Машинное зрение.

Машинное зрение — теория и технология создания вычислительных машин, которые могут производить обнаружение, отслеживание и классификацию объектов. Как научная дисциплина, машинное зрение относится к теории и технологии создания искусственных систем, которые получают информацию из изображений.

Область машинного зрения может быть охарактеризована как молодая, разнообразная и динамично развивающаяся. И хотя существуют более ранние работы, можно сказать, что только с конца 1970-х годов началось интенсивное изучение этой проблемы, когда вычислительные системы смогли управлять обработкой больших наборов данных, таких как изображения. Однако эти исследования обычно начинались с других областей, и, следовательно, нет стандартной формулировки проблемы машинного зрения. Также, и это даже более важно, нет стандартной формулировки того, как должна решаться проблема машинного зрения. Вместо этого, существует масса методов для решения различных строго определённых задач машинного зрения, где методы часто зависят от задач и редко могут быть обобщены для широкого круга применения. Многие из методов и приложений все ещё находятся в стадии фундаментальных исследований, но всё большее число методов находит применение в коммерческих продуктах, где они часто составляют часть большей системы, которая может решать сложные задачи (например, в области медицинских изображений или измерения и контроля качества в процессах изготовления). В большинстве практических применений машинного зрения вычислительные системы предварительно запрограммированы для решения отдельных задач, но методы, основанные на знаниях, становятся всё более общими.

Важную часть в области искусственного разума занимает автоматическое планирование или принятие решений в системах, которые могут выполнять механические действия, такие как перемещение роботизированной системы через некоторую среду. Этот тип обработки обычно нуждается во входных данных, предоставляемых системами машинного зрения, действующими как видеосенсор и предоставляющими высокоуровневую информацию о среде и роботизированной системе. Другие области, которые иногда описываются как принадлежащие к искусственному разуму и которые используются относительно машинного зрения, это распознавание образов и обучающие методы. В результате, машинное зрение иногда рассматривается как часть области искусственного разума или области цифровых вычислительных наук вообще.

Ещё одной областью, связанной с машинным зрением, является обработка сигналов. Многие методы обработки одномерных сигналов, обычно временных сигналов, могут быть естественным путем расширены для обработки двумерных или многомерных сигналов в машинном зрении. Однако из-за своеобразной природы изображений существует много методов, разработанных в области машинного зрения и не имеющих аналогов в области обработки одномерных сигналов. Особым свойством этих методов является их нелинейность, что, вместе с многомерностью сигнала, делает соответствующую подобласть в обработке сигналов частью области машинного зрения.

Помимо упомянутых подходов к проблеме машинного зрения, многие из исследуемых вопросов могут быть изучены с чисто математической точки зрения. Например, многие методы основываются на статистике, методах оптимизации или геометрии. Наконец, большие работы ведутся в области практического применения машинного зрения — того, как существующие методы могут быть реализованы программно и аппаратно или как они могут быть изменены с тем, чтобы достичь высокой скорости работы без существенного увеличения потребляемых ресурсов.


Обработка изображений и Машинное зрение — тесно связанные области. Но до сих пор точно не определено, являются ли они разделами одной, более широкой. При детальном анализе может показаться, что это лишь разные названия одной и той же области. Чтобы не возникало путаницы, принято различать их как направления, сфокусированные на определённом предмете изучения. Ниже представлено описание некоторых из них, наиболее важных:

Обработка изображений или анализ изображений, в основном сосредоточены на работе с двухмерными изображениями, то есть как преобразовать одно изображение в другое. Например, попиксельные операции увеличения контрастности, операции по выделению краёв, устранению шумов или геометрические преобразования, такие как Аффинные преобразования. Данные операции предполагают, что обработка/анализ изображения действуют независимо от содержания самих изображений.

Машинное зрение сосредотачивается на применении, в основном промышленном, например, автономные роботы и системы визуальной проверки и измерений. Это значит, что технологии датчиков изображения и теории управления связаны с обработкой видеоданных для управления роботом и обработка данных в реальном времени осуществляется аппаратно или программно. Также машинное зрение сосредотачивается на обработке трехмерных сцен, спроектированных на одно или несколько изображений. Например, восстановлением структуры или другой информации о трехмерной сцене по одному или нескольким изображениям. Машинное зрение часто зависит от более или менее сложных допущений относительно того, что представлено на изображениях.

Также существует область, названная Визуализация, которая первоначально была связана с процессом создания изображений, но иногда имела дело с обработкой и анализом. Например, рентгенография работает с анализом видеоданных медицинского применения.

Наконец, распознавание образов является областью, которая использует различные методы для получения информации из видеоданных, в основном, основанные на статистическом подходе. Значительная часть этой области посвящена практическому применению этих методов.

Машинное зрение также может быть описано как дополнение (но не обязательно противоположность) биологическому зрению. В биологии изучается зрительное восприятие человека и различных животных, в результате чего создаются модели работы таких систем в терминах физиологических процессов. Машинное зрение, с другой стороны, изучает и описывает системы машинного зрения, которые выполнены аппаратно или программно. Междисциплинарный обмен между биологическим и машинным зрением оказался весьма продуктивным для обеих научных областей.

Подразделы машинного зрения включают воспроизведение действий, обнаружение событий, слежение, распознавание образов, восстановление изображений и некоторые другие.


Типичные задачи машинного зрения.

Каждая из областей применения машинного зрения, описанных выше, связана с рядом задач; более или менее хорошо определённые проблемы измерения или обработки могут быть решены с использованием множества методов. Некоторые примеры типичных задач машинного зрения представлены ниже.

Распознавание.
Классическая задача в машинном зрении, обработке изображений и определение содержат ли видеоданные некоторый характерный объект, особенность или активность. Эта задача может быть достоверно и легко решена человеком, но до сих пор не решена удовлетворительно в машинном зрении в общем случае: случайные объекты в случайных ситуациях.

Существующие методы решения этой задачи эффективны только для отдельных объектов, таких как простые геометрические объекты (например, многогранники), человеческие лица, печатные или рукописные символы, автомобили и только в определённых условиях, обычно это определённое освещение, фон и положение объекта относительно камеры.

В литературе описано различное множество проблем распознавания:

• Распознавание: один или несколько предварительно заданных или изученных объектов или классов объектов могут быть распознаны, обычно вместе с их двухмерным положением на изображении или трехмерным положением в сцене.
  
• Идентификация: распознается индивидуальный экземпляр объекта. Примеры: идентификация определённого человеческого лица или отпечатка пальцев или автомобиля.
  
• Обнаружение: видеоданные проверяются на наличие определённого условия. Например, обнаружение возможных неправильных клеток или тканей в медицинских изображениях. Обнаружение, основанное на относительно простых и быстрых вычислениях иногда используется для нахождения небольших участков в анализируемом изображении, которые затем анализируются с помощью приемов, более требовательных к ресурсам, для получения правильной интерпретации.
  

Существует несколько специализированных задач, основанных на распознавании, например:

• Поиск изображений по содержанию: нахождение всех изображений в большом наборе изображений, которые имеют определённое содержание. Содержание может быть определено различными путями, например в терминах схожести с конкретным изображением (найдите мне все изображения похожие на данное изображение), или в терминах высокоуровневых критериев поиска, вводимых как текстовые данные (найдите мне все изображения, на которых изображено много домов, которые сделаны зимой и на которых нет машин).
  
• Оценка положения: определение положения или ориентации определённого объекта относительно камеры. Примером применения этой техники может быть содействие руке робота в извлечении объектов с ленты конвейера на линии сборки.
  
• Оптическое распознавание знаков: распознавание символов на изображениях печатного или рукописного текста, обычно для перевода в текстовый формат, наиболее удобный для редактирования или индексации (например, ASCII).
  

Движение.
Несколько задач, связанных с оценкой движения, в которых последовательность изображений (видеоданные) обрабатываются для нахождения оценки скорости каждой точки изображения или 3D сцены. Примерами таких задач являются:

• Определение трехмерного движения камеры;
  
• Слежение, то есть следование за перемещениями объекта (например, машин или людей).
  

Восстановление сцены.
Даны два или больше изображения сцены, или видеоданные. Восстановление сцены имеет задачей воссоздать трехмерную модель сцены. В простейшем случае, моделью может быть набор точек трехмерного пространства. Более сложные методы воспроизводят полную трехмерную модель.


Восстановление изображений.
Задача восстановления изображений это удаление шума (шум датчика, размытость движущегося объекта и т. д.). Наиболее простым подходом к решению этой задачи являются различные типы фильтров, таких как фильтры нижних или средних частот. Более сложные методы используют представления того, как должны выглядеть те или иные участки изображения, и на основе этого их изменение.
Более высокий уровень удаления шумов достигается в ходе первоначального анализа видеоданных на наличие различных структур, таких как линии или границы, а затем управления процессом фильтрации на основе этих данных.

В курсе рассматриваются как базовые понятия машинного зрения, так и ряд современных алгоритмов, позволяющих решать практические задачи. Отдельно отмечается связь методов машинного зрения с обработкой зрительной информации в мозгу человека. Курс подготовлен при поддержке Microsoft Research.

Программа курса:
1.1 Введение и машинное зрение и устройство зрительной системы человека.
2.2 Обработка изображений.
3.3 Простые методы анализа изображений.
4.4 Представление изображений.
5.5. Локальные особенности.
6.6 Оценка параметров моделей.
7.7 Машинное обучение и классификация изображений.
8.8 Поиск и локализация объектов.
9.9 Задачи на больших коллекциях изображений.
10.10 Поиск изображений по содержанию.
11.11 Основы видеонаблюдения.
12.12 Распознавание событий в видео.
13.13 Машинное зрение в реальном времени

www.lektorium.tv


Курс прочитан в Лаборатории компьютерной графики и мультимедиа ВМК МГУ имени М.В. Ломоносова. Лаборатория создана в 1998 году Юрием Матвеевичем Баяковским, одним из пионеров компьютерной графики в России, членом ACM SIGGRAPH Computer Graphics Pioneers Club. Сотрудниками лаборатории читаются курсы по компьютерной графике, фотореалистичной визуализации, компьютерному зрению, обработке видео и 3D видео.

Курс "Машинное зрение" 2011г.

www.youtube.com













и так далее...

Название: Компьютерное зрение. Современный подход
Автор: Форсайт Д.А., Понс Ж.
Издательство: Вильямс
Год: 2004
Формат: djvu
Язык: Русский
Размер: 15,6 МБ



Компьютерное зрение - это одна из самых востребованных областей на данном этапе развития глобальных цифровых компьютерных технологий. Оно требуется на производстве, при управлении роботами, при автоматизации процессов, в медицинских и военных приложениях, при наблюдении со спутников и при работе с персональными компьютерами, в частности поиске цифровых изображений.
Книга ориентирована на широкий круг читателей, интересующихся данной областью, в первую очередь - на студентов и преподавателей технических вузов, занимающихся вычислительной геометрией, компьютерной графикой, обработкой изображений, работой с изображениями вообще и робототехникой.

Книга построена в форме сборника лекций (по возможности независимых), посвященных разнообразным вопросам, так что ее можно использовать как учебник по компьютерному зрению.

Скачать_ссылка1
Скачать_ссылка2

Лекция.
Компьютерное зрение, 20 апреля 2013.

Александр Крайнов.

Менеджер проектов Яндекса, специалист по компьютерному зрению и обработке медиаданных.

Область применения компьютерного зрения очень широка: от считывателей штрихкодов в супермаркетах до дополненной реальности. На лекции мы поговорим о том, где используется и как работает компьютерное зрение, как выглядят изображения в цифрах, какие задачи в этой области решаются относительно легко, какие трудно, и почему.

events.yandex.ru__Смотреть

Зрение. Информационный подход к изучению представления и обработки зрительных образов.
Марр Д. (1987г.) Скачать



Книга посвящена информационной теории зрения Д. Марра, получившей в настоящее время широкую известность, но до сих пор на русском языке не излагавшейся. Суть теории Марра состоит в том, что в основе зрительного восприятия лежат процессы сбора, представления, обработки и распознавания информации, отражающей свойства наблюдаемого человеком реального мира. Приводятся методологические предпосылки, описание используемого информационного подхода, структура, предлагаемая для представления процесса зрительного восприятия в целом, и путь, который привел к ее формированию. Основное содержание книги составляет информационный анализ феномена зрения человека, а именно способы построения вывода (алгоритмов), позволяющего по структуре изображения судить о структуре реального мира, а также обсуждение физических ограничений и допущений, обеспечивающих возможность построения такого вывода. Значительное внимание уделяется иерархии представлений зрительной информации, способам формализации описаний изображения и элементам, из которых они могут и должны строиться, - признакам, стереозрению, использованию движения для восстановления трехмерной структуры реальной сцены по последовательности изображений и использованию результатов всех связанных со зрительным восприятием процессов для приведения изображений к виду, удобному для распознавания, и реализации последнего. Информационная теория зрения развивается в книге при сопоставлении и соединении тезисов автора с известными данными по психофизике и нейрофизиологии зрительной системы человека и методами обработки информации, используемыми в автоматизированных системах обработки и распознавания изображений.
Книга предназначена для научных работников, специализирующихся в области информатики и вычислительной техники, разработчиков автоматизированных систем обработки и распознавания изображений, специалистов в области распознавания образов, искусственного интеллекта, психологии и физиологии восприятия, обработки информации на ЭВМ, автоматизации научных исследований, студентов и аспирантов соответствующих специальностей, а также для всех интересующихся проблемой зрения.

Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976г.



Издательство «МИР», Москва 1976. Перевод с английского Г. Г. Вайнштейна и А. М. Васьковского, под редакцией В. Л. Стефанюка, 509 страниц.
Тематика книги связана с исследованиями по созданию интегральных роботов, способных к целенаправленным действиям в сложных условиях. В последние годы такие исследования интенсивно проводятся в разных странах. В книге полно и систематически изложены методы распознавания образов и дан анализ пространственных сцен по их плоскому изображению. Существующие в области распознавания образов методы авторы рассматривают с новых, нестандартных точек зрения. В конце каждой главы приводится список задач. Книга доступна широкому кругу читателей, интересующихся или работающих над созданием искусственного интеллекта. Она может служить хорошим вводным курсом для студентов, специализирующихся в этой области.

Скачать