Параллельная обработка и идентификация изображений Текст научной статьи по специальности «Компьютерные и информационные науки»

тема коммутации и подсистема распределения ресурсов между задачами.

Более целесообразным представляется одновременный запуск на такой системе сразу нескольких тестов с одинаковыми параметрами, равномерно разделив между ними имеющиеся ресурсы. Тест при этом усложняется незначительно и не влечет серьезных дополнительных расходов. Общая оценка производительности формируется при этом как полученная оценка для одной задачи, умноженная на число задач.

УДК 681.32(075)

Д.В. Золотовский, А.И. Костюк

ПАРАЛЛЕЛЬНАЯ ОБРАБОТКА И ИДЕНТИФИКАЦИЯ ИЗОБРАЖЕНИЙ

Задача идентификации изображения является основной и самой сложной задачей цифровой обработки изображений. Разработанные к настоящему времени методы распознавания все еще недостаточно эффективны, так как имеется необходимость сравнения большого количества характеристик каждого изображения с идентифицируемым, что удлиняет процесс идентификации и неприемлемо при больших массивах данных.

В данной работе предлагается метод, который в определенной степени свободен от перечисленных выше недостатков. Особенностью предлагаемого метода идентификации изображений является то, что изображения интерпретируются как случайные процессы двух переменных. Изображения рассматриваются как реализации случайного поля, которому присущи те или иные вероятностные характеристики. В первую очередь, это совместный двумерный закон распределения вероятностей, который позволяет теоретически рассчитывать корреляционные функции изображения.

Изображение представляется как специфическое (а именно, двумерное) представление одномерного случайного процесса, по данным которого и производится оценивание отдельных вероятностных характеристик для каждого изображения, рассчитываемого параллельно и независимо от остальных.

Среди множества числовых характеристик изображений, рассматриваемых как реализации случайного поля, можно выделить несколько основных. Это математическое ожидание (среднее), среднеквадратичное отклонение, коэффициенты асимметрии и эксцесса, энтропия, значения минимального и максимального элементов анализируемого поля и размах (диапазон уровней).При этом необходимо выделить такие вероятностные характеристики изображения, которые, во-первых, однозначно идентифицировали бы изображение, а, во-вторых, минимизировали погрешность распознавания.

Таким образом, если считать энтропию мерой неопределенности, то правильным является выбор признаков, обеспечивающих минимизацию энтропии рассматриваемых классов. В данном случае к минимизации энтропии приводит одновременное использование параметров среднеквадратичного отклонения, асимметрии и эксцесса, причем увеличение

Секция вычислительной техники

количества числовых характеристик не приводит к дальнейшему повышению достоверности идентификации.

Практическим следствием предложенного подхода к идентификации изображений является как увеличение быстродействия обработки одного изображения, так и относительная помехоустойчивость точности идентификации. Кроме того, могут быть идентифицированы изображения, имеющие различный масштаб, а также ориентацию.

УДК 681.325.5

В.Е. Золотовский, С.В. Третьяков ВЫЧИСЛИТЕЛЬНЫЕ АЛГОРИТМЫ И МЕТОДЫ СВЕРХРАЗРЕШЕНИЯ ДЛЯ ЗАДАЧ ПОДВОДНОЙ КАРТОГРАФИИ

Основными задачами, решаемыми при проведении работ по картографированию морского дна, являются обнаружение объектов с заданными линейными размерами, определение их координат с заданной точностью и привязка обнаруженных объектов к карте.

Наибольшие трудности встречаются при решении двух первых задач, поскольку при использовании традиционных методов обработки сигналов, полученных от приемной антенны, точность измерения координат целиком определяется разрешающей способностью антенны. Для современных антенн эта величина составляет, как правило, не менее 1°, при этом на глубине 100м можно обнаружить объекты с линейными размерами не менее 1.7м. Но из практических потребностей глубина места картографирования может составлять, например, и 500м, и 1000м. На таких глубинах можно обнаружить объекты с размерами не менее 8.7м и 17.5м, соответственно. Вместе с тем известно, что, например, железомарганцевые конкреции имеют размер не превосходящий 0.5м, и, используя традиционные методы обработки сигналов, отчетливо различить скопления конкреций будет затруднительно даже на минимальных глубинах.

Бурное развитие спектральной теории обработки сигналов, произошедшее в последние десятилетия, привело к разработке новых методов, применение которых позволяет в стандартном элементе разрешения традиционной акустической антенны зафиксировать отраженные сигналы от двух и более независимых источников, с последующим определением векторов направлений на источник. Точность, с которой может быть оценена направленность такого вектора при соблюдении ряда условий, достигает Г, что дает эффект, называемый «сверхразрешением».

С целью выбора наилучшего из существующих методов по выходной точности оценки, был произведен анализ методов сверхразрешения по критериям вычислительной сложности, затрат памяти, устойчивости к шумовому воздействию, минимизации влияния внешних и внутренних погрешностей и т.д. Наиболее оптимальным из рассмотренных оказался метод собственных векторов. Поскольку метод характеризуется большой вычислительной сложностью, были исследованы возможности распараллеливания алгоритма и использования вычислений с переменной разрядностью. В результате был получен параллельный алгоритм метода собственных векторов, допускающий реализацию на произвольном числе