СЕКТОР № 8.1

Сектор моделирования биоинформационных процессов

в зрительных системах

Заведующий сектором – к.ф.-м.н. Николаев Дмитрий Петрович

E-mail: dimonstr@iitp.ru

Сотрудники сектора:

Сектор 8.1 был создан в 2007 году решением Ученого совета Института. Сектор объединил исследователей, занимающихся задачами обработки изображений с учётом особенностей восприятия человека и моделированием феноменов биологического зрения, имеющих приложение в технических зрительных системах.

В качестве основного направления исследований, проводимых в секторе, утверждена тема «Исследование и моделирование информационных (физиологических и психофизических) процессов зрительной системы человека».

Работа над указанной темой ведётся в следующих направлениях:

• моделирование элементов зрительной системы человека;
• исследование и моделирование феноменов зрения;
• разработка методов обработки изображений для систолических архитектур;
• разработка алгоритмов технического зрения;
• разработка методов визуализации данных.

Сотрудники сектора активно сотрудничают с другими лабораториями института, кафедрой вычислительной математики мех.-мат. фак. МГУ, кафедрой компьютерных методов физики физ. фак. МГУ, лабораторией психологии восприятия псих. фак. МГУ, Институтом проблем технологий микроэлектроники РАН, факультетом прикладных исследований Университета Астона (г. Астон, Великобритания), факультетом геофизики Университета Жозефа Фурье (г. Гренобль, Франция) и станцией дифракции-абсорбции синхротрона Soleil (г. Париж, Франция).

Моделирование элементов зрительной системы человека

В 2005 году Д.Г. Лебедевым и С.А. Гладилиным была предложена электротехническая модель нейронной сети, воспроизводящей выходной сигнал ганглиозной клетки для образования рецептивных полей с антагонистическими центром и периферией методом латерального торможения. Результаты моделирования полностью согласуются с данными электрофизиологических экспериментов. Модель предполагается использовать для выяснения роли микродвижений глаза для устойчивого восприятия сцены. В том же году С.А. Гладилин предложил стохастический алгоритм моделирования пространственного распределения колбочек на сетчатке.

Исследование и моделирование феноменов зрения

Одним из интереснейших феноменов зрения является константность цветовосприятия, то есть способность человека воспринимать окраску объекта вне зависимости от условий наблюдения и освещения. С математической точки зрения это означает, что зрительная система человека решает некорректно поставленную обратную задачу большой сложности. П.П. Николаев занимается моделированием феномена цветовой константности с середины семидесятых годов. В 2006 году было показано, что предложенная им гауссова спектральная модель обеспечивает наибольшую среди других спектральных моделей точность в задаче оценки окраски, несмотря на то, что кривые спектров натуральных красителей весьма далеки от гауссианы. За последние несколько лет П.П. Николаевым был предложен ряд новых признаков – так называемых ключей цветовой константности – позволяющих оценить спектральный состав источника света, доминирующего в сцене. Например, им было показано, что наличия в сцене двух глубоких складок на однородно окрашенных объектах достаточно для определения цветности освещения.

Другой феномен зрительной системы человека, активно исследуемый сотрудниками сектора – способность узнавать геометрические формы объектов инвариантно к их положению в трёхмерной сцене, т.е. инвариантно относительно проективного преобразования координат. Задача проективно-инвариантного сравнения особенно сложна для гладких контуров без особенностей, поскольку взаимная корреспонденция отдельных точек становится невозможной даже комбинаторно. П.П. Николаеву принадлежит идея локальных проективных базисов – конфигураций проективно-инвариантного дополнительного построения, позволяющих построить инвариантное отображение гладкого контура. Им было показано, что аппарат локальных проективных базисов может быть использован также и для детектирования симметрии контура вне зависимости от перспективных искажений.

В 2004 году В.П. Божкова (лаборатория № 12), Д.Г. Лебедев и Н.С. Суровичева начали цикл работ по исследованию корреляций между способностью человека к плавному прослеживанию (ПП) и различными дисфункциями его центральной нервной системы. Методика количественной оценки способности ПП основана на стробоскопической стимуляции (Суровичева Н.С., Лебедев Д.Г. Способ определения плавности прослеживающих движений глаз, 1993, Патент № 1321414) и благодаря относительной простоте регистрации позволяет получать обширные статистические данные. За последние годы было показано, что: существуют стабильные межиндивидуальные различия в плавности прослеживающих движений глаз у здоровых молодых людей (как детей, так и взрослых), которые с большой вероятностью являются врожденными; на характеристиках ПП отражаются индивидуальные особенности центральной нервной системы человека, что проявляется в различиях между группами сильных правшей и сильных левшей, а также психофизическое состояние людей, которое сильно ухудшается у пациентов неврологических клиник. Все это показало перспективность использования нового метода для диагностики различных минимальных дисфункций у человека.

Разработка методов обработки изображений для систолических архитектур

Разработка алгоритмов, аналогичных алгоритмам зрительной системы человека предполагает учёт особенностей «архитектуры» зрительной коры, состоящей из большого числа простых вычислителей – нейронов. Одним из мощных инструментов анализа и обработки изображений, органично вписывающимся в систолическую архитектуру, является преобразование Хафа. Это преобразование позволяет выделить из входного массива данных элементы, хорошо укладывающиеся в некоторую модель, и определить параметры этой модели. Каждый элемент исходных данных как бы "голосует" за те сочетания параметров (в дискретном пространстве параметров модели), при которых элемент удовлетворяет модели. Набор параметров, набравший наибольшее число голосов, считается оптимальным для исходного набора данных. Следует отметить, что преобразование Хафа есть использование в инженерной практике идеи Плюккера о пространствах геометрических форм. В частном же случае поиска прямых на плоскости, и вообще, n–1 -мерных линейных подмногообразий в n -мерных пространствах преобразование Хафа есть не что иное, как дискретная версия преобразования Радона. В 2004 году Д.П. Николаеву совместно с С.М. Карпенко удалось построить алгоритм быстрого преобразования Хафа, аналогичный быстрому преобразованию Фурье. В 2007 году оптимизированная версия этого алгоритма позволила обработать на рядовом ПК изображение размером 1 млн. пикселей за 10 мсек. С использованием преобразования Хафа было решено несколько практических задач обработки изображений, в частности, удалось построить алгоритм автоматического исправления радиального искажения на изображениях, полученных с использованием короткофокусных объективов.

Одной из важнейших практических задач, связанных с преобразованием Хафа (Радона), является задача компьютерной томографии (КТ). КТ широко используется как в медицине и биологии, так и в индустрии. В частности, контроль качества в микро- и наноэлектронике подразумевает использование микротомографии. На сегодняшний день наиболее широко распространены два метода КТ: алгебраический и метод свёртки и обратной проекции. Последний считается более предпочтительным по причине высокой вычислительной эффективности. Однако использование быстрого преобразования Хафа в алгебраическом методе реконструкции томограмм позволяет достигнуть производительности метода свёртки и обратной проекции. При этом алгебраический метод можно легко модифицировать в целях регуляризации решения. В 2007 году Д.П. Николаев и М.В. Чукалина (ИПТМ РАН) предложили регуляризирующий алгебраический метод КТ, позволивший на порядок увеличить точность восстановления.

В 2007 году Д.Г. Лебедев, Д.С. Лебедев (лаборатория № 8), С.А. Гладилин и М.В. Костюков завершили разработку оригинального метода подавления геометрического шума на изображениях, полученных тепловизионным прибором с двумерной матрицей приемников. Практически в каждом приборе подобного типа имеются устройства, осуществляющие время от времени корректировку неоднородности фотоприемников сканирующей матрицы. Целью коррекции является получение от каждого пикселя фотоприемного устройства сигнала одного и того же уровня при условии их равномерной облученности. Как правило, полностью скомпенсировать влияние неоднородности сканирующей матрицы не удается. Причиной этого может быть неравномерность облучения при калибровке, отклонение реальных приемников от линейной модели используемой при коррекции видеосигнала, а также уход значений параметров приемников за время, прошедшее после окончания последней калибровки. Особенностью предложенного метода является возможность полного отказа как от заводской, так и от динамической корректировки. Метод основан на совместной обработке двух кадров – базового и оптически дефокусированного, регистрируемых одной тепловизионной матрицей.

    Могущее вызвать недоверие высокое качество шумоподавления на иллюстрации объясняется тем, что геометрический шум (в отличие от теплового) медленно меняется со временем, что и позволяет точно его скомпенсировать.

Разработка алгоритмов технического зрения

Алгоритмы определения границ объектов на цветном изображении (алгоритмы объектной цветовой сегментации) являются необходимым инструментом для решения различных прикладных задач в области обработки цветных изображений, связанных с их редактированием, анализом, синтезом, восстановлением и сжатием. Из-за существенных неоднородностей мощности и цветности освещения в пространстве сцены, а также по причине сложной структуры индикатрис рассеяния поверхностей объектов в сцене, изображение однородно окрашенного объекта является в общем случае существенно неоднородным по цвету. Более того, на изображении объекта 3D сцены повсеместны и дополнительные контрастные границы (границы бликов, теней и затенений). В итоге, при сегментации изображения классическими методами объект дробится на более мелкие области, границы которых не соответствуют какому-либо скачку отражательных свойств поверхности. Хотя уже давно понятно, что алгоритмы цветовой сегментации можно развивать, только ориентируясь на физическую модель сцены (с ее ограничениями и приближениями), число таких алгоритмов, тем более реализованных программно, исчисляется единицами. В 2004 году П.П. Николаевым и Д.П. Николаевым был разработан алгоритм цветовой сегментации, применимый в условиях сложного освещения сцены. Алгоритм использует широко распространённый подход слияния областей с помощью графа соседства областей, но весовая функция рёбер построена с учётом линейной модели формирования изображения. Для оценки параметров локальных цветовых распределений алгоритм использует быстрое преобразование Хафа.

Разработка методов визуализации данных

В 2004 году Д.П. Николаев и С.М. Карпенко предложили метод визуализации мультиспектральных изображений, сохраняющий контрастные детали. Мультиспектральные изображения – это двумерные изображения, в каждой точке которых задан многомерный вектор значений. Стандартным способом визуализации таких данных является задание функции, отображающей вектор значений в скаляр, визуализируемый яркостью точки. При этом всегда есть шанс потерять детали изображения. Предложенный метод основан на оптимальном в смысле среднеквадратичного отклонения восстановлении изображения по полю градиентов.