CC BY
92
Для оценки состояния объекта вводится следующая градация оценок: нормальное, опасное, функционально-ограниченное, аварийное.
Таким образом, матрица формируется в результате реализации связей д с переменными р, объекта.
Оценка состояния объекта О может определяться следующим образом:
а) рассматриваются 1-я и 2-я строки матрицы М.
2 I
Если ХХОа = 1 , то состояние объекта О -“нормальное”. к=1=1
2 I
Если '^Ъак1 < I, то переходим к следующему этапу оценки; к=1=1 3 I
б) если ^^аш = I, то состояние объекта О -“опасное”.
к=1 =1
3 I
Если ЪЪаш < I, то переходим к следующему этапу оценки; к=1 =1
I
в) если ^а# £ 8, где 5 - задается, то состояние объекта О -
=1
“функционально-ограниченное”.
I
Если ^а# >8 , то состояние объекта О - “аварийное”.
=1
В результате простых вычислений проводится упрощенная оценка состояния технического объекта, реализация которой возможна на нижних уровнях распределенной микрокомпьютерной системы мониторинга, что важно для оперативного мониторинга объекта в реальном масштабе времени.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Васильев В.В. Современные проблемы компьютерного мониторинга в энергетике. // Известия ТРТУ. - Таганрог: Изд-во ТРТУ, 2001. № 3. - С.99-120.
2. Нетушил А.В. и др. Теория автоматического управления. - М.: Высшая школа. 1983. -432с.
3. Теория систем. Математические методы и моделирование// Новое в зарубежной науке. — 1989. Т.44. - 382с.
4. Пьявченко О.Н., Горелова Г.В., Боженюк А.В., Клевцов С.И., Клевцова А.Б. Методы и алгоритмы моделирования развития сложных ситуаций: Монография / Под ред. О.Н. Пьявченко. - Таганрог: Изд-во ТРТУ, 2003. - 157с.
Е.А.Башков МЕТОДЫ И АЛГОРИТМЫ РЕАЛЬНОГО ВРЕМЕНИ ДЛЯ ПОИСКА, ГЕНЕРАЦИИ, 3^ РЕКОНСТРУКЦИИ И МОДЕЛИРОВАНИЯ ИЗОБРАЖЕНИЙ СЛОЖНЫХ ОБЪЕКТОВ
Научно-исследовательские работы в области компьютерной графике на факультете вычислительной техники и информатики Донецкого национального технического университета начинались в середине 70-х годов прошлого столетия, когда была выполнена первая НИР по заказу Московского машиностроительного завода им. А.И.Микояна, связанная с компьютерным моделирование динамики
движения самолета и отображение его углового положения на экране векторного дисплея.
В дальнейшем эта работа вылилась в создание аппаратно-программного комплекса генерации изображений в реальном времени для исследовательского тренажера авиационной техники (1982-1990 гг). Структура комплекса приведена на рис. 1.
Рис.1. Структура аппаратного обеспечения комплекса генерации изображений
Комплекс для того времени обладал высокими техническими характеристиками (16-разрядная архитектура, производительность одного спецпроцессора 1 млн. микрокоманд в секунду, растр 512*512, 16 цветов, графическая производительность - до 20000 графических примитивов в секунду) и обеспечивал решение исследовательских задач в процессе отработки специальных полетных заданий и режимов работы летательных средств.
Дальнейшие исследования в этой области развивались по следующим основным направлениям:
- синтез реалистических трехмерных изображений объектов на основе их фотографий, извлечение геометрии из фотографий;
- контекстный поиск изображений в базах данных;
- реконструкция трехмерных моделей органов в компьютерной томографии.
Извлечение геометрической структуры и синтез изображений
Задача построения геометрической модели сцены из набора фотографических изображений получила название “Структура из движения” (СИД, SFM -Structure-from-Motion). Алгоритмы СИД различаются по типу входной информации (изображения в шкале серого, опорные точки, линии и т.д.), количеству требуемых изображений (например, 2, 3, заданное количество, бесконечное количество), моделям камеры (перспективная или ортографическая проекция), известной информации о перемещении камеры (например, полностью известна, постоянная скорость, неизвестная скорость и т.д.).
Процесс извлечения геометрической модели из набора фотографий можно представить следующим образом:
- разметка опорных элементов (точек, линий и т.п.) на входных растровых данных (фотографиях);
- приведение в соответствие опорных элементов, размеченных на различных фотографиях;
- построение трехмерной геометрической модели сцены по данным проекциям опорных элементов на плоскости фотографий;
- извлечение из исходных фотографий растровых текстур, для последующей визуализации геометрической модели, полученной на предыдущем этапе.
Существующие алгоритмы извлечения структуры из движения различаются по ряду признаков. Однако выбор типа опорных элементов - точек или линий -оказывает наибольшее влияние на качество получаемой модели. Использование особенностей объектов, составляющих сцену, также повышает качество модели и сокращает количество операций, выполняемых пользователем. На данном этапе развития алгоритмов извлечения структуры из движения многие операции (такие, как указание опорных элементов на исходных фотографиях) должны полностью или частично выполняться пользователем вручную. Направление исследований -повышение качества получаемых моделей и сокращение количества ручных операций, выполняемых пользователем.
Системы рендеринга на основе изображений” (image-based rendering system) сегодня становятся все более популярным как в сообществе компьютерной графики, так и в сообществе компьютерного зрения (computer vision community). Общая идея состоит в том, чтобы избежать дорогого в вычислительном отношении полного расчета 3D-модели сложного (в идеале - реального) объекта, а вместо этого использовать ряд связанных изображений объекта (сцены) как представление, из которого новые виды могут синтезироваться путем интерполяции (деформации) изображения - “морфинга”.
Синтез нового вида основан на следующей парадигме: третий вид может быть сгенерирован однозначно на основе двух исходных изображений и полученного тензора (матрицы соответствия) при помощи деформирующей функции. Деформирующая функция управляет изменениями в коэффициентах тензора в результате перемещения виртуальной камеры.
Необходимо, по крайней мере, семь точек соответствия среди трех изображений, чтобы линейно восстановить трилинейный тензор. Восстановленный один раз тензор может использоваться для репроекции, поэтому, имея два изображения и тензор, третье изображение может быть уникально определено и синтезировано посредством деформирующей функции, приложенной к двум исходным изображениям. Таким образом, необходимо выполнение следующих шагов:
- установить точное соответствие между парой изображений;
- восстановить базовый тензор (трилинейного тензора, в случае трех исходных изображений, или тензорного расширения фундаментальной матрицы, в случае двух изображений или каскадного тензора в случае большего количества изображений);
- реализовать корректный механизм репроекции;
- реализовать обработку возможных коллизий при синтезе нового вида.
Метод тензоров свободен от описанных выше ограничений, обладает высокой точностью и поэтому признается наиболее перспективным.
Контекстный поиск изображений в базах данных
Поиск изображений по контекстному содержимому - 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 изо-
бражений в Шете^ анализируемая база данных формируется путем индексирования ресурсов мировой паутины:
- 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.
В ходе этих исследований проанализированы разработанные ранее различные подходы к решению данной задачи. Во-первых, это методы, использующие гистограммные признаки (цветовые и текстурные гистограммы), был выполнен анализ эффективности этих подходов, выявлены недостатки данного подхода. В результате исследований были разработаны модифицированные алгоритмы, позволяющие улучшить показатели поиска по ряду критериев, в частности, позволяющие учитывать информацию не только о цветах точек, но и об их расположении.
Развит поиск по образцу, который позволил выявить недостаток цветовых гистограмм - их инвариантность к пространственным модификациям изображений. При использовании модифицированных алгоритмов получены более качественные результаты. Это стало возможным из-за того, что изображения, содержащие точки тех же цветов, что и образец, но в другой конфигурации, не считаются совпадающими с образцом, как это было ранее.
Во-вторых, исследована группа методов поиска по “цветовой планировке”. 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;
В-третьих, рассмотрена группа методов, основанных на кластеризации изображений. При поиске изображений методами этой группы сравнение визуальных примитивов осуществляется на уровне отдельных объектов (регионов, областей) изображений, которые выделяются в процессе кластеризации.
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. Предложенные модификации позволяют 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 Мете^ количество которых существенно увеличивается с каждым днем.
Реконструкция трехмерных моделей органов в компьютерной томографии
Реконструкция трехмерных моделей реальных объектов - это построение 3D-модели на основе информации о виде отдельного участка (участков) объекта, который реконструируется. Чаще всего такая задача возникает в двух случаях:
- построение модели по полученным некоторым образом 2D-срезами, которые являются результатом неразрушающего или разрушающего исследования внутренней структуры объекта, например в материаловедении, медицине и т.п.;
- построение полной модели при наличии информации в виде 2D- или 3D-частей объекта. Фактически это задача восстановления, которая может возникать в таких областях, как медицина, археология и т.п.
Целью реконструкции может быть получение полной картины объекта и окружающего его среды или лишь одного отдельного объекта (объектов) в трехмерном виде. В зависимости от типа и количества входной информации и поставленной задачи, применяются разные методы реконструкции.
В процессе исследования данной проблемы приходится столкнуться с необходимостью выполнять реконструкцию при ограниченном объеме входной информации (данная ситуация может быть обусловлена различными причинами). Реконструирование трехмерных объектов в таком случае требует разработки новых, усовершенствованных методов.
Для реконструкции в условиях ограниченного объема входных данных была предложена структура подсистемы, обеспечивающей формирование результирующей модели на основании данных от реального объекта и априорной информации о структуре реконструируемого объекта.
В такой подсистеме наиболее трудоемкими этапами являются: поиск в БД подобной модели и построение 3D-модели на основе срезов. Известные методы реконструкции имеют ту особенность, что работают либо в условиях наличия входных данных, представленных в трехмерном виде, либо при отсутствии необходимости выбирать двумерные срезы по каким-либо параметрам из баз данных.
По результатам применения известных методов в предложенной подсистеме были сделаны выводы, что известные методы (деформационные, метод эластичного сопоставления, морфологический анализ и т.д.) обладают рядом недостатков.
Для их устранения была предложена схема сопоставления контуров, основанная на расчете характеристических параметров контура. В качестве характеристических параметров предложено использовать математические характеристики контуров.
В настоящее время ведутся исследования по возможности применения методов сопоставления, основанных на характеристических параметрах применительно к входным и эталонным данным, представленным в трехмерном виде (во-кселы, сплошные тела и т.д.). Разрабатывается архитектура спецпроцессора для аппаратной реализации предложенных методов, что привести к улучшению временных показателей при обработке больших объемов данных.
Предложенная подсистема реконструкции с применением новых методов сопоставления и формирования трехмерных моделей может быть применена как в компьютерной томографии, так и в других областях, требующих реконструкции трехмерных объектов в условиях ограниченного объема.
Н.С.Костюкова ИСПОЛЬЗОВАНИЕ 2Б-ЦВЕТОВЫХ ГИСТОГРАММ ДЛЯ ПРЕДСТАВЛЕНИЯ ЦВЕТОВОГО СОДЕРЖИМОГО ИЗОБРАЖЕНИЙ
При решении задачи поиска изображений, похожих на заданный образец (контекстного поиска), ключевым моментом является выбор структур данных для представления информации о содержимом изображения и последующее сравнение этих структур. При этом в процессе контекстного поиска изображений последовательно выполняются следующие шаги: замена цветов, представленных в изображении, наиболее близкими цветами из базового набора; построение характеристи-
