Ugrás a tartalomhoz

Optika és látórendszerek

Sánta Imre (2012)

EDUTUS Főiskola

Soft Computing módszerek

Soft Computing módszerek

A digitális képfeldolgozás ismertetett hagyományos módszerei mellett erőteljesen törnek előre a soft computing módszerek, melyek képesek kezelni a képen megtalálható hibákat, zajt, hiányokat és közelítéseket. Az új képességekből eredően az algoritmusok rugalmassága, robusztussága megnő, mindez alacsony számítási költséggel. A soft computing módszerek közel állnak az emberi agy által mutatott működéshez, amely az egzakt számítás helyett emlékezéssel, ráérzéssel, valószínűségekkel, megítéléssel, becsléssel működik. A következő, a mesterséges intelligencia tárgykörébe tartozó módszerek ezek:

  • Fuzzy rendszerek,

  • Neurális hálózatok,

  • Evolúciós számítás,

  • Harmóniakereső algoritmusok,

  • Rajintelligencia algoritmusok,

  • Gépi tanulás,

  • Káosz elmélet.

Mesterséges neurális háló alapú képfeldolgozás

Ez a terület nagyon kiterjedt, mivel a mesterséges neurális hálók (MNH) alkalmazásának egyik fő területe éppen a gépi látás. Az MNH az emberi agy szerveződését mintázza. Kulcsszerepben vannak a mesterséges neuronok, azok kapcsolódása és a tanulási mód. Képfeldolgozási, alakfelismerési feladatokra elsősorban a gyors működésű előrecsatolt többrétegű perceptron hálók alkalmasak. Ezek betanítása a felismerendő alakzatokra egyszerűen az alakzatok, tárgyak képeinek többszöri bemutatásával elvégezhető. Az MNH előnye az alakfelismerésben a hibatűrés és a robusztusság. További előny, hogy nem programozással, hanem betanítással tesznek szert az alakfelismerés képességére. Komolyabb feladatok megoldásához a hálókat hierarchikus szerkezetben meg kell többszörözni, hogy a látványban rejlő többszintű elvonatkoztatást felismerhessék (foltok, élek; szék, asztal; szoba, tárgyaló). A témához köthető példát ad az 5.3.3 fejezetben bemutatott MNH alapú amőba játékot játszó program.