04 декабря 2016г.
Разработанный метод обеспечивает высокие требования к качеству классификации объектов на сложноструктурируемых изображениях, а также быстродействию выделения кластеров и классификации исследуемых сегментов изображения. Метод предназначен для построения интеллектуальных систем классификации сложноструктурируемых изображений, возникающих при обработке снимков с видеокамер беспилотных летательных аппаратов.
Ключевые слова: классификация сложноструктурируемых изображений, нейронные сети Кохонена, кластерный анализ
Актуальность в разработке методов классификации сложноструктурируемых изображений возникает при обработке снимков с видеокамер беспилотных летательных аппаратов (БЛА), используемых в навигационных целях при отсутствии связи с искусственными спутниками земли (ИСЗ), а также при классификации морфологических образований на медицинских изображениях [1,2].
С целью успешного функционирования классифицирующей модели необходимо сформировать пространство информативных признаков высокой размерности. Для реализации этого метода изображение сканируется скользящим окном, пиксели которого должны быть отнесены к определенному классу [3].
В этом случае получаем столько классификаторов, сколько масштабов скользящего окна используется в классификационной модели [4]. Для организации многомасштабных окон выбирается минимальная окрестность активного пикселя, а затем эта окрестность наращивается в соответствии с правилом, определяемым спецификой предметной области. В частном случае, размеры окна могут достигать размеров исходного изображения. Особенностью этой структуры является то, что классификаторы реализуют пространства информативных признаков различной размерности.
В основу структуры классификаторов была выбрана самоорганизующуюся нейронная сеть Кохонена [5,6]. Сеть Кохонена является однослойной нейронной сетью, нейроны которой формируют двумерную плоскость (изображение), отражающую кластерную структуру входных данных. Каждый нейрон сети характеризуется вектором весовых коэффициентов, размерность которого равняется размерности входного вектора. В результате проведенной процедуры формируются кластеры, позволяющие визуализировать многомерное пространство признаков в двумерной плоскости.
При построении классификатора задача состоит в том, чтобы определить, насколько далеко неизвестный образец отстоит от центров выделенных кластеров. Для нахождения расстояния можно воспользоваться метрикой Махаланобиса, в том случае, если априорно известны вероятностные характеристики исследуемых образцов
Для классификации исследуемых образцов была разработана архитектура нейронной сети блочной структуры, причем число блоков в этой нейронной сети соответствует числу выделенных классов [7]. Пример структуры классификатора представлен на рисунке 1. Он состоит из двухслойной нейронной сети прямого распространения. Характерной особенностью этой сети является то, что она состоит из двух независимых блоков NET1 и NET2, настроенных на классификацию образцов класса 1 и образцов класса 2. В каждой нейронной сети в первом слое содержится столько нейронов, сколько кластеров данного класса выделено на плоскости Кохонена. Векторы весов нейронов входного слоя каждого блока W1,...,WN и V1,...,VM совпадают с векторами, определяющими центры кластеров на плоскости Кохонена.
Настраиваемыми параметрами в этой сети являются векторы весов второго слоя Q = (q1, q2 ,...,qN ) и R = (r1, r2 ,...,rN ) . По существу i –я компонента вектора Q характеризует вероятность того, что неизвестный образец принадлежит к классу 1, при условии, что он находится на плоскости Кохонена в сегменте i . При этом j - я
компонента вектора R определяет вероятность того, что неизвестный образец принадлежит к классу 2, при условии, что он находится на плоскости Кохонена в сегменте j .
Важно отметить, что количество нейронов в слое Кохонена совпадает с
количеством выделяемых кластеров. При априорно неизвестном числе кластеров, число
нейронов полагают равным числу обрабатываемых изображений. Для выделения
кластеров и определения их центров была разработана программа, реализующая алгоритм максиминного
евклидова расстояния.
В качестве основного
принципа выделения центров
кластеров использована
итеративная процедура. На первом шаге один из пикселей, произвольным образом
назначается центром
первого кластера, затем отыскивается образ, отстоящий от первого
центра на наибольшее расстояние, который и назначается центром второго
кластера. На третьем шаге алгоритма находится евклидово расстояние между всеми остальными образцами выборки
и центрами найденных кластеров. В каждой паре выделяется
минимальное расстояние, затем отыскивается максимальное
из этих найденных
минимальных расстояний. Если последнее составляет значительную часть расстояний
между центрами первого и второго
кластеров, то соответствующий образ назначается центром третьего кластера. На следующем шаге алгоритма шаге алгоритма вычисляется
расстояние между тремя выбранными кластерами и всеми остальными образами в каждой группе из трёх расстояний выбирается минимальное. После этого, как и на предыдущем
шаге, находится минимальное из этих найденных максимальных
расстояний. Если последнее составляет значительную часть типичных (средних) предыдущих максимальных расстояний, то соответствующий образ назначается центром четвертого кластера. В противном случае работа алгоритма прекращается. На рисунке 2 представлен
результат формирования трех кластеров
и определены координаты найденных центров.
Если число выделяемых кластеров совпадает с числом классов, то оно равно двум. Однако на каждый класс обычно приходится более
одного кластера, которые в общем случае, могут
быть несмежными.
Рисунок 2. Результат
кластеризации выборочных данных в соответствии
с алгоритмом максиминного
расстояния
Специфической особенностью этой классификации является то, что можно
выделить два
направления кластеризации. Кластеры внутри одного и
того же класса могут быть
образованы оконными спектрами, относящимися к одному и тому же исходному изображению, или оконными спектрами, относящимися к разным исходным
изображениям, но принадлежащим к одним и тем же морфологическим образованиям на изображении.
Выводы. Для классификации сложноструктурируемых изображений предложены
компьютерные технологии. Пространство информативных признаков формируется посредством спектральных окон, полученных в результате сканирования исходного изображения. Спектральные окна, принадлежащие к различным классам, располагаются в
виде кластеров на плоскости Кохонена. Для формирования кластеров используются правила коррекции векторов весов текущего примера, построенные на основе правила Кохонена. Предварительно вводится расстояние на плоскости Кохонена и осуществляется коррекция весовых коэффициентов кластеров, позволяющая снизить величины
незначащих компонент векторов,
определяющих
координаты кластеров.
Список литературы
1. Томакова, Р.А. Гибридные методы и алгоритмы для интеллектуальных систем
классификации
сложноструктурируемых изображений: автореф.
дис. …д-ра техн. наук: 05.13.17 / Томакова Римма Александровна. – Белгород, 2013. – 42 с.
2.
Дюдин, М.В. Методы и алгоритмы контурного анализа для задач классификации
сложноструктурируемых изображений//М.В. Дюдин, А.Д. Поваляев, Е.С. Подвальный, Р.А. Томакова//Вестник Воронежского государственного технического
университета. 2014.
Т.10, –№ 3-1, –С. 54-59.
3.
Томакова, Р.А. Универсальные сетевые структуры в задачах классификации
многомерных данных/ Р.А. Томакова, А.А. Насер, О.В. Шаталова, Е.В. Рудакова// Современные наукоемкие технологии.
2012. –№ 8, –С. 48-49.
4.
Иванов, А.В. Интеллектуальная система морфологического анализа патологических
изменений при ретинопатии / А.В. Иванов, Р.А. Томакова, В.Н. Мишустин// Известия
Юго-Западного государственного университета. 2012. –№2-1(41), – С. 19а-27.
5.
Брежнева, А.Н. Нейросетевые модели сегментации ангиограмм глазного дна на основе анализа RGB-кодов пикселей/А.Н. Брежнева, С.А. Борисовский, Р.А. Томакова, С.А.
Филист// Системный анализ и управление в биомедицинских системах. 2011. Т.9, – № 1, – С.72-76.
6.
Белобров, А.П. Нейросетевые модели морфологических операторов
для сегментации
изображений биомедицинских сигналов/А.П.
Белобров, С.А. Борисовский, Р.А.
Томакова// Известия
ЮФУ. Технические
науки. 2010. – № 8
(109), – С.28-32.
7.
Томакова, Р.А. Проектирование гибридной нейронной сети для анализа сложноструктурированных медицинских изображений/ Р.А. Томакова//Системный анализ
и управление в биомедицинских системах. 2011. Т.10, –№ 4,
– С. 916-923.
