Файл: Лекція 11.doc

Завдання класу переліком образів, що входять в його склад, припускає реалізацію процесу автоматичного розпізнавання образів за допомогою порівняння з еталоном. Безліч образів, що належать одному класу, запам'ятовується системою розпізнавання. При пред'явленні системі незнайомих (нових) образів вона послідовно порівнює їх з тими, що зберігаються в її пам'яті. Система розпізнавання образів відносить новий образ до того класу, до якого належав що знаходиться в пам'яті системи образ, що співпав з новим. Так, наприклад, якщо в пам'ять системи розпізнавання введені літери різних набірних шрифтів, то підхід, заснований на переліку членів класу, дозволяє розпізнавати відповідні букви, але тільки в тих випадках, коли їх зображення не спотворені шумом, пов'язаним з розмазанням або поганим нанесенням фарби, пористістю паперу і т.п. Безперечно, це нескладний метод, проте він дозволяє будувати недорогі системи розпізнавання, які в окремих прикладних областях цілком справляються з своїми задачами. Метод перерахування членів класу працює задовільно, якщо вибірка образів близька до ідеальної .

3.2 Принцип спільності властивостей

Завдання класу за допомогою властивостей, загальних для всіх вхідних в його склад членів, передбачає реалізацію процесу автоматичного розпізнавання шляхом виділення подібних ознак і роботи з ними. Основне допущення в цьому методі полягає в тому, що образи, що належать одному і тому ж класу, володіють рядом загальних властивостей або ознак, що відображають подібність таких образів. Ці загальні властивості можна, зокрема, ввести в пам'ять системи розпізнавання. Коли системі пред'являється некласифікований образ, то виділяється набір ознак, що описують його, причому останні іноді кодуються, і потім вони порівнюються з ознаками, закладеними в пам'ять системи розпізнавання. B такому випадку остання зарахує пред'явлений для розпізнавання образ в клас, що характеризується системою ознак, подібних ознакам цього образу. Отже, при використовуванні даного методу основна задача полягає у виділенні ряду загальних властивостей по кінцевій вибірці образів, приналежність яких шуканому класу відома.

Очевидно, що ця концепція розпізнавання у багатьох відношеннях перевершує розпізнавання за принципом переліку членів класу. Для запам'ятовування ознак класу потрібне значно менше пам'яті, ніж для зберігання всіх об'єктів, що входять в клас. Оскільки ознаки. характеризуючі клас в цілому, володіють інваріантністю, принцип зіставлення ознак допускає варіацію характеристик окремих образів. Процедура зіставлення з еталоном, з другого боку, не допускає істотних варіацій характеристик окремих образів. Якщо всі ознаки, що визначають клас, можна знайти по имеющейся вибірці образів, то процес розпізнавання зводиться просто до зіставлення no ознакам. Виключно важко, проте, якщо не неможливо взагалі, як вже згадувалося вище, знайти для деякого класу повний набір розрізняючих ознак. Отже, звернення до цього принципу розпізнавання часто пов'язано з необхідністю розвитку методів вибору ознак, що є в деякому розумінні оптимальними.

3.3 Принцип кластеризації

Коли образи деякого класу є векторами, компонентами яких є дійсні числа, цей клас можна розглядати як кластер і виділяти тільки його властивості в просторі образів кластера. Побудова систем розпізнавання, заснованих на реалізації даного принципу, визначається тим, що взаємним просторовим розташовує окремих кластерів. Якщо кластери, відповідні різним класам, рознесли достатньо далеко один від одного, то з успіхом можна скористатися порівняно простими схемами розпізнавання, наприклад такими, як класифікація за принципом мінімальної відстані. Якщо ж кластери перекриваються, доводиться звертатися до складніших методів розбиття простору образів. Перекриття кластерів є результатом неповноцінності доступної інформації і шумових спотворень результатів вимірювання. Тому ступінь перекриття часто вдається зменшити, збільшуючи кількість і якість вимірювань, виконуваних над чинами деякого класу.

Для реалізації розглянутих вище основних принципів побудови автоматичних систем розпізнавання образів існують три основні типи методології: евристична, математична і лінгвістична (синтаксична). Нерідко системи розпізнавання створюються на основі комбінації цих методів.

3.4 Евристичні методи

За основу евристичного підходу узяті інтуїція і досвід людини; в ньому використовуються принципи переліку членів класу і спільності властивостей. Звичайно системи, побудовані такими методами, включають набір специфічних процедур, розроблених стосовно конкретних задач розпізнавання. Приклад подібного підходу у зв’язку із задачею розпізнавання символів, в якій класифікація образу (символу) проводилася на основі виділення визначених ознак, зокрема таких, як кількість і послідовність розташовує специфічних штрихів (рисок). Хоча евристичний підхід грає велику роль в побудові систем розпізнавання образів, не багато може бути сказано щодо загальних принципів синтезу, оскільки рішення кожної конкретної задачі вимагає використовування специфічних прийомів розробки системи. Це означає, отже, що структура і якість евристичної системи в значній мірі визначаються обдарованістю і досвідом розробників.

3.5 Математичні методи

B основу математичного підходу встановлені правила класифікації, які формулюються і виводяться в рамках певного математичного формалізму за допомогою принципів спільності властивостей і кластеризації. Цим даний підхід відрізняється від евристичного, в якому рішення визначаються за допомогою правил, тісно пов'язаних з характером вирішуваної задачі. Математичні методи побудови систем розпізнавання можна розділити на два класи: детерміністи і статистичні.

Підхід детермініста базується на математичному апараті, що не використовує в явному вигляді статистичні властивості класів образів, що вивчаються.

Статистичний підхід грунтується на математичних правилах класифікації, які формулюються і виводяться в термінах математичної статистики. Побудова статистичного класифікатора в загальному випадку припускає використовування байесовского класифікаційного правила і його різновидів Це правило забезпечує отримання оптимального класифікатора в тих випадках, коли відома густина розподілу для всіх сукупностей образів і вірогідності появи образів для кожного класу.

3.6 Лінгвістичні (синтаксичні) методи

Якщо опис образів проводиться за допомогою непохідних елементів (підобразів) і їх відносин, то для побудови автоматичних систем розпізнавання застосовується лінгвістичний або синтаксичний підхід з використанням принципу спільності властивостей. Образ можна описати за допомогою ієрархічної структури підобразів, аналогічній синтаксичній структурі мови. Ця обставина дозволяє застосовувати при рішенні задач розпізнавання образів теорію формальних мов. Передбачається, що граматика образів містить кінцеву безліч елементів, званих змінними, непохідними елементами і правилами підстановки. Характер правил підстановки визначає тип граматики. Серед самих вивчених граматик можна відзначити регулярні, безконтекстні і граматики безпосередньо становлять. Ключовими моментами даного підходу є вибір непохідних елементів образу, об'єднання цих елементів і зв'язуючих їх відносин в граматики образів і, нарешті, реалізація у відповідній мові процесів аналізу і розпізнавання. Такий підхід особливо корисний при роботі з чинами, які або не можуть бути описані числовими вимірюваннями, або такі складні, що їх локальні ознаки ідентифікувати не вдається і доводиться звертатися до глобальних властивостей об'єктів.

Вибір методу синтезу системи ще не вирішує до кінця проблему складання конкретної програми і проблеми реалізації. B більшості випадків у нас в розпорядженні є репрезентативні образи, що представляють кожний з даних класів. B таких ситуаціях можна скористатися методами розпізнавання, що називаються навчанням з вчителем. B схемі навчання з вчителем система "навчається" розпізнавати образи за допомогою різного роду адаптивних схем. Ключовими елементами такого підходу є повчальні безліч образів, класифікація якої відома, і реалізація відповідної процедури навчання.

B деяких прикладних задачах приналежність до певних класів елементів повчальної множини невідома. B таких випадках можна звернутися до методів розпізнавання образів, розпізнаванням, що називається, без вчителя. Як указувалося раніше, розпізнавання по схемі "навчання з вчителем" характеризується тим, що відома правильна класифікація кожного повчального образу. B випадку "навчання без вчителя" потрібен, проте, конкретно вивчити класи образів, які є в даній інформації.

Важливо ясно уявляти собі, що навчання відбувається тільки на етапі побудови (або корекції у зв'язку з надходженням нової інформації) системи розпізнавання. Як тільки система, працюючи з повчальною безліччю образів, добивається прийнятних результатів, їй пропонується реальна задача розпізнавання пробних об'єктів, узятих з того середовища, в якій системі належить працювати. Природно, якість розпізнавання буде в істотному ступені визначатися тим, наскільки добре повчальні образи представляють реальні дані, з якими система стикатиметься в процесі нормальної експлуатації.