Použitie IEV pri spracovaní obrazu

V [63] bol IEV aplikovaný na spracovanie obrazov z medicínskej a iných oblastí, analyzoval sa výkon vylepšovania samotného spracovania obrazov. Základná myšlienka prístupu spočívala v návrhu filtra bez detailnej znalosti oblasti spracovania obrazov. Interaktívny evolučný výpočet je jeden z prístupov, ktorý umožňuje pre používateľov IEV navrhnúť si prostriedok pre spracovanie signálov založený na sluchu alebo videní[58][74].
Prístup použitý v [63] spočíval v špecifikácii vstupno/výstupnej charakteristiky filtra pomocou lineárnych spline funkcií pre každú zo zložiek RGB. Interaktívny EV sa aplikoval na optimalizáciu parametrov spline funkcie, založenej na spätnej väzbe od užívateľa na základe vyprodukovaného vizuálneho výstupu.
Základná schéme spracovania obrazov a návrhu filtrov je uvedená na obrázku 4.4.

Obrázok 4.4: Spracovanie obrazu pomocou IEV[63]

Interakcia medzi človekom a počítačom prebieha na pravej strane iteračného bloku a je sprostredkované cez rozhranie. Na rozhraní sa zobrazí niekoľko obrazov ako výstup spracovania. Pomocou toho istého rozhrania sa vyzbierajú hodnotenia pre jednotlivých kandidátov, ktoré potom vstupujú do interaktívneho EV. Časť IEV uložená v počítači sa skladá z evolučného procesu a bloku pre spracovanie obrazov. Hodnotenia zadávané užívateľom sa používajú na zmenu parametrov spracovania obrazu. Úloha bloku ``spracovanie obrazu'' je generovať kandidátov pre ďalšiu generáciu obrazov, pomocou filtrov vystupujúcich z evolučného procesu (výstup takéhoto bloku je uvedený na obrázku 4.6). V tomto konkrétnom prípade bola použitá populácia dvanástich jedincov, tj. na obrázku 4.6 je uvedený výstup dvanástich filtrov po aplikácii na ten istý obraz.
V rámci evolučného bloku (na obrázku 4.4 označený ako EV) sa generujú filtre, ktoré sa v neskoršom aplikujú na obraz (grafické znázornenie filtrov je na obrázku 4.5). Takýto filter sa dá jednoducho reprezentovať, napr. v tvare

$$\{[x_{0},y_{0}],[x_{1},y_{1}],...,[x_{n-1},y_{n-1}]\},$$

pričom jednotlivé dvojice reprezentujú súradnice bodov na obrázku 4.5. Pre každú farebnú zložku mám postupnosť takýchto dvojíc. V evolučnom procese sa potom menia jednotlivé hodnoty, tj. mením súradnice bodov a tým pádom dostávam zmenený výstup z procesu filtrácie.

Obrázok: Graficky znázornený filter [63]

Podľa [29] sú výhody spracovania obrazov pomocou IEC nasledovné:

a$)$

v prípade, že používateľ hľadá špecifickú vlastnosť, môže ju v tomto procese nájsť, alebo pomocou evolúcie ku nej dospieť,

b$)$

používateľ môže nájsť doteraz neznámu vlastnosť obrazu.

Prípad a$)$ popisuje exploitatívny prístup, prípad b$)$ je exploratívny.
Dôležitá časť celého procesu je samotné grafické rozhranie (GUI), vyplýva to z dôležitosti interakcie medzi človekom a počítačom[29]. V tomto je rozdiel oproti klasickým evolučným výpočtom a tiež oproti širšiemu kontextu výpočtovej inteligencie. V prípade aplikácie pre spracovanie obrazov primárnym cieľom GUI je zobrazenie obrazov. Usporiadanie GUI je úplne iné v prípade 10 alebo 100 zobrazených obrazov. Z dôvodu obmedzenej kapacity obrazovky a potreby zobraziť niekoľko obrazov paralelne, je potrebné nájsť kompromis medzi:

1. Schopnosťou vidieť detaily na obraze a možnosťou vidieť obraz ako celok. Na riešenie tohto problému sa implementuje možnosť zväčšiť/zmenšiť obraz, resp. zobraziť len časť obrazu.
2. Možnosťou vidieť detaily na jednotlivých obrazoch a možnosťou porovnať obrázok ako celok voči ostatným kandidujúcim obrazom. V prípade, že príliš zredukujeme počet jedincov v populácii obmedzíme proces optimalizácie. Na druhej strane len čiastočným zobrazením populácie klesá schopnosť používateľa objektívne porovnávať a hodnotiť kandidátov.

Obrázok: Výstup softvéru[63] pre spracovanie obrazu pomocou IEV

Ďalšia úloha GUI je zbierať hodnotenia používateľov. Tento krok môže byť vykonaný tiež niekoľkými spôsobmi. Používateľ môže prehľadávať obrázky a vybrať pre neho zaujímavý snímok, zvoliť a hodnotiť najlepších kandidátov, jednotlivo hodnotiť každý obraz postupne, a pod. Navyše je rozdiel medzi spojitým a diskrétnym vyhodnocovaním, ďalej medzi troj- alebo päťstupňovým hodnotením. V prípade, že používateľ hľadá špecifickú vlastnosť obrazu a chce vidieť väčšie množstvo rôznych alternatív, po určitom čase bude unavený hodnotením každého kandidáta. V prípade, že hľadá konkrétny výsledok - známu vlastnosť - môže pomocou hodnotení výsledok optimalizácie vylepšiť.
Rozhranie pracuje s dvomi informačnými tokmi:

• smerom od počítača ku človeku a
• od človeka k počítaču.

Súčet týchto dvoch tokov dáva celkový informačný tok prechádzajúci cez GUI. Predpokladá sa, že väčší informačný tok znamená hlbšiu interakciu. Informácie vymenené v jednotlivých iteráciách môžu mať značne inú kvalitu. V prípade vhodnej prezentácie hodnotenia môžu byť presnejšie a vďaka tomu sa urýchli konvergencia celého procesu.
Použitie IEV pri spracovaní obrazov z oblasti medicíny môže byť užitočné pre lekárov pri jednoduchom a presnom detekovaní chorých častí. Štruktúra filtrov v tejto oblasti je pomerne jednoduchá, najlepší kandidát väčšinou nie je objektívne určiteľný, ale silne závislý na osobných preferenciách daného hodnotiteľa, lekára. Práve z tohto dôvodu je použitie IEV opodstatnené[58].
Ďalší možný postup je určiť postupnosť viacerých filtrov. Z dôvodu jednoduchého prístupu k obrazovým dátam pomocou digitálnych fotoaparátov, skenerov, a internetu existuje vyššia pravdepodobnosť, že aj laický človek (z hľadiska spracovania obrazov) pracuje s obrazmi. Väčšina takýchto užívateľov používa nejaký softvér na úpravu obrazov pomocou postupnosti filtrov. Vo všeobecnosti, rôzne poradie filtrov, môže viesť k inému výsledku, t.j. obraz filtrovaný postupnosťou filtrov $A ,B ,C$ je odlišný od obrazu, ktorý bol filtrovaný v poradí $C, B, A$. Hoci pre laika môže byť náročné hodnotiť jednotlivé filtre, má však možnosť hodnotiť výsledok celkového procesu, t.j. postupnosť filtrov.