Обработка изображений на основы аналоговых компьютеров

Субъективные критерии - это критерии визуального восприятия, оцениваемые в процессе экспертизы некоторой группой наблюдателей (экспертов). Наибольшее распространение  получил метод оценок, при котором  наблюдатель оценивает качество изображения в баллах по определенной шкале, считая, что идеальное изображение  имеет максимальный балл. Этот метод  позволяет оценить такие характеристики изображения как правильность цветопередачи, координатные искажения, чистоту переходов  и др. Основные шкалы оценок при  использовании метода сравнения  приведены в таблице 2.1 [13].

Для интерпретации  полученных экспертных оценок разработаны  методы их представления, например построение кумулятивных кривых распределения  оценок как функции от искажений. Средняя оценка определяется по формуле

где N_общее число оценок, ni - число оценок равных i баллам, r - количество видов разных оценок.

Нормализованные оценки p выражают относительное качество в диапазоне [0,1]. При пятибалльной системе, когда gЃё [1,5]:

p = (g ?1) / 4,

а средняя оценка вычисляется в соответствии с  формулой:

pср = ( + 0,75 + 0,5 + 0,25)/ N.

 

Таблица 2.1 Основные шкалы субъективных оценок качества изображения

Единицей ухудшения  качества телевизионных (ТВ) изображений  является имп (от impairment - ухудшение, повреждение). Эта единица введена Проссером, Аллнаттом и Льюисом в 1964 г. и используется МККР (Международным консультативным комитетом по радиосвязи (CCIR)). Ухудшение обратно пропорционально нормализованной оценке качества и

изменяется от ? до 0 при изменении p от 0 до 1 в соответствии с формулой:

I =1 / p ?1.

Достоинство методики оценки ухудшения состоит в том, что результирующая оценка ухудшения  получается арифметическим суммированием  оценок ухудшения, вызванных различными видами искажений сигналов изображения. Основываясь на психофизических  свойствах наблюдателя, субъективные оценки позволяют характеризовать  восприятие изображения. Интегральный критерий качества формируется по обобщенной формуле:

где M _ число параметров, по которым оценивается качество изображения; н - показатель степени. Значение показателя степени принимают равным 1, но могут быть использованы, например, такие значения как 0,78 или 2. В настоящее время применяются и другие оценки качества изображений. При

разработке аппаратных средств специального назначения большое значение имеет оценка объективных характеристик качества преобразованного изображения. Объективными критериями, используемыми при оценке качества изображений, являются критерии, позволяющие получить просто вычисляемую характеристику изображения разностного сигнала. К таким критериям относится, прежде всего, среднеквадратический критерий. По нему мерой различия двух изображений f (x, y) и (x, y) является среднеквадратическое значение разностного сигнала двух изображений. Для непрерывных изображений, заданных при xЃё[0, N] и yЃё[0, M], среднеквадратическое отклонение (СКО) вычисляется по формуле:

(2.12)

В некоторых случаях  используется критерий максимальной ошибки, который в отличие от (2.12), позволяет  установить значение максимальной ошибки преобразования:

= max |f (x, y) - | (2.13)

(x, y) 
Применяются и другие объективные критерии качества изображений [14]. Существует определенное разногласие в оценках качества, даваемых человеческим глазом (субъективных), и объективных, полученных в виде количественных показателей. Глаз является совершенным изобретением природы, с ним не могут соревноваться достаточно примитивные объективные оценки типа СКО, пикового отношения сигнал/шум (ПСШ) и др. Поэтому некоторые результаты, рассматриваемые с точки зрения объективных оценок как одинаковые, визуально могут восприниматься различно. Однако объективные критерии используются при компьютерной обработке изображений в системах с автоматическим принятием решений. Функционирование автоматических компьютерных систем полностью подчинено математическим критериям, и качество их работы оценивается только объективными показателями. Понятно, что и качество изображений, используемых в этих системах, также должно оцениваться только по объективным критериям.

Заключение

Нейронные сети основывались на высокоуровневом моделировании  процесса мышления на обычных компьютерах. Чтобы создать искусственный интеллект, необходимо построить систему с похожей на естественную архитектурой, т.е. перейти от программной реализации процесса мышления к аппаратной.

Основу нейросетей составляют относительно простые, в большинстве случаев - однотипные, элементы (ячейки), имитирующие работу нейронов мозга - искусственные нейроны.

Естественным продолжением аппаратного и программного подхода  к реализации нейрокомпьютера является программно-аппаратный подход. Аппаратный подход связан с созданием нейрокомпьютеров в виде нейроподобных структур (нейросетей) электронно-аналогового, оптоэлектронного и оптического типов. Для таких компьютеров разрабатываются специальные СБИС (нейрочипы, нейроускорители).

Список  используемой литературы

1. А. Горбань, Д. Россиев. Нейронные сети на персональном компьютере. // Новосибирск: Наука, 1996.

2. Ф. Уоссермен, Нейрокомпьютерная техника, М., Мир, 1992.

3. Итоги науки  и техники: физические и математические  модели нейронных сетей, том  1, М., изд. ВИНИТИ, 1990.

4. http://therocker.narod.ru/doc/neuro.htm#comp1

5. Marguerat C. Artificial neural network algorithms on a parallel DSP system. In: Transputers'94 Advanced research and industrial applications. Proc. Of the International conf. 21-23 Sept. 1994. IOS Press 1994, p. 278-287.

6. MD 1220 Data Sheet. March 1990, Micro Devices, 30 Skyline Dr., Lake Mary, F1 32746-6201, USA.

7. NXL420 Data Sheet. June 1992, Neurologix, Inc., 800 Charcot Av., Suite 112, San Jose. Ca. USA.

8. M. Yasunga, N. Msuda, M. Yagyu, M. Asai, M. Yamada, A. Masaki, Design, Fabrication and Evaluation of a 5_Inch Wafer Scale Neural Networks LSI Composed of 576 Digital Neurons, Proc. Int. Joint Conf. on Neural Networks IJCNN» 90, June 1990.

9. 80170NX Electrically Trainable Analog Neural Network, Data Sheet, Intel Corp., Santa Clara, CA, 1991.

10. J. Alspector, T. Jayakumar, S. Luna. Experimental Evaluation of Learning in a Neural Microsystem, Proc. Of NIPS» 91 in Advances in Neural Information Processing Systems_4, pp. 871-878, Morgan-Kaufmann Pub., San Mateo, CA, 1992.

11. Виксне П., Черников В., Фомин Д., Шевченко П. Применение микропроцессора NM6403 для эмуляции нейронных сетей. Сборник докладов V Всероссийской конференции «Нейрокомпьютеры и их применение». Москва, 17-19 февраля 1999.

12. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления. - 1-е. - Высшая школа, 2002. - С. 184. - ISBN 5-06-004094-1

13. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - 1-е. - М.: Горячая линия - Телеком, 2001. - С. 382. - ISBN 5-93517-031-0

14. Каллан Р. Основные концепции нейронных сетей = The Essence of Neural Networks First Edition. - 1-е. - «Вильямс», 2001. - С. 288. - ISBN 5-8459-0210_X

15. Ясницкий Л.Н. Введение в искусственный интеллект. - 1-е. - Издательский центр «Академия», 2005. - С. 176. - ISBN 5-7695-1958-4

16. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. - 1-е. - Изд-во МГТУ им. Н.Э. Баумана, 2002. - С. 320. - ISBN 5-7038-1908-3