Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация)

Размещено на http://www.allbest.ru/

Автоматизированный системно-когнитивный анализ изображений по их внешним контурам (обобщение, абстрагирование, классификация и идентификация)

В статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для ввода (оцифровки) изображений из графических файлов, синтеза обобщенных изображений классов, их абстрагирования, классификации обобщенных изображений (кластеры и конструкты), сравнения конкретных изображений с обобщенными образами (идентификация). Предлагается новый подход к оцифровке изображений, основанный на использовании полярной системы координат, центра тяжести изображения и его контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры и поворот. Поэтому, если заданы эти опция, то результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворота. Это означает, что в модели на основе ряда конкретных примеров будет создан один образ каждого класса изображений, независящий от их конкретных реализаций, т.е. «Эйдос» этих изображений (в смысле Платона) - прототип или архетип (в смысле Юнга) изображений. Но система «Эйдос» обеспечивает не только формирование прототипов изображений, в которых количественно отражено количество информации в элементах изображения о прототипе, но удаление из них всего несущественного для идентификации (абстрагирование), а также сравнение конкретных изображений с обобщенными (идентификация) и самих обобщенных образов изображений друг с другом (классификацию). Приведен развернутый численный пример АСК-анализа изображений

Ключевые слова: АСК-анализ, автоматизированный системно-когнитивный анализ, интеллектуальная система «Эйдос», ввод, оцифровка изображений, синтез обобщенных изображений, абстрагирование, классификация, сравнение конкретных изображений с обобщенными (идентификация)

Данная статья может рассматриваться как продолжение работы [1] и посвящена применению автоматизированного системно-когнитивного анализа (АСК-анализ) [2] и его программного инструментария - системы «Эйдос» для интеллектуальной обработки изображений по их внешним контурам, т.е. для их оцифровки, создания моделей конкретных изображений, формирования обобщенных изображений на основе ряда конкретных, относящихся к одной категории (классу), абстрагирования, идентификации, классификации обобщенных изображений и решения ряда других задач.

Со времени написания работы [1] прошло 6 лет, в течение которых была разработана качественно новая версия системы «Эйдос-Х++» [3], в которой, в частности, реализован программный интерфейс автоматизированного ввода изображений в систему «Эйдос» (режим 2.3.2.4).

Несомненный научный и практический интерес представляет синтез обобщенных изображений на основе ряда конкретных примеров. При этом в результате обобщения выясняется ценность признаков изображений для их дифференциации, а также степень характерности тех или иных признаков для конкретных изображений. Это позволяет без ущерба для адекватности модели удалить из нее малоценные признаки, т.е. осуществить абстрагирование обобщенных изображений, что обеспечивает в последующем сокращение затрат различных видов ресурсов на сбор и обработку графической информации. Над обобщенными изображениями возможны операции классификации, объединения наиболее сходных из них в кластеры и формирования систем наиболее сильно отличающихся друг от друга кластеров, т.е. конструктов. Можно также количественно оценивать степень сходства конкретных изображений с обобщенными, т.е. идентифицировать эти конкретные изображения.

Рассмотрим решение некоторых из этих задач в АСК-анализе и системе «Эйдос-Х++» версии 25.06.2015 и выше.

системный когнитивный автоматизированный графический

Для этого в «Диспетчере приложений» (режим 1.3) (рисунок 1) запустим режим: «АСК-анализ изображений», выход на который осуществляется нажатием соответствующей кнопки крайней справа:

Рисунок 1 Экранная форма «Диспетчера приложений» (режим 1.3)

В результате появляется главная экранная форма режима «АСК-анализ изображений», представленная на рисунке 2:

Рисунок 2 Экранная форма режима: «АСК-анализ изображений»

В верхней части экранной формы описаны основные этапы работы в данном режиме и его основные возможности.

В нижней части экранной формы есть кнопки, позволяющие запустить соответствующие режимы на исполнение.

Рассмотрим их по порядку.

АСК-анализ изображений может использоваться в качестве учебного режима для освоения методов интеллектуальной обработки изображений, а также для выполнения реальных научных и практических задач.

Для удобства использования данного режима в учебных целях в его состав включен генератор изображений символов различных размеров и шрифтов, которые задаются пользователем в диалоге (рисунок 3):

Рисунок 3 Экранная форма генератора изображений символов режима: «АСК-анализ изображений»

При нажатии на кнопке: появляется стандартное окно выбора типа шрифта и его стиля (рисунок 4):

Рисунок 4 Стандартное окно выбора типа шрифта и его стиля

С помощью этого окна выбираем шрифты для численного примера, исследуемого в данной статье.

Если в папке Inp_data не было поддиректории с изображениями символов заданного шрифта, то она создается и об этом выводится сообщение (рисунок 5):

Рисунок 5 Предупреждение о создании поддиректории для изображений

Затем начинается генерация и запись в созданную поддиректорию заданных изображений. Каждое из них перед записью отображается на экране в отдельном окне (рисунок 6):

Рисунок 6 Отображение сгенерированного изображения перед записью

Для численного примера мы задали все цифры, заглавные и строчные буквы русского латинского алфавитов следующих типов шрифтов:

Том в устройстве C не имеет метки.

Серийный номер тома: 2271-3A8D

Содержимое папки c:\Aidos-X\AID_DATA\Inp_data

25.06.2015 17:32 <DIR> .

25.06.2015 17:32 <DIR> ..

25.06.2015 17:28 <DIR> 400_Arial

25.06.2015 17:30 <DIR> 400_Courier_New

25.06.2015 17:31 <DIR> 400_Times_New_Roman

25.06.2015 17:19 <DIR> 400_Verdana

25.06.2015 17:32 0 dir.txt

25.06.2015 16:18 <DIR> Paint

25.06.2015 16:48 <DIR> Почтовый шрифт

1 файлов 0 байт

8 папок 52 767 449 088 байт свободно

Ниже на рисунке 7 приведены имена сгенерированных файлов изображений символов одной из поддиректорий (400_Arial):

Рисунок 7 Имена сгенерированных файлов изображений символов одной из поддиректорий (400_Arial)

На рисунке 8 приведены изображения этих символов:

Рисунок 8 Изображения символов шрифта Arial, использованные в численном примере

Кроме того в папке c:\Aidos-X\AID_DATA\Inp_data, как мы видим, есть поддиректории Paint с простыми изображениями, созданными в одноименном графическом редакторе, а также изображения цифр почтового шрифта, которые легко найти в интернете: (рисунок 9):

Рисунок 9 Простые изображения, созданные в графическом редакторе Paint и изображения цифр почтового шрифта, использованные в численном примере

Если изображения, которые мы собираемся анализировать, получены из внешнего источника (фото, сканированные изображения, клип-арты и т.д.), то они вручную помещаются пользователем в папку: c:\Aidos-X\AID_DATA\Inp_data\.

Когда изображения для исследования подготовлены и записаны в нужную директорию и поддиректории, то запускается автоматизированный программный интерфейс ввода изображения в систему «Эйдос», т.е. режим оцифровки изображений (режим 2.3.2.4) .

Данный режим может быть запущен либо из главного меню системы «Эйдос», либо из главной экранной формы режима АСК-анализа изображений, приведенной на рисунке 2 (2-я кнопка).

При запуске этого режима появляется окно с параметрами оцифровки (рисунок 10):

Рисунок 10 Экранная форма режима 2.3.2.4, предназначенная для задания параметров оцифровки изображений

При запуске данного режима стадия исполнения отображается в экранной форме, приведенной на рисунке 11:

Рисунок 11 Экранная форма с отображением стадии исполнения оцифровки изображений

Данный режим:

1. Находит все поддиректории в папке: c:\Aidos-X\AID_DATA\Inp_data\ и все графические файлы jpg и bmp в этих поддиректориях.

2. Находит контуры в этих графических файлах и их центры тяжести.

3. Записывает в папку: c:\Aidos-X\AID_DATA\Out_data\ графические файлы, состоящие только из контуров с изображенными на них точками, которые были оцифрованы. Необходимо особо отметить, что при этом используется полярная система координат с центром в центре тяжести изображения, а результатами оцифровки являются расстояния от центров тяжести изображений до точек их контура. При этом структура поддиректорий и имена файлов в папках: c:\Aidos-X\AID_DATA\Inp_data\ и c:\Aidos-X\AID_DATA\Out_data\ совпадают. Пример контурного изображения символа «B» приведен ниже на рисунке 12:

Рисунок 12 Пример контурного изображения символа: Eng Upper B

4. Затем режим 2.3.2.4 формирует Excel-таблицу с именем: c:\Aidos-X\AID_DATA\Inp_data\inp_data.xlsx, в которой содержаться результаты оцифровки изображений. Кроме того он формирует таблицу c:\Aidos-X\AID_DATA\Inp_data\inp_data_avr.xlsx с усредненными данными по классам. Пояснение по структуре этой таблицы дано в Help режима 2.3.2.4 (рисунок 13), который можно вызвать из экранной формы, приведенной на рисунке 10:

Рисунок 13 Help режима ввода изображений в систему «Эйдос»

Структура этой таблицы полностью соответствует требованиям универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2), которые приведены в Help этого режима и представлены на рисунке 14:

Рисунок 14 Help универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

Сам этот программный интерфейс вызывается либо из главного меню системы «Эйдос» (режим 2.3.2.2), либо путем нажатия на 3-й кнопке экранной формы режима: «АСК-анализ изображений», представленной на рисунке 2. Главная экранная форма режима 2.3.2.2 приведена на рисунке 15, причем на ней показаны нужные параметры:

Рисунок 16 Главная экранная форма универсального программного интерфейса системы «Эйдос» с внешними базами данных (режим 2.3.2.2)

После запуска процесса ввода данных из файла: c:\Aidos-X\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос» определяется количество заданных текстовых и числовых классификационных и описательных шкал и градаций [7] и выводится окно внутреннего калькулятора данного режима, в котором мы можем задать число интервальных значений в числовых шкалах (рисунок 17):

Рисунок 17 Экранная форма внутреннего калькулятора универсального программного интерфейса системы «Эйдос» с внешними базами данных

После клика по кнопке «Выйти на создание модели» начинается процесс импорта данных оцифровки изображений из файла c:\Aidos-X\AID_DATA\Inp_data\inp_data.xlsx в базы данных системы «Эйдос». При этом по сути происходит нормализация базы исходных данных, т.е. создаются справочники классификационных и описательных шкал и градаций и исходные данные кодируются с их использованием, в результате чего формируется обучающая выборка и эвентологическая база данных (рисунок 18). Сами справочники классификационных и описательных шкал и градаций, обучающая выборка и эвентологическая база данных могут быть просмотрены в режимах 2.1, 2.2, 2.3.1, 2.4 системы «Эйдос».

Рисунок 18. Экранная форма, отображающая этапы импорта данных из внешней базы данных в систему «Эйдос»

В результате работы программного интерфейса с внешними базами данных 2.3.2.2 также формируется таблица c:\Aidos-X\AID_DATA\Inp_data\inp_davr.xls с усредненными данными по классам.

Затем после клика на 5-й копке главного меню режима: «АСК-анализ изображений» появляется экранная форма режима синтеза и верификации моделей 3.5 (он может быть запущен также из главного меню системы «Эйдос») (рисунок 19):

Рисунок 19 Экранная форма режима синтеза и верификации моделей системы «Эйдос» (режима 3.5)

Запускаем этот режим с параметрами по умолчанию.

В результате работы данного режима создаются и верифицируются 3 статистических модели (корреляционная матрица, матрицы условных и безусловных процентных распределений) и 7 системно-когнитивных моделей (моделей знаний) (рисунки 20 и 21).

Рисунок 20 Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям

Достоверность оценивается в соответствии с предложенной автором метрикой, сходной по смыслу с известным F-критерием, но не основанной на предположении о нормальности распределения, независимости и аддитивности факторов (рисунки 22 и 23). В соответствии со схемой, приведенной на рисунке 20 и информацией по достоверности моделей, приведенной на рисунке 22, в режиме 5.6. системы «Эйдос» зададим системно-когнитивную модель INF3 в качестве текущей и проведем в ней пакетную идентификацию в режиме 4.1.2.

Рисунок 21. Экранная форма отображения стадии синтеза и верификации моделей

Рисунок 22 Оценка достоверности моделей с помощью непараметрической метрики, сходной с F-критерием

Рисунок 23. Help режима 4.1.3.6: пояснение смысла непараметрической метрики, сходной с F-критерием

Из рисунка 22 мы видим, что наиболее достоверная модель обеспечивает 100% достоверность отнесения объекта к классу, к которому он относится, и 57% достоверность не отнесения объекта к классу, к которому он не относится. При этом объект, относящийся к классу, практически всегда имеет максимальный уровень сходства с ним, по сравнению с другими объектами. Это видно из последующих форм.

Затем по нажатию 6-й кнопки «Решение задач идентификации и исследования изображений» получаем экранную форму режима 4.1.3.2 с результатами идентификации объектов с заданным классом (рисунок 24):

Рисунок 24 Результаты идентификации изображений конкретных символов с обобщенным образом класса: «Eng Lower b»

Мы видим, что результаты весьма разумные.

По нажатию 7-й кнопки «Просмотр и запись информационных портретов классов - обобщенных изображений символов» осуществляется отображение на экране и запись в виде файлов:

- описательных шкал и градаций в графической форме (рисунок 24);

- информационных портретов классов, т.е. обобщенных изображений символов, с отображением количества информации в элементе контура с кодированием количества информации в элементе цветом спектра: максимальное количество информации отображается красным цветом, а минимальное - фиолетовым и пурпурным (рисунки 25):

Рисунок 24 Система описательных шкал и градаций в графической форме

Каждая описательная шкала представлена на рисунке 24 определенным радиус-вектором, на котором выделено 10 (как было задано в диалоге в режиме 2.3.2.2) интервальных числовых значений длины радиус-вектора от минимального до максимального в данной шкале. Все они имеют свои коды в которых и закодированы как конкретные изображения, так и обобщенные изображения классов. Но в последних также указано какое количество информации содержится в данном элементе изображения о принадлежности конкретного изображения с этим элементом к данному классу. Ниже приведены система описательных шкал и градаций в графической форме и информационные портреты изображений простых геометрических фигур с рисунка 9, в стилях «Контур» и «Витраж» (рисунки 25):

Рисунок 25 Информационные портреты изображений некоторых символов и геометрических фигур в стилях «Контур» и «Витраж» в системно-когнитивной модели INF1

Решение задачи идентификации. Результаты сравнения конкретного изображения с обобщенными образами классов приведены в форме:

Рисунок 26 Результаты сравнения конкретного изображения с обобщенными образами классов

Решение задачи классификации. Результаты сравнения друг с другом обобщенных образов классов приведены на рисунках 27:

Рисунок 27 Результаты сравнения друг с другом обобщенных образов классов

SWOT-анализ изображений.

Характерные и нехарактерные признаки обобщенного изображения класса: «Eng Lower b» приведены на рисунках 28:

Рисунок 28 Характерные и нехарактерные признаки обобщенного изображения класса: «Eng Lower b»

Парето-оптимизация (абстрагирование).

Не все описательные шкалы и градации имеют одинаковую ценность для идентификации изображений. Наиболее ценные могут использоваться для решения задач, а наименее ценные вообще могут вообще не учитываться в моделях практически без ущерба для их достоверности (рисунок 29):

Рисунок 29 Общий вид Парето-кривой ценности градаций описательных шкал (элементов контуров изображений) для идентификации конкретных изображений с обобщенными образами классов

Расшифровка наименований градаций описательных шкал, ранжированных в порядке убывания их ценности, дается в дополнительных таблицах, которые в данной статье приводить нецелесообразно.

Выводы

В статье рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели - системной теории информации и программного инструментария - интеллектуальной системы «Эйдос» для ввода (оцифровки) изображений из графических файлов, синтеза обобщенных изображений классов, их абстрагирования, классификации обобщенных изображений (кластеры и конструкты), сравнения конкретных изображений с обобщенными образами (идентификация). Предлагается новый подход к оцифровке изображений, основанный на использовании полярной системы координат, центра тяжести изображения и его контура. Перед оцифровкой изображений могут применяться их преобразования, стандартизирующие положение изображений, их размеры и поворот. Поэтому, если заданы эти опция, то результаты оцифровки и АСК-анализа изображений могут быть инвариантны (независимы) относительно их положения, размеров и поворота. Это означает, что в модели на основе ряда конкретных примеров будет создан один образ каждого класса изображений, независящий от их конкретных реализаций, т.е. «Эйдос» этих изображений (в смысле Платона [3]) - прототип или архетип (в смысле Юнга) изображений. Но система «Эйдос» обеспечивает не только формирование прототипов изображений, в которых количественно отражено количество информации в элементах изображения о прототипе, но удаление из них всего несущественного для идентификации (абстрагирование), а также сравнение конкретных изображений с обобщенными (идентификация) и самих обобщенных образов изображений друг с другом (классификацию).

Приведен развернутый численный пример АСК-анализа изображений, основанный на изображениях символов различных шрифтов и размеров, созданных с помощью встроенного генератора символов системы «Эйдос». Однако это не является ограничением предлагаемого метода и инструментария, которые разработаны в универсальной постановке, не зависящей от предметной области, и, по мнению авторов, могут быть успешно применены в очень широком круге самых различных предметных областей от ампелографии, до криминалистики. Это планируется сделать в будущих работах.

Материалы данной статьи могут быть использованы при преподавании дисциплин: интеллектуальные системы; инженерия знаний и интеллектуальные системы; интеллектуальные технологии и представление знаний; представление знаний в интеллектуальных системах; основы интеллектуальных систем; введение в нейроматематику и методы нейронных сетей; основы искусственного интеллекта; интеллектуальные технологии в науке и образовании; управление знаниями; автоматизированный системно-когнитивный анализ и интеллектуальная система «Эйдос»; которые автор ведет в настоящее время, а также и в других дисциплинах, связанных с преобразованием данных в информацию, а ее в знания и применением этих знаний для решения задач идентификации, прогнозирования, принятия решений и исследования моделируемой предметной области (а это практически все дисциплины во всех областях науки). В частности с применением предложенной технологии АСК-анализа изображений по их контурам могут быть модифицированы лабораторные работы №1, № 3 [8].

Этим и другим применениям должно способствовать и то, что система «Эйдос» находится в полном открытом бесплатном доступе (с открытыми исходными текстами) на сайте автора по адресу: http://lc.kubagro.ru/aidos/_Aidos-X.htm

Запланировано совершенствование методологии, технологии, методики и программного инструментария АСК-анализа изображений путем обобщения описанного в данной работе подхода.

Литература

1. Луценко Е.В. Cистемно-когнитивный анализ изображений (обобщение, абстрагирование, классификация и идентификация) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №02(046). С. 146 - 164. - Шифр Информрегистра: 0420900012\0017, IDA [article ID]: 0460902010. - Режим доступа: http://ej.kubagro.ru/2009/02/pdf/10.pdf 1,188 у.п.л.

2. Луценко Е.В. Синтез и верификация многокритериальной системно-когнитивной модели университетского рейтинга Гардиан и ее применение для сопоставимой оценки эффективности российских вузов с учетом направления подготовки / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2015. - №03(107). С. 1 - 62. - IDA [article ID]: 1071503001. - Режим доступа: http://ej.kubagro.ru/2015/03/pdf/01.pdf, 3,875 у.п.л.

3. Луценко Е.В. СК-анализ и система "Эйдос" в свете философии Платона / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №01(045). С. 91 - 100. - Шифр Информрегистра: 0420900012\0010, IDA [article ID]: 0450901008. - Режим доступа: http://ej.kubagro.ru/2009/01/pdf/08.pdf, 0,625 у.п.л.

4. Луценко Е.В. Системно-когнитивный анализ функций и восстановление их значений по признакам аргумента на основе априорной информации (интеллектуальные технологии интерполяции, экстраполяции, прогнозирования и принятия решений по картографическим базам данных) / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(051). С. 130 - 154. - Шифр Информрегистра: 0420900012\0066, IDA [article ID]: 0510907006. - Режим доступа: http://ej.kubagro.ru/2009/07/pdf/06.pdf, 1,562 у.п.л.

5. Луценко Е.В. Системно-когнитивный подход к синтезу эффективного алфавита / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2009. - №07(051). С. 109 - 129. - Шифр Информрегистра: 0420900012\0067, IDA [article ID]: 0510907005. - Режим доступа: http://ej.kubagro.ru/2009/07/pdf/05.pdf, 1,312 у.п.л.

6. Луценко Е.В. Количественный автоматизированный SWOT- и PEST-анализ средствами АСК-анализа и интеллектуальной системы «Эйдос-Х++» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2014. - №07(101). С. 1367 - 1409. - IDA [article ID]: 1011407090. - Режим доступа: http://ej.kubagro.ru/2014/07/pdf/90.pdf, 2,688 у.п.л.

7. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» / Е.В. Луценко // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. - Краснодар: КубГАУ, 2013. - №08(092). С. 859 - 883. - IDA [article ID]: 0921308058. - Режим доступа: http://ej.kubagro.ru/2013/08/pdf/58.pdf, 1,562 у.п.л.

8. Луценко Е.В. Лабораторный практикум по интеллектуальным информационным системам: Учебное пособие для студентов специальности "Прикладная информатика (по областям)" и другим экономическим специальностям. 2-е изд.,перераб. и доп. - Краснодар: КубГАУ, 2006. - 318с. http://elibrary.ru/item.asp?id=21683721

Размещено на Allbest.ru