Математическая морфология.

Электронный математический и медико-биологический журнал. - Т. 7. -

Вып. 4. - 2008. - URL:

http://www.smolensk.ru/user/sgma/MMORPH/TITL.HTМ

http://www.smolensk.ru/user/sgma/MMORPH/N-20-html/TITL-20.htm

http://www.smolensk.ru/user/sgma/MMORPH/N-20-html/cont.htm

 

 

УДК 681.3

 

ОБРАБОТКА ТЕПЛОВИЗИОННЫХ ИЗОБРАЖЕНИЙ ЗДАНИЙ И
СООРУЖЕНИЙ НА БАЗЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

 

Ó 2008 г. Бобряков А. В., Тихонова Е. А.

 

(bobryakov.doc)

 

В статье описываются нейросетевые структуры для формирования рациональных стратегий (маршрутов) обработки тепловизионных изображений зданий и сооружений. Сформулирована нейросетевая постановка задач обработки, предложена структура сети и нейрона, описана функция энергии сети.

Ключевые слова: нейронные сети, тепловизионные изображения

 

Наиболее рациональным способом проведения энергетических обследований зданий и сооружений, целью которых является определение величины  тепловых потерь с ограждающих конструкций обследуемого объекта, является тепловизионный способ [1]. Существенными факторами, определяющими точность получаемых результатов обследований, является не только учет условий проведения тепловизионных измерений, но и качество получаемых тепловизионных снимков ограждающих конструкций, улучшение которого требует проведения этапа предварительной обработки изображений [2]. Сложность реализации названного этапа обусловлена необходимостью выполнения большого количества отдельных операций обработки (устранение высокочастотных и низкочастотных помех, сегментация, восстановление изображения и т.д.) в различной последовательности, наличием большого числа алгоритмов для выполнения каждой из названных операций, сложностью выбора алгоритмов в зависимости от характеристик обрабатываемого изображения. Перспективным направлением является использование нейросетевых методов и алгоритмов, позволяющих не только эффективно реализовать отдельные операции обработки, но и формировать рациональные стратегии (маршруты) обработки в зависимости от характеристик обрабатываемого снимка.

Под стратегией нейросетевой обработки тепловизионного изображения будем понимать последовательность выполнения отдельных операций обработки на основе использования соответствующих нейросетевых структур.

Для решения рассматриваемых задач предварительной обработки тепловизионных изображений необходимо:

·        определить этапы обработки тепловизионных изображений и набор входных параметров, влияющих на выбор алгоритмов для реализации отдельных операций обработки;

·        предложить комплекс нейросетевых структур для выполнения отдельных операций обработки тепловизионных изображений;

·        сформулировать нейропостановку и предложить тип нейросети для выбора рациональной стратегии обработки тепловизионных изображений.

Решение двух первых задач подробно описано в [3–6], в настоящей работе рассматриваются подходы к решению задачи выбора рациональной стратегии обработки тепловизионных изображений с использованием нейросетевых структур.

Формулировка нейросетевой постановки задачи предполагает выполнение следующих процедур:

·        отображение структуры задачи на структуру нейронной сети: выделение структурных элементов в задаче; сопоставление отдельных нейронов сети структурным элементам задачи; сопоставление состояния отдельного нейрона сети состоянию структурного элемента задачи; формулировка целевой функции задачи (в терминах состояния сети);

·        формализация описания целевой функции решаемой задачи (получение аналитического описания).

·        нахождение весовых коэффициентов сети путем приравнивания найденной целевой функции для решаемой задачи и функции искусственной энергии сети в общем виде.

Отдельным структурным элементом является алгоритм обработки изображения для реализации отдельной операции обработки. При этом вектор ответа задачи выбора рациональной стратегии обработки тепловизионных изображений будет содержать в качестве элементов все возможные алгоритмы обработки изображения для реализации отдельных операций. Выбор отдельных алгоритмов соответствует активизации соответствующего элемента вектора ответа. Элементы вектора ответа целесообразно отобразить в двумерной структуре. Индекс строки i соответствует отдельной операции обработки, а индекс столбца j – алгоритмам обработки, применение которых потенциально возможно для реализации операции. Активизация же элемента вектора ответа с индексами ij соответствует выбору для реализации i-ой операции j-го алгоритма.

В качестве критерия рациональности выбора стратегии обработки тепловизионных изображений выберем общее время решения задачи обработки изображения, т.е. суммарное время обработки на отдельных этапах.

Структура разработанной нейронной сети определяется следующими особенностями решаемой задачи:

·        каждому элементу вектора ответа (алгоритму для реализации отдельной операции обработки) соответствует один нейроподобный элемент сети;

·        нейроподобные элементы располагаются в узлах ортогональной решетки, каждой строке которой соответствует одна из операций обработки, а в каждом ее столбце – расположены нейроны, соответствующие алгоритмам, применение которых потенциально возможно для реализации операции;

·        число нейронов в строках (число алгоритмов для реализации отдельных операций обработки) может быть различным;

·        на выбор алгоритма влияют входные характеристики изображения. Причем, из-за последовательного выполнения операций обработки на входы нейронов первой строки должны подаваться входные параметры исходного изображения, на входы нейронов второй и последующих строк – выходные характеристики изображения обработанного выбранным алгоритмом предыдущей операции;

·        критерий рациональности стратегии обработки тепловизионных изображений (общее время решения задачи) можно учесть путем задания весовых коэффициентов линий связи отдельных нейронов.

Нейропостановка для решения задачи выбора рациональной стратегии обработки тепловизионных изображений на основе предложенной нейронной сети заключается в следующем. Решением задачи нахождения оптимального начального маршрута обработки изображений будет являться состояние сети, при котором в каждой строке матрицы нейронов активен только один нейрон (выбран конкретный алгоритм для реализации данной операции обработки) и общее время решения задачи (прохождения маршрута) – минимально.

На рис. 1 приведена структура предложенной нейронной сети для выбора рациональной стратегии обработки тепловизионных изображений. На рис. 2 представлена схема нейроподобного элемента предложенной нейронной сети.

В структуру нейрона дополнительно введены компоненты для обработки входного информационного сигнала:

·        блок формирования выходных информационных сигналов ();

·        совокупность информационных входов (–) для входных характеристик изображения (либо характеристик исходного изображения, либо характеристики изображения, полученные после выполнения предыдущей операции);

·        совокупность информационных выходов (–) для формирования выходных характеристик изображения (для подачи на информационные входы нейронов следующей операции обработки).

 

Рис. 1. Упрощенная структура нейронной сети для выбора рациональной стратегии обработки тепловизионных изображений

 

Рис. 2. Структура нейрона нейронной сети для выбора рациональной стратегии обработки тепловизионных изображений

 

В структуру блока формирования выходного сигнала нейрона помимо «сетевых» входов (–) (соединяющих данный нейрон с выходами других нейронов через коммутационный слой) и «сетевого» выхода () (поступающего на коммутационный слой для соединения с входами других нейронов), подключаемых при соединении нейронов в матрицу, дополнительно вводятся:

·        связи, соединяющие блок формирования выходного сигнала нейрона с информационными входами. Для каждого информационного входа нейрона вводится вес (), определяющий степень влияния входной характеристики на выбор алгоритма, сопоставленного с данным нейроном. Веса информационных входов могут определяться каким-либо из экспертных методов;

·        управляющий выход () для управления коммутационными элементами (КЭ).

Рассмотрим организацию и функционирование нейронов сети. Число информационных входов/выходов (n) у всех нейронов сети одинаково:

,

 

где  – максимальное число из количества входных () или выходных () параметров изображения у i-го алгоритма, L – количество алгоритмов изображения в модели (количество нейронов в матрице).

Информационные входы нейронов участвуют в формировании информационных выходов и, кроме того, в соответствии со своими весовыми коэффициентами, влияют на возбуждение нейрона.

Значение информационных выходов нейрона  (с помощью блока формирования выходных информационных сигналов) определяется как:

,

 

где  – вектор-столбец (n), характеризующий состояние информационных выходов,  – вектор-строка (n) характеризующий состояние информационных входов,  – матрица преобразования вход/выход для данного алгоритма.

Таким образом, значения информационных выходов определяются линейной комбинацией значений информационных входов. Значения элементов матрицы  могут быть определены каким-либо из экспертных методов.

Выходной сетевой сигнал нейрона (например, для нейрона yi – ) вычисляется следующим образом.

Сначала вычисляется взвешенная сумма входов нейрона ():

,

 

где  – вес от выхода нейрона xj к входу нейрона yi,  – весовой коэффициент информационного  входа k,  – значение k-го информационного входа.

Затем вычисляется :

 = 1, если ,

 = 0, если ,

 не изменяется, если ,

 

где  – порог нейрона yi.

Кроме того, блоком формирования выходного сигнала нейрона вырабатывается взвешенная сумма входов нейрона ().

Информационные входы/выходы нейронов при объединении их в сеть соединены между собой посредством коммутационных элементов (КЭ) [7].

На рис. 3 представлен фрагмент структуры предложенной сети. На информационные входы нейронов первой строки (первый этап обработки) по информационной шине первой строки поступают все n входных параметров исходного изображения (–). Информационные выходы нейронов первой строки (–) подключаются к соответствующим входам КЭ1,2 для коммутации сигналов на вторую строку матрицы. Информационные выходы КЭ1,2 по информационной шине второй строки подключаются к соответствующим информационным входам нейронов второй строки. Соединения КЭ для остальных строк матрицы аналогичны. Управляющие сигналы  нейронов первого слоя подключаются к соответствующим управляющим входам КЭ1,2. При этом коммутацией на любом этапе обработки можно обеспечить подключение к информационным входам любого нейрона выходных характеристик изображения, обработанного на предыдущем этапе обработки любым выбранным алгоритмом.

 

 

Рис.3. Фрагмент структуры нейронной сети для выбора рациональной стратегии обработки тепловизионных изображений

 

Таким образом, в структуре предлагаемой нейронной сети обеспечивается возбуждение нейрона по двум каналам: «сетевому» (в весах нейронов заложен критерий оптимизации tреш; «информационному» (за счет учета входных характеристик изображения).

Дальнейшее уточнение стратегии обработки может выполняться в процессе обучения предложенной нейронной сети.

Предложенная сеть является модификацией нейронной сети Хопфилда. При этом функция энергии сети должна удовлетворять следующим требованиям: во-первых, должна быть малой только для тех решений, которые имеют по одной единице в каждой строке (для реализации каждой операции обработки изображения может быть выбран только один нейрон); во-вторых, должна оказывать предпочтение решениям с малым временем выполнения операций обработки (tреш).

Выбор алгоритмов для реализации отдельных операций обработки (с учетом значений входных характеристик изображения) обеспечивается введением информационных компонентов в структуру сети и нейронов.

 

Литература

 

1.                 Бобряков А.В. Тепловизионная энергодиагностика зданий и сооружений - объектов бюджетной сферы // Энергоэффективность: опыт, проблемы, решения. – 2005. – Вып.2-3. – С. 42–44.

2.                 Бобряков А.В. Особенности тепловизионного способа определения тепловых потерь ограждающими конструкциями зданий°/ А.В. Бобряков, О.Л. Данилов, А.И. Гаврилов //Энергонадзор и энергосбережение.– 2001. – Спецвып. – С. 52–57.

3.                 Бобряков А. В. Применение нейроподобных однородных вычислительных структур для выполнения алгоритмов локальной фильтрации изображений// Информационный бюллетень Академии военных наук. Смоленск: Изд-во ВУ ВПВО ВС РФ, 1999. – С. 16–21.

4.                 Бобряков А. В. Алгоритмы бинарной обработки изображений на основе нейроподобных однородных вычислительных структур/ Сб. тр. VII Военно-научной конф. Военного ун-та ПВО СВ РФ, Смоленск, 1999. – Смоленск: Изд-во ВУ ПВО СВ РФ, 1999. – С. 78–79.

5.                 Бобряков А.В. Использование нейросетевого подхода для обработки результатов тепловизионных измерений // Нейрокомпьютеры: разработка, применение. – 2007. – №6. – С. 67–80.

6.                 Бобряков А.В. Разработка методических и научно-технических решений для массовой обработки тепловизионных изображений // Вестник МЭИ. – 2007. – №3. – С. 117–121.

7.                 Голяс Ю. Е., Бобряков А. В. Однородная коммутационная структура. Патент РФ № 2136039, Опубл. БИ № 24, от 27.08.1998.

 

НИЛ отраслевых информационно-аналитических систем

ГОУВПО «Московский энергетический институт (технический университет)»

Поступила в редакцию 1.12.2008.