Робастность

Материал из Техническое зрение
(Различия между версиями)
Перейти к: навигация, поиск
 
Строка 1: Строка 1:
  
Разрабатываемые нами алгоритмы, решающие прикладные задачи машинного зрения,
+
Алгоритмы, решающие прикладные задачи машинного зрения,
 
должны работать на реальных изображениях. В то же время каждый, кто на
 
должны работать на реальных изображениях. В то же время каждый, кто на
 
практике пытался конструировать алгоритмы обработки реальных изображений,
 
практике пытался конструировать алгоритмы обработки реальных изображений,
Строка 16: Строка 16:
 
# $\textit{эффекты изменения среды между сенсорами и объектами наблюдения}$ -  задымление, атмосферные осадки, пыль, искусственные помехи и многое другое;
 
# $\textit{эффекты изменения среды между сенсорами и объектами наблюдения}$ -  задымление, атмосферные осадки, пыль, искусственные помехи и многое другое;
 
# $\textit{несинхронность регистрации и обработки данных}$ в динамических задачах, связанная с ограничениями быстродействия компьютерных средств хранения и анализа изображений -  особенно критична для промышленных приложений с заданным временем реакции на событие. Сюда же можно отнести также сбои в компьютерных программах обработки.
 
# $\textit{несинхронность регистрации и обработки данных}$ в динамических задачах, связанная с ограничениями быстродействия компьютерных средств хранения и анализа изображений -  особенно критична для промышленных приложений с заданным временем реакции на событие. Сюда же можно отнести также сбои в компьютерных программах обработки.
 
 
Даже беглый анализ приведенных факторов легко установит практическую
 
невозможность их полного формального математического описания -  вероятностного, радиометрического или геометрического.
 
  
 
Отсутствие формализованного описания ключевых факторов, вносящих
 
Отсутствие формализованного описания ключевых факторов, вносящих
Строка 27: Строка 23:
 
обработки изображений практически невозможно. Так, например, только для
 
обработки изображений практически невозможно. Так, например, только для
 
задачи сегментации графики и текста на цифровых изображениях документов
 
задачи сегментации графики и текста на цифровых изображениях документов
придуманы сотни принципиально различных алгоритмов. Представим себе, что
+
придуманы сотни принципиально различных алгоритмов. При разработке реальных
существует несколько алгоритмов, достигающих примерно одинаковых результатов
+
на "идеальных" изображениях. Тогда возникает естественный вопрос, как
+
сравнить эти алгоритмы по качеству их работы. При разработке реальных
+
 
алгоритмов в настоящее время стандарт "де факто" состоит в проверке
 
алгоритмов в настоящее время стандарт "де факто" состоит в проверке
 
эффективности работы сконструированных алгоритмов на больших выборках
 
эффективности работы сконструированных алгоритмов на больших выборках

Текущая версия на 16:31, 24 сентября 2020

Алгоритмы, решающие прикладные задачи машинного зрения, должны работать на реальных изображениях. В то же время каждый, кто на практике пытался конструировать алгоритмы обработки реальных изображений, хорошо знает, насколько изменчивы и неформализуемы могут быть факторы, влияющие на процесс их обработки и анализа. Вот только основные из этих факторов:


  1. $\textit{помехи и "шум"}$ - имеют десятки видов источников возникновения, к числу которых можно отнести несовершенство сенсоров приемо-передающей аппаратуры и аппаратуры оцифровки изображений, трудные условия съемки, недостаток освещения и ряд других;
  2. $\textit{сложный текстурированный фон}$, на котором должно происходить обнаружение объектов, например, обнаружение штриховой наклейки на схожей с ней по структуре газетной странице и т. п.;
  3. $\textit{эффекты загораживания (заслонения)}$ одних объектов другими объектами, как правило, не определенной заранее формы, например - облако на космофотоснимке и т. п. загораживающие помехи;
  4. искажающие $\textit{оптические эффекты}$ в виде различных расфокусировок, дисторсий объективов, ракурсных искажений и др.;
  5. $\textit{эффекты резкой смены освещения}$, блики, тени, особенно в динамически меняющихся сценах;
  6. $\textit{разнообразие и изменчивость самих объектов}$ - переменная структура (как у текстовых строк, автомобильных номеров или штриховых кодов), возможные дефекты, временные изменения формы (сгибание--разгибание конечностей, движение механических частей машин), вегетационные циклы для растительности и т. п.;
  7. $\textit{эффекты изменения среды между сенсорами и объектами наблюдения}$ - задымление, атмосферные осадки, пыль, искусственные помехи и многое другое;
  8. $\textit{несинхронность регистрации и обработки данных}$ в динамических задачах, связанная с ограничениями быстродействия компьютерных средств хранения и анализа изображений - особенно критична для промышленных приложений с заданным временем реакции на событие. Сюда же можно отнести также сбои в компьютерных программах обработки.

Отсутствие формализованного описания ключевых факторов, вносящих неопределенность в процесс обработки, приводит к тому, что, в отличие от многих других областей обработки сигналов, говорить о существовании единственного оптимального алгоритма для решения той или иной задачи обработки изображений практически невозможно. Так, например, только для задачи сегментации графики и текста на цифровых изображениях документов придуманы сотни принципиально различных алгоритмов. При разработке реальных алгоритмов в настоящее время стандарт "де факто" состоит в проверке эффективности работы сконструированных алгоритмов на больших выборках реальных данных или изображениях, содержащих по возможности все неприятные ситуации. Такие алгоритмы, которые обладают устойчивостью к значительным искажениям и меняющимся факторам, принято называть устойчивыми или $\textit{робастными}$. Робастность следует считать первым основным практическим требованием при разработке алгоритмов машинного зрения.

[править] Полезные ссылки

  1. ☝ К началу
  2. ☜ Требования к алгоритмам машинного зрения
Личные инструменты
Пространства имён

Варианты
Действия
Навигация
Инструменты