Введение к работе
Актуальность темы диссертации. В настоящее время для устройств цифровой обработки сигналов (ЦОС) характерно постоянное возрастание объема обрабатываемой информации, повышение требовании к качеству обработки, работа в сложной сигнально - помеховой обстановке. Это стимулирует появление новых методов и более сложных алгоритмов, используемых в системах ЦОС. Среди них можно выделить вейвлет-обработку цифровых сигналов, системы, построенные на нечеткой логике, генетические алгоритмы, морфологические операции.
Значительный вклад в разработку теории и алгоритмов ЦОС принадлежит как отечественным ученым В.А. Котельникову, Я.З. Цыпкину, Л.М. Гольденбергу, Л.П. Ярославскому, Ю.В. Гуляеву, Ю.Б. Зубареву, А.А. Ланнэ, Ю.А. Брюханову, В.В. Витязеву, В.П. Дворковичу, А.Т. Мингазину, так и зарубежным Л. Рабинеру, Б. Голду, А. Оппенгейму, Р. Шаферу, В. Каппеллини, Д. Кайзеру, С. Митре, Р. Гонзалесу, И. Питасу, А. Венетсанопулусу, Е. Догерти, Я. Астоле, Т.Сарамаки.
Большое значение в системах ЦОС имеет аппарат нейронных сетей (НС), сфера применения которых за последнее десятилетие, резко расширилась с переходом от классических линейных алгоритмов обработки сигналов и изображений к нелинейным алгоритмам, где нейросетевые методы занимают одно из ведущих мест. Это касается задач восстановления цифровых сигналов и изображений, идентификации, сегментации, распознавания образов. В последние годы НС стали активно применяться также для построения систем кодирования и декодирования сигналов, в системах сжатия изображений.
Теория НС была создана и развита такими учеными, как Ф. Розенблатт, М. Минский, С. Гроссберг, Т. Кохонен. Сегодня вопросами теории и практического использования НС посвящены работы российских ученых А.И. Галушкина, А.Н. Горбаня, А.Н. Балухто, В.И. Горбаченко, В.В. Золотарева, Н.И. Червякова.
В качестве основных и наиболее значимых преимуществ нейросетевой обработки цифровых сигналов и изображений можно выделить следующие:
— возможность достижения потенциально более высокого отношения
«производительность/стоимость» для нейросетевых вычислительных
средств по сравнению с «традиционными» вычислительными средствами;
возможность в рамках единого методико-алгоритмического базиса решать различные задачи обработки сигналов и изображений;
возможность эффективного решения задач в условиях неполной априорной информации.
Важно отметить, что большинство задач обработки изображений допускают «естественный» параллелизм вычислений в реализации соответствующих вычислительных процедур в силу специфики представления самого цифрового изображения (как двумерного или многомерного массива чисел). Массовый параллелизм вычислений имеет принципиальное значение для НС и является неотъемлемым их свойством.
Одной из таких задач является задача восстановления изображений и, в более общем смысле, восстановление сигналов, которая относится к классу наиболее фундаментальных задач в современной науке. Для решения подобной задачи применяется большое количество различи ыхи
методоі^^^^нелшіейнне
адаптивные цифровые фильтры, которые могут с успехом бьпь реализованы с помощью НС. Однако на сегодняшний день отсутствует общий подход к решению задач восстановления, а также сравнение по ряду параметров неиросетевых и традиционных методов решения в каждом конкретном случае.
Современные проблемы распознавания образов кроме классической задачи распознавания- фигур данной формы на изображении ставят новые задачи обеспечения инвариантности к группе преобразований, которую зачастую трудно или невозможно решить классическими методами. В раде случаев сочетание неиросетевых методов - распознавания и алгоритмов предварительной обработки изображений (в том числе и с использованием НС) является единственным способом решения задачи распознавания.
В связи с этим актуальным является анализ применения НС в широком спектре задач цифровой обработки изображений. При этом необходимо, чтобы созданные алгоритмы обладали повышенными требованиями к скорости и качеству обработки.
Основной целью работы является разработка неиросетевых алгоритмов для решения ряда задач цифровой обработки изображений в целях улучшения характеристик соответствующих устройств; повышения устойчивости к воздействию шумов; увеличения скорости работы, а также проведение теоретических и экспериментальных исследований использования неиросетевых алгоритмов для обработки цифровых изображений/
Для достижения указанной цели в диссертационной работе решаются следующие задачи:
разработка неиросетевых алгоритмов восстановления цифровых изображений в условиях неизвестности искажающей функции и в присутствии аддитивного шума;
разработка неиросетевых алгоритмов удаления импульсного шума из изображений;
— нейросетевая классификация объектов на изображениях алмазных
порошков;
— техническая реализация ряда предложенных алгоритмов на базе цифровых
сигнальных процессоров.
Методы исследования основаны на положениях теории сигналов и цепей дискретного времени и теории нейронных сетей.
Научная новизна работы:
Разработан нейросетевой алгоритм восстановления цифровых сигналов и изображений по фазовому спектру в условиях присутствия аддитивного шума.
Разработан комплексный алгоритм восстановления цифровых сигналов и изображений по фазовому спектру.
Предложены алгоритмы удаления импульсного шума на базе самоорганизующей нейронной сети Кохонена.
Разработана нейросетевая экспертная система контроля качества алмазных порошков, согласно требованиям ГОСТ 9206-80.
На защиту выносятся:
Нейросетевой алгоритм восстановления цифровых сигналов и изображений по фазовому спектру в условиях присутствия аддитивного шума.
Комплексный алгоритм восстановления цифровых сигналов и изображений по фазовому спектру.
Алгоритмы удаления импульсного шума на базе самоорганизующей нейронной сети Кохонена.
Нейросетевая экспертная система контроля качества алмазных порошков согласно ГОСТ 9206-80.
Практическая ценность работы
Предложены нейросетевые алгоритмы обеспечивающие повышение эффективности цифровых устройств обработки изображений с точки зрения минимума критерия среднеквадратичной ошибки.
Проведено сравнение эффективности работы и вычислительной сложности различных алгоритмов восстановления цифровых изображений.
Разработан алгоритм классификации алмазных порошков, который может бьпь использован в ряде смежных гранулометрических задач.
Предложена нейросетевая система экспертного контроля алмазных порошков, которая может быть адаптирована для различных стандартов качества.
Апробация результатов работы. Основные результаты диссертационной работы обсуждались на 4-й — 6-й международных конференциях и выставках «Цифровая обработка сигналов и ее применение» (г. Москва, 2002-2004 гг.), восьмой Всероссийской конференции «Нейрокомпьютеры и их применение» с международным участием (г. Москва, 2002 г.), 58-ой научной сессии, посвященной Дню радио (г. Москва, 2003г.), первой и второй Всероссийских научных конференциях «Проектирование научных и инженерных приложений в среде MATLAB» (г. Москва, 2002, 2004 г.), а также на ряде ярославских областных конференций молодых ученых и аспирантов
Реализация результатов работы. Предложенная в работе нейросетевая экспертная система контроля качества алмазных порошков внедрена в соответствующие разработки ОАО «Ростовский оптико-механический завод», г. Ростов Ярославской области; ЗАО «Интех-Диаманд», г. Москва; ООО «ПКФ Континент», г. Ярославль. Результаты диссертационной работы использованы в Ярославском государственном университете при выполнении четырех НИР 2000-2004 гг. и внедрены в учебный процесс на кафедре динамики» электронных систем.
Публикации. По теме диссертации опубликовано 10 работ. Из них 3 статьи и 7 докладов на конференциях.
Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, списка использованных источников, содержащего 170 наименований, и 8 приложений. Изложена на 168 страницах машинописного текста, содержит 54 рисунка и 16 таблиц.
