68279

Методи та ярусно-паралельні моделі прискореної обробки напівтонових зображень

Автореферат

Информатика, кибернетика и программирование

Метою дисертаційної роботи є розробка моделей і методів інтелектуальної прискореної обробки напівтонових зображень які здатні аналізувати інформацію про розмір зображення та завантаженість потоків для рівномірного адаптивного розподілення завдань по потоках.

Украинкский

2014-09-20

517 KB

0 чел.

МІНІСТЕРСТВО ОСВІТИ І НАУКИ, МОЛОДІ ТА СПОРТУ УКРАЇНИ

ХАРКІВСЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ РАДІОЕЛЕКТРОНІКИ

Барковська Олеся Юріївна

УДК 681.5; 004.272.26; 004.75; 004.89; 004.42

Методи та ярусно-паралельні моделі прискореної обробки напівтонових зображень

05.13.23 – системи та засоби штучного інтелекту

АВТОРЕФЕРАТ

дисертації на здобуття наукового ступеня

кандидата технічних наук

Харків – 2011


Дисертацією є рукопис.

Робота виконана у Харківському національному університеті радіоелектроніки, Міністерство освіти і науки, молоді та спорту України.

Науковий керівник – кандидат технічних наук, доцент

 Аксак Наталія Георгіївна,

Харківський національний університет радіоелектроніки, доцент кафедри електронних обчислювальних машин.

 

 

Офіційні опоненти:  доктор технічних наук, доцент 

Ахметшина Людмила Георгіївна,

Дніпропетровський національний університет

імені О. Гончара, професор кафедри електронних обчислювальних машин, м.Дніпропетровськ;

доктор технічних наук, професор

Іванов Володимир Геогрійович,

Національний університет «Юридична академія України імені Ярослава Мудрого», професор, завідувач кафедри інформатики та обчислювальної техніки, м. Харків.

 

 

 

Захист відбудеться „ 04 липня 2011 р. о 13-00 годині на засіданні спеціалізованої вченої ради Д 64.052.01 у Харківському національному університеті радіоелектроніки за адресою: 61166, м. Харків, просп. Леніна, 14.

З дисертацією можна ознайомитися в бібліотеці Харківського національного університету радіоелектроніки за адресою: 61166, м. Харків, просп. Леніна, 14.

Автореферат розіслано „02червня 2011 р.

Вчений секретар

спеціалізованої вченої ради        С.Ф. Чалий

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Інтелектуальні методи обробки зображень є областю штучного інтелекту, що дуже динамічно розвивається та успішно застосовується в різних галузях науки й техніки, таких як розпізнавання образів у біомедичних дослідженнях, генній інженерії, медичній діагностиці, криміналістиці, системах дистанційного зондування й т.д. На сьогодні, як в Україні, так і за її межами, накопичено багатий досвід застосування методів обробки зображень (штучні нейронні мережі, нечітка логіка, генетичні алгоритми та ін.) для різних задач, під час розв’язання яких виникає ряд труднощів, пов'язаних з неможливістю обробки зображень великих розмірів за короткий проміжок часу.

У свою чергу, складові частини системи обробки зображень та їхній взаємозв'язок залежать від характеру вхідних даних (бінарне, напівтонове або повнокольорове зображення), та від необхідного результату (локалізація об'єктів класу, розпізнавання інформації, узагальнення даних і т.д.). Оброблювана інформація займає десятки Гбайт пам'яті, що обмежує коло користувачів через неможливість реалізації таких систем традиційними підходами.

Одним з етапів обробки зображень є перетворення вихідних даних до вигляду, придатному для комп'ютерної обробки, які спрощують подальші обчислювальні процедури шляхом зменшення кількості оброблюваної інформації. Дані можуть подаватися у вигляді меж областей інтересу, коли в центрі уваги перебувають зовнішні характеристики форми областей (наприклад,кути й вигини), або областей інтересу повністю, якщо акцент робиться на внутрішніх властивостях об'єктів (наприклад, формі кістяка). Недоліками існуючих методів одержання вісьових ліній є незбереження топологічної структури вихідного об'єкта, досить висока трудомісткість і великі витрати часу для їхньої реалізації. Таким чином, можна виділити такі невирішені проблеми: подолання неможливості обробки зображень великих розмірів і скорочення часу обчислень.

Сьогодні, дослідження у наукових та прикладних областях створюють передумови для виникнення систем прискореної обробки зображень. Так, серед українських та зарубіжних учених, які впливають на розвиток методів обробки зображень, можна відзначити Є.П. Путятіна, М.І. Шлезингера, В.М. Крилова, Б.П. Русина, Р.А. Воробеля, Gonzalez R. та інших, на розвиток нейронних мереж – О.Г. Руденко, Є.В. Бодянського та ін. Основні досягнення в
області прискорення обчислень належать В.В. Воєводіну, В.П. Гергелю, Вл.В. Воєводіну й ін.

У зв'язку з цим, створення метод ів і моделей прискореної обробки зорових образів з використанням паралельних обчислень та інтелектуальних методів є актуальним як з теоретичної, так і з практичної точки зору. Задачі, які при цьому виникають, зумовили напрямок досліджень дисертаційної роботи.

Зв'язок роботи з науковими програмами, темами, планами. Тема дисертаційної роботи і отримані результати відповідають проблематиці держбюджетних тем, що виконуються у Харківському національному університеті радіоелектроніки. Дисертаційну роботу виконано відповідноі до плану держбюджетної науково-дослідної роботи №214 «Синтез методів обробки інформації за умов невизначеності на основі самонавчання і м’яких обчислень», розділ № 214-3 «Гібридні моделі з самонавчанням у задачах обробки нечіткої інформації» (№ ДР 0107U003028), що відповідає координаційному плану Міністерства освіти і науки,молоді та спорту України. Автор був одним із виконавців робіт за даною темою.

Мета і задачі дослідження. Метою дисертаційної роботи є розробка моделей і методів інтелектуальної прискореної обробки напівтонових зображень, які здатні аналізувати інформацію про розмір зображення та завантаженість потоків для рівномірного адаптивного розподілення завдань
по потоках.

Для досягнення поставленої мети необхідно вирішити такі задачі: 

  •  проаналізувати існуючі інтелектуальні методи обробки напівтонових зображень;
  •  розробити узагальнену модель процесу обробки напівтонових зображень, її складових компонентів та їх взаємодію, яка дозволяє більш ефективно класифікувати об’єктів на зображенні;
  •  розробити методи обробки бінарного зображення, які дозволяють обробляти зображення великої розмірності;
  •  розробити інтелектуальний метод класифікації напівтонових зображень на основі штучної нейронної мережі персептронного типу, який дозволяє автоматично рівномірно розподіляти нейрони по потоках, що обчислюються паралельно;
  •  розробити моделі прискореної обробки напівтонових зображень потоками обмеженої кількості, а також за умови наявності необмеженої кількості одночасно працюючих потоків;
  •  провести експериментальне дослідження запропонованих моделей та виконати їх реалізацію на основі технології паралельного програмування (MPI, CUDA) з метою використання для розв’язання практичних задач.

Об'єктом дослідження є процес обробки та класифікації об’єктів на зображенні.

Предметом дослідження є моделі та методи прискореної обробки напівтонових об’єктів на зображенні, інваріантних до зміни масштабу.

Методи дослідження. Для розв’язання поставлених задач використано теоретико-множинний підхід щодо створення узагальненої моделі процесу обробки напівтонових зображень, методи обробки зображень, засоби
цифрової обробки сигналів, лінійної алгебри та теорії матриць, концепція високопродуктивних обчислень, обчислювальні методи для розробки прискорених моделей обробки зорових образів; теорія графів для створення моделей обробки зображення; імітаційне моделювання, яке підтвердило ефективність отриманих результатів і надало можливість виробити рекомендації щодо їх застосування; апарат штучних нейронних мереж персептронного типу.

Наукова новизна результатів дисертаційної роботи. Вирішення поставлених задач дозволило автору отримати такі результати:

  1.  Вперше запропоновано ярусно-паралельні моделі прискореної рядкової та блочної обробки напівтонових зображень, які за рахунок попереднього розподілу вихідного зображення на групи рядків або блоків дозволяють уникнути «прокляття розмірності» та прискорити процес оцінювання зображень.
  2.  Вперше запропоновано метод прискореної скелетонізації бінарного зображення на основі бітових масок, який за рахунок одночасного використання тридцяти шести бітових масок дозволяє прискорити процес виділення вісьової лінії зображення, а також зменшити обчислювальну складність на порядок у порівнянні з існуючими ітеративними методами скелетонізації.
  3.  Набула подальшого розвитку узагальнена модель процесу обробки напівтонових зображень, яка на відміну від існуючих, передбачає послідовно-паралельне виконання бінарізації виділеної області інтересу, скелетонізації та нейромережної класифікації, що дозволяє суттєво скоротити час обробки вхідного напівтонового зображення.
  4.  Удосконалено метод класифікації напівтонових зображень за допомогою штучної нейронної мережі персептронного типу, в якому на відміну від існуючих, автоматично виконується рівномірний адаптивний розподіл груп нейронів по потоках у залежності від розміру зображення та завантаження потоків для паралельного обчислення, а також забезпечення найбільш рівномірного завантаження обчислювальних потоків, що дозволяє прискорити процес обробки зображень великої розмірності.

Практичне значення результатів дисертаційної роботи в тому, що запропоновані ярусно-паралельні моделі прискореної обробки напівтонових зображень, а також вдосконалені та розроблені методи скелетонізації бінарних зображень було використано для розробки паралельної та розподіленої систем для розв’язання широкого кола різноманітних за змістом задач.

На основі розробленого в роботі методу скелетонізації на основі бітових масок, який полягає в попередньому розподілі вхідного зображення на блоки та який є складовою частиною ярусно-паралельної моделі прискореної блокової обробки напівтонових зображень, було розроблено розподілену систему визначення стану цегли при виході її із тунельної сушарки у товаристві з обмеженою відповідальністю «Ампер» (м.Харків, Україна) (акт впровадження від 23.12.2009 р.). На основі удосконаленого в роботі методу скелетонізації на основі структурних елементів, який полягає в попередньому розподілі вхідного зображення на групи рядків та який є складовою частиною ярусно-паралельної моделі прискореної строкової обробки напівтонових зображень, було розроблено паралельну систему автоматичного суддівства змагань у Дитячо-юнацькій спортивній школі №1 у вигляді програмного модуля, що дозволяє оцінювати виконаний спортсменом елемент за короткий час (м.Харків, Україна) (акт впровадження від 20.01.2009 р.).

Результати дисертаційної роботи також впроваджено у навчальному процесі на кафедрі електронних обчислювальних машин ХНУРЕ у дисциплінах «Інтелектуальні комп’ютерні системи», «Паралельні та розподілені обчислення» та «Методи і засоби обчислювального інтелекту» Харківського національного університету радіоелектроніки (акт впровадження від 10.09.2010 р.).

Наукові та практичні результати дисертаційної роботи можуть бути використані:

  •  для розроблення систем обробки та класифікації великих обсягів вхідної інформації, що вилучається з різнорідних джерел (фото- або відеокамер, тепловізорів), побудованих на основі паралельно-послідовних моделей згідно з концепцією паралельних і розподілених обчислень та високопродуктивних обчислювальних комплексів;
  •  в інтелектуальних системах класифікації різного роду інформації;
  •  у навчальному процесі під час підготовки фахівців у галузях технологій паралельних обчислень в задачах обробки зображень.

Особистий внесок здобувача. Всі основні результати, що виносяться на захист, отримано автором самостійно. У роботах, що опубліковані у співавторстві, здобувачеві належать: в [1, 14] – запропоновано та реалізовано методи прискореної скелетонізації на основі структурних елементів; в [2,6] –запропоновано структури нейронних мереж для систем обробки інформації для розв’язання різних задач; в [3,22] – запропоновано та реалізовано узагальнену модель процесу обробки напівтонових зображень, отриманих за допомогою тепловізора; в [4,12,17] – досліджено алгоритми бінарізації напівтонового зображення, запропоновано удосконалення методу порогової бінарізації; в [5] –запропоновано узагальнену модель ідентифікації об’єктів із урахуванням апаратної та програмної бази, із застосуванням методів попередньої обробки зображень та нейромережної класифікації зображень; в [7] – запропоновано та обґрунтовано доцільність використання бінарних зображень для розв’язання задачі скелетонізації; в [8] – запропоновано ярусно-паралельні моделі прискореної обробки напівтонових зображень; в [9] – виконано порівняльний аналіз ітеративних методів скелетонізації  бітовими масками та структурними елементами на основі визначення обчислювальної складності та кількості скалярних операцій запропонованих та розглянутих методів отримання скелету; в [10,16] – розроблено і виконано експериментальні дослідження послідовної та прискореної скелетонізації бінарного зображення на основі методу бітових масок; в [18,19] – запропоновано використання тепловізорів під час обробки антропоморфних об’єктів; в [20] – запропоновано метод визначення кількості об’єктів на занурених під воду поверхнях; в [21] – запропоновано метод поділу об’єктів для розпізнавання на статичні та динамічні й підходи щодо їх оцінювання.

Апробація результатів дисертації. Основні положення та результати дисертаційної роботи доповідалися й обговорювалися на: 10-13-му Міжнародному молодіжному форумі «Радіоелектроніка і молодь в ХХІ столітті» (м. Харків, 2006-2009 р.); 6-му Міжнародному науково-практичному семінарі «Високопродуктивні паралельні обчислення на кластерних системах» (м. Санкт-Петербург, 2007р.); 9-й Міжнародній конференції «The experience of designing and application of cad systems in microelectronics» (м. Львів, 2007 р.); Міжнародній конференції «Інтелектуальні системи прийняття рішень та прикладні аспекти інформаційних технологій» (м. Євпаторія, 2006 р.); Міжнародній конференції «Технології Microsoft у теорії та практиці програмування» (м. Нижній Новгород, 2008р.); 15-й Міжнародній конференції з автоматичного управління «Автоматика-2008» (м. Одеса , 2008 р.); 9-й Міжнародній конференції «Високопродуктивні паралельні обчислення на кластерних системах» (м.Владимир, 2009р.); семінарі «Образный компьютер» (м.Київ, 2010).

Публікації. За темою дисертаційної роботи опубліковано 22 наукові праці, з них: 9 статей у виданнях, перелік яких затверджено ВАК України, 13 публікацій у збірниках матеріалів та тез доповідей на міжнародних наукових конференціях, форумах.

Структура та обсяг дисертаційної роботи. Дисертація складається із вступу, чотирьох розділів, висновків, списку використаних літературних джерел з 130 найменування на 14 сторінках, 3 додатків на 12 сторінках. Робота містить 51 рисунок, 25 таблиць. Загальний обсяг роботи складає 176 сторінок, з них 147 – основного тексту.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі стисло розглянуто стан досліджень у галузі прискореної обробки двовимірних зображень з використанням нейронних мереж, обґрунтовано актуальність теми та доцільність роботи, зазначено зв’язок роботи з науковими програмами, темами, сформульовано мету та задачі дослідження, визначено об’єкти, предмет та методи дослідження, охарактеризовано наукову новизну і практичне значення отриманих результатів, наведено кількість публікацій за темою роботи, виділено особистий внесок здобувача.

У першому розділі проведено аналіз існуючих методів обробки зображень, які покращують якість зображень на основі нейромережних алгоритмів та технологій паралельних обчислень. Розглянуто глобальні алгоритми бінарізації, прикладами яких є: метод Абуталеба (МА), метод Капура (МК), метод Отса (МО),які розраховують єдиний поріг для усього зображення, а також локальні алгоритми адаптивної бінарізації, які розраховують поріг для кожного пікселя напівтонового зображення, спираючись на інформацію, що міститься у сусідніх пікселях. Проведений аналіз показав, що МА має недоліки, зумовлені тим, що не дають суттєвої змоги скоротити час обробки під час обчислень, МО та МК є трудомісткими і висувають значні вимоги до програмно-апаратних ресурсів під час піксельної обробки зображення.

Проаналізовано алгоритми скелетонізації бінарного зображення, такі як хвильовий алгоритм знаходження скелету растрового зображення та алгоритм, що побудований на використанні ламаної лінії, яка апроксимує контур зображення, є відносно трудомісткими та складаються з етапів вилучення пікселів, що оточують скелет, перевірки нерозривності отриманого скелетного зображення та вирівнювання отриманих ломаних відрізків скелету, що також потребують багато часу та апаратних можливостей обчислювальної системи.

Оскільки зображення, що обробляються, мають зазвичай великі розміри та потребують значного часу обробки, виникає необхідність розробки методів, що дозволяють скоротити час обробки та уникнути «прокляття розмірності».

На основі проведеного аналізу визначено сукупність перспективних напрямків обробки двовимірних напівтонових зображень за допомогою паралельних обчислень на базі апарату штучних нейронних мереж і сформульовано задачі дисертаційної роботи.

У другому розділі набула подальшого розвитку узагальнена модель процесу обробки напівтонових зображень (УМПОНЗ); вперше запропоновано метод прискореної скелетонізації на основі бітових масок (БМ).

Склад та взаємозв'язок компонентів УМПОНЗ  виражається як перетворення вхідних значень  у вихідні величини :

,

(1)

де  – матричне подання вихідного зображення, яке отримано із джерела інформації, що відображується на моніторі комп'ютера;  – значення яскравості елементів зображення (, , , ); , () – множина класів; тобто простір (універсум)  включає , це означає, що існує така підмножина зображень ,  та відношень між ними, на яких будується  ().

Отже, відеозображення, що складається з множини кадрів , класифікуються завдяки УМПОНЗ  при заданому числі еталонних образів , до яких можуть належати оцінювані зображення.

Для вихідних величин  побудовано сукупність завдань, вирішення яких належить множині , де  – задача обробки зображення об'єкта в стані спокою ( – виділення області інтересу,  – бінарізація, – скелетонізація,  – нейромережна класифікація),  – задача обробки зображення об'єкта в рухомому стані (прямолінійного, обертального, поступального, рівноприскореного й інших видів). Відображення  дозволило для кожного  знайти таке  (,  – кількість класів), що є розв’язком задач , який отримано у вигляді ярусно-паралельних моделей прискореної обробки напівтонових зображень.

Приведення зображення в цифровий вигляд здійснюється в апаратному блоці (АБ), який може включати різнорідні джерела отримання вхідних зображень – фотокамери, відеокамери або тепловізор, який здатний фіксувати розподіл температури досліджуваної поверхні. Виділення статичної й динамічної форм руху об'єкта відбувається в компонентному блоці класифікації форм руху (КФР).

Метод ітеративної скелетонізації на основі структурних елементів (СЕ), що набув подальшого розвитку, дозволяє обробляти зображення як послідовно, так і паралельно одночасно кількома потоками для виділення серединної осі зображення. До недоліків скелетонізації можна віднести чутливість щодо завад на межі зображення та, виникнення небажаних «відгалужень» у скелеті зображення.

Якщо розмірність матриці вихідного зображення  не кратна трьом, то для забезпечення обробки пікселів, які формують край оброблюваного зображення та повного покриття усіх груп рядків та блоків матриці , виконується збільшення її розмірності відповідно до

 ,   ,

(2)


після чого додані елементи отримують нульові значення.

Послідовність отримання скелету із вихідного бінарного зображення  на основі методу СЕ включає такі етапи:

  1.  Визначення структурних елементів : , , , , де елементи  у порівнянні участь не беруть, для обробки області зображення:

.

(3)

  1.  Перевірка збігу значень СЕ зі значеннями області зображення, яка обробляється , виконується відповідно до

, .

(4)

3. Виділення кутових пікселів. У матриці  розміщуються виділені кутові пікселі після накладення кожного із чотирьох СЕ, які утворюють контур вихідного зображення:

.

(5)

Виконується накладання кожного структурного елемента  вздовж вихідного зображення  із кроком рівним одиниці. Якщо при накладанні значення усіх пікселів співпадають, то елемент  отримує значення «, інакше «0».

Якщо задача вимагає представлення лише контуру зображення, а не його скелету, то достатньо виконати лише перші три ітерації. В іншому випадку, виконуються наступні ітерації.

  1.  Вилучення кутових пікселів із вихідного зображення виконується шляхом побудови матриці  для наступних проходів, після чого матриця  приймає нульові значення.

Доки , описані процедури виконуються. Результатом скелетонізації є матриця , для кожного елементу якої  існує , де  або .

Розпаралелювання методу скелетонізації на основі СЕ полягає у поділі задачі на чотири підзадачі, що відповідає кількості структурних елементів , кожна із яких виконує прохід уздовж усього зображення. Оскільки усі СЕ, обробка якими виконується паралельно, мають однаковий розмір, використовуються для виконання однакових задач, то розпаралелювання скелетонізації на основі СЕ є обґрунтованим.

Результатом подальшого удосконалення скелетонізації на основі СЕ, який дозволяє досягти більш високої швидкодії роботи методу, є скелетонізація на основі БМ (використовує порівняння сформованих БМ з вихідним бінарним зображенням ).

Послідовність отримання скелету із вихідного бінарного зображення  на основі методу БМ включає такі етапи:

  1.  Побудова БМ виконується шляхом поєднання структурних елементів  в одну матрицю, яка відповідає розміру вихідного зображення

,

(6)

де  – номер СЕ,  – зміщення СЕ відносно БМ (вправо, вліво на один піксель),  – зміщення СЕ відносно БМ (вгору, вниз на один піксель).

  1.  Перевірка на збіг значень структурного елементу , який є складовою частиною БМ, зі значеннями області зображення, що обробляється  

,, .

(7)

  1.  Накладання  на вихідне зображення для виділення кутових пікселів здійснюється згідно з виразом (8), після чого формується нова матриця кутових пікселів , що є контуром вихідного зображення

(8)

.

(9)

  1.  Вилучення із зображення отриманого незв’язного контуру кутових пікселів, формування матриці , .

Кроки 1–4 виконуються ітераційно, доки . Результатом скелетонізації є матриця , для кожного елементу якої  існує , де або .

Вперше запропоновано метод прискореної скелетонізації на основі БМ, що виконується за принципом: декомпозиція на підзадачі, які реалізовані незалежно, визначення необхідної (або доступної) для вирішення задачі кількості потоків та виконання розподілу набору підзадач між потоками. Оскільки усі БМ, що обробляються паралельно, мають однаковий розмір та використовуються для виконання однакових задач, то розпаралелювання є обґрунтованим.

Останнім етапом роботи УМПОНЗ є виконання класифікації, для чого використовується нейромережний апарат. Одним з ефективних засобів скорочення часу роботи нейромережних алгоритмів є паралельна реалізація алгоритму, що включає рівномірний розподіл груп нейронів по потоках та налаштування їх вагових коефіцієнтів.

Протягом проведених обчислень з визначення обчислювальної складності методів скелетонізації отримано дані, наведені у табл.1,2,3.

Таблиця 1

Кількість скалярних операцій та обчислювальна складність послідовної скелетонізації на основі БМ та СЕ

Нижня оцінка

Верхня оцінка

Кількість скалярних операцій

Обчислювальна складність

Таблиця 2

Кількість скалярних операцій та обчислювальна складність прискореної скелетонізації на основі БМ

Нижня оцінка

Верхня оцінка

Кількість скалярних операцій

Обчислювальна складність

Таблиця 3

Кількість скалярних операцій та обчислювальна складність прискореної скелетонізації на основі СЕ

Нижня оцінка

Верхня оцінка

Кількість скалярних операцій

Обчислювальна складність

,

,

,

,

Отже, найкращий результат дає запропонований метод прискореної скелетонізації на основі СЕ, оскільки має найнижчий порядок обчислювальної складності.

У третьому розділі вперше запропоновано ярусно-паралельні моделі обробки напівтонових зображень та удосконалено метод класифікації напівтонових зображень за допомогою штучної нейронної мережі персептронного типу. Аналіз узагальненої моделі процесу обробки напівтонових зображень показав потенційний паралелізм, що дозволяє скоротити час обробки.

Для УМПОНЗ  (1) при введеному припущенні про можливість використання скільки-завгодно великої кількості потоків команд вперше запропоновано ярусно-паралельну модель прискореної рядкової обробки напівтонового зображення (ЯПМПРО), розбитого по групах рядків у вигляді графа, де вершинам відповідають завдання з множини , розподілених по потоках, дуги відображують передачу інформації.

Перед початком роботи необхідно змінити розмірність матриці  згідно з виразом (2).

ЯПМПРО подано у вигляді графа, на ярусах якої виконуються:

Ярус 0 – розподіл вихідного зображення  на групи рядків , , де - кількість потоків

.

(10)

Кількість рядків підматриць  визначається відповідно до виразу

,

де .

Ярус 1 – бінарізація вихідного зображення

.

(11)

Відповідно до МО виконується бінарізація кожної групи рядків зображення  окремим потоком.

Ярус 2 – скелетонізація бінарного зображення

.

(12)

Для виконання скелетонізації визначається кількість рядків у потоці  шляхом додавання по одному рядку знизу з наступної групи рядків і по два рядки зверху з попередньої групи рядків

.

Шляхом ковзання по зображенню кожного зі створених чотирьох СЕ () розміром , що має бінарний вигляд, із кроком рівним 1 виконується скелетонізація відповідно до методу паралельної скелетонізації на основі СЕ. Скелетонізація виконується для кожної групи рядків в окремому потоці.

Ярус 3 – збір скелетонізованого бінарного зображення

,

(13)

де - нове зображення, що є віссю вихідного зображення , , .

Яруси 4-6 – нейромережна класифікація

.

(14)

Удосконалено метод нейромережної класифікації напівтонових зображень, для чого копії зображення  розсилаються по потоках для віднесення оцінюваного об'єкта  до одного з відомих класів .

Кожний потік обробляє групу нейронів, кількість яких визначається згідно з виразом (15)

(15)

де– кількість нейронів у шарі , .

Як нейронна мережа використовується тришаровий персептрон. На вхід нейронної мережі подається скелет бінарного зображення, де кожному нейрону вхідного шару відповідає один елемент матриці . Кількість елементів другого шару визначається експериментальним шляхом залежно від розміру вихідного зображення. Кількість нейронів вихідного шару відповідає кількості класів . Функція активації є сигмоїдальною, а навчання виконується методом зворотного розповсюдження помилки.

Для зниження трудомісткості задачі обробки зображення та за умови необхідності використання обмеженої кількості потоків, для УМПОНЗ  (1) вперше запропоновано ярусно-паралельну модель прискореної блокової обробки напівтонового зображення (ЯПМПБО), що припускає розподіл вихідного зображення на блоки рівного розміру, а також обмежується кількістю 36 потоків для найбільш раціонального розподілу обчислювального навантаження потоків з метою вирішення задачі скеле тонізації, подано у вигляді графа.

На ярусах ЯПМПБО виконуються такі операції:

Ярус 0 – розподіл вихідного зображення  на блоки  розміром . Кількість отриманих блоків відповідає кількості потоків

(16)

. До блокового вигляду матриця приводиться відповідно до одного із чотирьох варіантів:

  1.  ;
  2.  ;
  3.   ;
  4.  .

де , , - розкладання на множники  та .

Ярус 1 – бінарізація вихідного напівтонового зображення

(17)

. Виконання бінарізації кожного блоку  відбувається паралельно всіма потоками.

Ярус 2 – збір оброблених блоків і подання їх у вигляді матриці

.

(18)

Значення яскравості кожного піскеля матриці дорівнює 0 або 1, .

Ярус 3 – скелетонізація бінарного зображення

,

(19)

де – результат виділення кутових пікселів кожним потоком. Для роботи методу скелетонізації на основі БМ, необхідно змінити розмір матриці  згідно з виразом (2). Далі виконується розсилання по потоках 36 сформованих БМ для чотирьох СЕ. Кількість БМ, оброблюваних одним потоком, становить

 

де .

Виконується обчислення серединного кістяка бінарного зображення за методом БМ одночасно кожним потоком.

Ярус 4 – збір скелетонізованого бінарного зображення

.

(20)

Яруси 5–7 – нейромережна класифікація

.

(21)

Для нейромережної класифікації на основі тришарового персептрону копії зображення  розсилаються по потоках для віднесення оцінюваного об'єкта  до одного з відомих класів . Кожен потік обробляє групу нейронів, кількість яких визначається відповідно до (15).

У четвертому розділі проведено експериментальне дослідження ярусно-паралельних моделей прискореної обробки напівтонових зображень, методів прискореної скелетонізації на основі бітових масок та структурних елементів, виконано їх реалізацію на основі технології паралельного програмування (MPI, CUDA) для розв’язання практичних задач.

Для проведення експериментів з оцінювання ефективності запропонованих моделей та методів створено базу із 1040 малюнків, які використовувалися як еталони та складали навчальну вибірку для безпосереднього розпізнавання, при чому характерним для них є нерівномірний фон та присутність завад. Розпаралелювання за допомогою бібліотеки MPI показало прискорення в 1,6 разів при розмірі зображення . Реалізація методу прискоренної  скелетонізації методом накладення бітової маски з використанням технології CUDA, версія бібліотеки 2.2, відеопроцесор nVidia 9800 GT, який надає 112 фізичних потоків і дозволяє паралельно проводити до 112 накладень масок для розрахунку і вилучення кутових пікселів показує, що із зростанням кількості потоків швидкість обробки зображення зростає. Найбільше прискорення досягнуто при використанні 36 потоків. Прискорення, отримане при паралельній обробці зображення, складає від 4 до 5 разів, що говорить про доцільність розпаралелювання.

Показано, що найбільш ефективним підходом скорочення часу роботи нейромережного алгоритму класифікації є декомпозиція на рівні реалізації функцій нейронів. Реалізація прискореного методу включає рівномірний розділ виходів нейронів по процесорах і налаштування їх вагових коефіцієнтів.

Розроблені в роботі методи і моделі використано для розв’язання практичних задач. Запропоновано використання моделей обробки зображень у задачі суддівства спортивних змагань на прикладі художньої гімнастики. Задача суддівства полягає в оцінюванні виконаного елементу спортсменкою у разі виникнення суперечливого моменту у суддів змагань. Результати роботи застосовано також для розв’язання задачі визначення стану цегли при виході її із тунельної сушарки.

ВИСНОВКИ

У дисертаційній роботі наведено результати, які, відповідно до мети дослідження, у сукупності є вирішенням актуальної науково-практичної задачі – розробки методів та ярусно-паралельних моделей прискореної обробки напівтонових зображень, що має велике значення для підвищення ефективності обробки зображень. У результаті проведених досліджень і вирішення поставлених задач отримано такі результати:

  1.  Проведено аналіз інтелектуальних методів обробки напівтонових зображень, який виявив недоліки, пов’язані із проблемами обробки зображень великої розмірності та недостатньою швидкістю обробки. Це потребує розробки нових моделей прискореної обробки зорових образів, зокрема на основі нейронних мереж та використанням паралельних чисельних методів.
  2.  Набула подальшого розвитку узагальнена модель процесу обробки напівтонових зображень, яка дозволяє класифікувати кадри відеопотоку шляхом віднесення кожного із них до одного із класів та є процесом, що використовує сукупність засобів та методів збору, накопичення, обробки та передачі потоку або окремого зображення для класифікації об’єктів на зображенні. Це дозволяє підвищити ефективність обробки зображень завдяки скороченню часу обробки.
  3.  Вперше запропоновано метод прискореної скелетонізації бінарного зображення на основі бітових масок, що дозволяє зменшити кількість інформації та спростити обчислювальні процедури на наступних етапах обробки зображень завдяки поданню зображення у вигляді вісі, що є найбільш релевантним аналогом вихідного зображення й зберігає необхідну інформацію. Запропонований метод прискореної скелетонізації бінарного зображення на основі бітових масок дає можливість зменшити кількість скалярних операцій необхідних для отримання скелету вихідного зображення залежно від розміру зображення, а також від наявних обчислювальних ресурсів.
  4.  Проведено порівняльний аналіз ітеративних методів скелетонізації  бітовими масками та структурними елементами на основі обчислювальної складності та визначення кількості скалярних операцій для паралельного та послідовного методів скелетонізації. Обчислювальна складність удосконаленого методу прискореної скелетонізації на основі структурних елементів зменшена на порядок у порівнянні із існуючим послідовним методом.
  5.  Удосконалено метод класифікації напівтонових зображень за допомогою штучної нейронної мережі персептронного типу, який дозволяє виконувати рівномірний адаптивний розподіл груп нейронів по потоках та налаштувати їх вагові коефіцієнти під час використання паралельних чисельних методів. Це дозволяє скоротити час навчання нейронної мережі та прискорити процес оцінювання зображень великої розмірності.
  6.  Запропоновано ярусно-паралельні моделі рядкової та блочної обробки напівтонових зображень потоками нечисленної кількості та за наявності будь-якої кількості потоків, які за рахунок попереднього розподілу вихідного зображення на групи рядків або блоків дозволяють прискорити процес класифікації та уникнути «прокляття розмірності».
  7.  Проведено експериментальні дослідження методів прискореної скелетонізації бінарних зображень на основі СЕ та БМ, основними перевагами яких є те, що завдяки їх застосуванню можна виділити не лише центральний остов, а також і контур зображення. Для запропонованих ярусно-паралельних моделей рядкової та блокової обробки напівтонових зображень виконано реалізацію розроблених моделей на основі технологій паралельного програмування (MPI, CUDA). Результати роботи були впроваджені та показали свою ефективність для розв’язання задачі контролю якості виготовленої цегли при виході її із тунельної сушарки, а також у системі суддівства спортивних змагань.

СПИСОК опублікованИХ ПРАЦЬ за темою дисертації

  1.  Барковская О.Ю. Параллельная модификация алгоритма скелетонизации бинарного изображения. / О.Ю. Барковская, Н.Г. Аксак // Восточно-Европейский Журнал передовых технологий. – 2006. –  4/2 (22). – 65–68с. 
  2.  Новосельцев И.В. Вероятностные нейронные сети для решения задач медицинской диагностики / И.В. Новосельцев, Н.Г. Аксак, О.Ю. Барковская // Бионика интеллекта. – 2006. – № 2 (65). – С.62–65.
  3.  Аксак Н.Г. Распознавание изображений антропоморфного объекта / Н.Г. Аксак, А.Ю. Тыхун, О.Ю. Барковская, А.С. Солдатов // Бионика интеллекта. – 2009. – № 1 (70). – С.102–105.
  4.  Барковская О.Ю. Сравнительный анализ алгоритмов бинаризации полутонового изображения / О.Ю. Барковская, Н.Г. Аксак, И.В. Новосельцев // Автоматизированные системы управления и приборы автоматики: всеукр. межведомственный науч.-техн. сборник. – Харьков, 2005. – вып.133. – С.40–46.
  5.  Барковская О.Ю. Обобщенная модель распознавания антропоморных объектов / О.Ю. Барковская, И.В. Новосельцев, Н.Г. Аксак // Системні технології: збірник наук. праць. – Вип. 6 (53).– Дніпропетровськ, 2007.– С. 11–16. 
  6.  Новосельцев И.В. Гибридные нейронные сети для распознавания образов/ И.В. Новосельцев, Н.Г. Аксак, О.Ю. Барковская // Системи обробки інформації. – Харків, 2007. – вип. 3(61). – С. 60–64.
  7.  Барковская О.Ю. Использование шкал оттенков базовых цветов для решения задачи бинаризации./ О.Ю. Барковская, Н.Г. Аксак// Системні технології: збірник наук. праць. – Випуск 3 (56).– Том 2. – Дніпропетровськ, 2008. – С. 117–122.
  8.  Барковская О.Ю. Модели ускоренной обработки двумерных полутоновых изображений./ О.Ю. Барковская, Н.Г. Аксак, А.В. Шкловец// Системи управління, навігації та зв’язку: збірник наук. праць. – Випуск 4(12). – Київ, 2009. – С. 80–84. 
  9.  Барковская О.Ю. Сравнительный анализ итеративных методов скелетонизации. / О.Ю. Барковская, Н.Г. Аксак, А.В. Шкловец // Науковий вісник Чернівецького університету імені Юрія Федьковича. Серія: Комп’ютерні системи та компоненти: збірник наук. праць. – Том 1, випуск 2. – Чернівці: ЧНУ, 2010. – С. 121–128.
  10.  Barkovskaya O.Y. Contrastive analysis of the parallel version of the binary image skeletonozation algorithms on basis of binary matrix and structural elements / Barkovskaya O.Y., Axak N.G.//The experience of designing and application of cad systems in microelectronics: 9-th International Conference. – Lviv-Polyana, 2007: proceedings. – P. 435–436.
  11.  Барковская О.Ю. Применение искусственных нейронных сетей для бинаризации полутонового изображения / О.Ю. Барковская // Радіоелектроніка та молодь в ХХІ ст.: 10-й Міжнар. молодіж. форум: тези доп. – Харків: ХНУРЕ, 2006. – Ч. 1. – С. 306.
  12.  Барковская О.Ю. Использование шкал оттенков базовых цветов для решения задачи бинаризации / О.Ю. Барковская, Н.Г. Аксак // Интеллектуальные системы принятия решений и прикладные аспекты информационных технологий: материалы междунар. науч. конф., 15–18 мая 2006 г. – Евпатория, 2006. – Т. 1. – С. 42–44.
  13.  Барковская О.Ю. Антропоморфные объекты для распознавания образов / О.Ю. Барковская // Радіоелектроніка та молодь в ХХІ ст.: 12-й Міжнар. молодіж. форум: тези доп. – Харків: ХНУРЕ, 2008. – Ч. 1. – С. 187.
  14.  Бондаренко С.В. Применение параллельного подхода в решении задачи скелетонизации изображений / С.В. Бондаренко, О.Ю. Барковская // Технологии Microsoft в теории и практике программирования: материалы конф. – Нижний Новгород: изд-во Нижегородского госуниверситета, 2008. – С.39.
  15.  Барковская О.Ю. Применение бинарных матриц при решении задачи скелетонизации / О.Ю. Барковская // Радіоелектроніка та молодь в ХХІ ст.:
    11-й М
    іжнар. молодіж. форум, 10–12 квітня 2007 р.: тези доп. – Харків: ХНУРЕ, 2007. – Ч. 1. – С. 375.
  16.  Барковская О.Ю. Параллельная модификация алгоритма скелетонизации на основе бинарных матриц / О.Ю. Барковская, Н.ГАксак // Высокопроизво-дительные параллельные вычисления на кластерных системах: материалы 6-го Междунар. науч.-практ. семинара. – Санкт-Петербург, 2007. – Том 1. – С. 57–64.
  17.  Винников В.Е. Применение параллельного подхода в решении задачи бинаризации изображений / В.Е. Винников, О.Ю. Барковская, А.А. Бут // Технологии Microsoft в теории и практике программирования: материалы конф. – Нижний Новгород: изд-во Нижегородского госуниверситета, 2008. – С. 53.
  18.  Барковская О.Ю. Обработка антропоморфных динамических объектов /  О.Ю. Барковская, Н.ГАксак // Автоматика – 2008: материалы 15-й Междунар. науч. конф. по автоматическому управлению, 23–26 сентября 2008р. – Одесса, 2008. – С. 27–29
  19.  Барковская О.Ю. Применение тепловизоров в задачах распознавания антропоморфных объектов / О.Ю. Барковская, Н.Г. Аксак // Контроль і управління в складних системах: 9-а Міжнар. наук. конф., 21–24 жовтня 2008 р. – Вінниця, 2008. – С.35
  20.  Барковская О.Ю. Автоматизация процесса определения количества перифитонов на конкретном участке погруженных под воду предметов / О.ЮБарковская, Н.Г. Аксак // Современные проблемы гидробиологии. Перспективы, пути и методы решений –2: материалы Междунар. науч. конф. – Херсон, 2008. – С. 52–57.
  21.  Аксак Н.Г. Критерии разделения объектов на статические и динамические при обработке видеоизображения / Н.Г. Аксак, О.Ю. Барковская // Сучасні проблеми науки та освіти: метеріали конф. – Харків, 2007. С. 312–313.
  22.  Барковская О.Ю. Применение обобщенной модели распознавания антропоморфных образов/ О.Ю. Барковская, И.В. Новосельцев, Н.Г. Аксак // Інтелектуальні системи прийняття рішень та прикладні аспекти інформаційних технологій: збірник наук. праць Міжнар. наук. конф. – Євпаторія, 2007. – Т. 3. –С. 96–97.

АНОТАЦІЯ

Барковська О.Ю. Методи та ярусно-паралельні моделі прискореної обробки напівтонових зображень. – Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.23 – системи та засоби штучного інтелекту. – Харківський національний університет радіоелектроніки, Харків, 2011.

Дисертаційна робота присвячена розробці моделей та методів інтелектуальної прискореної обробки напівтонових зображень на основі апарату штучних нейронних мереж та методів паралельних обчислень, які здатні аналізувати інформацію про розмір зображення для рівномірного адаптивного розподілення завдань по потоках, що дозволяє прискорити інтелектуальну обробку зображень об'єктів як у рухомому, так і в нерухомому станах та класифікувати зображення об’єктів.

Подальшого розвитку набула узагальнена модель процесу обробки напівтонових зображень, яка використовує сукупність засобів та методів збору, накопичення, обробки та передачі потоку або окремого кадру для класифікації зображення об’єкта. Вперше запропоновано метод прискореної скелетонізації бінарного зображення на основі бітових масок та удосконалено метод скелетонізації на основі структурних елементів, що мають зменшену кількість скалярних операцій та обчислювальну складність, а також більшу швидкодію у порівнянні із існуючими методами скелетонізації, залежно від розміру зображення, а також від наявних обчислювальних ресурсів.

Запропоновано ярусно-паралельні моделі рядкової та блочної обробки напівтонових зображень, які за рахунок попереднього розподілу вихідного зображення на групи рядків або блоків дозволяють прискорити процес класифікації та уникнути «прокляття розмірності».

Результати роботи використані для вирішення завдання контролю виготовленої цегли, що розміщена у вагонетці, а також як незалежний експерт пыд час вирішенні завдань у системі суддівства спортивних змагань.

Ключові слова: методи обробки зображень, моделі обробки зображень, ярусно-паралельна модель, скелетонізація, бінарізація, паралельні обчислення, нейронна мережа.

АННОТАЦИЯ

Барковская О.Ю. Методы и ярусно-параллельные модели ускоренной обработки полутоновых изображений. – Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.23 – системы и средства искусственного интеллекта. – Харьковский национальный университет радиоэлектроники, Харьков, 2011.

Диссертационная работа посвящена разработке моделей и методов интеллектуальной ускоренной обработки полутоновых изображений на основе аппарата искусственных нейронных сетей и методов параллельных вычислений, которые способны анализировать информацию о размере изображений для равномерного адаптивного распределения заданий по потокам, что позволяет ускорить интеллектуальную обработку изображений объектов, находящихся как в подвижном, так и в неподвижном состояниях, и классифицировать объекты на изображении.

В результате проведенного анализа интеллектуальных методов обработки полутоновых изображений, который выявил недостатки, связанные с проблемами обработки изображений большой размерности и недостаточной скоростью обработки, дальнейшее развитие получила обобщенная модель процесса обработки полутоновых изображений, которая позволяет классифицировать кадры видеопотока путем отнесения каждого из них к одному из классов, и представляет собой процесс, который использует совокупность средств и методов сбора, накопления, обработки и передачи потока или отдельного кадра для классификации объектов на изображении. Это позволяет повысить эффективность обработки изображений.

Впервые предложен метод ускоренной скелетонизации бинарного изображения на основе битовых масок, который позволяет уменьшить количество информации и упростить вычислительные процедуры на следующих этапах обработки изображений благодаря представлению изображения в виде оси, которая является наиболее релевантным аналогом исходного изображения и хранит необходимую для данного задания информацию. Предложенный метод ускоренной скелетонизации бинарного изображения на основе битовых масок дает возможность уменьшить количество скалярных операций, необходимых для получения скелета исходного изображения в зависимости от размера изображения, а также от имеющихся вычислительных ресурсов. Уменьшена на порядок вычислительная сложность метода итеративной скелетонизации на основе структурных элементов за счет его усовершенствования и представления в параллельной форме. Получили последующее развитие методы классификации полутоновых изображений на основе искусственных нейронных сетей персептронного типа, что позволяет автоматически равномерно распределять нейроны по вычислителям для параллельной обработки.

Предложены ярусно-параллельные модели строчной и блочной обработки полутоновых изображений любым количеством вычислителей, которые за счет предыдущего распределения исходного изображения на группы строк или блоков позволяют ускорить процесс классификации и избежать «проклятия размерности».

Проведенные вычислительные эксперименты подтвердили, что для предложенных ярусно-параллельных моделей строчной и блочной обработки полутоновых изображений, реализация при использовании библиотеки MPI  и технологии CUDA позволяют получить значительное ускорение.

Результаты работы использованы для решения задачи контроля качества изготовленного кирпича, размещенного на вагонетке, а также при решении задач в системе судейства спортивных соревнований в качестве независимого эксперта.

Ключевые слова: методы обработки изображений, модели обработки изображений, ярусно-параллельная модель, скелетонизация, бинаризация, параллельные вычисления, нейронная сеть.


ABSTRACT

Barkovskaya O.Y. Methods and tier-parallel models for accelerated grayscale images processing. – Manuscript.

Thesis for candidate’s degree in engineering science by specialty 05.13.23 – system and methods of artificial intelligence. – Kharkiv National University of Radio Electronics, Kharkiv, 2011.

Dissertation work is devoted to development of models and methods of the intellectual speed-up processing of half-tone images on the basis of artificial neuron networks and methods of parallel calculations that is able to analyze information about the size of images for the even adaptive division of tasks on streams, that allows to accelerate the intellectual processing of images being both in the movable and in immobile states, and to classify the images.

The improved model of process of digital image processing, which uses the aggregate of facilities and methods of collection, accumulation, treatment and transmission of stream or separate shot, for classification of image of object was got a subsequent development. The method of speedup skeletonization of binary image is first offered on the basis of bit masks and the method of skeletonization was improved on the basis of structural elements, which have the diminished amount of scalar operations and calculable complication, and also greater speedup, in comparing to the existent methods of the skeletonization, in dependence on the size of image, and on present calculable resources.

It is offered tier parallel models of the string and sectional processing of semitone images which due to the previous distributing of initial image on the groups of lines or blocks allow to accelerate the process of classification and to avoid the «curse of dimension».

Job performances are used for the decision of tasks in the system of judging of sporting competitions as an independent expert, and also for the decision of task of control of brick's quality.

KEY WORDS: methods of image processing, image processing models, tier-parallel model, binary image sceletanization, halftone image binarization, parallel calculations, a neural network.


Відповідальний випусковий В.П. Машталір

Підп. до друку 27.05.2011. Формат 60х84 1/16.  Спосіб друку – ризографія.

Умов.друк.арк. 1,2. Облік. вид.арк. 1,1. Тираж 100 прим.

Ціна договірна Зам №2-453

ХНУРЕ. Україна. 61166, Харків, просп. Леніна, 14

Віддруковано в навчально-науковому

видавничо-поліграфічному центрі ХНУРЕ

61166, Харків, просп. Леніна, 14


 

А также другие работы, которые могут Вас заинтересовать

23555. ОБЩАЯ РИТОРИКА 2.01 MB
  Объектом этой теории является изучение дискурсивных приемов позволяющих вызвать или усилить сочувствие к предложенным для одобрения положениям Perelman 1958 с. Главы посвященные детальнейшему разбору четырех типов риторических метабол представляют собой образец блестящего анализа живого функционирования языка а значение совокупности содержащихся в них наблюдений эвристических ходов мысли далеко выходит за рамки проблематики даже столь сложного феномена каким является литературный художественный язык. Если с известной долей...
23556. ИСКУССТВО ОРАТОРА 1.93 MB
  Савкова ИСКУССТВО ОРАТОРА СОДЕРЖАНИЕ Введение Удивительный дар природы Оратор и его голос Что ни звук то и подарок Дикция оратора Порусски ли мы говорим Литературное произношение Косноязычна риторика без грамматики Языковая культура Мое богатство мой язык Языковые средства выразительности От сердца к сердцу нити проложить Интонационная выразительность Язык чувств Жесты и мимика как средство общения С пером в руке Как создать текст выступления Посмеемся вместе Юмор в публичном...
23557. Культура речи 1.01 MB
  Чтобы передать ее другому он произносит слова. Мужик либо не отвечал ничего либо произносил слова вроде следующих: А мы могим. Речь Базарова строится по нормам литературного языка в ней встречаются отвлеченные книжные слова непонятные собеседнику: воззрение будущность излагать эпоха история закон. Не случайно в древнерусском языке одно из значений слова смысл было разум рассудок ум.
23558. КУЛЬТУРА РУССКОЙ РЕЧИ 3.36 MB
  Виноградова КУЛЬТУРА РУССКОЙ РЕЧИ Учебник для вузов Ответственные редакторы – доктор филологических наук профессор Л. Бурвикова Культура русской речи. ISBN 5891231867 ISBN 5862257055 Книга представляет собой первый академический учебник по культуре речи содержащий наиболее полный систематизированный материал по данной теме. В основе издания лежит принципиально новая теоретическая концепция культуры речи.
23559. ВИД И АКЦИОНАЛЬНОСТЬ 231 KB
  Даут приходитьPFCTSIM Марат спатьST.IPFV AUX1PST Когда Даут пришел Марат спал. Ситуация ‘Марат спит’ занимает в актуальном мире определенный промежуток времени в некоторый момент t1 она начинается в другой момент t2 завершается а между t1 и t2 имеет место как показано на схеме 2. Марат спатьST.
23560. Формальная и неформальная семантика предельности 97.5 KB
  Mary ate apples [сочетается с for half an hour нетерминативное употребление eat]; б. Mary ate two apples [сочетается с in 10 minutes терминативное]. глагольная группа ГГ ate apples в 1.1а где дополнение – bare plural нетерминативная activity а ate two apples в 1.
23561. ГРАММАТИКА общая и рациональная 457.78 KB
  Высказанное нами суждение об окружающих предметах как например в случае когда мы говорим: земля круглая 1а terre est ronde называется предложенном proposition. Кроме того между двумя этими членами предложения находится связка liaison есть est. Во французском и других новых языках этот падеж выражается в именах нарицательпых опущением артикля свойственного им в номинативе: le Seigneur est шоп esperance 'Господь ты есть моя надежда'; Seigneur vous etes mon esperance 'Господи на тебя уповаю'. Это слово используется и для...
23562. Проект Разработка программы распознавания русской речи Для процессора SuperH RISK (Hitachi) 196 KB
  Целью проекта является создание системы независимой от диктора системы распознавания речи. Использование этой системы предполагается в мобильных карманных устройствах поэтому наряду с требованием высокой достоверности распознавания к ней также предъявляются очень жесткие требования относительно компактности и быстродействия. Тестирование системы было проведено на словаре из 2500 слов произнесенных различными дикторами не принимавших участие в процессе настройки системы. Разработка системы состояла из следующих этапов: составление...
23563. Щерба Лев Владимирович 44 KB
  Щерба получил прежде всего как фонолог и фонетист. Щерба был виднейшим исследователем в области экспериментальной фонетики. Щерба признавал важность эксперимента. Щерба создал свою теорию фонемы.