Obraz tanıma nəzəriyyəsi

Obraz tanıma nəzəriyyəsi — bəzi xüsusiyyətlər və atributların məhdud dəsti ilə xarakterizə olunan obyektlərin, hadisələrin, proseslərin, siqnalların, vəziyyətlərin və s. obyektlərin təsnifləşdirilməsi və müəyyənləşdirilməsinin əsaslarını və metodlarını inkişaf etdirən kompüter elmləri və əlaqəli fənlər bölümü. Bu cür problemlərə, məsələn, yol siqnallarına görə küçəni keçərkən və ya avtomobil idarə edərkən rast gəlinir. İşıqforun rəngini tanımaq və yol qaydalarını bilmək küçəni keçib-keçə bilməyəcəyiniz barədə düzgün qərar qəbul etməyə imkan verir.

Bu cür tanıma ehtiyacı müxtəlif sahələrdə — hərbi işlərdən və təhlükəsizlik sistemlərindən analoq siqnalların rəqəmsallaşdırılmasına qədər yaranır.

Təsvirin tanınması problemi, insanın özünə gələn mesajları xətti-ardıcıl dərk etməsinin öhdəsindən gəlmədiyi hallarda böyük əhəmiyyət kəsb edir. Bu hallarda beyin bu cür tanıma ilə xarakterizə olunan eynizamanlı qavrayış və düşünmə rejiminə keçir və məlumatın həddən artıq yüklənməsi baş verir.

Təsadüfi deyil ki, naxış tanıma problemi, fənlərarası tədqiqat sahəsində, o cümlədən süni intellektin yaradılması ilə əlaqədar olaraq ortaya çıxıb və nümunələrin tanınması üçün texniki sistemlərin yaradılması getdikcə diqqəti cəlb edir.

İki əsas sahəsi vardır ^[1]:

• Canlı varlıqların tanıma qabiliyyətlərinin öyrənilməsi, izahı və modelləşdirilməsi;
• Tətbiqi məqsədlər üçün fərdi problemlərin həlli üçün nəzərdə tutulmuş qurğuların qurulması nəzəriyyəsi və metodlarının inkişafı.

Obrazın tanınması, bu məlumatları qeyri-vacib məlumatların ümumi kütləsindən xarakterizə edən əsas xüsusiyyətləri vurğulamaqla mənbəli məlumatların müəyyən bir sinfə təyin edilməsidir.

Tanıma problemlərini təyin edərkən, süni neyron şəbəkələri nəzəriyyəsindən fərqli olaraq^[2] səy göstərərək riyazi dili istifadə etməyə çalışırlar, burada əsas təcrübə nəticəsində nəticə əldə etmək, sınağı məntiqi əsaslandırma və riyazi sübutlarla əvəz etməkdir ^[3].

Obrazı tanıma probleminin klassik formalaşdırılması ^[4]: ​​Bir çox obyekt verilmişdir. Onlara münasibətdə bir təsnifat aparmaq lazımdır. Bir dəst siniflər adlanan alt dəstlərlə təmsil olunur. Verilmişdir: siniflər haqqında məlumat, bütün dəstin təsviri və müəyyən bir sinfə üzv olduğu bilinməyən bir obyekt haqqında məlumatın təsviri. Siniflər və obyektin təsviri haqqında mövcud məlumata görə, bu obyektin hansı sinfə aid olduğunu müəyyənləşdirmək tələb olunur.

Çox vaxt monoxrom görüntülər nümunə tanıma problemlərində nəzərə alınır, bu da görüntüyü təyyarədəki bir funksiya olaraq nəzərdən keçirməyə imkan verir. ${\displaystyle T}$ müstəvisinə qoyulmuş bir nöqtəni nəzərdən keçirsək, burada ${\displaystyle f(x,y)}$ şəklin hər nöqtəsində öz xarakterin — parlaqlıq, şəffaflıq, optik sıxlığı ifadə edir; rəsmi görüntü qeydiyyatı.

Ancaq bütün mümkün funksiyaların dəsti ${\displaystyle f(x,y)}$ təyyarədə ${\displaystyle T}$ bütün görüntülər dəstinin ${\displaystyle X}$ modelidir. Şəkillər arasındakı oxşarlıq anlayışını tanıdaraq tanıma problemi yarada bilərik. Belə bir formalaşmanın xüsusi forması, bir yanaşma və ya digərinə uyğun olaraq tanınmanın sonrakı addımlarından çox asılıdır.

Optik obrazın tanınması üçün bir cismin görünüşünü müxtəlif bucaqlarda, tərəzidə, ofsetdə və s. Sıralama üsulunu tətbiq edə bilərsiniz. Məktublar üçün şrift, şrift xüsusiyyətləri və s. üzrə sıralamaq lazımdır.

İkinci yanaşma, obyektin konturunu tapmaq və onun xüsusiyyətlərini (bağlantı, açıların olması və s.) araşdırmaqdır.

Digər bir yanaşma süni neyron şəbəkələrindən istifadə etməkdir. Bu üsul ya tanıma probleminin çox sayda nümunəsini (düzgün cavablar ilə) və ya bu problemin xüsusiyyətlərini nəzərə alan xüsusi bir sinir şəbəkəsini tələb edir.

Vəziyyəti, quruluşu və funksional xüsusiyyətləri təsvir edilən bəzi fiziki sistemdə psixoloji hadisələrin necə yarana biləcəyini göstərmək olan beyin modeli konsepsiyasını təqdim edən Frenk Rozenblat, ayrı-seçkilik mövzusunda ən sadə təcrübələri izah etdi. Bu təcrübələr tamamilə nümunə tanıma metodları ilə əlaqədardır, lakin həll alqoritminin müəyyənedici olmadığı ilə fərqlənir.

Müəyyən bir sistem haqqında psixoloji cəhətdən əhəmiyyətli məlumat əldə etmək mümkün olan ən sadə təcrübə, modelə iki fərqli stimulun təqdim edildiyi və bunun fərqli şəkildə onlara reaksiya verməsi tələb olunur. Belə bir eksperimentin məqsədi, eksperimentatorun müdaxiləsi olmadığı təqdirdə sistem tərəfindən kortəbii ayrı-seçkilik etmə ehtimalının öyrənilməsi və ya əksinə, eksperimentator sistemin lazımi təsnifatı həyata keçirmək üçün təlim keçməsinə çalışmasıdır.

Perseptronun tədrisi ilə aparılan təcrübədə ümumiyyətlə fərqlənəcək siniflərin hər birinin nümayəndələrini daxil edən müəyyən ardıcıllıqla şəkillər təqdim olunur. Yaddaş modifikasiyasının bəzi qaydalarına uyğun olaraq, düzgün reaksiya seçimi gücləndirilir. Sonra nəzarət stimulu perkestrona təqdim olunur və bu sinifin stimullarına düzgün cavab almaq ehtimalı müəyyənləşdirilir. Seçilən idarəetmə stimulunun təlim ardıcıllığında istifadə olunan görüntülərdən biri ilə üst-üstə düşməməsindən və ya uyğun gəlməməsindən asılı olaraq fərqli nəticələr əldə edilir:

1. Nəzarət stimulu təlim stimullarının heç biri ilə üst-üstə düşmürsə, təcrübə yalnız təmiz fərq ilə deyil, ümumiləşdirmə elementlərini də əhatə edir.
2. Nəzarət stimulu, eyni sinifin əvvəllər təqdim edilmiş stimulları ilə aktivləşdirilmiş olan elementlərdən tamamilə fərqli bir hissə hissəsini həyəcanlandırırsa, təcrübə saf ümumiləşdirmə işidir.

Perseptronların sırf ümumiləşdirmə qabiliyyəti yoxdur, lakin ayrı-ayrılıqda eksperimentlərdə olduqca qənaətbəxş fəaliyyət göstərirlər, xüsusən nəzarət stimulu qavrayışın artıq təcrübə qazandığı görüntülərdən birinə yaxından baxsalar.

• Аркадьев А. Г., Браверман Э. М. Обучение машины распознаванию образов. — М.: Наука, 1964
• Бонгард М. М. Проблема узнавания.— М.: Физматгиз, 1967.
• А. Г. Аркадьев, Э. М. Браверман. Обучение машины классификации объектов. М.: Наука, 1971.
• Горелик А. Л., Скрипкин В. А. Методы распознавания (4-е изд). М.: Высшая школа. 1984, 2004.
• Вапник, Владимир Наумович, Червоненкис, Алексей Яковлевич. Теория распознавания образов. М.: Наука. 1974.
• Васильев В. И. Распознающие системы. Справочник (2-е изд). К.: Наукова думка. 1983.
• Л. Шапиро, Дж. Стокман. Компьютерное зрение. М.: Бином. Лаборатория знаний. 2006 [Computer Vision]. ISBN 5-947-74384-1.
• Фомин, Ярослав Алексеевич. Распознавание образов: теория и применения (2-е изд). М.: ФАЗИС. 2012. ISBN 978-5-7036-0130-4.
• Фомин, Ярослав Алексеевич, Тарловский, Геннадий Рудольфович. Статистическая теория распознавания образов. М.: Радио и связь. 1986.
• Форсайт Дэвид А., Понс Джин. Компьютерное зрение. Современный подход. М.: Вильямс (издательство). 2004 [Computer Vision: A Modern Approach]. ISBN 0-13-085198-1.
• Чэн Ш.-К. Принципы проектирования систем визуальной информации. М.: Мир. 1994.
• Лбов Г. С. Методы обработки разнотипных экспериментальных данных. Новосибирск: Наука. 1981.
• Барабаш Ю. Л., Варский Б. В., Зиновьев В. Т. Вопросы статистической теории распознавания. М: Советское радио. 1967.

• Yuriy Lifşits. Kurs «Современные задачи теоретической информатики» Arxivləşdirilib 2008-10-15 at the Wayback Machine — Obraz tanıma, üz tanıma, mətn təsnifatı üçün statistik metodlardan mühazirələr  (rus.)
• Journal of Pattern Recognition Research (Obraz Tanıma Araşdırma Jurnalı)  (ing.)