Лекция по предмету интеллектуальные информационные системы Искусственный интеллект в обработке изображений и распознавании образов на них Автор: к.т.н. Варламов А.Д

Введение Большинство задач по обработке и анализу сложных изображений являются трудно формализуемыми или не формализуемыми. То есть решения этих задач не поддаются математическому описанию. Например, невозможно математически описать изображение с кошкой и, соответственно, алгоритм поиска кошки на нем. Поэтому на практике для обработки и анализа изображений стали широко применять методы искусственного интеллекта, основанные на машинном обучении.

Обсновные понятия Обработка изображений любая форма обработки информации, для которой входные данные представлены изображением. Компьютерное зрение теория и технология создания машин, которые могут видеть. Распознавание образов раздел кибернетики, развивающий теоретические основы и методы классификации и идентификации объектов, которые характеризуются конечным набором некоторых свойств и признаков. Машинное обучение – раздел теории искусственного интеллекта, изучающий алгоритмы и системы, способные самообучаться.

Задачи К основным задачам, решаемым методами искусственного интеллекта при обработке изображений являются: 1. Поиск и идентификация лиц на изображениях, 2. Распознавание автомобильных номеров; 3. Зрение роботов; 4. Обработка снимков со спутников; 5.Реставрация изображений фотографических и текстовых документов; 6.Раскрашивание полутоновых изображений; 7. Дефектометрия; 8.Распознавание текста; 9. Разработка систем технического зрения; 10. Индексация изображений в информационно-поисковых системах; 11. Поиск спама в изображениях; 12. Классификация и кластеризация изображений; 13. Обработка медицинских снимков; 14. Улучшение качества изображений. И другие.

Схема получения сегментированного изображения на основе нейронной сети Исходное изображение - полутоновое 5

Схема получения сегментированного изображения на основе нейронной сети Исходное изображение - полутоновое 6

Схема получения сегментированного изображения на основе нейронной сети Исходное изображение - цветное 7

8 Примеры признаков ИсходноеЦель Признаки

Дефектометрия Сварной шов на рентгеновском снимке Обнаружение коррозионных трещин металла

Конструирование алгоритма восстановления цвета полутонового изображения 10 Обучающая выборка для восстановления красной компоненты на полутоновом изображении Обучающая выборка для восстановления зеленой компоненты на полутоновом изображении Обучающая выборка для восстановления синей компоненты на полутоновом изображении Нейронная сеть Алгоритмы формирования изображений локальных признаков Алгоритм восстановления красной составляющей изображения Алгоритм восстановления зеленой составляющей изображения Алгоритм восстановления синей составляющей изображения Алгоритм восстановления цвета полутонового изображения

Раскрашивание изображения нейронной сетью 11 Исходное Автоматически раскрашенное Оригинальное Пример 1 – раскрашивание изображения с типом сценыЗакат солнца

Раскрашивание изображения нейронной сетью 12 Пример 2 – раскрашивание изображения с типом сценыВолны Исходное Автоматически раскрашенное Оригинальное

Алгоритм распознавания автомобильных номеров 1. Выделение номерного знака из общего фона изображения 2. Сегментация номерного знака на символы и фон 3. Посимвольное разбиение изображения 4. Распознавание каждого символа номерного знака 5. Объединение результатов в единый распознанный номер x777xx 77

Признаки для поиска лица Признак линии глаз (слева) и признак линий ноздрей, губ и подбородка (справа) Признак симметрии 14 Найденное лицо

Процесс обучения нейронной сети Обучение поиска губ в нижней части лица Априорная область губ Параметры обучения: Количество слоев: 2 Количество нейронов: 9 Количество признаков : 9 Алгоритм обучения: генетический 15

Спасибо за внимание! При использовании материалов ссылка на обязательна

Вопросы по презентации?