Автоматизированный системно-когнитивный анализ изображений по их пикселям (обобщение, абстрагирование, классификация и идентификация)

Рассматривается применение автоматизированного системно-когнитивного анализа (АСК-анализ), его математической модели — системной теории информации и программного инструментария — интеллектуальной системы «Эйдос» для ввода (оцифровки) изображений из графических файлов, синтеза обобщенных изображений классов, их абстрагирования, классификации обобщенных изображений классов (кластеры и конструкты), сравнения конкретных изображений с обобщенными образами (идентификация) классов, сравнения классов друг с другом. Предлагается применить теорию информации для расчета количества информации, содержащегося в пикселе изображения о том, что это изображение принадлежит к определенному классу изображений. Приводится численный пример, в котором на основе ряда конкретных примеров изображений, принадлежащих к различным классам, формируются обобщенные образы этих классов, независящие от их конкретных реализаций, т. е. «Эйдосы» этих изображений (в смысле Платона) — прототипы или архетипы изображений (в смысле Юнга). Но система «Эйдос» обеспечивает не только формирование прототипов изображений, в которых количественно отражено количество информации в элементах конкретных изображений об их принадлежности к определенным прототипам, но и сравнение конкретных изображений с обобщенными (идентификация) и самих обобщенных образов изображений друг с другом (классификацию) Ключевые слова: АСК-АНАЛИЗ, АВТОМАТИЗИРОВАННЫЙ СИСТЕМНО-КОГНИТИВНЫЙ АНАЛИЗ, ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА «ЭЙДОС», ВВОД, ОЦИФРОВКА ИЗОБРАЖЕНИЙ, СИНТЕЗ ОБОБЩЕННЫХ ИЗОБРАЖЕНИЙ, АБСТРАГИРОВАНИЕ, КЛАССИФИКАЦИЯ, СРАВНЕНИЕ КОНКРЕТНЫХ ИЗОБРАЖЕНИЙ С ОБОБЩЕННЫМИ (ИДЕНТИФИКАЦИЯ) Данная статья может рассматриваться как продолжение серии работ автора [1, 2, 3, 4], посвященных применению автоматизированного системно-когнитивного анализа (АСК-анализ) [2] и его программного инструментария — системы «Эйдос» для интеллектуальной обработки изображений.

Несомненный научный и практический интерес представляет синтез обобщенных изображений на основе ряда конкретных примеров. При этом в результате обобщения выясняется ценность признаков изображений для их дифференциации, а также степень характерности тех или иных признаков для конкретных изображений. Это позволяет без ущерба для адекватности модели удалить из нее малоценные признаки, т. е. осуществить абстрагирование обобщенных изображений, что обеспечивает в последующем сокращение затрат различных видов ресурсов на сбор и обработку графической информации. Над обобщенными изображениями возможны операции классификации, объединения наиболее сходных из них в кластеры и формирования систем наиболее сильно отличающихся друг от друга кластеров, т. е. конструктов. Можно также количественно оценивать степень сходства конкретных изображений с обобщенными, т. е. идентифицировать эти конкретные изображения.

При этом могут использоваться различные признаки изображений. Это могут быть и просто отдельные пиксели, и различные системы пикселей, в частности внешние контуры изображений [3, 4].

В данной работе применен подход, аналогичный описанному в работе [2]. Целесообразность написания данной статьи обусловлена тем, что подход, описанный в работе [2], был реализован в DOS-версии системы «Эйдос» [5] и прошедшие с тех пор 6 лет создана новая версия системы «Эйдос-Х++», в которой этот подход развит с использованием новых графических и других возможностей языка программирования [6].

В новой версии системы есть режим 4.7, который так и называется: «АСК-анализ изображений» (рисунок 1):

Рисунок 1. Запуск режима: «АСК-анализ изображений» из главного меню системы «Эйдос-Х++».

В результате появляется главная экранная форма режима «АСК-анализ изображений», представленная на рисунке 2:

Рисунок 2. Первая экранная форма режима: «АСК-анализ изображений».

Из рисунка 2 мы видим, что системой «Эйдос-Х++» предоставляется возможность АСК-анализа изображений по всем их пикселям (чему и посвящена данная статья), а также по их контурам. В работах [3, 4] описан АСК-анализ изображений по их внешним контурам. На рисунке 3 приведен скриншот, поясняющий возможности данных режимов:

Рисунок 3. Пояснение к режиму: ««АСК-анализ изображений».

После выбора оцифровки и АСК-анализ изображений по их пикселям появляется экранная форма, приведенная на рисунке 4:

Рисунок 4. Экранная форма режима оцифровки и АСК-анализаизображений по их пикселям В верхней части экранной формы описаны основные этапы работы в данном режиме и его основные возможности.

В нижней части экранной формы есть кнопки, позволяющие запустить соответствующие режимы на исполнение.

Рассмотрим их по порядку.

АСК-анализ изображений может использоваться для выполнения реальных научных и практических задач обработки изображений в различных предметных областях, а также в качестве учебного режима для освоения различных методов интеллектуальной обработки изображений.

В первом случае изображения, которые мы собираемся анализировать, получены из внешнего источника (фото, сканированные изображения, клип-арты и т. д.). В этом случае они вручную помещаются пользователем в папку: c: Aidos-XAID_DATAInp_data.

Во втором случае, который мы и рассмотрим в данной статье, используется генератор изображений символов различных размеров, стилей и шрифтов, встроенный в систему «Эйдос». Эти изображения и используются для анализа. Запуск данного генератора изображений происходит по нажатию кнопки 1 на экранной форме, приведенной на рисунке 4. В результате появляется окно генератора изображений символов, в котором пользователь может задать какие символы генерировать, а также размер и тип шрифта (рисунок 5):

Рисунок 5. Экранная форма генератора изображений символов режима: «АСК-анализ изображений».

При нажатии на кнопке: появляется стандартное окно выбора типа шрифта и его стиля (рисунок 6):

Рисунок 6. Стандартное окно выбора типа шрифта и его стиля С помощью этого окна выбираем символы и шрифты для численного примера, исследуемого в данной статье. В данном случае это цифры следующих шрифтов. Если в папке: c: Aidos-XAID_DATAInp_data не было поддиректории с изображениями заданных символов заданных шрифтов, то они создаются. В папках имена которых совпадают с наименованиями шрифтов, создаются графические файлы с созданными изображениями заданных символов:

Эти изображения обрезаны по максимальным размерам (ширине и высоте) всех созданных изображений.

Когда изображения для исследования подготовлены и записаны в нужную директорию и поддиректории, то запускается автоматизированный программный интерфейс ввода изображения в систему «Эйдос», т. е. режим оцифровки.

Отметим, что в текущую версию системы «Эйдос-Х++» входят два режима оцифровки изображений: по всем пикселям (режим 2.3.2.5) и по их внешним контурам (режим 2.3.2.4). Планируется также разработка режима оцифровки изображений по их внутренним и внешним контурам. Все режимы оцифровки изображений входя в подсистему, содержащую программные интерфейсы системы «Эйдос» с внешними истопниками данных, представленных в различных формах: в форме текстов, таблиц и изображений (рисунок 7):

Рисунок 7. Экранная форма главного меню системы «Эйдос-Х++» с программными интерфейсами ввода данных в систему из внешних источников данных различных типов Запуск режима оцифровки изображений по их пикселям возможен из режима 2.3.2.5 (рисунок 7), а также путем нажатия на вторую кнопку в экранной форме, приведенной на рисунке 4. При запуске данного режима оцифровки открывается окно (рисунок 8):

Рисунок 8. Экранная форма режима оцифровки изображений по всем их пикселям Данный режим создает базу данных оцифрованных изображений. Если этой базы данных нет в текущей папке системы «Эйдос», то она создается, если она уже есть, то оцифрованные изображения просто добавляются в нее. Поэтому, если мы хотим, чтобы в этой базе были только вновь созданные изображения, то предварительно нужно пересоздать (стереть) ее. При выборе второго пункта начинается процесс оцифровки изображений, находящихся в поддиректориях папки: c: Aidos-XAID_DATAInp_data. Этот процесс сопровождается отображением тех изображений, которые оцифровываются в данный момент (рисунок 8):

Рисунок 8. Экранная форма отображения стадии оцифровки изображения В любое время можно просмотреть изображения, накопленные в этой базе, кликнув по 3-й кнопке. После выбора 4-го пункта создается база данных «Inp_data.dbf» для стандартного программного интерфейса 2.3.2.3 ввода данных в Систему «Эйдос» из внешних баз данных, содержащая информацию об изображениях в стандарте данного интерфейса (рисунок 9):

Рисунок 9. Экранные формы отображения стадии исполнения Всегда создается файл: Inp_data.dbf, который, если пользователь не отказывается от этого, экспортируется в Excel-файл.

Затем выполняется 3-й этап, приведенный на рисунке 4. При этом отображается экранная форма программного интерфейса 2.3.2.3 (рисунок 10) с нужными параметрами заданными программно (по умолчанию):

Рисунок 10. Экранная форма программного интерфейса режима 2.3.2.3.

Выполнение данного режима автоматически формирует классификационные и описательные шкалы и градации, а также обучающую выборку, содержащую данные по пикселям всех исследуемых изображений.

Help данного режима, в котором описаны его назначение и требования к исходным данным, приведен на рисунке 11:

Рисунок 11. Экранная форма Help режима 2.3.2.3.

Программный интерфейс 2.3.2.3 используется в данном случае потому, что у него практически нет ограничения на число классификационных и описательных шкал и градаций.

В результате выполнения данного режима автоматически формируются классификационные и описательные шкалы и градации (рисунок 12) и обучающая выборка (таблица 1), т. е. производится нормализация базы исходных данных:

Рисунок 12. Экранные формы с классификационными и описательными шкалами и градациями Таблица 1 — Обучающая выборка (фрагмент: 65 из 1857 строк).

В таблице 1 для экономии места в заголовке приведены краткие наименования объектов обучающей выборки. Полные их наименования приведены ниже:

• 1. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MSNum 0. bmp
• 2. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MSNum 1. bmp
• 3. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MSNum 2. bmp
• 4. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MSNum 3. bmp
• 5. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MSNum 4. bmp
• 6. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MSNum 5. bmp
• 7. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MSNum 6. bmp
• 8. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MSNum 7. bmp
• 9. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MSNum 8. bmp
• 10. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MSNum 9. bmp
• 11. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MS_BoldNum 0. bmp
• 12. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MS_BoldNum 1. bmp
• 13. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MS_BoldNum 2. bmp
• 14. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MS_BoldNum 3. bmp
• 15. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MS_BoldNum 4. bmp
• 16. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MS_BoldNum 5. bmp
• 17. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MS_BoldNum 6. bmp
• 18. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MS_BoldNum 7. bmp
• 19. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MS_BoldNum 8. bmp
• 20. C: AIDOS-XAID_DATAInp_data36_@Arial_Unicode_MS_BoldNum 9. bmp
• 21. C: AIDOS-XAID_DATAInp_data36_Courier_BoldNum 0. bmp
• 22. C: AIDOS-XAID_DATAInp_data36_Courier_BoldNum 1. bmp
• 23. C: AIDOS-XAID_DATAInp_data36_Courier_BoldNum 2. bmp
• 24. C: AIDOS-XAID_DATAInp_data36_Courier_BoldNum 3. bmp
• 25. C: AIDOS-XAID_DATAInp_data36_Courier_BoldNum 4. bmp
• 26. C: AIDOS-XAID_DATAInp_data36_Courier_BoldNum 5. bmp
• 27. C: AIDOS-XAID_DATAInp_data36_Courier_BoldNum 6. bmp
• 28. C: AIDOS-XAID_DATAInp_data36_Courier_BoldNum 7. bmp
• 29. C: AIDOS-XAID_DATAInp_data36_Courier_BoldNum 8. bmp
• 30. C: AIDOS-XAID_DATAInp_data36_Courier_BoldNum 9. bmp
• 31. C: AIDOS-XAID_DATAInp_data36_Courier_NewNum 0. bmp
• 32. C: AIDOS-XAID_DATAInp_data36_Courier_NewNum 1. bmp
• 33. C: AIDOS-XAID_DATAInp_data36_Courier_NewNum 2. bmp
• 34. C: AIDOS-XAID_DATAInp_data36_Courier_NewNum 3. bmp
• 35. C: AIDOS-XAID_DATAInp_data36_Courier_NewNum 4. bmp
• 36. C: AIDOS-XAID_DATAInp_data36_Courier_NewNum 5. bmp
• 37. C: AIDOS-XAID_DATAInp_data36_Courier_NewNum 6. bmp
• 38. C: AIDOS-XAID_DATAInp_data36_Courier_NewNum 7. bmp
• 39. C: AIDOS-XAID_DATAInp_data36_Courier_NewNum 8. bmp
• 40. C: AIDOS-XAID_DATAInp_data36_Courier_NewNum 9. bmp
• 41. C: AIDOS-XAID_DATAInp_data36_Times_New_RomanNum 0. bmp
• 42. C: AIDOS-XAID_DATAInp_data36_Times_New_RomanNum 1. bmp
• 43. C: AIDOS-XAID_DATAInp_data36_Times_New_RomanNum 2. bmp
• 44. C: AIDOS-XAID_DATAInp_data36_Times_New_RomanNum 3. bmp
• 45. C: AIDOS-XAID_DATAInp_data36_Times_New_RomanNum 4. bmp
• 46. C: AIDOS-XAID_DATAInp_data36_Times_New_RomanNum 5. bmp
• 47. C: AIDOS-XAID_DATAInp_data36_Times_New_RomanNum 6. bmp
• 48. C: AIDOS-XAID_DATAInp_data36_Times_New_RomanNum 7. bmp
• 49. C: AIDOS-XAID_DATAInp_data36_Times_New_RomanNum 8. bmp
• 50. C: AIDOS-XAID_DATAInp_data36_Times_New_RomanNum 9. bmp
• 51. C: AIDOS-XAID_DATAInp_data36_Times_New_Roman_BoldNum 0. bmp
• 52. C: AIDOS-XAID_DATAInp_data36_Times_New_Roman_BoldNum 1. bmp
• 53. C: AIDOS-XAID_DATAInp_data36_Times_New_Roman_BoldNum 2. bmp
• 54. C: AIDOS-XAID_DATAInp_data36_Times_New_Roman_BoldNum 3. bmp
• 55. C: AIDOS-XAID_DATAInp_data36_Times_New_Roman_BoldNum 4. bmp
• 56. C: AIDOS-XAID_DATAInp_data36_Times_New_Roman_BoldNum 5. bmp
• 57. C: AIDOS-XAID_DATAInp_data36_Times_New_Roman_BoldNum 6. bmp
• 58. C: AIDOS-XAID_DATAInp_data36_Times_New_Roman_BoldNum 7. bmp
• 59. C: AIDOS-XAID_DATAInp_data36_Times_New_Roman_BoldNum 8. bmp
• 60. C: AIDOS-XAID_DATAInp_data36_Times_New_Roman_BoldNum 9. bmp

Затем запускается режим синтеза и верификации статистических и системно-когнитивных моделей с параметрами по умолчанию (рисунок 13):

Рисунок 13. Экранные формы режима синтеза и верификации моделей графический изображение пиксель автоматизированный В результате работы данного режима создаются и верифицируются 3 статистических модели (корреляционная матрица, матрицы условных и безусловных процентных распределений) и 7 системно-когнитивных моделей (моделей знаний) (рисунок 14):

Рисунок 14. Этапы последовательного повышения степени формализации модели от данных к информации, а от нее к знаниям Из всех этих моделей ниже приведена модель «ABS» и модель «INF1» (таблицы 2 и 3), наименования этих моделей приведены на рисунке 13.

Таблица 2 — Модель «Abs» (фрагмент).

Таблица 3 — Модель «Inf1» (фрагмент).