Повышение качества обработки визуальных данных в автоматизированных производственных системах

Д.т.н., проф. Е.Г. Семенова, В.А. Виктор Ястребов

Ph. D., professor, E.G. Semenova, V.A. Yastrebov

ПОВЫШЕНИЕ КАЧЕСТВА ОБРАБОТКИ ВИЗУАЛЬНЫХ ДАННЫХ В АВТОМАТИЗИРОВАННЫХ ПРОИЗВОДСТВЕННЫХ СИСТЕМАХ

Статья посвящена исследованию методов улучшения качества обработки визуальных данных. Сформулированы задачи, связанные с передачей визуальных данных между разнообразными компонентами автоматизированной системы.Представлены формулы для решения оптимизационных задач, лежащих в основе работы алгоритма, использующего разреженное кодирование данных, описаны методы и подходы к их решению. Приведена экспериментальная модель, позволяющая оценить качество работы алгоритма, основанного на разреженном кодировании данных в задаче маскирования искажений.

Ключевые слова: качество, разреженное кодирование, улучшение качества визуальных данных

IMPROVEMENT OF QUALITY OF VISUAL DATA PROCESSING IN AUTOMATED PRODUCTION SYSTEMS

The article is devoted to the investigation of methods for improving the quality of visual data processing. The tasks connected with the transfer of visual data between various components of the automated system are formulated. The formulas for solving optimization problems underlying the work of the algorithm using sparse data coding are presented, methods and approaches to their solution are described. The experimental model allowing estimating the quality of the algorithm based on sparse data coding in the masking of distortions is presented

Keywords: quality, sparse coding, improvement of visual data quality

Введение

За последние десятилетия на предприятиях все шире используются информационные комплексы и автоматизированные производственные системы, основанные на новейших достижениях науки и техники в области компьютерных и сетевых технологий. При этом все большее внимание уделяется повышению качества работ на базе стандартизации.

Развитие глобальных информационных сетей и интегрированных производственных комплексов привело к становлению новых методов информационной поддержки жизненного цикла разнообразных объектов, качество функционирования которых во многом обеспечивается разработкой эффективных алгоритмов обработки данных и, в частности, визуальной информации, а также построением программных средств, обеспечивающих необходимый уровень качества функционирования, отвечающего поставленным требованиям.

Согласно ГОСТ Р ИСО МЭК 9126-93 [1] одним из важнейших требований к программному продукту как материальному объекту является надежность. Стандарт определяет надежность как набор атрибутов, относящихся к способности программного обеспечения сохранять свой уровень качества функционирования при установленных условиях за установленный период времени. В конечном итоге это определяет уровень функциональных возможностей систем, а также степень удовлетворенности специалистов, отвечающих за успешность выполнения производственных задач.

Согласно ГОСТ Р ИСО/МЭК 25010-2015 [2] удовлетворенность характеризуется способностью продукта или системы удовлетворять пользователя в заданном контексте использования. Применительно к современным автоматизированным комплексах все большую роль приобретают задачи, связанные с передачей визуальных данных между разнообразными компонентами системы. При этом возможно возникновение потерь, которыемогут привести к значительным визуальным искажениям, что без соответствующей их обработки, может вызвать снижение надежности программной системы и ухудшить качество функционирования автоматизированной системы в целом.

Один из подходов к решению представленной задачи предполагаетвозможность повторной передачи данных, однако он не всегда практически осуществим. Альтернативнымвариантом являетсямаскирование искажений, позволяющее уменьшить влияние данных потерь. Как было показано ранее [3] одним из наиболее перспективных направленийв этой области является использование разреженного кодирования данных.

Особенности применения разреженного кодирования в задаче управления качеством объектов визуальных данных

Рассмотрим задачу разложения сигнала, описывающего визуальную информацию, по заданному базису. Введем в рассмотрение вещественный одномерный дискретный сигнал конечной длины. Введем также в рассмотрение избыточный базис , содержащий K столбцов .Такой избыточный базис D будем называть словарем, а векторы, содержащиеся в нем, атомами. Количество атомов k, содержащихся в словаре D, превышает размерность n разлагаемого сигнала . Таким образом, в нем содержатся не только ортогональные базисы, но также и набор векторов, каждый из которых, представляет собой их линейную комбинацию.

Будем полагать, что вектор является представлением сигнала в трансформированной области, определяемой словарем D, а значит, он содержит коэффициенты линейной комбинации нескольких атомов d_j. При этом, если в содержится небольшое количество ненулевых коэффициентов s(s≪n), то принято полагать, что является разреженным представлением сигнала .

Таким образом, для нахождения вектора , содержащего наименьшее количество ненулевых коэффициентов, следует решать следующую оптимизационную задачу, направленную на повышение аппроксимации объектов визуальных данных:

где - обозначает l₀–квази-норму, которая численно равна количеству ненулевых коэффициентов в векторе.

Описание схемы экспериментов

При проведении экспериментов осуществлялся анализ качества восстановления регионов изображений. Такая задачаявляется актуальной, в частности,при маскировании искажений на стороне декодера вследствие потери пакетов в сети передачи данных.В модели канала передачи данных, определяемом дискретной Марковской моделью с двумя состояниями в соответствии с моделью канала Гильбертавероятность потери пакета была установлена равной 10%, размер блока изображения - 4×4 пикселя.

Для решения задачи использовался алгоритм, основанный на разреженном представлении данных. В процессе экспериментов производилось 10 искаженных изображений, каждое из которых подвергалось восстановлению с зафиксированными параметрами разреженного кодирования. В качестве тестовых данных были выбраны изображения из стандартного тестового набора [4], размер патчей был принят размером 8×8 пикселей, а количество атомов в словаре - 256. В качестве критерия оценки качества восстановления использовалось среднее значение PSNR по восстановленным изображениям.

Зависимость качества восстановления регионов изображений от количества итераций обновления словаря, приведена в таблице. В каждом эксперименте в разреженномпредставлении патча могло быть максимум 5 ненулевых коэффициентов, а на каждой итерации для тренировки словаря использовалось 65000 патчей.

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

Анализируя данные, представленные в таблице 1, следует отметить, что количество итераций обновления словаря имеет наибольшее влияние в случае обработки изображений, содержащих как большое количество текстурной информации, так и наоборот - изображений, содержащих, в основном, структурную. В первом случае это связано с возможностью словарей с одной стороны “запоминать” повторяющиеся особенности данных, а с другой – со способностью изменения отдельных атомов для адаптации к однородным входным данным.

Заключение

В статье приведены оптимизационные задачи, лежащие в основе работы алгоритма, основанного на разреженном кодировании данных, описаны методы и подходы к их решению. Представлены результаты анализа влияния количества итераций обновления словаря на эффективность работы алгоритмаулучшения качества визуальных данных.

Полученные результаты могут быть использованы для повышения качества обработки визуальных данных в автоматизированных производственных системах и, в частности, при решении задач, связанных с передачей визуальных данных между разнообразными компонентами системы по каналам с негарантированной доставкой.

Список использованной литературы

1.ГОСТРИСО/МЭК 9126-93. Информационнаятехнология. Оценкапрограммнойпродукции. Характеристикикачестваируководствапоихприменению.[Текст] – М.: Стандартинформ, 1994. – 13с.

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. – 36с.

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

4. База данных изображений SIPI. http://sipi.usc.edu/database/database.php?volume=misc (дата обращения: 17.04.2017).

01.07.2017

---

448

Поделиться: