Reconhecimento de Padrões em imagens ruidosas utilizando Redes Neurais Artificiais

Transcrição

1 Reconhecimento de Padrões em imagens ruidosas utilizando Redes Neurais Artificiais Leandro Sebastian Pereira da Silva, Ana Carolina N. Gracioso, Ana Claudia Paris, Adilson Gonzaga. USP/EESC Universidade de São Paulo / Departamento de Engenharia Elétrica Av. do Trabalhador São-Carlense, 400, CEP , São Carlos, São Paulo, Brasil [sebastian, carolina, adilson]@sel.eesc.usp.br, acp@netsite.com.br 1. Abstract This Project presents a boarding for recognition and recovery of images with noise incidence. Using Artificial Neural Nets (ANN) of the type Recurrent of Hopfield, for the method of Associative Memories, aiming at to the recovery of the noisy image based on information of the stored original image in the system s memory. 2. Resumo Este Projeto apresenta uma abordagem para reconhecimento e recuperação de imagens estáticas, com incidência de ruído. Utilizando Redes Neurais Artificiais (RNA) do tipo Recorrentes de Hopfield, pelo método de Memórias Associativas, visando à recuperação da imagem ruidosa com base na informação da imagem original armazenada na memória do sistema. 3. Introdução As RNA são modelos computacionais inspirados no cérebro humano com capacidade de aquisição e manutenção do conhecimento. O cérebro humano tem capacidade de reconhecimento de características com eficácia infinitamente superior às maquinas. Com o uso de RNA pretendese reduzir esta diferença. Por este fator, a utilização de RNA vem crescendo e ganhando novas aplicações no campo de processamento de imagens. O método de processamento por arquiteturas Neurais tem comprovada eficiência em reconhecimento de padrões, onde se destacam arquiteturas backpropagation das redes Perceptrons e Perceptrons Multicamadas [1]. A arquitetura de Hopfield, através do método de Memórias Associativas, se destaca especialmente na recuperação de padrões defeituosos ou com ruídos, entre outros [2]. 4. Definição do Problema Em meio à existência de inúmeras aplicações utilizando de processamento de imagens, a incidência de fluxo e transferência deste tipo de informação é grande. Grande também é o volume destas informações. Com o aumento considerável de bases de dados de imagem e a constante necessidade de transferência de sinais contendo imagens, tornou-se necessário manter algum tipo de mecanismo capaz de compactar e descompactar dados para a transmissão. Neste problema, um sistema de transmissão, envia imagens através de um link de comunicação que são codificadas pelo sistema de transmissão. Ao chegar ao sistema de recepção, as imagens são novamente decodificadas visando uma recuperação fiel da imagem previamente enviada. Durante a transmissão, ao longo do link de

2 comunicação, as informações são corrompidas por ruídos que deixam as imagens incompletas ou distorcidas após a sua decodificação pelo sistema de recepção. O foco da questão está voltado para esta recuperação fiel das imagens distorcidas ou ruidosas. Pretende-se ainda avaliar a eficácia no reconhecimento de padrões em imagens, com incidência de ruídos. Pretende-se ainda definir os níveis suportáveis e sua eficácia, em um sistema com o menor número possível de neurônios. Portanto, a necessidade de Hardware será menor, o custo computacional será menor, então, a aplicação torna-se viável também para programações em nível de hardware e tempo real. 5. Solução do Problema Para solução deste problema é proposta a operação uma rede mínima, com arquitetura de Hopfield, composta por quarenta e cinco neurônios, aplicada ao final do sistema de transmissão de imagens representadas em quarenta e cinco bits. Na arquitetura de Hopfield todos os neurônios estão dispostos em uma única camada, estão completamente interconectados a todos e a si próprios, utilizando suas saídas como entradas futuras [2]. Neste caso, a aplicação tem a função de recuperar as partes danificadas da imagem recebida, apresentando como resultante uma imagem corrigida. A recuperação dos pixels é feita com base na imagem inicial, que deve estar associada previamente ao sistema. A arquitetura de Hopfield é muito usada em Memórias Associativas que são endereçáveis pelo conteúdo [2]. Com base nesta propriedade da arquitetura, serão apresentados previamente quatro padrões de imagens. A partir destes quatro padrões, serão apresentadas imagens ruidosas respectivas aos quatro padrões previamente apresentados para que o sistema possa recuperá-las em um mesmo processo. Em um segundo experimento, o mesmo processo será aplicado a recuperação individualizada, onde serão apresentadas várias imagens ruidosas para um mesmo padrão previamente apresentado, onde a avaliação será realizada utilizando-se dos mesmos padrões utilizados no primeiro experimento, porém, tratados individualmente a cada processamento. 6. Resultados Computacionais A rede de Hopfield foi utilizada para recuperação de doze imagens ruidosas em quatro classes, conforme exibido na figura 1. Na primeira experiência foram utilizadas quatro classes perfeitas e sem ruídos e mais doze imagens ruidosas distribuídas aleatoriamente nestes quatro padrões. Na primeira coluna da figura 1, apresentam-se os quatro padrões desejados pelo sistema, e em cada linha, as respectivas imagens com ruídos aleatórios, referente aos quatro padrões apresentados. Na segunda coluna são apresentadas imagens com até 20% de ruído, na quarta coluna são apresentadas imagens com mais de 20% de ruído, atingindo até 36%. Nº 1 original Nº 1 com ruido Nº 1 com ruido Nº 1 com ruido Nº 2 original Nº 2 com ruido Nº 2 com ruido Nº 2 com ruido Nº 3 original Nº 3 com ruido Nº 3 com ruido Nº 3 com ruido Nº 4 original Nº 4 com ruido Nº 4 com ruido Nº 4 com ruido Figura 1: Imagens utilizadas no processo A seguir, alguns resultados obtidos para cada padrão e suas respectivas

3 imagens ruidosas, apresentadas na figura 1. N1 limpo N1 com ruido Resultado Obtido Figura 5: Sucesso obtido a partir de uma imagem com 13,3% de ruído. Figura 2: Resultado obtido para figura 1 do processo de imagem com 20% de ruído, recuperada completamente. Figura 6: Falha parcial a partir de uma imagem com 24,4% de ruído. Falha de 4,4%. Figura 3:Resultado obtido para figura 1 do processo de imagem com 22,2% de ruído, recuperada completamente. Figura 7: Sucesso obtido a partir de uma imagem com 20% de ruído. Figura 4: Falha obtida a partir de uma imagem com 33,3% de ruído. Na figura 4 ocorreu uma falha crítica, onde a grande incidência de ruído impediu o reconhecimento e a classificação em algum dos padrões apresentados. Figura 8: Falha parcial a partir de uma imagem com 20% de ruído. Falha de 4,4%.

4 Figura 9: Falha de classificação a partir de uma imagem com 35,5% de ruído. Nesta primeira experiência, tendo com base estes quatro padrões, foram recuperadas 50% das imagens ruidosas com 100% de precisão. Ainda fora recuperadas 75% das imagens com uma margem de erro até 4,5%, uma margem considerada baixa estipulada para este experimento. Com 25% de imagens não recuperadas ou com margem de erro fora da faixa estipulada. Em segundo momento, o mesmo processo foi aplicado a cada uma das imagens separadamente. Neste caso o desempenho de recuperação se torna ótimo. Mesmo imagens com grande incidência de ruído são completamente recuperadas. Na figura 10 a mesma imagem ruidosa, com 33,3% de ruído, utilizada na figura 4, é recuperada com 100% de precisão. Figura 10: Resultado de recuperação em um único padrão. Imagem com 33,3% de ruído. Observe na figura 11 o resultado da mesma imagem utilizada na figura 9, com 35,5% de ruído, porém com classificação individual, ou seja, de um único padrão. A recuperação é completa. Figura 11: Resultado de recuperação em um único padrão. Imagem com 35,5% de ruído. Neste segundo momento, onde a experiência toma como base os mesmos padrões, mas após o reconhecimento, portanto, com tratamento individualizado, observa-se que o processo obtém 100% de recuperação sem ruído em 100% das imagens submetidas a este processo. 7. Análise dos Resultados Com base nas imagens obtidas a partir do processo de recuperação, tendo como entrada as imagens ruidosas, classificadas de acordo com os padrões apresentados, as RNA mostraram um bom desempenho para se trabalhar com ruídos nas imagens estudadas. A RNA em estudo utiliza-se de Memórias Associativas, onde os padrões foram apresentados previamente ao processo e os mesmos são armazenados e utilizados para corrigir uma apresentação ruidosa ou incompleta do padrão. Para esta arquitetura não há treinamento, a rede se auto-ajusta até encontrar seu ponto de equilíbrio. Observa-se, a partir das operações realizadas, apresentadas no item anterior, que o sistema tem um bom desempenho trabalhando com quatro padrões quando a incidência de ruídos não ultrapassa a 20%. Quando a incidência de ruidosos ultrapassa este

5 patamar os resultados começam a fugir do padrão esperado, salvo algumas exceções. Observa-se também, que em alguns resultados a falha não foi completa, onde a imagens foi recuperada, mas os ruídos não foram totalmente excluídos. É o caso das figuras 6 e 8. Esses resultados podem ou não ser aproveitados como se apresentam, dependendo da exigência de sua aplicação. Para alguns resultados de falhas, as imagens foram re-processadas frente ao padrão desejado e a sua recuperação foi completa. Por se tratar de um processo autoajustável, em alguns casos os ruídos transformam a imagem, fazendo com que a mesma esteja mais próxima de outro padrão apresentado, diferente do padrão desejado. Isso faz com que o sistema encontre o padrão indesejado antes do padrão desejado, como ocorre na figura 9, por exemplo. Quando as imagens ruidosas são submetidas ao processo individual, mesmo com grande incidência de ruído são identificadas e recuperadas sem nenhum ruído, como pode ser observado no exemplo da figura 11. Observe que na figura 11 a imagem ruidosa é a mesma da figura 9, com taxa de ruídos acima de 35%. No primeiro experimento, a imagem apresentada tinha ruídos capazes de confundi-la com outro padrão, deixando-a mais próxima do um padrão indesejado. Por conta desta confusão, o sistema resulta em um erro de reconhecimento. Quando o padrão é identificado previamente, o sistema pode então trabalhar com um único padrão, o que garantiu 100% de precisão nos processos. 8. Conclusões Este artigo demonstrou que as RNA são ferramentas muito poderosas no tratamento de dados e imagens, desde que sejam bem aplicadas. Se aplicada individualmente os resultados são ótimos, e mesmo se utilizados com os quatro padrões da primeira experiência os resultados são muito bons. Se aplicados da forma correta, pode-se identificar a qual padrão a imagem ruidosa pertence, e então recupera-la de seus ruídos trabalhando individualmente, e obter 100% de precisão. Verifica-se por este experimento a eficácia das RNA no reconhecimento de padrões em imagens. Os níveis de ruídos suportados pelo sistema atingiram 36% de ruído, com 100% de eficácia quando trabalhadas individualmente e 20% de ruído quando trabalhadas em conjunto de quatro padrões, com 75% de eficácia. Os quarenta e cinco neurônios que compõe a rede demonstraram um trabalho perto do ideal. O número de neurônios possibilitou um bom desempenho à rede, com tempo de processamento imperceptível, em um sistema que utilizou 256MB de memória RAM. Portanto, para operações similares a este experimento, a necessidade de Hardware será menor, o custo computacional será menor, então, a aplicação torna-se viável também para programações em nível de hardware e tempo real. Torna-se um desafio interessante aplicar no mesmo sistema um tratamento para imagens maiores, com níveis de ruídos diferenciados em trabalhos futuros. Pelo bom desempenho em um PC convencional, também desperta e motiva a aplicação do sistema em programação de hardware, pois o resultado mostrou que trata-se de uma programação eficaz, e que deve ser pesquisada para outros fins e aplicações.

6 9. Referências Bibliográficas 1. Bender Túlio Cléber; Osório, Fernando Santos - Reconhecimento e Recuperação de Imagens Utilizando Redes Neurais Artificiais - Programa Interdisciplinar de Pós-Graduação em Computação Aplicada Universidade do Vale do Rio dos Sinos (UNISINOS) 25/04/ Material Didático da Disciplina RNA Professor Ivan Nunes da Silva Universidade de São Paulo Departamento de Engenharia Elétrica Escola de Engenharia de São Carlos 3. Moreira, Kétia Soares; Pataro, Carmen Déa Moraes - Reconhecimento de faces empregando-se, PCA, ICA e RNA - um estudo comparativo. - Centro de Pesquisa e Desenvolvimento em Engenharia Elétrica Universidade Federal de Minas Gerais (UFMG) 25/04/ Redes Neurais 25/04/ Zuben, Fernando J. Von - Neurocomputação, Dinâmica Não- Linear e Redes Neurais de Hopfield IA353 DCA/FEEC/Unicamp 25/04/2006.