Обработка изображений на основы аналоговых компьютеров

 

 

 

 

 

 

ОБРАБОТКА ИЗОБРАЖЕНИЙ  НА ОСНОВЫ АНАЛОГОВЫХ

КОМПЬЮТЕРОВ

Содержание

• Введение 3
• 1 Общие сведения о нейрокомпьютерах 5
• 1.1 Что такое нейрокомпьютер 5
• 1.2 История нейрокомпьютеров 7
• 1.3 Современный нейрокомпьютер 10
• 1.4 Нейрочипы 11
• 1.5 Особенности архитектуры аналоговых и гибридных ЭВМ. 13
• 1.5.1 Основные методы неалгоритмических вычислений. 13
• 2 Компьютерной обработки изображений 22
• 2.1 Определение компьютерной обработки изображений 22
• 2.2 Устройства формирования изображений 24
• 2.2 Пространственные спектры изображений 29
• 2.3 Спектральные интенсивности изображений 31
• 2.4 Вероятностные модели изображений и функции Автокорреляции 32
• 2.5 Критерии качества изображений 33
• Заключение 38
• Список используемой литературы: 39

Введение

Несмотря на то, что  нейронные сети как научно-технический  объект существуют более полувека, основные способы их практической реализации ограничиваются областью программного моделирования в различных средах визуального (и не визуального) проектирования. Программные реализации преобладают  над аппаратными. Кроме того, аппаратные реализации вследствие своей относительной  дороговизны до сих пор не имеют  повсеместного распространения. Однако их удельный вес в общем количестве мировых технологических разработок неуклонно растет. Впереди планеты  всей в данном направлении, как всегда, шагает Япония, где разработки на основе нейросетевых технологий успешно внедряются во множестве образцов бытовой техники, таких как фотоаппараты, микроволновые печи, видеокамеры и т.д. Не отстают и другие развитые страны.

Обработка изображений - одно из интенсивно развиваемых направлений  исследования. Однако, обработка изображений  на основы аналоговых нейрокомпьютеров все еще относительно новое направление.

Таким образом, актуальной научно-технической задачей является обработка изображения с помощью аналоговых устройств.

Цель диссертации: разработка алгоритмов и схем аналоговых нейрокомпьютеров для выполнения разных задач обработки изображений.

Задачи исследований:

1. Сравнительный  анализ методов обработки изображений,  используемых для устройств с  аналоговой обработкой изображения

2. Аналитический  обзор устройств с аналоговой  обработкой изображений

3. Анализ цифровой  и аналоговой реализации алгоритмов  обработки изображений с использованием  нейронных сетей

4. Разработка математической  модели устройства аналоговой  обработки изображений

5. Разработка аппаратно-ориентированных  алгоритмов предварительной обработки  изображений

6. Моделирование  разработанных алгоритмов и устройств

1. Общие сведения  о нейрокомпьютерах

1.1 Что такое нейрокомпьютер

Нейрокомпьютеры - это  системы, в которых алгоритм решения  задачи представлен логической сетью  элементов частного вида - нейронов с полным отказом от булевских  элементов типа И, ИЛИ, НЕ. Как следствие этого введены специфические связи между элементами, которые являются предметом отдельного рассмотрения. В отличие от классических методов решения задач нейрокомпьютеры реализуют алгоритмы решения задач, представленные в виде нейронных сетей. Это ограничение позволяет разрабатывать алгоритмы, потенциально более параллельные, чем любая другая их физическая реализация.

Нейросетевая тематика является междисциплинарной, что обусловило значительные разночтения в общих терминологических подходах. Нейросетевой тематикой занимаются как разработчики вычислительных систем и программисты, так и специалисты в области медицины, финансово-экономические работники, химики, физики и т.п. (т.е. все кому не лень). То, что понятно физику, совершенно не принимается медиком и наоборот - все это породило многочисленные споры и целые терминологические войны по различным направлениям применения всего где есть приставка нейро -.

Приведем некоторые  наиболее устоявшиеся определения  нейрокомпьютера

№	Научное направление	Определение нейровычислительной системы
1	Математическая  статистика	Нейрокомпьютер - это  вычислительная система автоматически формирующая описание характеристик случайных процессов или их совокупности, имеющих сложные, зачастую многомодальные или вообще априори неизвестные функции распределения.
2	Математическая  логика	Нейрокомпьютер - это  вычислительная система алгоритм работы которой представлен логической сетью элементов частного вида - нейронов, с полным отказом от булевых  элементов типа И, ИЛИ, НЕ.
3	Пороговая логика	Нейрокомпьютер - это  вычислительная система, алгоритм решения  задач в которой представлен  в виде сети пороговых элементов  с динамически перестраиваемыми коэффициентами и алгоритмами настройки, независимыми от размерности сети пороговых  элементов и их входного пространства
4.	Вычислительная  техника	Нейрокомпьютер - это  вычислительная система с MSIMD архитектурой, в которой процессорный элемент  однородной структуры упрощен до уровня нейрона, резко усложнены  связи между элементами и программирование перенесено на изменение весовых  коэффициентов связей между процессорными  элементами.
5.	Медицина (нейробиологический подход)	Нейрокомпьютер - это  вычислительная система представляющая собой модель взаимодействия клеточного ядра, аксонов и дендридов, связанных синаптическими связями (синапсами) (т.е. модель биохимических процессов протекающих в нервных тканях).
6.	Экономика и финансы	Устоявшегося определения  нет, но чаще всего под нейровычислителем понимают систему обеспечивающую параллельное выполнение «бизнес» - транзакций.

В дальнейшем под  нейрокомпьютером будем понимать вычислительную систему с архитектурой MSIMD, в  которой реализованы два принципиальных технических решения: упрощен до уровня нейрона процессорный элемент  однородной структуры и резко  усложнены связи между элементами; программирование вычислительной структуры  перенесено на изменение весовых  связей между процессорными элементами.

Общее определение  нейрокомпьютера может быть представлено в следующем виде:

Нейрокомпьютер - это  вычислительная система с архитектурой аппаратного и программного обеспечения, адекватной выполнению алгоритмов, представленных в нейросетевом логическом базисе

Преимущества  нейрокомпьютеров.

По сравнению  с обычными компьютерами нейрокомпьютеры  обладают рядом преимуществ.

Во-первых - высокое  быстродействие, связанное с тем, что алгоритмы нейроинформатики обладают высокой степенью параллельности.

Во-вторых - нейросистемы делаются очень устойчивыми к помехам и разрушениям.

В третьих - устойчивые и надежные нейросистемы могут создаваться из ненадежных элементов, имеющих значительный разброс параметров.

Недостатки  нейрокомпьютеров.

Несмотря на перечисленные  выше преимущества эти устройства имеют ряд недостатков:

1. Они создаются  специально для решения конкретных  задач, связанных с нелинейной  логикой и теорией самоорганизации.  Решение таких задач на обычных  компьютерах возможно только  численными методами.

2. В силу своей  уникальности эти устройства  достаточно дорогостоящи.

1.2 История нейрокомпьютеров

Нейрокомпьютеры - это  ЭВМ нового поколения, качественно  отличающиеся от других классов вычислительных систем параллельного типа тем, что  для решения задач они используют не заранее разработанные алгоритмы, а специальным образом подобранные  примеры, на которых учатся. Их появление  обусловлено объективными причинами: развитие элементной базы, позволяющее  на одной плате реализовать персональный компьютер - полнофункциональный компьютер (модель нейрона), и необходимость  решения важных практических задач, поставленных действительностью. Попытки  создания ЭВМ, моделирующих работу мозга, предпринимались ещё в 40-х гг. специалистами по нейронной кибернетике. Они стремились разработать самоорганизующиеся системы, способные обучаться интеллектуальному  поведению в процессе взаимодействия с окружающим миром, причём компонентами их систем обычно являлись модели нервных  клеток. Однако зарождавшаяся в это  же время вычислительная техника  и связанные с нею науки, особенно математическая логика и теория автоматов, оказали сильное влияние на области  исследования, связанные с мозгом.

К концу 50-х гг. сформировался  логико-символьный подход к моделированию  интеллекта. Его развитие создало  такие направления, как эвристическое  программирование и машинный интеллект, и способствовало угасанию интереса к нейронным сетям. К началу 80-х  гг. были созданы условия для возрождения  интереса к нейросетевым моделям. Это было связано с накоплением новых данных при экспериментальных исследованиях мозга.

К настоящему времени  сформировался обширный рынок нейросетевых продуктов. Подавляющее большинство продуктов представлено в виде моделирующего программного обеспечения. Ведущие фирмы разрабатывают также и специализированные нейрочипы или нейроплаты в виде приставок персональным ЭВМ. Наиболее ярким прототипом супернейрокомпьютера является система обработки аэрокосмических изображений, разработанная в США по программе «Силиконовый мозг». Объявленная производительность супернейрокомпьютера составляет 80 PFLOPS (80•1015 операций с плавающей точкой в 1 с) при физическом объёме, равном объёму человеческого мозга, и потребляемой мощности 20 Вт.

В июле 1992 г. в Японии была принята Пятая Программа (действующая и поныне), связанная с созданием координационного исследовательского центра по реализации международного проекта Real World Computing Partnership (RWCP), основной целью которого являлась разработка практических методов решения реальных задач на основе гибких и перспективных информационных технологий.

В настоящее время  в рамках развития этого проекта  создана трансконтинентальная сеть на базе гетерогенной вычислительной среды, объединяющей Суперкомпьютерный  центр в Штутгарте (Германия), Компьютерный центр в Питсбурге (шт. Пенсильвания), Электротехническую лабораторию в Тшукубе (Япония), Компьютерный центр в Манчестере (Великобритания), в которой часть пользовательских компьютеров выполнена по нейросетевой технологии. Пиковая производительность образованного сверхсуперкомпьютера составила 2.2 TFLOPS.

Считается, что теория нейронных сетей, как научное  направление, впервые была обозначена в классической работе МакКаллока и Питтса[1] 1943 г., в которой утверждалось, что, в принципе, любую арифметическую или логическую функцию можно реализовать с помощью простой нейронной сети. В 1958 г. Фрэнк Розенблатт [2] придумал нейронную сеть, названную перцептроном, и построил первый нейрокомпьютер Марк_1. Перцептрон был предназначен для классификации объектов. На этапе обучения «учитель» сообщает перцептрону к какому классу принадлежит предъявленный объект. Обученный перцептрон способен классифицировать объекты, в том числе не использовавшиеся при обучении, делая при этом очень мало ошибок. Примерно в это же время вышла работа Минского и Пейперта[3], указавшая ограниченные возможности простейшего перцептрона. Результаты Минского и Пейперта погасили энтузиазм большинства исследователей, особенно тех, кто работал в области вычислительных наук.

С начала 80_х годов  ИНС вновь привлекли интерес  исследователей, что связано с  энергетическим подходом Хопфилда[4] и алгоритмом обратного распространения для обучения многослойного перцептрона (многослойные сети прямого распространения), впервые предложенного Вербосом[5]. При этом важную роль сыграли работы группы PDP (Parallel Distributed Processing). В них рассматривались нейронные сети, названные многослойными перцептронами, которые оказались весьма эффективными для решения задач распознавания, управления и предсказания. (Многослойные перцептроны занимают ведущее положение, как по разнообразию возможностей использования, так и по количеству успешно решенных прикладных задач.)

1.3 Современный нейрокомпьютер

Сейчас количество проданных в странах Запада нейрокомпьютеров исчисляется десятками тысяч. В  основном это нейрокомпьютерные  программы для ПЭВМ, предназначенные  для решения задач аппроксимации  и прогнозирования числовых данных. Около 5% нейрокомпьютеров относятся  к устройствам профессионального  уровня, ориентированным на применение мощных рабочихстанций и аппаратных нейроакселераторов. Программное обеспечение таких систем обычно содержит библиотеки нейропарадигм, что позволяет при решении задач использовать различные типы нейронных сетей. Типичным примером может служить система BrainMaker фирмы CSS (США), получившая в 1990 г. приз журнала PC Magazine «Лучший программный продукт года». Система может работать на любом компьютере, на котором установлен Windows. Базовая версия (цена 950 долларов) ориентирована на широкий круг пользователей. Ее применение не требует специальных знаний. Настройка сети ограничена установкой нескольких параметров, главным среди которых является допустимая погрешность ответа. Основная работа состоит в подготовке данных для обучения, которые можно импортировать из файлов формата *.DBF, *.TXT, Excel, Lotus 1-2-3. При удачном подборе примеров система дает 95% правильных ответов.

Для расширения возможностей системы служит набор дополнительных программ Toolkit Option, позволяющих ускорить процесс обучения и улучшить представление графических данных. Для профессиональных пользователей выпускается расширенная версия BrainMaker Professional, позволяющая моделировать сети с числом нейронов до 8192 (допускается расширение до 37767), цена которой составляет 1550 долларов. Для этой версии создан набор дополнительных программных средств, которые включают Genetic Training Option - программу оптимизации, использующую «генетические» алгоритмы, и Training Finansial Data - специальные наборы данных для настройки нейронной сети на коммерческие приложения.  
Наконец, для наиболее крупных приложений выпущен BrainMaker Accelerator - специализированная нейроплата - акселератор на базе сигнального процессора TMS320C25 фирмы Texas Ins., позволяющая в несколько раз повысить производительность нейрообработки данных. Еще более мощная версия аппаратного расширителя BrainMaker Accelerator Pro, содержащая пять процессоровTMS320C25 и до 32 Мбайт оперативной памяти, позволяет ускорить процесс обучения в сорок раз по сравнению с компьютером PC 486DX_50.