Управление качеством визуальных данных c использованием информационной модели

Исследованы методы и принципы управления качеством объектов визуальных данных с учетом потребностей и ожиданий заинтересованных сторон. Рассмотрены подходы, направленные на повышение качества объектов визуальных данных, создание надежных программных систем с использованием алгоритмов, основанных на разреженном представлении данных. Приведены математические модели, соответствующие им оптимизационные задачи, а также описаны методы и подходы к их решению. Представлены результаты анализа влияния параметров разреженного кодирования на эффективность работы алгоритмов управления качеством объектов визуальных данных

Виктор Ястребов

Yastrebov V. A.

Управление качеством визуальных данных c использованием информационной модели

THE QUALITY CONTROL OF VISUAL DATA USING INFORMATION MODEL

Исследованы методы и принципы управления качеством объектов визуальных данных с учетом потребностей и ожиданий заинтересованных сторон. Рассмотрены подходы, направленные на повышение качества объектов визуальных данных, создание надежных программных систем с использованием алгоритмов, основанных на разреженном представлении данных. Приведены математические модели, соответствующие им оптимизационные задачи, а также описаны методы и подходы к их решению. Представлены результаты анализа влияния параметров разреженного кодирования на эффективность работы алгоритмов управления качеством объектов визуальных данных.

The methods and principles of quality control methods considering the needs and expectations of the concerned sides are regarded. The approaches towards the quality improvement of visual data objects, developing robust software systems using the sparse-coding based algorithms are considered. The mathematical models and corresponding optimization problems are shown; the methods and approaches to their solutions are described. The results of analysis of sparse-coding parameters influence at the efficiency of quality control algorithms of visual data objects are presented.

Ключевые слова: управление качеством объектов, модели состояния качества объектов, управление качеством продукции

Key words: the quality control of objects, the state quality models of objects, the quality control of products

Введение

Применительно к программной продукции согласно ГОСТ Р ИСО МЭК 9126-93 под уровнем качества функционирования следует понимать степень, в которой удовлетворяются условия потребности, представленные конкретным набором значений для характеристик качества. Программный продукт при этом можно рассматривать как материальный объект, обладающий характеристиками определенного качества.

На сегодняшний день большое внимание уделяется разработке методов управления качеством визуальных данных, позволяющих обеспечить требуемое качество функционирования при изменяющихся характеристиках сети передачи данных. Возникновение ошибок или перегрузок в такой сети может привести к искажениям, что без соответствующей их обработки, снижает качество функционирования программной системы для конечного потребителя.

Один из подходов к решению представленной задачи основывается на повторной передаче данных, однако он не всегда практически осуществим, в частности в случае отсутствия обратной связи между источником и получателем данных (например, при обработке спутникового сигнала. Другой подход основывается на проведении реконструкции объектов визуальных данных (осуществления операции маскировании искажений) с целью максимизации похожести обработанных данных с исходными.

ГОСТ Р ИСО/МЭК 25010-2015 [2] выделяет удовлетворенность как одну из важнейших характеристик модели качества взаимодействия пользователя с программной системой. Она во многом определяется удовольствием и комфортом, получаемым пользователем от работы с программной системой.

В соответствии с вышеизложенным, на сегодняшний день задача управления качеством объектов визуальных данных с использованием методов реконструкции исключительно на приемной стороне является крайне актуальной. Как было показано ранее [3] можно выделить несколько направлений к построению алгоритмов повышения качества визуальной информации, и одно из наиболее перспективных базируется на использовании информационной модели, основанной на разреженном кодировании данных [1].

Особенности применения разреженного кодирования в задаче управления качеством объектов визуальных данных

Рассмотрим эффективность применения разреженного кодирования в задаче повышения качества изображений на примере использования метода K-SVD [4] для обучения словаря.

Алгоритм K-SVD применяет итеративную процедуру для последовательного обновления базисов, входящих в состав начального (инициализирующего) словаря. Инициализирующий словарь может состоять из патчей, собранных непосредственно с обрабатываемого изображения, базисных векторов преобразования, например, дискретно-косинусного или вейвлет преобразования. Под патчем понимается вектор-столбец, содержащий значения интенсивностей пикселей изображения, формирующих квадратный блок, расположенный на заданных координатах.

Итеративность алгоритма K-SVD заключается в последовательном переключении между этапом разреженного кодирования и этапом обновления словаря. Для обеспечения сходимости алгоритма после обновления словаря производится обновление соответствующего вектора, содержащего коэффициенты разреженного представления.

Каждая итерация алгоритма K-SVD содержит два основных этапа:

· этап разреженного кодирования патчей;

· этап обновления атомов словаря.

Описание схемы экспериментов

Существует ряд задач, в которых требуется осуществлять повышение качества визуальных данных. К одной из таких задач можно отнести маскирование искажений на стороне декодера вследствие потери пакетов в сети передачи данных. При проведении экспериментов модель канала передачи данных определялась дискретной Марковской моделью с двумя состояниями в соответствии с моделью канала Гильберта.

В ходе экспериментов проводился анализ качества восстановления регионов изображений, при 10% вероятности потери пакета, содержащего блок изображения размера 4 × 4 пикселя. При этом Марковской модели были заданы следующие переходные характеристики: P_loss,g = 0; P_loss,b=0, P_gb=0.11, P_bg=0.9.

В качестве тестовых данных были выбраны изображения из стандартного тестового набора [1], размер патчей был принят размером 8×8 пикселей, а количество атомов в словаре - 256. Для проведения анализа эффективности восстановления регионов изображений производилось 10 искаженных изображений, каждое из которых подвергалось восстановлению с зафиксированными параметрами разреженного кодирования. В качестве критерия оценки качества восстановления использовалось среднее значение PSNR по восстановленным изображениям.

Зависимость качества восстановления регионов изображений от количества патчей, используемых для тренировки словаря, приведена в табл. 1. В каждом эксперименте проводилось 3 итерации обновления словаря, а максимальное количество ненулевых коэффициентов в представлении патчей было ограничено 5 элементами.

Таблица 1. Объективное сравнение по критерию среднего PSNR влияния количества патчей для тренировки словаря на качество восстановления изображений

Анализируя данные табл. 1 следует отметить, что на изображениях “Baboon” и “Barbara” преобладает текстурная информация, что приводит к возрастанию влияния количества патчей для тренировки словаря на качество восстановления. Изображения “Lena” и “Peppers” представлены, в основном, структурными регионами, и увеличение количества тренировочных патчей не способствует улучшению качества их восстановления.

Заключение

В результате проведенных исследований было выявлено, что с ростом количества патчей для тренировки словаря наибольший прирост качества восстановления наблюдается на изображениях, содержащих большое количество текстурных регионов.

Полученные результаты могут быть использованы для построения надежных систем обработки визуальной информации, в частности в условиях передачи данных по сетям с негарантированной доставкой.

Список использованной литературы

1. База данных изображений SIPI. http://sipi.usc.edu/database/database.php?volume=misc (дата обращения: 19.12.2016).

2. ГОСТ Р ИСО/МЭК 25010-2015. Информационные технологии. Системная и программная инженерия. Требования и оценка качества систем и программного обеспечения (SQuaRE). Модели качества систем и программных продуктов. [Текст] – М.: Стандартинформ, 2015. – 30с.

3. Ястребов В.А., Веселов А.И., Гильмутдинов М.Р. Базовые методы и принципы построения алгоритмов восстановления регионов изображений. [Текст] - Информационно-управляющие системы. 2015. №5. С. 34-42. doi:10.15217/issn1684-8853.2015.5.34

4. Aharon M., Elad M., Bruckstein A. K-SVD: An Algorithm for Designing Overcomplete Dictionaries for Sparse Representation. // IEEE Transactions on Signal Processing. 2006. №. 54, pp. 4311–4322.

1. SIPI image database. http://sipi.usc.edu/database/database.php?volume=misc (accessed: 19 December 2016).

2. ISO/IEC 25010-2015. Information Technologies. Systems and software engineering. Systems and software Quality Requirements and Evaluation (SQuaRE). The quality models of systems and software.– Moscow.: Standartinform, 2015. – 30p.

3. Yastrebov V. A., Veselov A. I., Gilmutdinov M. R. Basic Methods and Principles of Developing Image Inpainting Algorithms. Informatsionno-upravliaiushchie sistemy [Information and Control Systems], 2015.vol. 5. pp. 34-42 (In Russian). doi:10.15217/issn1684-8853.2015.5.34

4. Aharon M., Elad M., Bruckstein A. K-SVD: An Algorithm for Designing Overcomplete Dictionaries for Sparse Representation. IEEE Transactions on Signal Processing. 2006, vol. 54, pp. 4311–4322.

Полная версия статьи доступна подписчикам электронного журнала.

01.06.2017

---

448

Поделиться: