Кластеризация для контекстного поиска изображений в сети Internet Текст научной статьи по специальности «Компьютерные и информационные науки»

К недоработкам программной части системы следует отнести: отсутствие встроенной контекстно-связанной справочной системы, отсутствие прорисовки траектории движения инструмента, недоработки в оформлении интерфейса.

Программа “SERVO300” постоянно совершенствуется. Направлениями развития программного обеспечения являются: дальнейшая интеграция с современными CAD/CAM системами, расширение списка поддерживаемых команд интерпретатора, повышение универсальности программы. В перспективе введение встроенного языка электроавтоматики необходимо для описания алгоритма взаимодействия отдельных механизмов и приспособлений станка (смена инструмента, включение аспирации, подача эмульсии, смена скоростей и т.д.). Возможна реализация трассировки движения инструмента с использованием OpenGL, усовершенствование алгоритма предупреждения ошибок оператора и проверки текстов; реализация цветовой подсветки синтаксиса команд в окне редактора; введение поддержки сетевого обмена, в частности, передача информации о работе станка на главный терминал, удаленный мониторинг.

Рассмотренная система установлена и успешно функционирует на двух деревообрабатывающих фрезерных станках. Ведутся работы по оптимизации системы для внедрения в металлообрабатывающей промышленности. Применение “SERVO300” в производстве и обеспечивает восстановление новых единиц станочного оборудования, необходимого для выпуска продукции, соответствующей современным требованиям.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. www.icpdas.com.

2. Servo 300. 3 axis servo motor control card. - User’s manual.

О.Л. Вовк

КЛАСТЕРИЗАЦИЯ ДЛЯ КОНТЕКСТНОГО ПОИСКА ИЗОБРАЖЕНИЙ В

СЕТИ INTERNET

Тенденция постоянного увеличения количества изображений, доступных в мировой паутине Internet, повышает интерес исследователей к разработке эффективных механизмов поиска таких изображений. На данный момент разработано множество систем поиска, основанных на текстовых описаниях изображений. Примерами могут служить такие системы, как система поиска коллекция живописи Национальной галереи искусств США [1], поисковая система AltaVista [2, 3]. Однако технология поиска, основанная на текстовых описаниях, ассоциированных с изображением, может быть применена только при поиске внутри ограниченной коллекции, а не в вычислительной сети Internet, так как неоднозначность соответствия между визуальным содержанием и текстовым описанием снижает показатели точности и полноты поиска [4]. Поэтому для решения задачи поиска изображений во всемирной сети принято использовать механизм контекстного поиска изображений.

Поиск изображений по контекстному содержимому [5] - набор технологий для извлечения семантически связанных изображений из базы данных, основанный на автоматическом выделении характеристик изображения. То есть в базе данных выполняется поиск изображений, визуально сходных с заданным изображением (изображением-шаблоном, изображением-образцом) по заданному набору свойств (характеристик, визуальных примитивов). Стоит отметить, что при поиске

Компьютерные и информационные технологии в науке, инженерии и управлении

изображений в Мете! анализируемая база данных формируется путем индексирования ресурсов мировой паутины.

Визуальные примитивы - это характеристики изображения, которые автоматически вычисляются по оцифрованным визуальным данным, позволяют эффективно индексировать их и обрабатывать запросы с использованием визуальных свойств изображения. Поисковый образ изображения, сгенерированный из визуальных примитивов, невелик по размеру в сравнении с самим изображением и удобен для организации поиска [4]. Примерами наиболее распространенных визуальных примитивов служат примитивы цвета, текстуры и формы [5].

Общая схема содержательного поиска изображений состоит из следующих этапов [1, 5]:

- индексирование изображений базы данных путем автоматического расчета визуальных характеристик;

- вычисление визуальных характеристик изображения-запроса;

- сравнение (вычисление степени подобия) характеристик всех изображений базы данных и характеристик изображения-запроса;

- сортировка результатов запроса по уменьшению меры подобия изображению-образцу.

Разработано несколько групп методов контекстного поиска, основные из

них:

- группа методов цветовых гистограмм [1, 5]. В основе методов данной группы: дискретизация цветового пространства и построение гистограммы распределения дискретизированного пространства цветов изображения;

- группа методов поиска по “цветовой планировке” [5]. Отличительной чертой этой группы алгоритмов является предварительная сегментация изображений на блоки заданного размера или в заданном количестве. Этот этап позволяет учитывать местоположение того или иного цвета, что делает методы поиска по “цветовой планировке” более совершенными по сравнению с предыдущей группой методов;

- группа методов, основанных на кластеризации изображений [5]. При поиске изображений методами этой группы сравнение визуальных примитивов осуществляется на уровне отдельных объектов (регионов, областей) изображений, которые выделяются в процессе кластеризации.

Стоит отметить, что корректное удовлетворение запросов возможно только при использовании методов из третьей группы в виду следующих недостатков методов двух других групп [5]:

- невозможность выделения характеристик формы объектов изображений без выделения самих объектов;

- “чувствительность” к масштабированию, повороту и переносу объектов внутри изображений в случае использования группы методов цветовых гистограмм, и к масштабированию и повороту - группы методов поиска по “цветовой планировке”;

- зависимость результатов поиска от вариации цвета и освещенности изображений.

Кластеризация [6] - общее название множества вычислительных процедур, используемых при создании классификации объектов. В результате кластеризации образуются “кластеры” - группы похожих по различным характеристикам объектов. Кластерный метод [6] - многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о характеристиках объектов, и затем упорядочивающая объекты в сравнительно однородные группы. Исходные данные

для процедуры кластеризации - набор объектов, каждый из которых задается вектором своих характеристик.

В случае решения проблемы распознавания образов изображений, заданный набор точек кластеризируемого изображения рассматривается в качестве многомерной совокупности объектов, заданных цветовыми характеристиками, согласно которым требуется рассортировать эти объекты на несколько классов-образов изображения.

Статистические методы кластеризации наиболее часто применяются для выделения объектов изображений, причем, наиболее популярный статистический метод - метод k-means кластеризации [5].

Кроме статистических методов кластеризации, для распознавания объектов изображений используют методы кластеризации, основанные на выделении перепадов яркости [4]. При кластеризации данными методами проблема выделения границ объектов решается путем локализации на изображении резких перепадов яркости цвета [4]. С этой целью вычисляется градиент функции интенсивности в каждой точке изображения, после чего подавляются значения, не превышающие установленного порога. За основу принято брать метод Собеля.

Для увеличения скорости работы алгоритмов кластеризации изображений производится предварительное уменьшение количества цветов классифицируемого изображения - квантование (дискретизация) пространства цветов [7].

При поиске изображений в электронных коллекциях процедуру кластеризации используют не только для распознавания объектов изображений, но и для разделения изображений анализируемой коллекции на группы со сходными визуальными характеристиками [8, 9]. Настоящее применение позволяет увеличить скорость поиска заданного изображения базы данных, так как поиск осуществляется не среди всех изображений, а только среди изображений группы с подобными визуальными свойствами. Такое применение кластеризации особенно актуально, если электронная коллекция изображений сформирована из изображений сети Internet, количество которых неоценимо увеличивается с каждым днем.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Башков Е.А., Шозда Н.С. Поиск изображений в больших БД с использованием коэффициента корреляции цветовых гистограмм // GraphiCon’2002. - Нижний Новгород. 2002. - C. 458-460.

2. Qui G., Palmer R.D. WISE: A Content-based Web Image Search Engine //

http://images.altavista.com/.

3. Байгарова Н.С., Бухштаб Ю.А., Евтеева Н.Н. Современная технология содержательного поиска в электронных коллекциях изображений. - Институт прикладной математики им. М. В. Келдыша РАН, http://artinfo.ru/eva/ eva2000M/eva-papers/200008/Baigarova-R.htm.

4. Wang J. Z., Li J. Wiederhold G. SIMPLIcity: Semantics-Sensitive Integrated Matching for Picture Libraries // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2001. - vol. 23, №9. - P. 947-963.

5. Ким Д. О., Мьюллер Ч. У., Клекка У. Р. Факторный, дискриминантный и кластерный анализ. - М.: Финансы и статистика, 1989. - 215 с.

6. Schettini R., Ciocca G., Zuff S. A Survey of Methods for Colour Indexing and Retrieval in Image Databases //

7. Chen J.Y., Bounman C.A., Dalton J.C. Hierarchical Browsing and Search of Large Image Databases // IEEE Transactions on Image Processing. - 2000. - vol. 9, №3. - P. 442-455.

8. Abdel-Mottaleb M., Krishnamachari S., Mankovich N.J. Performance Evaluation of Clustering Algorithms for Scalable Image Retrieval // IEEE Computer Society Workshop on Empirical Evaluation of Computer Vision Algorithms. - Santa Barbara. - 1998.