Сравнительный анализ методов распознавания образов

XXI век называют временем, когда человечество вошло в информационный период развития. Это значит, что информация является основным товаром и играет определяющую роль. В такое время трудно представить себе жизнь без информационных технологий и автоматизации. Особенно важна автоматизация рутинных операций, которые при этом требуют некоторого интеллектуального анализа поступающей информации.

К таким операциям относят распознавание образов. В данной статье автором будут даны основополагающие определения предметной области, рассмотрены современное состояние теории распознавания образов и методы, используемые для распознавания. Выводом будет выбор метода распознавания для задачи получения значений показателей со снимка кристаллографии ротовой жидкости.

Теория распознавания образов – раздел информатики, развивающий теоретические основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т.п. объектов, которые характеризуются конечным набором некоторых свойств и признаков.

Создание искусственных систем распознавания образов остаётся сложной теоретической и технической проблемой. Традиционно задачи распознавания образов включают в круг задач искусственного интеллекта.

Следует уточнить, с какими типами информации работают в рамках теории распознавания образов. Распознавать можно следующее:

– изображения (графические образы);

– аудиосигналы (речь в аудиопотоке); видеосигналы;

– семантические конструкции в текстах.

В данной работе рассматривается распознавание графических образов. Графическими образами может быть огромное количество объектов: автомобильные номера, лица на фотоснимке, геометрические фигуры на рентгеновских снимках и т.д.

Сейчас распознавание этих образов используется повсеместно. Например, система для автоматического выставления штрафов ГАИ использует распознавание автомобильных номеров.

Методы распознавания образов в целом и графических образов в частности создаются и совершенствуются довольно давно.

Например, известны работы Р. Фишера, выполненные в 20-х гг. прошлого века и приведшие к формированию дискриминантного анализа как одного из разделов теории и практики распознавания.

В 40-х гг. А.Н. Колмогоровым и А.Я. Хинчиным поставлена задача о разделении смеси двух распределений. В 50-60-е гг. ХХ в. на основе массы работ появилась теория статистических решений. В результате этого были спроектированы алгоритмы для классификации объектов.

Все методы распознавания образов можно объединить в 3 группы:

• 1.    Группа методов перебора.

• 2.    Анализ характеристик объектов.

• 3.    Искусственные нейронные сети.

Методы перебора. В этом случае производится сравнение с базой данных, где для каждого вида объектов представлены всевозможные модификации отображения. Например, для графических образов можно применить метод перебора вида объекта под различными углами, масштабами, смещениями, деформациями и т. д. Среди достоинств этой группы методов можно выделить простоту реализации. Однако среди недостатков есть очень важный параметр – большие временные и ресурсные затраты на работу алгоритма. Ещё одним существенным недостатком является необходимость создания большой базы данных и её постоянное ручное обновление.

Анализ характеристик объекта . В случае распознавания графических образов это может быть определение различных геометрических характеристик (например, поиск определённых известных геометрических структур на рентгеновском снимке). Данная группа методов подходит не для всех задач распознавания.

Искусственные нейронные сети (ИНС). Этот метод требует либо большого количества примеров задачи распознавания при обучении, либо специальной структуры нейронной сети, учитывающей специфику данной задачи. Но так как нейронные сети применяют для поиска решения математический аппарат, а не простой перебор и сравнение с базой данных, то этот метод отличается меньшими затратами ресурсов и большей эффективностью. Кроме того, существенным достоинством ИНС является то, что системы на базе нейронных сетей могут самообу-чаться и генерировать новые знания, что позволяет проводить распознавание объектов с неизвестными характеристиками. Конечно, у ИНС есть и недостатки. Например, необходимость проектировать специальную структуру нейронной сети, что может сделать только квалифицированный специалист. Помимо этого, как было сказано выше, ИНС необходимо предварительно обучить. Обучение за- ключается в решении тестовых примеров и сравнении с правильными данными.

Теперь, когда были перечислены известные методы распознавания образов и выявлены их достоинства и недостатки, можно сделать вывод о том, какой метод предпочтительнее для задачи получения значений показателей со снимка кристаллографии ротовой жидкости. Основываясь на том, что исследуемая предметная область не полностью изучена, а также учитывая трудности в создании большой базы данных, можно сказать, что наиболее предпочтительным методом для вышеуказанной задачи будут искусственные нейронные сети.