Оптические вычисления - Арратуна Р.
Скачать (прямая ссылка):
- Управление данными
- Набросок общего контура Средний уровень
- Символьное описание областей, линий, поверхностей
- Классификация признаков
- База знаний Высокий уровень
\\ - Характерный образ - Символьное описание объектов
- Стратегии управления
' - Ориентация на цель
~ Планирование
- Логические рассуждения
Рис. 10.18. Парадигма обработки изображения.
Фрейм: Башня
От: Пушка
Класс 1: Танк
Класс 2: Судно, вооруж.
пушками
Форма: Овал ьная
Слот 1: Пушка
Следующ.к1: Танк. База
Следующ.к 2: Пушечное воору жение. База
Изображение: Модель. Башня
Изображение. Танк
Рис. 10,19, Прототип фрейма, описывающего танк.
312
Часть IV. Символьные вычисления и искусственный интеллект
обработки. Вначале делают заключения относительно геометрических свойств
объектов на основе знаний о невидимых частях трехмерных геометрических
объектов, таких, как башня танка; с этой целью совершают переход к
двумерной модели. При этом знание конкретной области позволит, например,
отличить шоссе от взлетно-посадочной полосы; для этого можно использовать
сведения о возможных различиях окружающей среды возле шоссе и взлетно-
посадочной полосы. Наконец, идентификация объекта шоссе увеличит
уверенность в том, что сцена представляла собой танк, а не корабельное
орудие.
Если бы использовалась какая-либо иная стратегия управления, отличающаяся
от восходящей, то имеющиеся знания о сцене ограничивали . бы действие
системы иным образом. Как и в случае обработки речи, возможны самые
различные виды стратегии управления процессом понимания изображения,
включая нисходящую иерархию, смешанные подходы нисходящей и восходящей
иерархий и различные варианты подхода, использующего рабочую область
общего доступа. Для нисходящей иерархии контролируются и проверяются
предсказания, сделанные с помощью моделей высокого уровня, содержащихся в
базе знаний (например, предположение о наличии в изображении такого
объекта, как дорога). В этом случае для проверки гипотез высокого уровня
обычно используются специальные образцы для сопоставления. В случае
организации в системе рабочей области общего доступа процессоры,
выделяющие признаки, и процессоры, выполняющие символьные и семантические
процедуры, работают параллельно и взаимодействуют друг с другом
посредством общей для всех них рабочей области памяти. Важным моментом
здесь является то, что имеющиеся знания влияют на все уровни вычислений,
какая бы стратегия управления ии использовалась, и очень часто для
проверки любой гипотезы на низших уровнях обработки требуется применение
итерационных процедур.
Из сказанного выше читателю следует понять, что основу проблемы
технического зрения составляет распознавание сложных объектов. Для
устранения имеющихся в настоящее время "узких мест" требуется развитие
новых более эффективных алгоритмов и гибких методик сопряжения различных
этапов обработки, таких, как обнаружение основных компонент изображения,
выделение/группирование признаков, взаимодействие с базой знаний.
Проблема состоит в том, что в настоящее время большинство алгоритмов
технического зрения работает очень медленно и отдельные стадии обработки
разобщены и очень часто требуют применения различных аппаратных средств
для достижения желаемых функциональных средств. С этим связана
необходимость эффективного представления знаний в памяти системы в форме,
доступной не только для
Глава 10. Оптика и символьные вычисления
313
определенных вариантов операции сопоставления с образцом, но также для
присваивания символов и определения контекста. Эффективная архитектура
для систем технического зрения и обработки изображений, включающих
понимание объектов, должна соответствовать всем этим требованиям. Как
представляется авторам, за счет использования параллелизма в
вычислительных операциях систем технического зрения и разработки
соответствующих систем, реализующих алгоритмы технического зрения, многие
из этих трудностей могут быть преодолены. Оптические способы решения этой
задачи, как будет показано в разд. 10.4, также являются перспективными.
Авторы уверены в том, что системы технического зрения, использующие
методики моделирования высокого уровня, в случае применения оптических
методик могут получить ряд преимуществ, поскольку они объединяют элементы
как цифровых (например, обнаружение/усиление края объекта, фурье-методи-
ки для вычислений признаков), так и символьных (сопоставление с образцом,
распознавание объектов и т. д.) вычислений [14]. Так как такие системы
требуют интенсивной работы с базой знаний, то применение систем с большой
пропускной способностью памяти (см. разд. 10.4) может облегчить решение
некоторых задач, связанных с итерационным процессом идентификации.
Наиболее совершенные системы понимания изображений [15, 16] требуют
сопряжения чисто цифровой обработки изображения, выполняемой на самом
низком уровне выделения фрагментов изображения, с символьными
