Решение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы,




Скачать 83.44 Kb.
НазваниеРешение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы,
Дата публикации16.09.2014
Размер83.44 Kb.
ТипРешение
shkolnie.ru > Информатика > Решение




Метод управления Онтологией ПОНИМАНИЯ изображения1

П. Астрелли2, С. Колантонио2, И. Гуревич3, М. Мартинелли2, О. Салветти2 и Ю. Трусова3
2 Институт Информационных Наук и Технологий-CNR, Виа Г. Моруззи 1, 56124 Пиза, Италия {Patrizia.Asirelli, Sara.Colantonio, Massimo.Martinelli, Ovidio.Salvetti}@isti.cnr.it

3 Дородницинский Вычислительный Центр Российской Академии Наук

Ул. Вавилова 40, 119333 Москва, Российская Федерация, {igourevi, ytrusova}@ccas.ru

В данной статье, мы описываем метод управления онтологией в понимании изображений. Введены основные необходимые типы онтологий и представлен алгоритм онтологии в понимания изображений. Для иллюстрации достоверности метода, в статье описывается пример понимания изображения клетки, при вводе соответствующей базы онтологий.

1. Введение1

Некоторые приложения требуют дополнительной обработки для сжатой записи на носитель для повторного использования, переоценки или объединения с другими результатами анализа. Проблемой является определение количества и объединения знаний об алгоритмах для носителей; это является даже более важным для представления результатов алгоритмов. Алгоритмы анализа изображения трудны в управлении, понимании и применении, особенно, для пользователей не экспертов. Например, пользователю, незнакомому с особенностями алгоритма, требуется уменьшить шум и увеличить контраст изображения, он существенно сократит время при выборе правильного алгоритма обработки конкретного изображения.

Понимание изображения является очень трудной задачей, объединяющей различные техники обработки изображения, алгоритмы распознавания образов, и инструменты искусственного интеллекта. Многие методы по пониманию изображений уже разработаны в различных работах [напр. 7, 9, 11]. Некоторые попытки построения основ ПИ уже были представлены, они включают различные методы [6, 12]. Многие онтологии были разработаны в различных областях науки для большого ряда прикладных задач, включая так же понимание визуальных данных.

Решение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы, алгоритмы, операторы и так далее) и двух связанных базовых онтологий: базовая онтология и базовый алгоритм онтологии. Алгоритмические онтологии могут быть использованы в процессе понимания изображения, в указании планировать процессы обработки изображения и интерактивной установки параметров алгоритмов пользователем. Кроме того, онтологическое представление процессов обработки изображения может быть отображено в функциях прикладных библиотеках обработки изображений. Это так же поможет разработать интуитивно понятный интерфейс, содержащий терминологию неформального описания алгоритмов на естественном языке. Базовая онтология в свою очередь определяет предметную базу.

Преимущества данного метода: (i) модульность благодаря независимым онтологиям проверки используемость, гибкость и расширяемость (например, включает семантические аспекты и/или комментарии); (ii) общие конструкции, на которых различные пользователи могут производить взаимообмен приложениями и вырабатывать общие знания; (iii) общие конструкции, на которых могут аргументироваться алгоритмы понимания изображения.

^ 2. Описание метода

Понимание изображения (ПИ) может быть определено как процесс автоматического исследования, идентификации и интерпретации основных структур, содержащихся в изображении, в порядке выполнения основных задач обработки изображений, то есть процесс, упрощающий визуальное восприятие.

Основная цель ПИ обеспечить, в некотором приближении, машинный аналог зрения человека. Следовательно, комплексный процесс обычно состоит из точной интерпретации изображения, утверждений основанных на знаниях и способности рассуждать. Передовые системы ПИ требуют (i) мощные и полные утверждения о содержании изображения, для того, чтобы извлечь необходимую и точную информация при их вводе; (ii) символьную и/или подсимвольную техники вывода, для интерпретации представленного визуального материала; (iii) некоторые возможности «метауровня», для моделирования и рассуждения о их целях и успехе их методов.

В данной статье мы описываем стандартный метод в ПИ, основанный на использовании различных типов онтологий. Мы рассматриваем процесс понимания изображения как комплекс многоуровневых процедур, которые требуют решения следующих задач:

  • Предобработка изображения;

  • Сегментация изображения;

  • Выбор и извлечение особенностей;

  • Распознавание объектов.

Решение каждой из этих задач нуждается в выборе более подходящего алгоритмов и их наилучших параметров.

Формально, в нашем видении проблема-решение, задача ^ T представляет проблему ПИ, которая может быть разложена на составные части в ряде подзадач. Следовательно, алгоритм A решает задачу T, мы имеем ввиду одну из возможных подзадач разложений: A(T) = {T1, T2,…, TN}. Каждая задача (или подзадача) Ti решается методом Mi, который выполняется обращением к последовательности операторов {Oi}, i=1,…,k. Оператор может быть описан в терминах атрибутов, данные переводятся в операторы, и в любых дополнительных знаниях о том, как использовать их для достижения цели.

В данной структуре, следуя основным видам знания, требующим автоматизации решения проблем в области анализа и понимания, может быть установлено: (i) знания предпосылок понимания изображения и (ii) используемые пользователем знания. Последнее становится существенным для линий рук, как существенная задача для рук. Первое, на другой руке, является основой для выведения новых решений использования различных техник ПИ.

Представление знаний в значениях онтологий в наше время представляется наиболее обещающим. Существует много причин для этого, такие как: языки онтологии позволяют выражать богатую семантику и обеспечивают способности рассуждения; свободная и Семантическая Сеть базовых языков и инструменты онтологии могут быть легко найдены; онтологии делают проще разделение результатов и повторного использования знаний, предоставленных другими.

Процесс проблема-решение ПИ содержит следующие основные виды онтологий:

(а) онтология алгоритма (ОА), которая функционально делится на две части:

  1. основные понятия по описанию главных задач: главные задачи в области ПИ и информация об их разложении на подзадачи;

  2. основные методы (техники, методы и так далее) обработки, анализа, распознавания и понимания изображения;

(b) онтология области (ОО), которая описывает область приложения.

ОА представляет собой фундаментальные объектно-независимые знания ПИ. Для решения специфических задач их необходимо комбинировать с ОО, которые становятся онтология области алгоритма (ООА), которая описывает область задач и алгоритмы (Рис. 1).


Рис. 1. Структура онтологий
Кроме того, как дополнение, онтология проблемы (ОП) включает в себя все ООА, соответствуя области, таким образом полученное решение может быть повторно использовано для решения новых задач в области.

^ 3. Онтологии понимания изображения: онтология алгоритма

Формальные утверждения семантики техник обработки изображения (алгоритм, метод, подход) делают возможным запись доказательств, предоставляют возможности рассуждать, упрощают приложения и снабжают способностью обмена данными.

Мы установили следствие пяти классов высокого уровня онтологии алгоритма: «Данные», «Задача», «Метод», «Оператор» и «Атрибут».

Описание задачи содержит следующую информацию: описание цели; входные данные; выходные данные; информация о разделении задачи на подзадачи; список ключевых слов.

Описание метода содержит следующую информацию: имя метода; цель (задача); входные данные; выходные данные; имена использованных операторов; информация об использованных методах; неформальное описание метода на естественном языке; список ключевых слов.

Описание оператора содержит следующую информацию: имя оператора; формальное определение; входные данные; выходные данные; атрибуты (параметры); описание определения на естественном языке; список ключевых слов.

Таким образом, в качестве базисов для построения онтологии мы использовали Image Analysis Thesaurus (IAT) [2]. IAT содержит наиболее важные термины и определения для описания и классификации способов обработки изображения в определенной области и позволяет нам избежать случайного построения онтологии. Для автоматизации процесса преобразования IAT в онтологию OWL Институтом Информационных Наук и Технологий Итальянского Национального Исследовательского Совета (ISTI-CNR) были разработаны специальные инструменты [5].

^ 4. Онтология-управление анализ изображения клетки (Онтология области)

Представленная структура была применена в области анализа микроскопических изображений клетки. Обработка изображений в области цитологии по большому счету состоит в вычислении ряда размеров изображения, полученного с помощью увеличения благоприятно окрашенного образца клетки. Различные типы размеров, например характерные черты, могут быть извлечены из изображения для дальнейшей врачебной диагностики возможных развитий.

В нашей структуре, рассмотренные задачи связаны с анализом нескольких образцов клеток крови с различными видами патологий (такие как анемия или хроническая лимфатическая лейкемия). До сих пор была решена лишь задача анализа изображения, при этом не учитывалась область задачи.

Мы выделили следующие онтологии для анализа микроскопических изображений клетки:

  • ОО для биологии клетки;

  • ОО для области микроскопии;

  • ОО для микроскопического изображения клетки.

Комбинируя ОО и ОА, мы получили ООА для анализа изображений цитологии. В ООА были добавлены два определения методов сегментации: (i) алгоритм основанный на нейросетевом методе классификации для автоматического выделения всех клеток [6] и (ii) алгоритм основанный на активном контуре [8]. Кроме того, мы решили увеличить класс особенности, определенный в ОА, включив новые примеры [4]. На Рис. 2 дано графическое представление главных классов трех ОО и класс особенности.
Рис. 2. Графический вывод основных классов онтологии
Представленная программа (Рис. 3) была разработана для проверки онтологий, объединение библиотек алгоритмов сегментации микроскопических изображений клетки и извлечения различных видов характерных особенностей. Основные функции программы: (i) формирование задачи, которые может решить анализ различных типов изображений; (ii) выбор алгоритма сегментации; (iii) предложен рад особенностей для решения в соответствии с задачей.

5. Заключение

Мы обсудили подход управления онтологией для понимания изображений. Предложенное решение состоит в использовании онтологию алгоритма, которая описывает знания о доступных способах обработки изображения и анализа задач и техник и онтологию области, соединяя их в онтологию области алгоритма. Рассмотренный случай управления онтологией анализа изображения клетки служит примером использования онтологии области.


Рис. 3. Диалоговое окно тестовой программы
Мы планируем в дальнейшем исправить и очистить онтологию алгоритма для увеличения применяемости с помощью добавления более точных данных об алгоритме. Пример анализа изображения клетки будет расширен с помощью добавления классификации помимо анализа. Полученная онтология будет объединена с архитектурой 4М [1], которая уже была разработана проектом MUSCLE, которая уже предоставляет возможность накопления мультимедийных знаний, особенно извлечение и комментирование.

Список литературы

  1. Asirelli, P., Little, S., Martinelli, M., and Salvetti, O. MultiMedia metadata management: a proposal for an infrastructure. In Semantic Web Applications and Perspectives. SWAP 2006. Proceedings online. G. Tummarello, P. Bouquet, O. Signore (eds.) (Pisa, 18-20 December 2006). CEUR, 2006.

  2. Beloozerov, V.N., Gurevich, I.B., Gurevich, N.G., Murashov, D.M., Trusova, Yu.O. Thesaurus for Image Analysis: Basic Version. Pattern Recognition and Image Analysis: Advances in Mathematical Theory and Applications, 13 (4) (2003), 556-569.

  3. Bittner, T. and Winter, S. On Ontology in Image Analysis In P. Agouris, A. Stefanidis (Eds.): ISD'99, LNCS 1737, Springer-Verlag, (1999), 168-191.

  4. Colantonio, S., Gurevich, I., Martinelli, M., Salvetti, O., and Trusova, Y. Ontology driven Approach to Cell Image Analysis. In Proc. of the 7th Open German-Russian Workshop on Pattern Recognition and Image Understanding (Ettlingen, Germany, August 20-23, 2007) (in press).

  5. Colantonio, S., Gurevich., I., Martinelli, M., Salvetti, O., and Trusova, Yu. Thesaurus-based Ontology on Image Analysis. In Proc. of the Int. Conf. on Semantics and Digital Media Technologies (Genova, Italy, December 5-7, 2007) (accepted).

  6. Colantonio, S., Gurevich, I., Salvetti, O. Automatic Fuzzy-Neural based Segmentation of Microscopic Cell Images. Int. J. of Signal and Imaging Syst. Eng. Inderscience. 1(2007) (in press).

  7. Crevier, D., and Lepage, R. Knowledge-Based Image Understanding Systems: A Survey. Computer Vision and Image Understanding, 67, 2 (1997), 161–185.

  8. Gurevich, I., Kharazishvili, D., Murashov, D., Salvetti, O., and Vorobjev, I. Technology for Automated Morphologic Analysis of Cytological Slides. Methods and Results. In Proc. of the 18th Int. Conf. on Pattern Recognition (Hong Kong, China, August 20-24, 2006), The IEEE Inc., 2006, 711-714.

  9. Hanson, A.R., and Riseman, E.M. VISIONS: a computer system for interpreting scenes. Computer vision systems. Academic, 1978, 303–333.

  10. Maillot, N., Thonnat, M., Boucher, A. Towards ontology-based cognitive vision. Mach. Vision and Appl. Springer-Verlag, 2004. 16 (2004), 33–40.

  11. Matsuyama, T., Hwang, V. SIGMA – a knowledge-based aerial image understanding system. Plenum, New York, 1990.

  12. Rincon, M., Bachiller, M., and Mira, J. Knowledge modeling for the image understanding task as a design task. Expert Systems with Applications. Elsevier Ltd. 29 (2005), 207–217.

  13. Town, C. Ontological inference for image and video analysis. Machine Vision and Applications. Springer-Verlag, 2006. 17, 2 (2006), 94–115.




1 Работа была частично поддержана грантом в рамках содружества между Итальянским Национальным Исследовательским Советом и Российской Академией Наук, Европейского Проекта Сети Совершенства MUSCLE – FP6-507752, Российский Фонд Теоретических Исследований (проекты номер 06-01-81009, 06-07-89203, 07-07-13545) и проектом номер 2.14 Программы Президиума Российской Академии Наук «Фундаментальные Проблемы Компьютерных Наук и Информационных Технологий».

Похожие:

Решение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы, iconЗадача оценивания параметров геометрических деформаций последовательностей...
В работе анализируются достоинства и недостатки псевдоградиентного подхода к решению указанной задачи. Рассмотрены возможности преодоления...
Решение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы, iconОбработка изображений
Цель дисциплины – изучение современных алгоритмов интеллектуального анализа и обработки изображений
Решение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы, icon1Ми влГУ, Россия, 602256, Владимирская обл., г. Муром, ул. Кооперативная...
Целью данной работы является разработка алгоритма моделирования изображений поверхности Земли с использованием геоинформационных...
Решение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы, iconУрок математики. 2 класс
Цели: Обучение составлению алгоритма решения задачи, применению данного алгоритма при решении задач разных видов
Решение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы, iconОписательная теория анализа изображения. Модели и методы
Описательной Теории Анализа Изображения обеспечивают пути и средства представления и описания изображений для их анализа и оценки....
Решение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы, iconМобильная геоинформационная система1
Кпк), позволяющее решать широкий класс задач обработки пространственно-распределенных данных (прд). Эффективные модели и методы обработки...
Решение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы, icon01. 04. 01 [Приборы и методы экспериментальной физики]
В основу данной программы положены следующие дисциплины: методы измерения основных физических величин, основы метрологии, методы...
Решение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы, iconПолучить задание у преподавателя. Исследовать методы комбинаторного...
Задачи такого типа называются комбинаторными, а методы их решения – методами комбинаторного анализа. Поскольку комбинаторика имеет...
Решение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы, iconПеречень контрольных вопросов
Наивное определение алгоритма описывает последний как процесс последовательного получения конечных результатов из заданного набора...
Решение данной задачи могло состоять из подробно детализированного и хорошо построенного алгоритма онтологии, который описывает знания о доступных процессах обработки изображений и анализа задач и техник (методы, iconГрафическое решение физических задач в разделе «Кинематика»
В овладении учащимися курсом физики, задачи служат инструментом формирования физических понятий, развития мышления учащихся, их самостоятельности....
Вы можете разместить ссылку на наш сайт:
Школьные материалы


При копировании материала укажите ссылку © 2014
shkolnie.ru
Главная страница