Распознавание образов и когнитивная графика

В.М. Хачумов,

д.т.н., проф., зав. лаб, vmh@vmh.botik.ru, ИПС РАН

г.н.с., vmh@isa.ru, ИСА РАН,

ИСА РАН, г. Москва; ИПС РАН, г. Переславль-Залесский

Введение

В основу доклада положены исследования, которые выполнялись в течение ряда последних лет в Учреждениях Российской академии наук Институте программных систем им. А.К.Айламазяна РАН (ИПС РАН) и Институте системного анализа РАН (ИСА РАН). Они отражают результаты сотрудничества в области распознавания образов и поддержки принятия решений с такими учреждениями как: НИЦЭВТ, РНИИ космического приборостроения, НИИ космических систем. Ранее велись работы с РКК «Энергия» им. С.П. Королева в содружестве с Российским государственным научно-исследовательским испытательным центром подготовки космонавтов имени Ю.А.Гагарина» (РГНИИЦПК). Существует неразрывная взаимосвязь дисциплин, необходимых для практического решения сложных технических задач обработки снимков и распознавания образов в различных приложениях. 

 

рис.1. Взаимосвязь дисциплин

Если главной дисциплиной здесь считать «распознавание образов» то две другие (обработка сигналов, машинная графика) являются обслуживающими. Однако это обслуживание, направленное на подготовку данных, по объему вычислений существенно превосходит основное направление. Многие алгоритмы машинной графики и обработки сигналов, необходимые для решения задач распознавания образов,  были разработаны в 1981-1984 годах в Институте проблем управления РАН в лаб. №18. Сюда можно отнести алгоритмы отсечения, определения ориентации плоских и пространственных графических образов, спектрального анализа типовых кривых на основе ДПФ и другие.  В это время было актуальным погружение алгоритмов машинной графики в специализированные вычислительные структуры. Весь наработанный арсенал алгоритмов оказался полезным впоследствии при решении задач интеллектуализации наземной станции командно-измерительной системы (НС КИС) с целью повышения ее автономности и функциональности. Причем основной упор делался на использование возможностей искусственных нейронных сетей (ИНС) в качестве эффективных распознавателей. Стала актуальной задача построения когнитивных (способствующих пониманию) графических образов, как для космических, так и медицинских приложений.

 

 

 

1. Распознавание графических образов 

Объектом приложения методов распознавания графических образов и когнитивной графики явилась перспективная НС КИС, ориентированная на обработку информации со спутников. Перечислим некоторые задачи обработки космической информации:

1) обнаружение локальных объектов на аэрокосмических снимках,

2) кластеризация и распознавание целевых объектов,

3) определение местоположения объекта в заданной системе координат,

4) сжатие и восстановление графической информации,

5) фильтрация,

6) прогнозирование данных телеметрии (временных рядов),

7) обнаружение неисправностей и НШС.

Технологию первичной обработки информации составляют волновые алгоритмы выделения объектов на снимках, методы удаления заведомо ложных объектов и нормализации претендентов на распознавание. Большое значение для качества работы ИНС имеет приведение графических объектов к стандартному виду в смысле ориентации и масштаба.

 

 

ИНС используются в самом конце технологической цепочки, причем от качества предобработки и типа нейронной сети в значительной мере зависит результат распознавания. Это связано с большой чувствительностью ИНС к наличию шумов, положению и масштабу образов  и т.д.

 

Кроме типовых сетей можно формировать и специальные сети. Результаты работы нейронных сетей (в основном использовались сети прямого распространения, Хемминга и Кохонена): примерно 60%-80%  правильного  распознавания. Результат удается несколько улучшить за счет, применения  комитетов  ИНС.

 

 

Для улучшения результатов отделения целевых объектов от ложных использован комплекс методов специальной обработки, в том числе методы выделения контуров, сжатия пространства признаков, выделения «скелетного изображения» и др.

 

 

Так, например, задача определения воздушной цели потребовала использования технологии выделения контуров, вычисления инвариантных моментов и применения обобщенной метрики Евклида-Махаланобиса.

 

       

 

Важная по значимости прикладная задача – выделение регионов. Регион – это область на космическом снимке, которая представляет по ряду причин интерес для пользователя. Предложенная технология формирования эталонных текстур и обобщенная метрика решают достаточно уверенно поставленную задачу даже без знания спектральных характеристик точек поверхности, получаемых со спутников в результате дистанционного зондирования Земли.

 

        

 

Обобщенная метрика является универсальной. Она в отличие от метрики Махаланобиса применима в случаях, когда выделяемая область содержит совершенно одинаковые или очень близкие по яркости пиксели, т.е. когда нет разброса яркостных параметров.

Другая не менее важная задача – сжатие и фильтрация графической информации. Фильтрация осуществляется сетью Хопфилда, а сжатие  сетью Кохонена. Сеть Кохонена проигрывает при прочих равных условиях алгоритму JPEG-2000, однако здесь имеет место элемент защиты информации, т.к. без знания настроек сети расшифровать целевую информацию невозможно.

Отдельное направление исследований связано с анализом изображений для медицинских приложений. Исходные данные в виде наборов признаков и соответствующих им классов получают на основе наблюдения под микроскопом

графических изображений образцов биологической жидкости пациентов (фаций). Для распознавания используют знания экспертов – высококвалифицированных врачей, предоставляемые в виде прецедентов.

Диагноз степени заболевания мочекаменной болезнью (норма, низкая, умеренная, высокая) пациента получают на основе автоматического измерения цвето-яркостных характеристик полутонового снимка. Признаки отражают соотношения черного и белого цветов соответственно в белковой и кристаллической зоне фации, корреляцию яркостей изображений белковой и кристаллической зон и другие соотношения, на основе которых удается построить диагноз с использованием деревьев решения и нейронных сетей.

2. Когнитивная графика

В настоящее время нет единых принципов когнитивного отображения информации, но есть понимание того факта, что графические образы способны нести в себе в сжатой и одновременно с этим доступной для пользователя форме информацию достаточную для принятия адекватного решения. Каждый образ создается индивидуально с учетом конкретной прикладной области, изучается в процессе жизненного цикла объекта и интерпретируется экспертом с использованием накопленных знаний. Многомерные данные с помощью ЭВМ могут быть соотнесены в когнитивный графический образ в виде интегральных функциональных профилей или сцен, отражающих особенности состояния объекта. Единый математический аппарат анализа и общие методы визуализации многомерных данных в настоящее время отсутствуют. Очевидно, речь может идти об интеграции и оптимизации таких представлений применительно к  конкретным прикладным областям.

Для построения схемы решения задачи распознавания образов удобно пользоваться средствами графического интерфейса, которые позволяют не только формировать алгоритм обработки данных подключением соответствующих исполнительных модулей, но и отслеживать порядок решения в динамике путем цветовой подсветки соответствующих связей.

 

                  

 

Для контроля настройки ИНС с небольшим числом нейронов применяется специальный графический динамический образ. Такое представление позволяет видеть состояние сети, знаки коэффициентов (синий и красный цвета) и величины весовых коэффициентов, путем их отображения оттенками синего и красного цветов. 

 

 

 

Выполнялись работы по визуализации космической информации для повышения оперативности работы операторов. Пуск ракеты космического назначения охватывает порядка 20 процессов и визуализируется в виде когнитивной круговой диаграммы. Активные процессы отображаются темно-зелеными секторами, неактивные – светло-зелеными. Красным цветом выделяется состояние подсистемы, где имеет место сбой.  Возможная поломка подсистемы представляется графическим образом второго уровня. Если наблюдаемая подсистема характеризуется совокупностью измеряемых параметров, то возникает кольцевое изображение третьего типа, контролирующее выход за допустимые пределы отдельных параметров.       

За общим состоянием НС КИС следит специальный интерфейс, который снабжен когнитивным графическим дополнением. Если какой-либо из параметров вышел из нормы, то отличительный цвет сектора обобщенного образа дает знать о том, где произошли сбои в работе системы или возникли неблагоприятные условия. Когнитивное дополнение к интерфейсу НС КИС имеет  двухуровневую систему вложения.

Контроль исправности датчиков положения космического аппарата реализуется путем визуализации его трехмерной модели, подключенной к потоку телеметрии. По поведению модели легко обнаруживаются сбои конкретных датчиков.

 

                   

 

Совместно с Центром подготовки космонавтов разработано когнитивное отображение процессов сближения и стыковки  КА, которое служит как для обучения космонавтов, так и для использования в режиме реального времени непосредственно на борту.

Для отработки алгоритмов автоматического определения параметров мишени стыковочного узла космического аппарата с использованием телевизионной камеры был разработан трехмерный графический образ мишени, функционирующий в условиях моделируемых помех и шумов.

 

                    

 

Отдельное направление образует когнитивная графика в медицине.    Многомерные медицинские данные с помощью ЭВМ могут быть соотнесены в когнитивный графический образ в виде интегральных функциональных профилей или сцен, отражающих особенности состояния объекта. Когнитивная графика может обеспечить, например,  непрерывный контроль состояния пациентов, визуализируя текущие состояние и характерные особенности заболевания.

Основные результаты были получены в результате проведения совместных исследований с медицинским факультетом РУДН. Ниже показаны примеры когнитивной визуализации обострения бронхиальной астмы. Образ больного можно также представлять в виде областей (кругов), каждый из которых визуализирует свой параметр состояния больного и окрашивается в соответствии со значением этого параметра. Цвет параметров меняется от зеленого к красному через желтый. Зеленый цвет – значение в пределах нормы, красный – далеко от нормы, желтый и желто-оранжевый – промежуточные значения. Все величины нормируются так, чтобы значение параметра в пределах нормы было близко к нулю, а значения, далеко отстоящие от нормы ближе к единице.

Весьма информативны проекции трехмерных образов («звезд») состояний человека с легким и тяжелым обострением бронхиальной астмы, которые можно наблюдать в разных плоскостях. При отклонении параметров от нормы (в любую сторону) звезда увеличивается, причем в зависимости от упорядочения параметров по-разному. При увеличении первых параметров наблюдается сглаживание и объединение отдельных выпуклостей, а при увеличении последних параметров обнаруживается тенденция к разделению и увеличению числа концов «звезды». Звезда» пациента при обострении тяжелой степени намного превосходит в размерах звезду легкого обострения и выглядит более гладкой. По когнитивным образам врач способен моментально оценить общее состояние больного и принять адекватное решение.

 

Заключение

Рассмотренные методы распознавания могут быть рекомендованы для практического применения в НС КИС в том числе:  обнаружения и сопровождения целей,  обработки снимков ДЗЗ, прогнозирования метеоданных, контроля телеметрии и диагностики. Введение средств когнитивной графики в космических системах позволяет: контролировать и обнаруживать неисправности;  ускорять процессы понимания ситуации. Во всех рассмотренных приложениях для визуализации данных, представляющих наблюдаемый динамический объект, использовалась когнитивная машинная графика. Когнитивная графика позволяет преобразовать числовую информацию об объектах с большим количеством параметров (признаков) в наглядные графические динамические образы. Образы формируются средствами 2-х и 3-х мерной машинной графики с применением цветовых яркостных представлений и специальных интегральных разверток. После короткого обучения образы становятся понятными пользователю – врачу или оператору космической системы и способствуют принятию оперативных решений. Разрабатываемые интеллектуальные средства легли в основу программных средств интеллектуальной информационной поддержки операторов НС КИС и врачей. Они обладают повышенной оперативностью представления информации в доступной форме, возможностью прогнозирования и предупреждения нештатных ситуаций.

Исследования выполнены при финансовой поддержке Программы Союзного государства «Космос - НТ» (проект «Нейросеть»), Программы "Информационные технологии и методы анализа сложных систем" Отделения нанотехнологий и информационных технологий РАН (проект 2.2. «Развитие методов интеллектуального управления  на основе анализа потоков данных»), РФФИ (проекты: № 08-01-00485-а, № 09-07-00006-а,  09-07-00043-а, 09-07-00439-а).

Литература

1.       Хачумов В.М. Проект создания программной системы для распознавания  графических образов на основе нейронных сетей. – Нейрокомпьютеры: разработка, применение N9, 2008. с.52-54.

2.       Хачумов. В.М О расширении функциональных возможностей искусственных нейронных сетей. – Авиакосмическое приборостроение, 2008,  № 5, с.53-59

3.       Талалаев А.А., Тищенко И.П., Фраленко В.П., Хачумов В.М. Анализ эффективности применения искусственных нейронных сетей для решения задач распознавания, сжатия и прогнозирования. –  Искусственный интеллект и принятие решений, 2008, №2, с.24-33.

4.       Хачумов В.М. Нейросетевые технологии обработки информации в космических приложениях. – Труды Третьей Всероссийской научной конференции «Методы и средства обработки информации» (МСО-2009, 6-8 октября 2009 года).  – М.: Издательский отдел факультета ВМиК МГУ имени М.В.Ломоносова; МАКС-Пресс, 2009, с.420-425. 

5.       Зенкин А.А. Когнитивная компьютерная графика/ Под ред. Д. А. Поспелова  - М. Наука 1991. – 187 с.

6.       Хачумов В.М., Фраленко В.П. Эксперименты с прогнозированием, сжатием и фильтрацией данных на основе нейронных сетей. – Нейрокомпьютеры: разработка,  применение,  2008, №9, с.35-42.

7.       Хачумов В.М., Ксенофонтова Е.В. Образный анализ и диагностика сложных процессов. – Доклады 11-й Всероссийской конференции «Математические методы распознавания образов» (ММРО-11, 23-29 ноября 2003 г., Пущино). – М.:, 2003, с.201-204.