит
существенно повысить информативность визуальных данных. Следовательно,
возникает необходимость создания более совершенных систем обработки изображений, способных относительно быстро и правильно распознавать структурные элементы на снимках различного качества.
Развитие сетевых технологий и совершенствование средств передачи данных создали основу для построения нового поколения систем распознавания
изображений - Web-ориентированных систем дистанционного мониторинга состояния объекта и анализа полученных изображений, однако их практическая
реализация требует обработки значительного объема информации. В случае автоматизированной идентификации скрытых структур на зашумленных снимках
эта проблема обостряется. Поэтому для снижения вычислительных затрат и реализации автоматизированного распознавания возможных структурных элемен-
4
тов на исследуемых снимках целесообразно применить современные технологии
виртуализации и облачных вычислений, комбинированные модели и алгоритмы.
Это обусловливает актуальность темы диссертационного исследования, которое соответствует приоритетным направлениям развития науки, технологий и
техники РФ «Информационно-телекоммуникационные системы».
Целью работы является повышение эффективности распознавания структурных элементов на зашумленных изображениях на основе комбинированных
алгоритмов, используемых в системах поддержки принятия управленческих решений в автоматизированных системах обработки изображений.
Для реализации этой цели необходимо решить следующие задачи:
1) выполнить анализ существующих методов обработки изображений (снимков) для идентификации структурных элементов;
2) сформировать критерии идентификации выделяемых структур;
3) разработать комбинированные алгоритмы распознавания структур на снимках;
4) создать методику интеллектуальной поддержки для принятия управленческих
решений в автоматизированных системах обработки изображений;
5) разработать специальное математическое и программное обеспечение для
автоматизированной системы идентификации структурных элементов на зашумленных изображениях;
6) апробировать предложенные интеллектуальные технологии обработки изображений при решении практических задач.
Объектом исследования являются плохо структурированные и зашумленные изображения.
Предмет исследования – комбинированные модели, методы и алгоритмы
распознавания различных структур на зашумленных изображениях.
Методы исследования. При решении поставленных задач в работе использовались системный анализ, теория управления, методы теории идентификации
и распознавания образов, методы и алгоритмы обработки изображений, метод
клеточных автоматов, нейросетевые технологии.
Научная новизна работы:
 разработаны критерии распознавания скрытых структурных элементов в зашумленных изображениях, отличающиеся учетом доступной априорной и апостериорной информации, что позволило разработать комбинированные алгоритмы дистанционной обработки снимков;
 предложены комбинированные алгоритмы распознавания скрытых технических объектов, отличающиеся использованием технологий клеточных автоматов
и неокогнитрона, что позволило учесть доступную геометрическую информацию о
форме и взаимном расположении структурных элементов;
 создан комбинированный алгоритм идентификации структурных изображений
на рентгеновских снимках, отличающийся использованием количественной оценки
рентгеноскопической плотности среды, кластеризации структур по признакам
плотности изображения, нейронных сетей, что позволило разработать соответствующее специальное математическое обеспечение для поддержки управленческих
решений в дистанционных автоматизированных системах обработки изображений;
 построена архитектура специального математического обеспечения для поддержки
принятия решений в автоматизированных системах мониторинга и обработки изображений, отличающаяся использованием комбинированных алгоритмов идентифика-
5
ции структур на зашумленных снимках, что позволило предложить интеллектуальную
интернет-технологию автоматизированной идентификации скрытых и завуалированных объектов с применением виртуализации и облачных вычислений.
Практическая ценность работы заключается в создании комбинированных
алгоритмов распознавания возможных аномальных и регулярных структур на зашумленных изображениях, что позволяет решать различные практические задачи
по выявлению скрытых или завуалированных объектов на снимках.
Предложенный комбинированный алгоритм распознавания скрытых технических
объектов апробирован при идентификации минных полей по снимкам из космоса.
Реализация согласно выявленным требованиям и предложенным принципам
создания интеллектуальных систем дистанционного мониторинга и автоматизированной обработки снимков позволит повысить эффективность принятия
управленческих решений по зашумленным изображениям. Результаты диссертации используются в учебном процессе различных вузов г. Саратова.
Достоверность и обоснованность результатов диссертационного исследования подтверждаются результатами компьютерного моделирования; успешным
использованием полученных результатов в различных организациях; соответствием основных теоретических положений и выводов практическим результатам, полученным на основе разработанных моделей и алгоритмов.
Апробация работы. Основные результаты работы обсуждались на Международных научно-технических конференциях: «Математические методы в технике и технологиях» (Казань, 2005; Саратов, 2008, 2010, 2011; Харьков, 2012);
«Информационные технологии в политическом, социальном и экономическом
менеджменте» (Саратов, 2006); «Человеческий фактор в управлении социальными и экономическими системами» (Пенза, 2006); «Идентификация систем и задачи управления» (Москва, 2008); «Инфокоммуникационные технологии в
науке, производстве и образовании» (Новочеркасск, 2008); «Перспективные информационные технологии для авиации и космоса» (Самара, 2010); «Инновации
и актуальные проблемы техники и технологий» (Саратов, 2010); «Новые направления развития приборостроения.» (Минск, 2011).
Исследования поддержаны Государственным фондом содействия развитию
малых форм предприятий в научно-технической сфере по программе «Участник
молодежного научно-инновационного конкурса У.М.Н.И.К.» (2009 - 2010 гг.).
На защиту выносятся:
1) критерии идентификации скрытых и завуалированных структур снимков,
основанные на характеристиках формы, взаимном расположении элементов и
физической плотности;
2) комбинированный алгоритм идентификации структур на снимках земной
поверхности на основе технологий клеточных автоматов и неокогнитрона;
3) метод оценки физической плотности вещества по изображению объекта;
4) комбинированный алгоритм для дистанционной обработки рентгеновских
изображений;
5) архитектура системы интеллектуальной поддержки при принятии решений в
системе дистанционного мониторинга и автоматизированной обработки снимков, а также технические принципы ее интернет-реализации.
Публикации. Основные результаты диссертационной работы опубликованы
в 17 работах, в т.ч. 3 статьи - в журналах из списка, рекомендованного ВАК РФ.
6
Структура и объем диссертации. Диссертация состоит из введения, пяти
разделов, заключения, списка использованной литературы и приложения. Работа
изложена на 168 страницах машинописного текста, содержит 47 рисунков и 3 таблицы, список литературы включает 126 наименований.
КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность темы диссертационной работы, поставлены цель и задачи исследования, определены научная новизна результатов
и их практическое значение.
В первом разделе поставлена задача автоматизированной идентификации
структур на основе комбинированных алгоритмов.
Дана характеристика процесса идентификации структурных элементов как
объекта исследования. Проанализированы методы кластеризации, основанные на
позиционной и/или яркостной (плотностной) близости точек изображения. Показано, что типовые алгоритмы обработки изображений не позволяют достоверно
распознавать скрытые структурные элементы на зашумленных изображениях,
поэтому требуется новая технология идентификации структур, в первую очередь, на основе комбинированного подхода.
Сформулирована задача создания автоматизированной системы идентификации
структурных элементов на зашумленных снимках, которая является комплексной.
Выполненный анализ позволил сформулировать требования к программнотехническим решениям архитектуры системы обработки зашумленных изображений.
Второй раздел посвящен разработке комбинированного алгоритма идентификации структур и его реализации на примере снимков земной поверхности.
Математически цифровая форма изображения имеет вид матрицы N  M ,
каждый элемент которой характеризуется величиной яркости S x y и координаi
j
тами xi и yj (i = 1, N; j = 1, M).
Идея предлагаемого комбинированного алгоритма заключается в следующем. Процесс идентификации включает два этапа, на первом осуществляется
предварительная обработка изображения, на втором – собственно распознавание
структур. При предварительной обработке используются различные комбинации
как регулярных методов, так эвристик и интеллектуальных методов на множестве выявленных при системном анализе процедур (фильтрация, контрастирование, бинаризация, кластеризация). При распознавании структур на изображении
используются аналогичные комбинации с использованием различных методов
искусственного интеллекта. Процесс является итерационным, при этом используется как априорная, так и апостериорная информация. Сформированы критерии качества (эффективности) для предварительной обработки C1 – аналог известного в теории обработки сигналов: соотношение сигнал/шум и для этапа
распознавания C2 – точность распознавания структур при заданных форме и размерах:
,
,
,
(1)
7
где
- изображение после предварительной обработки;
- изображение
после распознавания; R(Str) – множество выделяемых образов заданной формы;
– мощность множества кластеров (количества точек изображения, вошедших в
кластер);
– мощность множества распознанных структур (количество структур, которые распознаны алгоритмом); For(x,y) – описание формы структуры;
Par - вектор параметров на множестве координат x, y.
При разработке алгоритмов предварительной обработки выбирался
обеспечивающий значение не менее
0,7. При распознавании структур целевым значением являлось 0,8.
Рис. 1. Три контура идентификации
Рассмотрим далее предлагаемый
структурных элементов
комбинированный алгоритм на примере распознавания мин по снимку. Предполагается, что с учетом масштаба
изображения, средний диаметр изображения мины занимает 12 пикселей. Следует отметить, что этот диаметр включает размер мины и измененный вокруг нее
подстилающий слой. Работу клеточного автомата (КА) можно трактовать как
выполнение операции преобразования F входного образа Gt в выходной образ
Qt+1:
F : G  Q, Q xyt 1  F G xyt ,
t
G xyt  S pq
;  p, q   N xy ,
(2)
t
где S pq
- значение элемента изображения с координатами p, q в окрестности Nxy
в момент времени t; F - функция выхода. В общем случае окрестность Nxy представляется прямоугольником, который математически описывается выражением
R xyKL   p, q ; x  L1  p  x  L2; y  K1  q  y  K 2. Разработка алгоритма обработки изображения на базе КА заключается в построении функций F и определении порядка их применения.
Особенностью задачи является необходимость выделения малоразмерных
объектов, изображения которых зависят от типа мин, способов их установки,
условий наблюдения и типа регистрирующих датчиков. Другая трудность
идентификации заключается в том, что в пределах одного снимка объекты могут находиться на различных подстилающих поверхностях.
Для предварительной обработки изображений применена технология клеточных автоматов (КА). Этап предварительной обработки изображения включает выполнение следующих шагов (процедур): низкочастотная фильтрация для
устранения мелких помех и получения сглаженного изображения с более однородной внутренней структурой; контрастирование для выделения контуров;
приведение изображения к бинарной форме для выделения полезной информации и устранения высокочастотных помех; формирование кластеров для выделения объектов, которые потенциально могут отображать мины; нормализация
размеров кластеров для получения одинаковых размеров кластеров.
Для «размывания» элементов размером значительно меньше, чем размер
мины, исследованы различные низкочастотные фильтры. Лучшие результаты
8
L2
k 2 m2
K2
 S
показал фильтр Гаусса Q xyt 1  k   L1 m   K 1
t
( x  k , y  m)e
10
10
 e

k 2 m2
2 2
( 1)
при значениях парамет-
2 2
k  10 m  10
ров, учитывающих размеры обнаруживаемых объектов : L1 = L2 = K1 = K2 =15 и  = 5.

S xyt  Avg  0.2   Avg  Min ,
 0.0,





S xyt  Avg  0.2  Max  Avg ,
 255.0,




 1  S xyt  Avg 

t


127
.
5



 0.2  Max  Avg  , S xy  Avg,




t
 1  S xy  x, y   Avg 
127.5  


 0.2   Avg  Min  ,




Традиционное контрастирование на основе дифференциальных фильтров приводит к
чрезмерной детализации изображения, что разрушает иско(3)
мые объекты, поэтому апроби- Qxyt 1
рованы алгоритмы линейного
повышения контраста и инте

грального контрастирования. В
соответствии с первым алго

ритмом, состояние автоматов
вычислялось по формуле (3):
где Avg, Max, Min –среднеарифметическое, максимальное и минимальное значения яркости, соответственно.
Яркость пикселя при использовании алгоритма интегрального контрастирования определялась как
N M
1
Qxyt 1  S xyt  (S xyt 
 S tpq ) .
(4)

N  M p 1 q 1
В окончательном варианте выбран алгоритм интегрального контрастирования, который позволил улучшить контраст снимка. Однако, из-за большой зависимости яркости интересующих объектов от их положения на снимке, проведена
нормализация или контрастирование исходного изображения добавлением локального контраста по формуле:
Qxyt 1  S xyt  ( S xyt 
x L 2 y  K 2
1
   S tpq ) .
( L1  L2  1)  ( K1  K 2  1) p  x  L1 q  y  K 1
(5)
Лучшие результаты получены при следующих значениях параметров:
L1 = L2 = K1 = K2 = 10.
Для получения бинарной формы изображения разработаны две процедуры:
1) пороговое отсечение изображения по яркости и доведение изображения
t
S xy до бинарного:




255.0,
Qxyt 1  




0.0,
 sx s y

2
 2

t
   S  x  i, y  j  
 i sx j  s y

2
 2
  1.0  30.0  P ,
sx  1  s y  1 









(6)
9
где sx = 6.0, sy = 6.0, а величина, регулирующая чувствительность алгоритма
P[0.0; 1.0], регулируется при настройке;
2) процедура стягивания с последующим компарированием.
Она реализуется на трех последовательных шагах. На первом шаге осуществляется операция стягивания, которая используется особым образом. Вначале вычисляется коэффициент охвата точки Rxy с координатами (x, y). Здесь
 1
Rxy  Int  t
S
 xy
x 1
y 1
 S
p  x 1 q  y 1
t
pq

 является целым числом и отношением суммарной яркости


пикселей, окружающих данную точку, к яркости самой точки. Установлено правило: если Rxy  6, то S xyt принимает значение яркости, равное 255. Эта процедура
позволила уменьшить разброс в яркости. На следующем шаге использовано равномерное сглаживание со следующими параметрами L1 = L2 = K1 = K2 =2, что
устранило мелкие детали (точки и штрихи) изображения, которые возникли на
предыдущем шаге. На третьем шаге изображение приведено к бинарной форме.
Изображения мин не соприкасаются, имеют замкнутую форму, сравнительно небольшие размеры. Поэтому далее выделены замкнутые, не соприкасающиеся области (кластеры).
Предложенный алгоритм вначале вычисляет число соприкосновений по
формуле CNUM xy 
x 1
y 1
 S
p  x 1 q  y 1
t
pq
. Если точка с координатами (x, y) имеет нулевое
значение (пиксель имеет нулевую яркость) и имеются два соседних элемента
также с нулевой яркостью, то CNUM будет равно 3. В этом случае две соседние
точки включаются в кластер исходной точки.
Основным критерием распознавания мин по снимкам являются геометрические признаки. В работе предлагаются две процедуры распознавания минных
полей в зависимости от способа их установки.
Первая процедура применима для распознавания клеточного поля, установленного минным заградителем. Она основана на том, что известны примерные
размеры клеток, а угол между сторонами клеток равен ориентировочно 90 о. Для
минных полей с клеточной структурой в качестве признаков идентификации используются числовые значения, характеризующие взаимное расположение мин.
Вторая процедура предназначена для распознавания минного поля, установленного системой залпового огня. Процесс распознавания геометрических фигур
в виде эллипсов рассеяния осуществлялся на основе предварительно обученной
специальной нейронной сети (НС) – неокогнитрона, действующего по принципу
зрительной системы человека. Предполагая, что минное поле представляет совокупность эллипсов рассеяния, неокогнитрон предварительно обучен распознавать
именно эти фигуры. На вход неокогнитрона подается модифицированное изображение, полученное после нормализации по размеру. Модификация изображения
производилась с помощью процедур «стягивание – расширение» для преобразования исходного рисунка, в котором минное поле представлялось набором точек,
в рисунок, где поле представлено сплошной фигурой, похожей на эллипс.
В третьем разделе выполнен анализ моделей и методов идентификации
структур рентгеновских изображений.
Показано, что общим недостатком существующих методов идентификации
структур по рентгеновским снимкам является использование косвенной информации
10
в виде интенсивности изображения, что может привести к ложным распознаваниям.
Поэтому необходимо решать задачу идентификации структур, основываясь на числовой оценке рентгенографической плотности. Количественная оценка плотности
позволяет расширить характеристический вектор признаков и повысить надежность
распознавания различных аномалий.
Рассмотренные способы измерения рентгенографической плотности среды
(непосредственное измерение, временное вычитание, энергетическое вычитание,
измерение с использованием контрастного вещества) также характеризуются
существенными недостатками, т.к. основываются на яркостях точек цифрового
изображения. Для получения количественной оценки рентгенографической
плотности требуются модели преобразования информативных параметров. На
абсолютную интенсивность изображения влияет также ряд других факторов,
например, мощность излучателя, вес и габариты объекта и др. Поэтому интенсивность изображения можно считать косвенной информацией, и возникает задача вычисления прямых показателей рентгенографической плотности по косвенным показателям интенсивностей точек цифрового изображения.
В частности, для более адекватного сопоставления плотностей можно вычислить плотность каждого участка объекта по отношению к плотности определенного типа. Относительная плотность позволяет сравнивать области на различных рентгенографических снимках. Однако отсутствие количественной
оценки физической плотности ограничивает возможности применения метода.
Поставлена задача автоматизированной идентификации структур по рентгеновским изображениям, которая включает структурирование изображения на основе процедур контрастирования, вычисления плотности выявленных структурных элементов, кластеризации структур по признакам плотности и расположения.
Предложено решать поставленную задачу с использованием интеллектуальных
технологий распознавания образов. При нечетком задании степени принадлежности возможных значений параметров (характеристических признаков) заданному
классу структур необходимо использовать функции принадлежности.
Четвертый раздел связан с созданием интеллектуальных, комбинированных алгоритмов и моделей для дистанционной обработки снимков.
Разработан комбинированный алгоритм автоматизированного анализа
изображений и выявления структурных элементов, позволяющий принимать решения о наличии структур на снимках. Показано, что объективным критерием
идентификации аномалий являются значения их физической плотности. Вычисление количественных оценок рентгенографической плотности можно разбить
на два обобщенных этапа: выделение интересующих областей, которое может
осуществляться, например, на основе клеточных автоматов; вычисление физической плотности вещества по изображению объекта.
Исходной информацией для оценки физической плотности является значение
интенсивности светового луча L, прошедшего через фотоснимок. Поэтому необходимо получить выражение, связывающее физическую плотность вещества с интенсивностью L. Принято считать, что физическая плотность вещества пропорциональна линейному коэффициенту ослабления излучения в веществе (х, у, z). Преобразование информации о значении  осуществляется в два этапа. Вначале в процессе рентгеновского облучения значения коэффициента  преобразуются в значения интенсивности I рентгеновского излучения, прошедшего через вещество.
11
В качестве исходной принята следующая модель распространения излучения в среде с коэффициентом ( х,у,z):
I x, y   N E ,0E  exp    x, y, z dz    Es , Es S x, y, Es ,  ddEs ,
(7)


где N - число квантов, падающих на единицу площади объекта. Здесь первое
слагаемое представляет интенсивность первичных квантов, а второе - вторичных.
I(х,y)dxdy - энергия, поглощаемая элементом dxdy поверхности детектора.
Примем следующие упрощающие предположения: каждый взаимодействующий
с приемником квант локально поглощается, а характеристика приемника является линейной; влияние отсеивающего устройства не учитывается; функция рассеяния S является медленно меняющейся.
В результате второй интеграл в уравнении (7) можно заменить значением функции в центре изображения и получить выражение для интенсивности рентгеновского
излучения, прошедшего объект и воздействующего на приемник излучения:
I x, y   N E,0E exp   x, y, z dz 1  R .
(8)
Здесь R представляет отношение рассеянного излучения к первичному, которое определяется из измерений или расчетом.
На втором этапе процесса преобразования информации интенсивность излучения (x,y) фиксируется на приемнике излучения. Так как в качестве приемника используется фотопленка, то следующей задачей является выявление связей между оптической плотностью пленки и физической плотностью исследуемого объекта. Конечное выражение для результирующей интенсивности L светового луча с исходной интенсивностью L0, прошедшего через фотопленку, подвергнутую рентгеновским излучениям, интенсивностью I(x,y):
L  L0 exp(  K )  L0 exp( Gbk [1  z ])  L0 K 2 exp(  z ) .
(9)
Здесь b - площадь поперечного сечения одного зерна; G - количество зерен
бромистого серебра на единицу площади;  - площадь поперечного сечения одного сенсибилизированного зерна, образуемого после проявления; k – определяется характеристиками используемой аппаратуры; z – толщина объекта; K2 – постоянный коэффициент, зависящий от используемой аппаратуры.
Последнее выражение показывает зависимость регистрируемого светового сигнала L от искомой «относительной плотности» z. Понятие относительности учитывает зависимость плотности почернения от толщины объекта z.
Рассмотрим прохождение одного рентгеновского луча сквозь объект, состоящий из n слоев, толщиной zj. Если принять за Lj интенсивность луча (плотность
потока фотонов) до его прохождения j-го слоя объекта, встретившегося на пути
траектории луча, а Lj+1 – интенсивность луча после прохождения слоя, то их
a j  z j
связь можно представить выражением L j  1  K 0 L j  e
, где aj – относительная плотность точки (области) j-го слоя объекта. Следовательно, изображение
можно трактовать, как совокупность точек, яркость которых обратно пропорциa  z
a z
a z
ональна значению выражения L  K0 L0  e 1 1  e 2 2  ...  e n n , где L0 – начальная интенсивность луча, которую приближенно можно принять постоянной и
одинаковой для всех направлений излучения.
12
Плотность почернения D рентгенографического снимка определяется как
L
n
D  ln 0  K   a z , где L0 и Lx - падающий на пленку и прошедший сквозь
0
i i
L
i 1
x
нее световые потоки, соответственно.
Снимок содержит изображение двух дополнительно введенных объектов
(эталонов) с одинаковой и известной физической плотностью аэ и толщиной h
(рис. 2). Схема расположения дополнительно введенных объектов обеспечивает
фиксацию на пленке:
1)
L
D  ln 0  K  a h
э
0
э
L
э
– плотность почернения, обусловленная прохождением
луча через эталонный объект с известными параметрами аэ и h;
2) Dэ т  ln
L0
 K0  aэ h  т z m - плотность почернения, обусловленная проLm
хождением луча через исследуемое тело и эталон;
3) Dтк  ln
L0
 K 0   к z к   т z m - плотность почернения, обусловленная проLк
хождением луча через участок объекта, содержащий элемент (например, камень в
почках), физическую плотность которого требуется определить.
Приведенные соотношения позволяют оценить физическую плотность исD  Dэ  Dэm  K 2
следуемого элемента следующим образом:  к  тк
. В последzк
нем уравнении учтен поправочный коэффициент K2, зависящий от используемого оборудования. Для окончательного определения физической плотности к
необходимо знать толщину исследуемого объекта zк. Эту величину можно оценить по снимку. Искомую толщину вычисляем в сравнении с размером эталона.
Предложенный общий алгоритм
оценки плотности по рентгеновскому
снимку имеет вид:
1) вычисление рентгенографической
плотности Dэ эталонного объекта, физическая плотность которого заранее известна;
2) обработка исходного нечеткого
снимка с повышением контрастности;
3) выделение видимых контуров на
Рис. 2. Формирование изображения
обработанном
снимке;
при эталонно-фотометрическом методе
вычисления физической плотности
4) выбор точки исходного снимка,
вещества
плотность которой нас интересует;
5) вычисление усредненной локальной плотности в выбранной области по
формуле  ( x, y) 
1
4R 2
 R1 R1

    F (i, j )  I ( x  i, y  j )  ;
 i  R j  R

6) вычисление отношения локальной плотности к эталонной плотности и
Dтк  Dэ  Dэm  K 2
значений физической плотности по формуле  к 
;
zк
7) добавление значимого признака в характеристический вектор.
13
Разработан комбинированный алгоритм, повышающий эффективность процесса структуризации зашумленного изображения включением в процесс сегментации априорной информации о предполагаемой форме и плотности объектов.
Предположим, что исследуемый объект имеет округлую форму. Поэтому на
этапе предварительной обработки снимка выделим все объекты, имеющие такие
формы, на основе процедур контрастирования и выделения контуров, которые
реализованы с использованием аппарата КА. Алгоритм детектирования уплотнений округлой формы основан на варьировании порога чувствительности. Анализ эффектов изменения пороговых значений отображаемых пикселей на округлость и размер уплотнений позволяет не только повысить достоверность выделения областей уплотнения округлой формы, но и оценить относительные размеры уплотнений. Переход к физическим размерам уплотнений осуществляется,
используя информацию о размерах эталона h.
Автоматизация диагностики достигается использованием в качестве классификатора НС. Однако типовые топологии НС, предназначенные для распознавания образов, не позволяют решить поставленную задачу. Поэтому для идентификации снимков разработана комбинированная модель НС (рис. 3), создан алгоритм ее обучения. Первый слой - это элемент сети радиальных базисных функций
(RBF), каждый из нейронов содержит информацию о кластере обучающей выборки. Второй слой - персептрон прямого распространения (FFP) с бинарной сигмоидальной функцией ограничения. Он распознает комбинации корреляций входного образа с каждым из кластеров и сопоставляет им выходные значения параметров сети. Для обучения сети использовались растровые изображения шаблонов
искомых патологий (изображения 8 бит на пиксель, 80 x 80 точек) и их изолинии.
Моделирование заключалось в определении размеров и характеристик материалов, которые определялись их коэффициентами поглощения. Степень серого в изображении определяла интенсивность радиации, зарегистрированной детектором после прохождения через объект (рис. 4).
Рис. 3. Архитектура гибридной нейросети
Рис. 4. Распределение интенсивности излучения:
а- разрешение 0,1 мм; б- разрешение 0.2 мм
Результаты вычислительных экспериментов, проведенных для разных комбинаций пластин, показали: можно определить расстояние между пластинами в
случае, если разрешающая способность приемника больше, чем измеряемое расстояние; точность определения физической плотности при сделанных допущениях находится в пределах 5 – 7 %.
В пятом разделе выполнено построение системы дистанционного мониторинга и автоматизированной обработки снимков для интеллектуальной поддержки принятия управленческих решений.
В качестве специального математического обеспечения системы используются: алгоритм вычисления физической плотности вещества на основе эталонно-
14
фотометрического метода; комбинированная процедура сегментации на основе
априорной информации о форме и плотности аномального образования; алгоритмы автоматизированного анализа снимков, в т.ч. нейросетевого распознавания образов для выявления аномальных областей.
Предложена архитектура построения интеллектуальной системы мониторинга и автоматизированной идентификации изображений, которую предлагается реализовать, используя технологию облачных вычислений на основе виртуализации. Это позволяет максимально эффективно использовать вычислительные
ресурсы, повысить отказоустойчивость на основе отказа от привязки приложения к конкретному аппаратному обеспечению. Кроме того, виртуализация позволяет относительно легко масштабировать модули, добавлять новые алгоритмы
работы без изменения аппаратной конфигурации.
Для реализации технологии виртуализации системы обосновано применение программного продукта vSphere компании VMware. Приведен пример реализации концепции для системы обработки рентгеновских изображений.
В заключении диссертации сформулированы основные результаты, полученные при выполнении работы.
В приложении приведены акты о внедрении результатов данной диссертационной работы.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ
В работе предложены, разработаны и успешно апробированы критерии,
комбинированные алгоритмы автоматизированной идентификации скрытых, завуалированных или зарождающихся структур на зашумленных снимках. При
этом получены следующие результаты:
 показано, что существующие методы кластеризации, основанные на позиционной и/или яркостной (плотностной) близости точек изображения, позволяют выделить структурные элементы на снимках только относительно хорошего качества;
 выполнен системный анализ существующих методов обработки снимков для идентификации скрытых структурных элементов в зашумленных изображениях и предложены критерии их распознавания с учетом априорной и апостериорной информации;
 сформированы критерии идентификации выделяемых структур, основанные на их
особенностях (форме, взаимном расположении элементов, физической плотности);
 обосновано применение комбинированных алгоритмов для идентификации
скрытых или завуалированных структурных элементов на зашумленных снимках;
 для автоматизации процесса сегментации изображения, повышения надежности и помехоустойчивости сегментации предложен комбинированный алгоритм
обработки изображений на основе клеточных автоматов, использующий элементы искусственного интеллекта, при этом различные его варианты могут использоваться для сегментации, контрастирования, а также сглаживания;
 разработан комбинированный алгоритм распознавания скрытых технических объектов с учетом доступной геометрической информации об их форме и взаимном расположении, который реализует технологии клеточных автоматов и неокогнитрона и
апробирован при идентификации минных полей по снимкам из космоса; при этом в
качестве признаков идентификации для минных полей с клеточной структурой предложено использовать числовые значения, характеризующие взаимное расположение
15
мин, а для минных полей с меньшей степенью организации - распознавание геометрических образов на основе нейронной сети (неокогнитрона);
 поставлена и решена задача автоматизированной идентификации структур по
рентгеновским изображениям, включающая структурирование изображения на
основе процедур контрастирования, вычисление плотности, кластеризацию
структур по признакам плотности и расположения;
 сформирован критерий идентификации объектов на основе вычисления их
физической плотности, на базе которого разработаны комбинированные алгоритмы и модели автоматизированного распознавания структурных элементов
при дистанционной обработке рентгеновских изображений;
 предложены эталонно-фотометрический метод оценки физической плотности
вещества по изображению объекта и его практическая реализация;
 разработана интеллектуальная интернет-технология для автоматизированной
идентификации скрытых и завуалированных объектов;
 предложены требования, технические принципы интернет-реализации и архитектура специального математического обеспечения для поддержки принятия управленческих решений в автоматизированной системе идентификации структур на зашумленных изображениях на основе технологии виртуализации и облачных вычислений;
 обосновано применение программного продукта vSphere компании VMware для реализации технологии виртуализации системы обработки зашумленных изображений;
 на основе созданных комбинированных алгоритмов для распознавания аномальных структур на зашумленных изображениях решены практические задачи
по выявлению скрытых или завуалированных объектов на снимках.
ПЕРЕЧЕНЬ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ
Публикации в центральных изданиях, включенных в перечень периодических
изданий ВАК РФ
1. Большаков А.А., Булдаков Н.С. Синтез интеллектуальных систем дистанционного
мониторинга и автоматизированной обработки снимков // Вестник Саратовского государственного технического университета. – 2012. - №1 (64). Вып. 2. – С. 128 - 132.
2. Большаков А.А., Булдаков Н.С. Построение систем обработки изображений с использованием технологии виртуализации // Вестник Саратовского государственного технического университета. – 2011. - №4 (62). Вып. 4. – С. 224 - 228.
3. Большаков А.А., Булдаков Н.С. Использование клеточных автоматов для обработки
изображений минных полей // Вестник Саратовского государственного технического университета. - 2010. - №4 (50). Вып. 2. – С. 120 - 124.
Публикации в других изданиях
4. Большаков А.А., Булдаков Н.С. Создание интеллектуальных методов и моделей
для дистанционной обработки медицинских изображений // Математические методы
в технике и технологиях: сб. тр. XXV Междунар. науч. конф. Т. 9. - Волгоград: Волгогр. гос. техн. ун-т, Харьков: Национ. техн. ун-т «ХПИ», 2012. - С. 119 - 121.
5. Булдаков Н.С. Серверные решения для ЦОД // Connect! Мир связи. - 2011. - № 8. – С. 62 - 64.
6. Булдаков Н.С., Ланцберг А.В., Суятинов С.И. Алгоритмы и технические средства
для самостоятельного контроля функционального состояния // Математические методы
в технике и технологиях: сб. тр. XXIV Междунар. науч. конф. Т. 2. – Саратов: СГТУ,
2011. - С. 101-103.
7. Булдаков Н.С. Измерение плотности вещества по рентгеновским снимкам для систем
автоматизированной диагностики // Новые направления развития приборостроения:
тр. 4-й Междунар. науч.-техн. конф. – Минск: БНТУ, 2011. - С. 87 - 88.
16
8. Булдаков Н.С., Масин М.А., Чефранова И.В. Мобильный терминал системы дистанционного мониторинга состояния человека // Инновации и актуальные проблемы техники и технологий: материалы Всерос. науч.-практ. конф. молодых ученых: в 2 т. –
Саратов: СГТУ, 2010. - Т.1. - С. 92 - 94.
9. Булдаков Н.С. Нейросетевая идентификация рентгеновских снимков // Математические методы в технике и технологиях: сб. тр. XXIII Междунар. науч. конф. Т. 6. –
Саратов: СГТУ, 2010. - С. 35 - 36.
10. Булдаков Н.С. Метод идентификации минных полей по аэрокосмическим снимкам
// Перспективные информационные технологии для авиации и космоса: тр. Междунар.
конф. с элементами научной школы для молодежи. – Самара: СГАУ им. С.П. Королева,
2010. - С. 743 - 747.
11. Булдаков Н.С., Ланцберг А.В. Модельный способ дистанционной оценки функционального состояния человека и его реализация в информационно-измерительном комплексе телемедицины // Инфокоммуникационные технологии в науке, производстве и
образовании (Инфоком-3): материалы 3-й Междунар. науч.-техн. конф. Ч. 1. – Ставрополь: Северо-Кавказ. гос. техн. ун-т, 2008. - С. 188 - 194.
12. Булдаков Н.С., Самочетова Н.С., Суятинов С.И. Идентификация биосистем по данным электрофизиологических измерений // Идентификация систем и задачи управления: тр. V Междунар. конф. – М.: ИПУ РАН, 2008. - С. 457 - 464.
13. Булдаков Н.С., Синюшина О.В. Разработка метода количественной оценки плотности вещества для систем автоматизированной обработки рентгеновских снимков // Сб.
конкурсн. работ Всерос. смотра-конкурса науч.-техн. творчества студ. высших учебных
заведений «Эврика-2008». – Новочеркасск: Оникс+, 2008. – С. 125 - 127.
14. Булдаков Н.С., Синюшина О.В. Метод измерения плотности вещества по рентгеновским снимкам для систем автоматизированной диагностики // Математические методы в технике и технологиях: сб. тр. XXI Междунар. науч. конф. Т. 9. - Саратов:
СГТУ, 2008. - С. 128 - 131.
15. Булдаков Н.С., Коблов А.В., Суятинов С.И. Информационно-измерительный комплекс регистрации и обработки многопараметрической биомедицинской информации //
Человеческий фактор в управлении социальными и экономическими системами: сб. тр.
Всерос. науч.-практ. конф. – Пенза: ПГСХА, 2006. – С. 139 - 147.
16. Булдаков Н.С. Моделирование сложных систем с помощью клеточных автоматов //
Информационные технологии в политическом, социальном и экономическом менеджменте: сб. науч. тр. – Саратов: ПАГС, 2006. - С. 157 - 158.
17. Булдаков Н.С. Комбинированный алгоритм распознавания минных полей на аэрокосмических снимках // Математические методы в технике и технологиях: сб. тр. XVIII
Междунар. науч. конф. – Казань: Изд-во КГТУ, 2005. - Т.6. - С. 60 - 63.
Подписано в печать 12.11.2012
Формат 60×84 1/16
Бум. офсет.
Усл. печ. л. 1,0
Уч.-изд. л. 1,0
Тираж 100 экз.
Заказ 31
ООО «Издательский Дом «Райт-Экспо»
410031, Саратов, Волжская ул., 28
Отпечатано в ООО «ИД «Райт-Экспо»
410031, Саратов, Волжская ул., 28, тел. (8452) 90-24-90