Rozpoznawanie obrazów z zastosowaniem sztucznych sieci neuronowych

Abstract

Celem pracy jest przybliżenie problemu klasyfikacji oraz jego zastosowanie w dziedzinie rozpoznawania obiektów na obrazie, nazywanej ogólnie rozumieniem obrazu. Proces inteligentnej analizy obrazu dzielimy na kilka etapów. Pierwszym z nich jest pozyskanie obrazu poprzez odpowiednio dobrany system akwizycji obrazu (aparat fotograficzny lub kamera). Następnie obraz wprowadzony do systemu poddawany jest odpowiednim przekształceniom. Celem wstępnej obróbki obrazu jest polepszenie jego jakości oraz wyszczególnienie informacji, które są istotne dla dalszej analizy. Po zastosowaniu różnych technik przetwarzania obraz można poddać segmentacji. Proces ten polega na wyodrębnieniu z obrazu obiektów, które system ma rozpoznawać. Obiekty te traktowane są jak wzorce, którym trzeba ustalić umowną reprezentację. Wektor cech danego obiektu powinien być tak dobrany, aby w możliwie najdokładniejszy sposób go opisywać. Końcowym etapem analizy obrazu jest proces inteligentnej klasyfikacji, podczas którego system w sposób automatyczny podane obiekty przyporządkowuje do odpowiednich klas. Klasyfikator posiada zdolność uczenia się na podstawie dostarczanych przykładów. W pracy opisano przebieg procesu rozpoznawania obrazu, zarówno w zakresie jego automatycznej analizy, jak i klasyfikacji wspieranej przez sztuczną inteligencję. Pierwszy rozdział przedstawia techniki automatycznej analizy obrazu. Zaczynając od metod wstępnej obróbki, takich jak przekształcenia punktowe, morfologiczne i geometryczne, poprzez filtrację, aż do ekstrakcji cech polegającej na segmentacji i wydzielaniu obiektów z obrazu. W drugim rozdziale zajęto się problemem klasyfikacji wzorców. Rozpatrywane będzie ogólne zadanie klasyfikacji oraz dwa rodzaje uczenia klasyfikatorów – nadzorowane i nienadzorowane. Nakreślony został zarys istoty działania wybranych klasyfikatorów, między innymi klasyfikator Bayesa, klasyfikatory liniowe i nieliniowe na przykładzie perceptronu oraz algorytmy grupowania. Część praktyczna pracy, czyli implementacja sieci Kohonena została objaśniona w rozdziale trzecim. Sieć Kohonena, nazywana również samo-organizującą się mapą, jest klasyfikatorem uczącym się w sposób nienadzorowany. Na przykładzie tej sieci pokazano proces grupowania zbioru uczącego na poszczególne klasy. Wyjaśniony został również przebieg interakcji użytkownika z napisaną przeze mnie aplikacją. Sposoby wykorzystania inteligentnej klasyfikacji obrazów zostały przybliżone w rozdziale czwartym. Zastosowanie systemów rozpoznawania obrazu opisano w kontekście kilku dziedzin, takich jak biometryka, medycyna, robotyka i kryminalistyka.