Predspracovanie obrazových dát pre predpoveď počasia pomocou NN

Technická univerzita v Koˇsiciach
Fakulta elektrotechniky a informatiky
Predspracovanie obrazov´ych dát pre
predpoved’ počasia pomocou NN
2010 Ivan Kuriˇsčák

Technická univerzita v Koˇsiciach
Fakulta elektrotechniky a informatiky
Katedra umelej inteligencie
Predspracovanie obrazov´ych dát pre
predpoved’ počasia pomocou NN
Diplomová práca
ˇStudijn´y program: Umelá inteligencia
ˇStudijn´y odbor: Umelá inteligencia
ˇSkoliace pracovisko: Katedra umelej inteligencie (KKUI)
ˇSkolitel’: Ing. Rudolf Jakˇsa, PhD.
Konzultant: Ing. Rudolf Jakˇsa, PhD.
Koˇsice 2010 Ivan Kuriˇsčák

Analytick´y list
Autor: Ivan Kuriˇsčák
Názov práce: Predspracovanie obrazov´ych dát pre predpoved’ počasia po-
Podnázov práce:
mocou NN
Jazyk práce: slovensk´y
Typ práce: Diplomová práca
Počet strán: 50
Akademick´y titul: Inˇzinier
Univerzita: Technická univerzita v Koˇsiciach
Fakulta: Fakulta elektrotechniky a informatiky (FEI)
Katedra: Katedra umelej inteligencie (KKUI)
ˇStudijn´y odbor: Umelá inteligencia
ˇStudijn´y program: Umelá inteligencia
Mesto: Koˇsice
Vedúci práce: Ing. Rudolf Jakˇsa, PhD.
Konzultanti práce: Ing. Rudolf Jakˇsa, PhD.
Dátum odovzdania: 13. 8. 2010
Dátum obhajoby: 27. 8. 2010
Kl’účové slová: neurónové siete, predpoved’ počasia, spracovanie obra-
zov´ych dát
Kategória konspekt: V´ypočtová technika; Umelá inteligencia
Citovanie práce: Ivan Kuriˇsčák: Predspracovanie obrazov´ych dát pre predpo-
ved’ počasia pomocou NN. Diplomová práca. Koˇsice: Tech-
nická univerzita v Koˇsiciach, Fakulta elektrotechniky a in-
formatiky. 2010. 50 s.
Názov práce v AJ: Preprocessing of Image Data for Weather Forecast Using
Podnázov práce v AJ:
Neural Networks
Kl’účové slová v AJ: neural networks, weather forecast, image preprocessing

Abstrakt v SJ
Diplomová práca sa zaoberá návrhom a implementáciou aplikácie neurónov´ych sietí
v oblasti predspracovania obrazov´ych dát. Práca popisuje súčasn´y stav problema-
tiky spracovania obrazu a predstavuje úvod do problematiky neurónov´ych sietí a
numerick´ych metód predpovede počasia. V implementačnej časti je popísan´y spôsob
realizácie navrhnutého systému. V poslednej experimentálnej časti sú predstavené
a zhodnotené experimentálne v´ysledky dosiahnuté systémom na báze neurónov´ych
sietí.
Abstrakt v AJ
This thesis deals with a design and implementation of application of neural networks
in domain of image preprocessing. The thesis describes present status of world is-
sues concerning image processing and introduces terminology of neural networks and
concerns of numerical methods for weather forecast. In the implementation part is
described way of realization of designed system. In last part are presented experi-
mental solutions achieved by system based on neural networks.

Čestné vyhlásenie
Vyhlasujem, ˇze som diplomovú prácu vypracoval(a) samostatne s pouˇzitím uvedenej
odbornej literatúry.
Koˇsice 13. 8. 2010 . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vlastnoručn´y podpis

Pod’akovanie
ˇDakujem vedúcemu a konzultantovi mojej diplomovej práce Ing. Rudolfovi Jakˇsovi,
PhD., za jeho ochotu, venovan´y čas, poskytnuté rady, usmernenie a samozrejme
trpezlivost’. Moju vel’kú vd’aku chcem vyjadrit’ aj celej mojej rodine za morálnu a
psychickú podporu počas doby písania tejto práce.

Predhovor
Problémy spracovania obrazov´ych dát môˇzeme vo vˇseobecnosti charakterizovat’ ako
problémy nelineárneho charakteru. Neurónové siete sú povaˇzované za dostatočne
presn´y aproximátor nelineárnych funkcií, preto nachádzajú stále väčˇsie vyuˇzitie
v obore spracovania obrazov´ych dát. Ciel’om tejto práce je poukázat’ na vhod-
nost’ pouˇzitia neurónov´ych sietí na predspracovanie obrazov´ych dát pre predpoved’
počasia.

Obsah
Úvod 1
1 Formulácia úlohy 2
2 Úvod do spracovania obrazu pomocou neurónov´ych sietí 3
2.1 Spracovanie obrazu . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.2 Neurónové siete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.3 Spracovanie obrazu pomocou neurónov´ych sietí . . . . . . . . . . . . 8
3 Úvod do v´ypočtov´ych metód predpovede počasia 10
4 Návrh systému pre predspracovanie obrazov´ych dát pomocou NN 12
4.1 Zber dát . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4.2 Úprava dát . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2.1 Odčítanie dát . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2.2 Odˇsumenie dát . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.3 Odstránenie hrán . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.3 Predspracovanie dát . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.3.1 Načítanie dát . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.3.2 Inicializácia BP . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.3.3 Učenie NN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3.4 Testovanie NN . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.3.5 Uloˇzenie v´ystupov . . . . . . . . . . . . . . . . . . . . . . . . 26
5 Experimentálne overenie navrhnutého systému 27
5.1 Zber dát . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2 Úprava dát . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.2.1 Zmena vel’kosti mrieˇzky . . . . . . . . . . . . . . . . . . . . . 31
5.2.2 Zmena tvaru mrieˇzky . . . . . . . . . . . . . . . . . . . . . . . 32

FEI KKUI
5.2.3 Vynechanie odˇsumenia . . . . . . . . . . . . . . . . . . . . . . 36
5.3 Predspracovanie dát . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
6 Záver 48
Zoznam pouˇzitej literatúry 49
Zoznam príloh 50
Príloha B 51
Príloha C 53
10

Zoznam obrázkov
2 – 1 Postupnost’ úloh pri spracovaní obrazu . . . . . . . . . . . . . . . . . 4
2 – 2 Základné prvky neurónu . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 – 3 Zjednoduˇsen´y pohl’ad na neurónovú siet’ . . . . . . . . . . . . . . . . 7
4 – 1 Zloˇzenie systému na predspracovanie obrazov´ych dát . . . . . . . . . 12
4 – 2 Príklad obrazov´ych dát teploty . . . . . . . . . . . . . . . . . . . . . 14
4 – 3 Príklad obrazov´ych dát vetra . . . . . . . . . . . . . . . . . . . . . . 15
4 – 4 Príklad obrazov´ych dát oblacnosti . . . . . . . . . . . . . . . . . . . . 15
4 – 5 Príklad obrazov´ych dát zráˇzok . . . . . . . . . . . . . . . . . . . . . . 16
4 – 6 Príklad odčítania obrazov´ych dát - pôvodn´y obrázok . . . . . . . . . 19
4 – 7 Príklad odčítania obrazov´ych dát - referenčn´y obrázok . . . . . . . . 20
4 – 8 Príklad odčítania obrazov´ych dát - v´ysledn´y obrázok . . . . . . . . . 20
4 – 9 Príklad odˇsumenia obrazov´ych dát - v´ysledn´y obrázok . . . . . . . . . 21
4 – 10Príklad odstránenia hrán obrazov´ych dát - v´ysledn´y obrázok . . . . . 22
5 – 1 Adresárová ˇstruktúra obrazov´ych dát oblačnosti . . . . . . . . . . . . 29
5 – 2 Ukáˇzka zmien obrazov´ych dát oblačnosti - rok 2007 . . . . . . . . . . 30
5 – 3 Ukáˇzka zmien obrazov´ych dát oblačnosti - rok 2008 . . . . . . . . . . 30
5 – 4 Ukáˇzka zmien obrazov´ych dát oblačnosti - rok 2010 . . . . . . . . . . 31
5 – 5 Mrieˇzka o vel’kosti 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
5 – 6 Príklad v´ysledného obrázku po pouˇzití mrieˇzky vel’kosti 3 v úprave dát 33
5 – 7 Príklad v´ysledného obrázku po pouˇzití mrieˇzky vel’kosti 7 v úprave dát 33
5 – 8 Príklad v´ysledného obrázku po pouˇzití mrieˇzky vel’kosti 9 v úprave dát 34
5 – 9 Riadková a st ´ lpcová mrieˇzka o vel’kosti 9 . . . . . . . . . . . . . . . . 34
5 – 10Príklad v´ysledku po pouˇzití riadkovej mrieˇzky vel’kosti 9 v úprave dát 35
5 – 11Príklad v´ysledku po pouˇzití st ´ lpcovej mrieˇzky vel’kosti 9 v úprave dát 35
5 – 12Príklad v´ysledku úpravy dát bez pouˇzitia odˇsumenia . . . . . . . . . 36
5 – 13Experiment 1 - vstup . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5 – 14Experiment 1 - v´ystup . . . . . . . . . . . . . . . . . . . . . . . . . . 38

FEI KKUI
5 – 15Experiment 2 - vstup . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5 – 16Experiment 2 - v´ystup . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5 – 17Experiment 3 - vstup . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5 – 18Experiment 3 - v´ystup . . . . . . . . . . . . . . . . . . . . . . . . . . 40
5 – 19Experiment 4 - vstup . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5 – 20Experiment 4 - v´ystup . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5 – 21Experiment 5 - vstup . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5 – 22Experiment 5 - v´ystup . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5 – 23Graf priebehu chyby učenia NN . . . . . . . . . . . . . . . . . . . . . 43
5 – 24V´ystup experimentu pri rovnomernom v´ybere vzoriek . . . . . . . . . 44
5 – 25Graf priebehu chyby pri rovnomernom v´ybere vzoriek . . . . . . . . . 45
5 – 26V´ystup experimentu po 20 iteráciách . . . . . . . . . . . . . . . . . . 46
5 – 27V´ystup experimentu po 250 iteráciách . . . . . . . . . . . . . . . . . 46
5 – 28V´ystup experimentu s pouˇzitím upraveného obrázku bez hrán . . . . 47
5 – 29V´ystup experimentu s pouˇzitím upraveného obrázku s hranami . . . . 47
6 – 1 Korektn´y v´ypis do konzoly z aplikácie na úpravu dát . . . . . . . . . 54
6 – 2 V´ypis do konzoly pri nezadaní vˇsetk´ych parametrov . . . . . . . . . . 54
6 – 3 V´ypis do konzoly pri zadaní nesprávneho súboru . . . . . . . . . . . . 54
6 – 4 V´ypis do konzoly úspeˇsnom ukončení predspracovania dát . . . . . . 55
12

FEI KKUI
Úvod
Táto práca je zameraná na moˇznost’ vyuˇzitia neurónov´ych sietí pri predspracovávaní
obrazov´ych dát pre účely predpovede počasia. Predpokladom pre vznik takého sys-
tému je fakt, ˇze problémy spracovania obrazu majú vo vˇseobecnosti nelineárny cha-
rakter a neurónové siete sú jedn´ym z vhodn´ych prostriedkov na rieˇsenie tak´ychto
problémov.
Systém obsahuje časti, ktoré rieˇsia problém zberu dát a časti, ktoré nazbierané dáta
spracovávajú do podoby vhodnej pre vstup do neurónovej siete. Samotná neurónová
siet’ je potom naučená na t´ychto dátach a vstupom testovacích dát získavame obra-
zové dáta a grafické priebehy ch´yb, na základe ktor´ych vieme zhodnotit’ vhodnost’
pouˇzitia takéhoto systému na danú problematiku.
V jednotliv´ych sekciách sa zhodnocuje pouˇzitie danej metódy a takisto moˇzné budúce
vylepˇsenia, ktoré by mali napomôct’ v pohodlnejˇsom a efektívnejˇsom vyuˇzití nami
získan´ych dát v procese predpovede počasia.
1

FEI KKUI
1 Formulácia úlohy
Zadanie diplomovej práce obsahovalo tieto úlohy :
1. Vypracovat’ úvod do spracovania obrazu pomocou neurónov´ych sietí – rieˇsi
kapitola 2,
2. Vypracovat’ úvod do v´ypočtov´ych metód predpovede počasia – rieˇsi kapitola
3,
3. Navrhnút’ systém pre predspracovanie obrazov´ych dát pre predpoved’ počasia
pomocou neurónov´ych sietí – rieˇsi kapitola 6,
4. Implementovat’ navrhnut´y systém – rieˇsi kapitola 6,
5. Realizovat’ experimenty na navrhnutom systéme za účelom overenia jeho funk-
čnosti – rieˇsi kapitola 5,
6. Zhodnotit’ realizované experimenty – rieˇsi kapitola 5 a 6,
7. Vypracovat’ dokumentáciu podl’a pokynov vedúceho diplomovej práce.
2

FEI KKUI
2 Úvod do spracovania obrazu pomocou
neurónov´ych sietí
Na to, aby sme mohli hovorit’ o tejto téme (podkapitola 2.3), musíme si najprv
stručne priblíˇzit’ pojmy spracovanie obrazu (podkapitola 2.1) a neurónová siet’ (pod-
kapitola 2.2).
2.1 Spracovanie obrazu
Za spracovanie obrazu môˇzeme povaˇzovat’ odbor, ktor´y sa zaoberá v´yvojom a násled-
n´ym vyuˇzitím počítačov´ych algoritmov, pracujúcich s digitalizovan´ym obrazom.
Medzi problémy, ktoré spracovanie obrazu rieˇsi, môˇzeme zaradit’ ˇsirokú ˇskálu akcií
od rozˇsirovania signálu na niˇzˇsej úrovni, aˇz po rozpoznávanie obrazu na vyˇsˇsej
úrovni. Odvetvia vo vel’kej miere vyuˇzívajúce funkcie spracovania obrazu zah´rňajú
medicínu, fyziku, geológiu, astronómiu či vojensk´y priemysel.
Vo vˇseobecnosti môˇze byt’ rieˇsenie problému spracovania obrazu reprezentované po-
stupnost’ou úloh. Táto postupnost’ (obr. 2 – 1) znázorňuje moˇzné postupy, ktoré je
potrebné vykonat’ od vstupu obrazu (napr. zo skenera) aˇz po jeho v´ystup (napr.
klasifikácia alebo popis scény).
Táto postupnost’ pozostáva z nasledujúcich úloh (podl’a [2]):
1. Predspracovanie obrazu (rekonˇstrukcia, odstránenie ˇsumu, zaostrenie),
2. Extrakcia vlastností (rozˇsírenie obrazu, detekcia hrán),
3. Segmentácia (rozliˇsovanie farieb, zhlukovanie),
4. Rozpoznávanie objektov (rozpoznávanie podla ˇsablóny, rozpoznávanie podl’a
vlastností),
3

FEI KKUI
5. Rozpoznávanie obrazu (usporiadanie objektov, anal´yza scény).
Pre kaˇzd´y krok môˇze byt’ vstupom aj v´ystupom bud’ obraz (pixely), číselné vlastnosti
obrazu, rozhodnutia vykonané v predchádzajúcich krokoch postupnosti alebo napr.
informácie o vzt’ahoch medzi objektami obrazu (grafy).
Pri spracovaní obrazu existuje relatívne vel’ké mnoˇzstvo problémov, ku ktor´ym boli
vytvorené teoreticky dokázatel’né rieˇsenia, hlavne v prípade problémov, na ktoré
stačia aj lineárne rieˇsenia. Avˇsak tieto rieˇsenia sú vo väčˇsine prípadov zaloˇzené
na existencii a prítomnosti ideálnych podmienok, alebo sú v´ypočtovo vel’mi náročné,
alebo si vyˇzadujú vel’mi podrobné nastavenie parametrov.
V prípade, ˇze lineárne modely na konkrétny problém nie sú dostupné, prichádzajú
na rad nelineárne modely. Tie sú stále predmetom aktívneho v´yskumu, ked’ˇze dan´y
problém musí obsahovat’ nelineárne prvky, aby sa vôbec dal pouˇzit’. Inak povedané,
tvorca algoritmu musí pred v´yberom brat’ do úvahy viacero rôznych a väčˇsinou
od seba nezávisl´ych kritérií, ktoré sú vo vˇseobecnosti zaloˇzené na skúsenosti.
Ked’ sa pozrieme na vyˇsˇsie uvedené znázornenie postupnosti úloh pri spracovaní
obrazu (obr. 2 – 1), tak na popis postupov bliˇzˇsie k v´ystupu, ako napr. rozpoznávanie
objektov, v súčasnosti lineárne modely neexistujú. Samotná úloha rozpoznávania
Obr. 2 – 1: Postupnost’ úloh pri spracovaní obrazu (podl’a [2])
4

FEI KKUI
objektov si vyˇzaduje pouˇzitie ” l’udsk´ych“ postupov, ako napr. zovˇseobecnenie či aso-
ciácia.
Vˇsetko toto nás vedie k myˇslienke vytvorit’ systém, ktor´y miesto toho, aby bol na-
vrhnut´y na prácu s dan´ym problémom spracovania obrazu, sa dan´y problém rieˇsit’
naučí.
2.2 Neurónové siete
V tejto podsekcii je stručne nastolená a vysvetlená problematika a terminológia
nerónov´ych sietí. Základom pre túto podsekciu boli informácie a poznatky obsia-
hnuté v [1]. Pre získanie viac informácií sa odporúča na túto publikáciu obrátit’.
Neurónová siet’ (NN) je masívne paraleln´y procesor, ktor´y má sklon k uchovávaniu
experimentálnych znalostí a ich d’alˇsiemu vyuˇzívaniu. Napodobňuje l’udsk´y mozog
v dvoch aspektoch:
1. poznatky sú zbierané v NN počas učenia,
2. medzineurónové spojenia (synaptické váhy) sú vyuˇzívané na ukladanie zna-
lostí.
Jednou z vel’mi v´yznamn´ych vlastností NN je, ˇze svojím spôsobom je tzv. uni-
verzálnym aproximátorom funkcií. Môˇze sa nám stat’, ˇze máme systém, ktorého
popis je mimoriadne náročn´y alebo je systém natol’ko zloˇzit´y, ˇze jeho popis je
skoro nemoˇzn´y. Máme vˇsak dáta, ktoré do systému vstupujú, a k nim odpovedajúce
v´ystupy. V takejto situácii môˇzeme pouˇzit’ vhodnú NN a pokúsit’ sa ju naučit’ cho-
vat’ sa ako sledovan´y systém pomocou trénovacích údajov (spomínan´ych vstupov
a v´ystupov).
Vo vˇseobecnosti môˇzeme vymenovat’ nasledovné oblasti vyuˇzitia NN pre:
1. problémy aproximácie funkcií,
5

FEI KKUI
2. klasifikácie do tried, klasifikácia situácií,
3. rieˇsenie predikčn´ych problémov,
4. problémy riadenia procesov,
5. transformácia signálov,
6. asociačné problémy, simulácia pamäte.
Vzhl’adom na skutočnost’, ˇze obrovské mnoˇzstvo problémov funguje ako nám neznáme
funkcie, tak pouˇzitie NN bude v najbliˇzˇsej dobe určite vel’mi rozsiahle. Určitou brz-
dou v t´ychto aplikáciách sú vysoké nároky na v´ypočtovú techniku, avˇsak tieto sa
vel’mi r´ychlo menia s rozvojom vysokov´ykonn´ych v´ypočtov´ych systémov.
Základn´ymi prvkami neurónu sú (obr. 2 – 2):
1. vstup do neurónu – funkcia jednotliv´ych vstupov prichádzajúcich do neurónu,
2. prah neurónu – vstup do neurónu z vonkajˇsieho sveta,
3. aktivačná funkcia,
4. v´ystupná funkcia,
5. synaptické váhy na synaptick´ych spojeniach, ktoré spájajú neuróny do NN.
Neurónovú siet’ môˇzeme charakterizovat’ ako viacvrstvovú ˇstruktúru, v ktorej rozli-
ˇsujeme nasledujúce vrstvy (obr. 2 – 3):
1. vstupná vrstva – neuróny dostávajú vstup len z vonkajˇsieho sveta a v´ystup
pokračuje k d’alˇsím neurónom,
2. skrytá vrstva – neuróny dostávajú vstup od ostatn´ych neurónov alebo aj von-
kajˇsieho sveta cez prahové spojenia,
3. v´ystupná vrstva – v´ystupy pokračujú do vonkajˇsieho sveta.
Činnost’ neurónov´ych siet’ rozdel’ujeme na fázu učenia a fázu ˇzivota. Počas fázy učenia
6

FEI KKUI
sa znalosti zbierajú a ukladajú prostredníctvom zmien synaptick´ych váh. Charakter
pravidiel, ktoré vyvolávajú zmeny synaptick´ych váh determinuje typ neurónovej
siete. Počas fázy ˇzivota sa uˇz synaptické váhy nemenia.
Prístupy k učeniu na základe prítomnosti učitel’a počas fázy učenia rozdel’ujeme
do dvoch vel’k´ych skupín:
Obr. 2 – 2: Základné prvky neurónu [1]
Obr. 2 – 3: Zjednoduˇsen´y pohl’ad na neurónovú siet’ s dvoma neurónmi vo vstupnej
vrstve, piatimi neurónmi v skrytej vrstve a jedn´ym neurónom vo v´ystupnej vrstve
(prevzaté z [3])
7

FEI KKUI
1. kontrolované učenie – učitel’ je prítomn´y,
2. nekontrolované učenie – učitel’ je neprítomn´y (NN má k dispozícií len vstupy,
ktoré sa spracuvávajú na základe určit´ych zákonitostí a v´ystupy určuje sama
NN).
Kontrolované učenie delíme na tri základné skupiny:
1. učenie na základe korekcie chyby – zmena synaptickej váhy je funkcia premen-
nej, tj. rozdiel medzi očakávan´ym stavom v´ystupného neurónu a vypočítan´ym
stavom,
2. stochastické učenie – zmeny synaptick´ych váh zaloˇzené na stochastick´ych prístu-
poch, tj. navrhne sa stochastická zmena synaptickej váhy a vypočíta sa energia
NN a ak táto zmena priniesla zníˇzenie energie NN, tak sa návrh prijme, inak
sa zamietne,
3. učenie na základe hodnotenia činností – podobne ako v prípade učenia na zá-
klade korekcie chyby s t´ym rozdielom, ˇze sa zhodnocuje stav v´ystupu celej
v´ystupnej vrstvy pomocou nejakej skalárnej veličiny.
Metódy nekontrolovaného učenia môˇzeme rozdelit’ do dvoch skupín:
1. Hebbovo učenie (blízke biologick´ym systémom),
2. kooperačné a konkurenčné učenie – vhodne sa vyuˇzívajú pre zámery zhluko-
vania vstupn´ych dát.
2.3 Spracovanie obrazu pomocou neurónov´ych sietí
Na základe poznatkov obsiahnut´ych v predchádzajúcich dvoch podkapitolách môˇze-
me povedat’, ˇze neurónové siete predstavujú vhodn´y prostriedok na rieˇsenie problémov
spracovania obrazov´ych dát, vzhl’adom na prevaˇzne nelineárnu podstatu t´ychto pro-
blémov a fakt, ˇze neurónové siete sú akceptované ako prijatel’ne presn´y aproximátor
8

FEI KKUI
lineárnych aj nelineárnych funkcií.
Namiesto návrhu vo vˇseobecnosti komplexného algoritmu na rieˇsenie tak´ychto pro-
blémov sa musíme pri pouˇzití neurónov´ych sietí zamerat’ na definovanie a vytvorenie
mnoˇziny trénovacích dát, na ktorej sa bude NN adaptovat’, aby nám poskytovala
poˇzadovan´y v´ysledok.
Ked’ˇze vstup do neurónovej siete môˇze predstavovat’ pixely z obrazov´ych dát, či
akékol’vek iné číselne popísatel’né vlastnosti, je moˇzné v rámci adaptácie jednej NN
obsiahnut’ viacero úloh z postupnosti spracovania obrazu (z obr. 2 – 1).
Musíme si ale uvedomit’, ˇze aj ked’ sú NN vhodn´ym aproximátorom nelineárnych
funkcií, nie kaˇzd´y problém sa dá rieˇsit’ pomocou NN a tak isto nie kaˇzdá NN (resp. jej
typ) sa dá pouˇzit’ na rieˇsenie konkrétneho problému. Okrem toho musí byt’ NN na-
vrhnutá tak, aby sa z nej získaného v´ysledku dala v prvom rade zhodnotit’ vhodnost’
jej pouˇzitia na dan´y problém, a tak isto pouˇzitel’nost’ v´ysledkov v d’alˇsích postupoch,
pre ktoré bolo predspracovanie t´ychto obrazov´ych dát predpokladom.
9

FEI KKUI
3 Úvod do v´ypočtov´ych metód predpovede počasia
Predpoved’ počasia je prognóza počasia zaloˇzená na vyuˇzití poznatkov o fyzikálnych
zákonitostiach. Počasie je definované mnoh´ymi faktormi, napr. atmosferick´y tlak,
vlhost’ vzduchu, teplota či r´ychlost’ a smer vetra. K predpovedi počasia je potrebné
tieto faktory sledovat’. Povaha atmosféry a neúplné chápanie prírodn´ych procesov
smerujú k záveru, ˇze predpovede počasia vo vˇseobecnosti nie sú úplne presné a
neomylné.
K meraniu jednotliv´ych faktorov počasia sa vyuˇzívajú rôzne zariadenia, napr. ba-
rometer (atmosferick´y tlak), teplomer, zráˇzkomer, psychromer (relatívna vlhkost’
vzduchu), pyrheliomer (slnečné ˇziarenie) či rôzne meteorologické druˇzice a balóny.
Numerické metódy predpovede počasia vyuˇzívajú primárne počítač, ktor´y dáta na-
merané t´ymito zariadeniami spracováva. Je to práve v´ykon počítačov, ktor´y priamo
úmerne ovplyvňuje kvalitu numerick´ych metód predpovede počasia. V´ypočet pred-
povede počasia musí byt’ v´yrazne kratˇsí ako d ´ lˇzka samotnej predpovede. Ak by
predpoved’ na nasledujúce dva dni trvala dva dni, nebola by to uˇz predpoved’.
Problémom pri v´yvoji numerick´ych metód je v prvom rade matematické vyjadrenie
fyzikálnych zákonov, ktoré sú v prípade atmosféry vel’mi zloˇzité. V´yvoj atmosféry
sa momentálne dá popísat’ parciálnymi diferenciálnymi rovnicami, ktoré vˇsak so
súčasn´ym poznaním nevieme analyticky rieˇsit’ a musia sa vyuˇzívat’ metódy numeric-
kej matematiky na počítači na ich aproximáciu.
Atmosféra je pre popísanie v t´ychto modeloch rozdelená na hranoly, ktor´ych rozmery
v dneˇsn´ych systémoch dosahujú zhruba 50x50x1km. Kaˇzdému z t´ychto hranolov v
danom čase prináleˇzí niekol’ko čísel, ktoré reprezentujú jednotlivé faktory počasia, t.j.
teplota, vlhost’, tlak, smer a r´ychlost’ vetra. Celkovo je tak v danom čase k dispozícii
niekol’ko desiatok miliónov čísel, ktoré popisujú stav atmosféry. Z t´ychto čísel sa
numerick´ym modelom vyjadrí d’alˇsí súbor čísel, ktoré charakterizujú stav atmosféry
v nasledujúcej časovej jednotke.
10

FEI KKUI
Ked’ˇze je kaˇzd´y z hranolov charakterizovan´y iba jedn´ym číslom pre dan´y faktor
počasia, v´yvoj tohto faktora v rámci oblasti, ktorú obsahuje hranol, je zanedbaná.
Z v´ypočtov´ych dôvodov vˇsak nie je v súčasnosti moˇzné zmenˇsit’ objem hranolov
natol’ko, aby sa mohol v´yvoj faktora v rámci jedného hranola úplne zanedbat’. Preto
sa do numerick´ych modelov pridávajú d’alˇsie rovnice, ktor´ych ciel’om je pozmenit’
čísla, ktoré reprezentujú stav v rámci hranolu t´ym, ˇze sa vezmú do úvahy d’alˇsie
faktory ako slnečné ˇziarenie, turbulencia, konvekcia, oblačnost’ či interakcia medzi
zemsk´ym povrchom a atmosférou. Vedl’ajˇsími produktami pri v´ypočte t´ychto javov
sú napr. atmosférické zráˇzky, r´ychlost’ nárazov vetra alebo v´ypary z pôdy.
Ked’ˇze súčasné podmienky neumoˇzňujú zmenˇsit’ objem hranolov opisujúcich at-
mosféru na dostatočne nízke hodnoty, vyuˇzívajú sa na rieˇsenie z tohto vzniknut´ych
problémov tzv. lokálne modely. Tieto modely počítajú v´yvoj počasia len pre vy-
branú oblast’ (napr. stredná Európa) a uˇsetren´y v´ykon sa pouˇzije na zmenˇsenie
objemu hranolov. Predpokladom pre fungovanie lokálnych modelov je vˇsak dostup-
nost’ v´ysledkov z globálneho modelu (ktor´y počíta v´yvoj pre celú atmosféru), ktoré
sa pouˇzívajú ako okrajové podmienky.
Na Slovensku sa v rámci numerickej predpovede počasia vyuˇzíva model ALADIN,
ktor´y prevádzkuje Slovensk´y Hydro-Meteorologick´y Ústav na 32-procesorovom su-
perpočítači (http://www.shmu.sk/) [4].
11

FEI KKUI
4 Návrh systému pre predspracovanie obrazov´ych
dát pomocou neurónov´ych sietí
Zloˇzenie systému na predspracovanie obrazov´ych dát je znázornené v diagrame.
Obr. 4 – 1: Zloˇzenie systému na predspracovanie obrazov´ych dát
Systém sa skladá z troch funkčn´ych častí:
1. Zber dát,
2.
Úprava dát,
3. Predspracovanie dát.
a troch databáz s uloˇzen´ymi dátami:
1. Nazberané dáta,
12

FEI KKUI
2. Upravené dáta,
3. Predspracované dáta.
4.1 Zber dát
Aby sme mohli dáta predspracovávat’, musíme ich najprv zozbierat’ a na predspra-
covanie pripravit’. O zozbieranie sa v systéme stará program typu daemon.
Daemon je v skutočnosti proces, ktor´y beˇzí na pozadí operačného systému bez
nutnosti interakcie s uˇzívatel’om. Vzniká oddelením od svojho materského procesu,
ktor´ym je spúˇst’an´y, a ktor´y po spustení procesu daemona bud’ svoju prácu ukončí,
alebo pokračuje vykonávaním funkcií, ktoré s daemonom nesúvisia.
Typick´ym príkladom daemona v systéme Unix je cron, ktor´y slúˇzi ako plánovač úloh
a umoˇzňuje opakované spúˇst’anie periodicky sa opakujúcich procesov.
V naˇsom systéme sa daemon kaˇzdú konfigurovatel’nú časovú jednotku pripája ku
zdroju dát (http://www.shmu.sk/) a st’ahuje odtial’ obrazové dáta ˇstyroch rôznych
faktorov počasia:
1. Teplota,
2. Vietor,
3. Oblačnost’,
4. Zráˇzky.
Stiahnuté obrazové dáta su následne uloˇzené do prehl’adnej adresárovej ˇstruktúry. V
prípade nedostupnosti dát v čase pokusu o st’ahovanie (napr. z dôvodu nefunkčného
internetového spojenia) sa zapíˇse prísluˇsná chyba do textového súboru a ch´ybajúce
dáta sa doplnia pri d’alˇsom cykle st’ahovania.
Zdroj má svoje obrazové dáta dostupné pre kaˇzdú hodinu aktuálneho dňa a dvoch
13

FEI KKUI
nasledujúcich. Aby sa predchádzalo väčˇsiemu mnoˇzstvu ch´ybajúcich dát pri dlhˇsom
v´ypadku internetového spojenia (alebo v prípade in´ych problémov, napr. v´ypadok
serveru, na ktorom beˇzí daemon), nest’ahuje daemon dáta z aktuálneho dňa, ale deň
dopredu. Ked’ˇze daemon automaticky kaˇzd´y cyklus dop ´ lňa ch´ybajúce dáta od času
spustania po čas najnovˇsích dostupn´ych dát, systém teoreticky nepríde o ˇziadne dáta
ak potenciálny v´ypadok nepresiahne zhruba jeden deň (presnejˇsie to závisí od času
vypadnutia systému a času jeho opätovného spustenia).
Príklady obrazov´ych dát jednotliv´ych st’ahovan´ych faktorov počasia sú znázornené
obrázkami 4 – 2, 4 – 3, 4 – 4 a 4 – 5.
Obr. 4 – 2: Príklad obrazov´ych dát teploty
14

FEI KKUI
Obr. 4 – 3: Príklad obrazov´ych dát vetra
Obr. 4 – 4: Príklad obrazov´ych dát oblacnosti
15

FEI KKUI
Obr. 4 – 5: Príklad obrazov´ych dát zráˇzok
Daemon bol pre potreby tohto systému naprogramovan´y v jazyku Python. Dôvodom
v´yberu tohto jazyka bola jednoduchost’ implementácie daného problému a časová a
prostriedková nenáročnost’, ktorá si nevyˇzadovala pouˇzitie jazyka niˇzˇsej úrovne, ako
napr. C alebo C++. K dispozícii má jednoduch´y konfiguračn´y súbor, s pomocou
ktorého je moˇzné nastavit’ intervaly st’ahovania dát, formáty adries k zdrojom dát
jednotliv´ych faktorov a tak isto aj referenčn´y čas, v ktorom kaˇzdá iterácia začína so
st’ahovaním dát.
4.2 Úprava dát
Ked’ˇze hlavnou čast’ou celého systému je neurónová siet’, musíme pre správne fun-
govanie vytvorit’ z nazbieran´ych dát trénovaciu (a testovaciu) mnoˇzinu. Na tento
účel slúˇzi druhá čast’ systému, ktorá má na starosti úpravu nazbieran´ych dát. Táto
čast’ systému beˇzí nezávisle od daemona v prvej časti a v ideálnom prípade je pre
16

FEI KKUI
fungovanie neurónovej siete nutné spustit’ ju maximálne raz (prípadne ˇstyrikrát,
ak počítame kaˇzd´y zberan´y faktor počasia zvláˇst’) pre kaˇzdú osobitnú trénovaciu
(testovaciu) mnoˇzinu. Predpokladom pre fungovanie je samozrejme prítomnost’ do-
statočného mnoˇzstva nazbieran´ych dát daemonom.
Čast’ systému, ktorá bude mat’ na starosti úpravu dát, naprogramujeme v jazyku
C++ s pouˇzitím Qt (čítaj: kjut) toolkitu (http://qt.nokia.com/). Qt je multi-plat-
formové aplikačné rozhranie napísané v jazyku C++ a určené na v´yvoj v´ykonn´ych a
prevaˇzne desktopov´ych aplikácií. Svoju popularitu si získalo ako základ linuxového
desktopového prostredia KDE (http://www.kde.org/). Qt vyvíja firma Trolltech,
ktorú pred pár rokmi odkúpil fínsky gigant na poli mobiln´ych technológii – No-
kia. Pre nekomerčné projekty je k dispozícii ako open-source pod licenciou GPL.
V súčasnosti uˇz existuje niekol’ko verzií tohto rozhrania dostupn´ych pre iné jazyky,
vyvíjane prevaˇzne open-source komunitou, napr. Qt Jambi pre Javu
(http://qtjambi.sourceforge.net/) alebo PyQt pre Python
(http://www.riverbankcomputing.co.uk/news).
Proces úpravy dát sa skladá z troch častí:
1. Odčítanie,
2. Odˇsumenie,
3. Odstránenie hrán.
4.2.1 Odčítanie dát
Pri anal´yze stiahnut´ych obrazov´ych dát jednotliv´ych faktorov počasia si vˇsimneme,
ˇze jednotlivé obrázky obsahujú okrem grafického znázornenia hodnôt daného faktora
aj iné grafické dáta, ktoré my pre predspracovanie nepotrebujeme. Konkrétne v
prípade obrázkov oblačnosti obsahujú dáta aj grafické znázornenie pohorí Slovenskej
Republiky. Ked’ˇze v naˇsom systéme nezhodnocujeme vzt’ah úrovne oblačnosti od
17

FEI KKUI
nadmorskej v´yˇsky, sú tieto grafické dáta pre nás irelevantné.
Účelom tejto časti systému, je teda od neupraven´ych obrazov´ych dát odčítat’ refe-
renčn´y obrázok a dostaneme tak obrázok, ktor´y bude v ideálnom prípade obsahovat’
len potrebné grafické znázornenie daného faktora počasia.
Referenčn´y obrázok predstavuje obrazové dáta, ktoré obsahujú nulové (ˇziadne) hod-
noty faktora počasia. Pre kaˇzd´y faktor počasia sa vytvorí jeden tak´yto obrázok
manuálne poskladaním z viacer´ych častí (ked’ˇze medzi nazberan´ymi dátami sa ne-
musí vyskytovat’ prípad, ktor´y pre celé územie Slovenska v danom čase zazname-
nal nulové hodnoty daného faktora počasia) v l’ubovol’nej vyhovujúcej aplikácii na
editáciu obrazov´ych dát (napr. Adobe Photoshop).
Odčítanie dvoch prislúchajúcich pixelov je znázornené nasledujúcim vzorcom:
P 3 =
P 2 − P 1
255 (4.1)
256 − P 1
Kde P 1 predstavuje zloˇzku farby pixelu neupraveného obrázku a P 2 zloˇzku farby
pixelu referenčného obrázku.
Príklad odčítania neupraveného obrázku a referenčného obrázku je znázornen´y na
obrázkoch 4 – 6, 4 – 7 a 4 – 8.
4.2.2 Odˇsumenie dát
Anal´yzou odčítan´ych dát konkrétnych faktorov počasia si vˇsimneme, ˇze dáta ok-
rem znázornenia daného faktora obsahujú aj rôzne artefakty, ktoré pravdepodobne
vznikli nepresn´ym odčítaním. Tak isto si vˇsimneme, ˇze jednotlivé hodnoty spa-
dajú do konečného počtu rozmedzí znázornen´ymi konkrétn´ymi farbami. Ak teda z
obrázku daného faktora tieto farby určíme (nazveme ich referenčné farby), odˇsumenie
dát bude prebiehat’ tak, ˇze kaˇzd´y pixel daného obrázku nahradíme jemu najbliˇzˇsou
farbou z t´ychto referenčn´ych farieb.
18

FEI KKUI
Určenie najbliˇzˇsej farby môˇzeme matematicky zapísat’ ako Euklidovu vzdialenost’:
P 3 =
|P 1 2 − P 2 2 | (4.2)
Kde P 1 je zloˇzka farby pôvodného pixelu a P 2 je zloˇzka referenčnej farby. Farbu
pôvodného pixela teda nahradíme tou farbou spomedzi referenčn´ych, ktorá ma k
nemu najmenˇsíu vzdialenost’.
Príklad odˇsumenia odčítaného obrázku (obr. 4 – 8) s pouˇzitím referenčn´ych farieb je
na obrázku 4 – 9.
4.2.3 Odstránenie hrán
V poslednom kroku úpravy dát musíme odstránit’ čiary ohraničujúce jednotlivé roz-
medzia hodnôt daného faktora, ktoré samotné nereprezentujú konkrétne hodnoty
Obr. 4 – 6: Príklad odčítania obrazov´ych dát - pôvodn´y obrázok
19

FEI KKUI
Obr. 4 – 7: Príklad odčítania obrazov´ych dát - referenčn´y obrázok
Obr. 4 – 8: Príklad odčítania obrazov´ych dát - v´ysledn´y obrázok
20

FEI KKUI
Obr. 4 – 9: Príklad odˇsumenia obrazov´ych dát - v´ysledn´y obrázok
faktora, a teda sú pre nás irelevantné. V tomto kroku sa takisto odstránia zvyˇsné
artefakty, ktoré sa nepodarilo odstránit’ pri odˇsumení dát.
Proces odstránenia hrán prebieha tak, ˇze si vytvoríme ˇstvorcovú mrieˇzku o konkrétnej
vel’kosti (určené experimentálne pre kaˇzd´y faktor počasia), tú budeme posúvat’ obráz-
kom od prvého po posledn´y pixel a v kaˇzdej iterácii cyklu najprv spočítame v´yskyt
jednotliv´ych farieb spomedzi predt´ym určen´ych referenčn´ych farieb a následne na-
hradíme farbu pixelu v strede mrieˇzky tou farbou, ktorá sa v rámci aktuálnej pozície
mrieˇzky vyskytovala najviackrát.
Príklad odstránenia hrán v odˇsumenom obrázku (obr. 4 – 9) s pouˇzitím ˇstvorcovej
mrieˇzky o vel’kosti 5 je na obrázku 4 – 10.
21

FEI KKUI
Obr. 4 – 10: Príklad odstránenia hrán obrazov´ych dát - v´ysledn´y obrázok
Na konci tohto kroku uˇz máme teda k dispozícii upravené dáta, ktoré v spojení s
pôvodn´ymi dátami stiahnut´ymi daemonom tvoria trénovaciu (testovaciu) mnoˇzinu
pre neurónovú siet’.
4.3 Predspracovanie dát
Hlavnú čast’ systému tvorí dopredná neurónová siet’ so spätn´ym ˇsírením chyby (viac
informácií o terminológii neurónov´ych sietí je v podkapitole 2.2). Naprogramujeme
ju, tak isto ako v prípade úpravy dát, v jazyku C++ s pouˇzitím rozhrania Qt.
Samotná funkcionalita NN je obsiahnutá v C++ triede Back-propagation Neural
Net (d’alej BP) z portálu Code Project (http://www.codeproject.com) [6].
Implementácia triedy BP naˇsim systémom pre spracovanie obrazov´ych dát predsta-
vuje:
1. načítanie prísluˇsn´ych dát pre učenie NN a dát pouˇzit´ych vo fáze testovania
22

FEI KKUI
NN,
2. inicializácia triedy BP pouˇzitím konfigurovatel’n´ych parametrov,
3. učenie NN,
4. pouˇzitie testovacích dát na naučenú NN,
5. uloˇzenie v´ystupov z testovacej fázy do súboru.
4.3.1 Načítanie dát
Pre korektné fungovanie systému potrebujeme tri druhy vstupn´ych dát:
1. dáta reprezentujúce vstup do NN (napr. obr. 4 – 6),
2. dáta reprezentujúce prislúchajúci v´ystup k vstupom do NN (napr. obr. 4 – 10),
3. testovacie dáta.
Dáta reprezentujúce vstup do NN a testovacie dáta sú v podstate akékol’vek dáta
získané počas zberu dát. Dáta reprezentujúce prislúchajúci v´ystup k vstupom sú
dáta, ktoré získame na konci fázy úpravy dát. V celom systéme pracujeme s obra-
zov´ymi dátami vo formáte PNG, ked’ˇze aj zo zdroja dát pri zbere boli obrázky
získavané v tomto formáte. Prípadne poˇziadavky na zmenu formátu by si vˇsak
vyˇzadovali len minimálny zásah do zdrojového kódu systému.
4.3.2 Inicializácia BP
Na inicializáciu triedy BP a samotného učenia máme k dispozícii niekol’ko paramet-
rov:
1. parameter učenia (A) – ovplyvňuje vel’kost’ zmeny váh v kaˇzdej iterácii učenia
a teda ovplyvňuje r´ychlost’ učenia,
23

FEI KKUI
2. momentum (B) – vel’kost’ vplyvu zmien váh z predchádzajúcej iterácie učenia
na aktuálnu (v prípade, ˇze pouˇzitie momenta nie je ˇziadúce, nastaví sa tento
parameter na 0),
3. ukončovacia podmienka (C) – hodnota strednej kvadratickej chyby, ktorú uče-
nie musí dosiahnut’, aby sme mohli NN povaˇzovat’ za naučenú,
4. počet iterácií (D) – kol’kokrát sa učenie na vzorkách zo vstupn´ych dát zopakuje
(môˇzme povaˇzovat’ ako sekundárnu ukončovaciu podmienku v prípade, ˇze tú
pôvodonú systém nedosiahne),
5. topológia NN (E) – ked’ˇze počet vstupn´ych neurónov je priamo závisl´ych od
vel’kosti vzorky zo vstupn´ych dát, pri inicializácii máme moˇznost’ nastavit’ len
počet skryt´ych vrstiev a neurónov v nich (ked’ˇze v´ystupom z NN je stále je-
den pixel, počet neurónov na v´ystupnej vrstve bude predstavovat’ počet farieb
reprezentujúcich dan´y pixel – 3),
6. vel’kost’ vzorky vstupn´ych dát (F) – určuje počet pixelov v jednej vzorke
vstupn´ych dát, ktoré podávame ako vstup do NN, a teda ovplyvňuje počet
neurónov vo vstupnej vrstve,
7. počet vzoriek pre jednu iteráciu (G) – ked’ˇze pre dostatočné naučenie neurónovej
siete nemusí byt’ potrebné podat’ na vstup vˇsetky pixely zo vstupn´ych dát, je
vhodné umoˇznit’ systému pracovat’ s rôznymi mnoˇzstvami t´ychto vzoriek v
rámci jednej iterácie.
4.3.3 Učenie NN
Priebeh jednej iterácie učenia NN prebieha nasledovne:
1. určenie náhodn´ych súradníc pixela z obrázku vstupn´ych dát,
2. získanie hodnôt farieb pixelov na dan´ych súradniciach (z obrázkov reprezen-
tujúcich vstup aj v´ystup),
24

FEI KKUI
3. získanie hodnôt farieb pixelov z mrieˇzky okolo vstupného pixelu (počet pixelov
mrieˇzky určuje parameter F),
4. normalizácia hodnôt farieb,
5. vytvorenie vektorov vstupov aj v´ystupov z normalizovan´ych hodnôt farieb,
6. odovzdanie vektorov objektu triedy BP a t´ym vykonanie jednej iterácie učenia
v BP,
7. získanie hodnoty strednej kvadratickej chyby z BP pre porovnanie s ukončo-
vacou podmienkou (parameter C).
Tieto kroky sa vykonajú pre kaˇzdú vzorku zo vstupn´ych dát (parameter G), na konci
iterácie sa porovná stredná kvadratická chyba s ukončovacou podmienkou (parame-
ter C). Ak bola dosiahnutá ukončovacia podmienka, tak sa učenie určí ako úspeˇsné
a ukončí sa. V opačnom prípade sa pokračuje d’alˇsou iteráciou aˇz po dosiahnutie
maximálneho počtu iterácií (parameter D).
Učenie v samotnom objekte triedy BP prebieha formou spätného ˇsírenia chyby. Viac
informácií o tejto forme učenia nájdeme napr. v [1].
4.3.4 Testovanie NN
V tejto fáze sa uˇz váhy NN nemenia. Priebeh jedného cyklu testovania pre jednu
vzorku testovacích dát je podobn´y ako ten v prípade učenia NN. Avˇsak v tomto
prípade prechádzajú neurónovou siet’ou postupne vˇsetky pixely testovacieho obrázku,
ked’ˇze chceme získat’ k nemu v´ystupn´y obrázok. Ked’ˇze sa na testovanie pouˇzije uˇz
nainicializovaná a naučená NN z predchádzajúcich krokov, jedin´y relevantn´y para-
meter v tomto kroku je parameter F, ktorého pouˇzitá hodnota sa nemení a je totoˇzná
s tou z inicializácie.
Pre kaˇzd´y pixel z testovacieho obrázku sa teda vytvorí vstupn´y a v´ystupn´y vektor
z normalizovan´ych hodnôt farieb t´ychto pixelov, tieto vektory sa odovzdajú objektu
25

FEI KKUI
triedy BP ako parametre a po prenesení signálu cez NN získame v´ystupné hod-
noty. Tieto hodnoty denormalizujeme do podoby hodnôt farieb a z nich vytvoríme
prislúchajúci pixel v obrázku, ktor´y je v´ystupom z náˇsho systému.
4.3.5 Uloˇzenie v´ystupov
V´ystupom z náˇsho systému je teda obrázok, ktor´y by mal na základe naučenej NN
reprezentovat’ predspracované dáta k danému testovaciemu obrázku. Tak ako vˇsetky
ostatné dáta, aj tento v´ystupn´y obrázok je uloˇzen´y vo formáte PNG. Okrem toho
môˇzu byt’ v´ystupom zo systému aj dáta, z ktor´ych vieme následne vytvorit’ priebeh
chyby počas učenia a zhodnotit’ ho pomocou tabul’ky alebo grafu. Tieto dáta sa
uloˇzia v jednom z moˇzn´ych textov´ych formátov, napr. CSV alebo XML.
26

FEI KKUI
5 Experimentálne overenie navrhnutého systému
V tejto kapitole si ukáˇzeme rôzne experimenty, na ktor´ych vieme zhodnotit’ vhod-
nost’ pouˇzitia daného postupu na náˇs problém. V prípade samotného systému na
predspracovanie obrazov´ych dát si ukáˇzeme závislost’ kvality v´ystupov od zmien
jednotliv´ych kl’účov´ych parametrov.
5.1 Zber dát
Počas návrhu a testovacieho behu aplikácie na zber obrazov´ych dát pre potreby
náˇsho systému sme zistili a následne oˇsetrili tri rôzne stavy, ktoré môˇzu nastat’
počas jednej iterácie st’ahovania dát:
1. k zdroju dát sa nepodarilo pripojit’,
2. k zdroju dát sa podarilo pripojit’, ale nepodarilo sa získat’ poˇzadované obrazové
dáta,
3. k zdroju dát sa podarilo pripojit’ aj získat’ poˇzadované obrazové dáta.
Ked’ˇze proces daemona ako tak´y neprijíma od uˇzívatel’a vstup a nepodáva ani ˇziaden
v´ystup, pri vytváraní tohto procesu je vhodné presmerovat’ chybov´y v´ystup, napr. do
textového súboru. Ak by sa bez toho v daemone vyskytla nejaká predt´ym neoˇsetrená
chyba, tak vhl’adom na to, ˇze proces daemona je oddelen´y, nebol by uˇzívatel’ o
v´yskyte chyby upovedomen´y. Okrem toho v prípade neoˇsetren´ych v´ynimiek sa proces
okamˇzite preruˇsí a ked’ˇze sa pri tom neodstráni súbor PID, ktor´y identifikuje v
systéme Linux beˇziaci proces, môˇze sa takto stat’, ˇze sa uˇzívatel’ dozvie o preruˇsení
zberu dát, aˇz ked’ uˇz nie je moˇzné zmeˇskané dáta nahradit’. Je teda dôleˇzité testovací
beh tejto časti aplikácie nezanedbat’.
Jedn´ym z prípadov, kedy neočakávaná neoˇsetrená v´ynimka mohla preruˇsit’ beh zberu
dát, bolo neúspeˇsné pripojenie k zdroju dát, ktoré vrátilo v´ynimku typu IOError.
27

FEI KKUI
Identifikovat’ podstatu tohto problému a jeho zamedzenie nebolo v naˇsich silách,
ked’ˇze dostupné informácie o chybe neobsahovali podstatu problému na strane zdroja
dát, ale iba predmet chyby na naˇsej strane ( ” Connection timed out“). Po oˇsetrení
tohto prob ´ lému sa v prípade jeho v´yskytu beh zberu dát nepreruˇsi, a do logovacieho
súboru faktoru počasia, ktorého obrazové dáta sa práve daemon pokúˇsal získat’, sa
zapíˇse správa v znení ” Not saved (Connection refused)“. Vo väčˇsine prípadov sa
takto vynechané dáta spätne získali v d’alˇsej iterácii zberu dát.
ˇDalˇsím prípadom, ktor´y počas st’ahovania dát mohol nastat’, bolo stiahnutie súboru
zo zdroja dát, ktor´y nepredstavoval obrazové dáta. Inak povedané – podarilo sa pri-
pojit’ ku zdroju dát, ale poˇzadovan´y obrázok identifikovan´y URL adresou neexistoval.
To sa mohlo stat’ z viacer´ych dôvodov: poˇzadované dáta uˇz neboli k dispozícii (zdroj
dát neposkytoval obrazové dáta faktorov počasia, ktoré boli starˇsie ako aktuálny
deň), poˇzadované dáta eˇste neboli k dispozícii (zdroj dát neposkytoval obrazové
dáta na viac ako dva dni dopredu) alebo sa vyskytla chyba pri skladaní URL adresy
k obrázku z pomocn´ych parametrov (čo malo za následok snahu o získanie neexis-
tujúcich obrazov´ych dát). Pri pokuse o získanie dát v jednom z t´ychto prípadov
nepredstavovali navrátené dáta zdrojom dát obrázok, ale textové dáta, ktoré repre-
zentovali HTML stránku s chybov´ym hlásením. Prvé dva dôvody sa dali pomerne
l’ahko zamedzit’ t´ym, ˇze sa intern´ymi parametrami v základnej podobe v daemone
zabránilo pokusom o st’ahovanie dát mimo známe dostupné časové rozmedzie (tj
aktuálny deň + dva dni dopredu). Pri v´yskyte takejto chyby sa do logovacieho
súboru daného faktora počasia zapísala správa v znení ” Not saved“. Počas riadneho
behu daemona sa vˇsak takáto chyba nevyskytla. Jedin´ym prípadom bolo spustenie
daemona so vstupn´ym parametrom (dátum, od ktorého sa má začat’ st’ahovanie),
ktor´y presahoval určené známe časové rozmedzie.
Posledn´ym prípadom, ktor´y mohol pri zbere dát nastat’, bolo úspeˇsné pripojenie k
zdroju dát a úspeˇsné stiahnutie poˇzadovan´ych obrazov´ych dát. V takom prípade
sa do logovacieho súboru daného faktora zapísala správa v tvare ” Saved“ a získané
28

FEI KKUI
obrazové dáta sa uloˇzili do adresárovej ˇstruktúry.
Adresárová a súborová ˇstruktúra pre úloˇzisko nazbieran´ych obrazov´ych dát má na-
sledovnú podobu:
faktor / YYYY-MM / faktor_DDMMYYYY_HH.png
Ukáˇzka pre prípad faktoru oblačnosti je znázornená na obrázku 5 – 1:
Obr. 5 – 1: Adresárová ˇstruktúra obrazov´ych dát oblačnosti
Posledn´ym uvaˇzovan´ym problémom pri zbere dát boli moˇzné zmeny v reprezentácii
dan´ych faktorov v ich prísluˇsn´ych obrázkoch, tzn. ˇze sa bude postupom času menit’
obsah st’ahovan´ych dát, čo nám vynúti v naˇsom systéme zmenit’ aj spôsob ich spra-
covania. Vo väčˇsine prípadov sa vˇsak zmeny obsahu obrázkov net´ykali relevantn´ych
dát (napr. boli pridané názvy miest do pozadia obrázku) a aj bez zmeny parametrov,
či dokonca zásahu do zdrojov´ych kódov, sa na ne systém adaptoval.
Príklad ako sa postupom času menil obsah obrazov´ych dát oblačnosti je znázornen´y
obrázkami 5 – 2, 5 – 3 a 5 – 4.
29

FEI KKUI
Obr. 5 – 2: Ukáˇzka zmien obrazov´ych dát oblačnosti - rok 2007
Obr. 5 – 3: Ukáˇzka zmien obrazov´ych dát oblačnosti - rok 2008
30

FEI KKUI
Obr. 5 – 4: Ukáˇzka zmien obrazov´ych dát oblačnosti - rok 2010
5.2 Úprava dát
Čast’ systému, ktorá sa stará o úpravu naˇsich obrazov´ych dát obsahuje len je-
den číseln´y parameter (vel’kost’ mrieˇzky), ktorého zmena môˇze podstatne ovplyvnit’
v´ysledné obrázky. Okrem toho si môˇzeme vyskúˇsat’, ako bude vpl´yvat’ vynechanie
druhého a tretieho kroku úpravy dát (podkapitola 4.2) na v´ysledky úpravy dát a
následné učenie a testovanie NN.
5.2.1 Zmena vel’kosti mrieˇzky
Vel’kost’ mrieˇzky v systéme na úpravu dát nám určuje počet pixelov, ktoré sa v po-
slednom kroku (odstránenie hrán) spracovávajú na dosiahnutie v´ysledného obrázku.
V základnej funkčnej podobe systému je vel’kost’ mrieˇzky nastavená na hodnotu 5,
podl’a ktorej spracovávame dokopy 24 pixelov (5x5 pixelov – stredn´y pixel sa neberie
do úvahy) okolo pixelu určeného iteráciou cyklu odstraňovania hrán.
31

FEI KKUI
Príkladom v´ysledného obrázku pouˇzitím mrieˇzky vel’kosti 5, je napr. obr. 4 – 10.
Príkladmi v´ysledn´ych obrázkov pouˇzitím mrieˇzok vel’kostí 3, 7 a 9, sú obrázky 5 – 6,
5 – 7 a 5 – 8.
Ako vidíme na uveden´ych obrázkoch, zmenou vel’kosti mrieˇzky sa mení citlivost’
tohto kroku. Aj ked’ samotné hrany, o ktor´ych odstránenie v tejto časti ide, zmiznú
uˇz pri mrieˇzke vel’kosti 3, so zvyˇsujúcou sa vel’kost’ou mrieˇzky sa v´ysledné dáta
zjemňujú a dochádza k postupnému eliminovaniu artefaktov, ktoré v obrázku ostali
po odčítaní farieb a odˇsumení. Treba si vˇsak uvedomit’, ˇze artefakty majú v tejto
časti rovnaké farebné hodnoty ako relevantné dáta úrovní oblačnosti a nie je moˇzné
tieto dva druhy dát touto heuristikou rozlíˇsit’. Môˇze sa preto stat’, ˇze pri zvyˇsujúcej sa
vel’kosti mrieˇzky dôjde k postupnému spl´yvaniu, či dokonca miznutiu, relevantn´ych
dát oblačnosti, čo nemusí byt’ v danom prípade ˇziadúce. Vel’kost’ pouˇzitej mrieˇzky
teda môˇze byt’ rôzna nie len pre kaˇzd´y faktor počasia, ale aj pre kaˇzd´y obrázok v
rámci jedného faktoru zvláˇst’.
5.2.2 Zmena tvaru mrieˇzky
Ukáˇzeme si, ako vpl´yva tvar mrieˇzky na v´ysledok odstraňovania hrán. Konkrétne
si vyskúˇsame miesto ˇstvorcovej mrieˇzky pouˇzit’ najprv riadkovú mrieˇzku a potom
st ´ lpcovú mrieˇzku.
Obr. 5 – 5: Mrieˇzka o vel’kosti 5
32

FEI KKUI
Obr. 5 – 6: Príklad v´ysledného obrázku po pouˇzití mrieˇzky vel’kosti 3 v úprave dát
Obr. 5 – 7: Príklad v´ysledného obrázku po pouˇzití mrieˇzky vel’kosti 7 v úprave dát
33

FEI KKUI
Obr. 5 – 8: Príklad v´ysledného obrázku po pouˇzití mrieˇzky vel’kosti 9 v úprave dát
(a) riadková mrieˇzka (b) st ´ lpcová mrieˇzka
Obr. 5 – 9: Riadková a st ´ lpcová mrieˇzka o vel’kosti 9
34

FEI KKUI
Obr. 5 – 10: Príklad v´ysledku po pouˇzití riadkovej mrieˇzky vel’kosti 9 v úprave dát
Obr. 5 – 11: Príklad v´ysledku po pouˇzití st ´ lpcovej mrieˇzky vel’kosti 9 v úprave dát
35

FEI KKUI
Ako vidíme z v´ysledn´ych obrázkov 5 – 10 a 5 – 11, ani riadková ani st ´ lpcová mrieˇzka
náˇsmu problému nevyhovujú. V prípade riadkovej mrieˇzky sa pri danej vel’kosti
vytvára neˇziadúci ˇsum a pri st ´ lpcovej mrieˇzke v mnoh´ych prípadoch nedochádza ani
k odstráneniu hrán, čo je v podstate primárny účel tohto kroku úpravy dát.
5.2.3 Vynechanie odˇsumenia
Ked’ˇze v´ysledok úpravy dát bez pouˇzitia odstránenia hrán je znázornen´y na obrázku
4 – 9, v tejto časti si ukáˇzeme v´ysledok úpravy dát bez pouˇzitia odˇsumenia, ktoré
spolu so spomenut´ym obrázkom budeme chciet’ pouˇzit’ v experimentoch s NN.
Obr. 5 – 12: Príklad v´ysledku úpravy dát bez pouˇzitia odˇsumenia
Ako vidíme na obrázku 5 – 12, vynechanie procesu odˇsumenia má pre cel´y proces
úpravy dát vel’mi neˇziadúce účinky. Vzhl’adom na to, ˇze v procese odˇsumenia sa
farebné hodnoty upravia do rozmedzia vopred určen´ych deviatich farieb, ktoré re-
prezentujú úrovne oblačnosti, vynechanie tohto kroku predstavuje nemal´y problém
36

FEI KKUI
pre proces odstraňovania hrán, ked’ˇze pouˇzitie mrieˇzky je zaloˇzené na prítomnosti
nízkeho počtu referenčn´ych farieb v spracovávanom obrázku. Jednou z moˇzností by
bolo pouˇzit’ podstatne väčˇsiu mrieˇzku, avˇsak v naˇsom prípade by dochádzalo k vyˇsˇsie
spomínanému spl´yvaniu či miznutiu relevantn´ych dát. Pre pouˇzitie v trénovacom
procese NN je teda tak´yto v´ysledok úpravy dát neˇziadúci.
5.3 Predspracovanie dát
Ako je spomenuté v podsekcii 4.3.2, systém na predspracovanie dát realizovan´y
formou neurónovej siete má viacero parametrov, ktor´ymi ho môˇzeme inicializovat’.
Pokial’ nebude stanovené alebo spomenuté inak, experimenty v tejto časti vyuˇzívajú
neurónové siete inicializované pomocou nasledovn´ych hodnôt parametrov:
1. parameter učenia – 0.2,
2. momentum – 0.1,
3. ukončovacia podmienka – 0.00005,
4. počet iterácií – 250,
5. topológia – jedna skrytá vrstva s deviatimi neurónmi,
6. vel’kost’ vzorky vstupn´ych dát – mrieˇzka o vel’kosti 3 (t.j. 9 pixelov – 27
vstupn´ych neurónov),
7. počet vzoriek pre jednu iteráciu – počet pixelov obrázku / 100.
Na ukáˇzku v´ysledkov predspracovania dát pomocou neurónovej siete pouˇzijeme ako
vstup do NN obrázok 4 – 6. V´yber tohto obrázku môˇzeme obhájit’ t´ym, ˇze obsahuje
primerané mnoˇzstvo relevantn´ych dát oblačnosti a tak isto primerané mnoˇzstvo dát,
ktoré by do v´ysledku nemali zasahovat’ a budeme tak sledovat’, ako si s nimi NN
poradí. Ako reprezentáciu v´ystupn´ych hodnôt pre dané vstupné hodnoty pouˇzijeme
obrázok 4 – 10.
37

FEI KKUI
Obr. 5 – 13: Experiment 1 - vstup
Obr. 5 – 14: Experiment 1 - v´ystup
38

FEI KKUI
Obr. 5 – 15: Experiment 2 - vstup
Obr. 5 – 16: Experiment 2 - v´ystup
39

FEI KKUI
Obr. 5 – 17: Experiment 3 - vstup
Obr. 5 – 18: Experiment 3 - v´ystup
40

FEI KKUI
Obr. 5 – 19: Experiment 4 - vstup
Obr. 5 – 20: Experiment 4 - v´ystup
41

FEI KKUI
Obr. 5 – 21: Experiment 5 - vstup
Obr. 5 – 22: Experiment 5 - v´ystup
42

FEI KKUI
Ako môˇzeme vidiet’ vo v´ysledkoch, obrazové dáta obsahujú okrem relevantn´ych dát
oblačnosti aj menej dôleˇzité dáta, ktoré boli súčast’ou pozadia pôvodného obrázku.
Pre ilustráciu sme do v´ysledkov zahrnuli aj novˇsie obrázky z úloˇziska dát, aby sa
vyskúˇsalo, do akej miery sa na zmeny systém adaptuje. Aj ked’ v´ysledky v kaˇzdom
prípade obsahujú tieto neˇziadúce artefakty, na zhodnotenie pouˇzitia NN na spracova-
nie obrazov´ych dát sú postačujúce. ˇ Dalˇsím krokom v systéme by mohlo byt’ zahrnutie
d’alˇsej heuristiky, ktorou by sa tieto artefakty odstránili. Ked’ˇze neurónovej sieti sú
podávané vstupné hodnoty, ktoré reprezentujú farby pixelov, nemôˇzeme očakávat’,
ˇze na základe nich bude NN vediet’ rozlíˇsit’ jednotlivé objekty v danom obrázku, ked’
budú znázornené rovnak´ymi alebo podobn´ymi farbami.
Priebeh chyby počas učenia uveden´ych príkladov je vel’mi podobn´y obrázku 5 – 23.
Obr. 5 – 23: Graf priebehu chyby učenia NN
43

FEI KKUI
Na obrázku 5 – 23 predstavuje os x číslo iterácie a os y vel’kost’ chyby. Ako vidíme,
vel’kost’ chyby spočiatku prudko klesá a zhruba okolo 20. iterácie začne mierne kmitat’
okolo extrému. Toto kmitanie je spôsobené faktom, ˇze v´yber vzoriek počas iterácie
učenia NN prebieha náhodne.
Cel´y proces inicializovan´y uveden´ymi parametrami trvá aj s testovaním a uloˇzením
dát zhruba 10s. Ak by sa v kaˇzdej iterácii podávali NN vˇsetky pixely vstupného
obrázku, len jediná iterácia by trvala viac ako tento čas.
Ak by sme namiesto náhodného v´yberu určili, ˇze sa má NN predávat’ napr. kaˇzd´y
100. pixel obrázku, v´ysledok by pre vstup 5 – 13 vyzeral ako na obrázkoch 5 – 24 a
5 – 25.
Obr. 5 – 24: V´ystup experimentu pri rovnomernom v´ybere vzoriek
Nevyhovujúci v´ysledok zobrazen´y na obrázku 5 – 24 je pravdepodobne spôsoben´y
faktom, ˇze pri rovnomernom v´ybere vzoriek nemusí dostat’ NN dostatočn´y počet
rôznych vzoriek a zároveň v kaˇzdej iterácii sú NN odovzdávané rovnaké vzorky.
Rieˇsením tohoto problému by mohlo byt’ napr. zv´yˇsenie počtu vzoriek pre kaˇzdú
44

FEI KKUI
iteráciu.
Obr. 5 – 25: Graf priebehu chyby pri rovnomernom v´ybere vzoriek
Ak sa chyba počas učenia NN (obrázok 5 – 23) dostane príliˇs skoro do extrému,
pri relatívne vel’kom počte iterácii môˇze dôjst k preučeniu, tzn. so zvyˇsujúcim sa
počtom iterácií sa chyba na trénovacích dátach zmenˇsuje, ale na testovacích dátach
sa zväčˇsuje. Na obrázkoch 5 – 26 a 5 – 27 vidíme porovnanie v´ystupov z experimentu
po 20 a 250 iteráciách. V naˇsom prípade teda pri danom experimente k preučeniu
nedochádza, ale naopak so zvyˇsujúcim sa počtom iterácií je v´ysledn´y obrázok kva-
litnejˇsí.
Na obrázkoch 5 – 28 a 5 – 29 je znázornené porovnanie v´ystupov zo systému, ak sa
na naučenie NN pouˇzije upraven´y obrázok s hranami a bez hrán (viac info na konci
sekcie 5.2).
45

FEI KKUI
Obr. 5 – 26: V´ystup experimentu po 20 iteráciách
Obr. 5 – 27: V´ystup experimentu po 250 iteráciách
46

FEI KKUI
Obr. 5 – 28: V´ystup experimentu s pouˇzitím upraveného obrázku bez hrán
Obr. 5 – 29: V´ystup experimentu s pouˇzitím upraveného obrázku s hranami
47

FEI KKUI
6 Záver
Ciel’om tejto diplomovej práce bolo vytvorit’ systém na predspracovanie dát pre
predpoved’ počasia pomocou nerónov´ych sietí.
Na základe úloh bola diplomová práca rozdelená do nasledujúcich kapitol :
• Kapitola 2 obsahuje prehl’ad súčasnej problematiky spracovanie obrazu a úvod
do terminológie neurónov´ych sietí,
• Kapitola 3 obsahuje úvod do problematiky numerick´ych metód predpovede
počasia,
• Kapitola 4 popisuje návrh a implementáciu systému na predspracovanie obra-
zov´ych dát pre predpoved’ počasia pomocou neurónovej siete,
• Kapitola 5 obsahuje demonˇstráciu v´ysledkov a experimentálne overenie navr-
hnutého systému.
Z v´ysledkov získan´ych systémom a poznatkov naučen´ych počas tvorby tejto práce
môˇzme zhodnotit’, ˇze neurónové siete majú na poli spracovania obrazu nemalé vyuˇzi-
tie. Problémy spracovania obrazu majú vo vˇseobecnosti nelineárny charakter a na
rieˇsenie tak´ychto problémov sú neurónové siete dlhodobo vhodn´ym prostriedkom.
Nami navrhnut´y systém získava obrazové dáta predpovede počasia, ukladá ich do
prehl’adnej adresárovej ˇstruktúry, upravuje ich pomocou heuristického systému do
podoby vhodnej na vstup do neurónovej siete a nakoniec učí a testuje neurónovú siet’
pomocou získan´ych dát. V´ystupom zo systému je priebeh chyby učenia neurónovej
siete a v´ysledn´y obrázok získan´y v testovacej fáze.
Ked’ˇze majú nami získané dáta slúˇzit’ predpovedi počasia, v závislosti od nárokov
takého systému môˇze byt’ ˇziadúce upravit’ tieto dáta pomocou d’alˇsích heuristík či
in´ych vhodn´ych metód.
48

FEI KKUI
Literatúra
[1] SINČÁK, Peter – ANDREJKOVÁ, Gabriela. Neurónové siete Inˇziniersky
prístup, 1.diel, Koˇsice: elfa s.r.o., ISBN 80-88786-38-X, 1996, 107 s.
[2] RIDDER de, Dick et. al. Nonlinear Image Processing Using Artificial Ne-
ural Networks [online], Utrecht NL: Institute of Information and Com-
puter Sciences, 2003. [s.a.]. [cit. 2010-08-10]. Dostupné na internete:
[3] Neurónová siet’ z Wikipédie. Dostupné na internete:
[4] Model ALADIN - popis. Dostupné na internete:
[5] SPITSYN, V.G. – TSOY Y.R. Artificial Neural Network Appli-
cation for Digital Image Processing, Tomsk RU: Tomsk Polytech-
nic University, 2007. [s.a.]. [cit. 2010-08-10]. Dostupné na internete:
[6] CHHABRA, Tejpal Singh. Back-propagation Neural
Net, Codeproject.com, 2006. Dostupné na internete:
49

Zoznam príloh
Príloha A CD médium – diplomová práca v elektronickej podobe, program, expe-
rimentálne v´ysledky.
Príloha B Systémová príručka
Príloha C Pouˇzívatel’ská príručka

FEI KKUI
Príloha B
Systémová príručka
Systém predspracovania obrazov´ych dát pozostáva z troch častí:
1. aplikácia na zber dát,
2. aplikácia na úpravu dát,
3. aplikácia implementujúca NN na predspracovanie dát.
Anal´yza, funkcie a parametre t´ychto programov sú popísané v kapitole .
Aplikácia na Zber dát
Aplikácia na zber dát je napísaná v jazyku Python, čiˇze na spustenie je potrebné
mat’ distribúciu tohto jazyka v systéme nainˇstalovanú. Ked’ˇze aplikácia pre svoje
fungovanie vyuˇzíva funkcie, ktoré sú natívne pre systémy Unix, v súčasnosti nie je
moˇzné ju úspeˇsne spustit’ pod systémom Windows. Z jazyku Python sú v aplikácii
vyuˇzívané predovˇsetk´ym moduly sys, os, time, signal a urllib. Na načítanie konfi-
guračn´ych dát zo súborov typu INI je pouˇzit´y modul ConfigParser. Po vytvorení
procesu daemona sa vˇsetky chybové hláˇsky presmerovávajú do súboru errors.log,
takˇze v prípade ak´ychkol’vek nezrovnalostí v behu programu je potrebné v prvom
rade konzultovat’ obsah tohto súboru.
Aplikácia na Úpravu dát a Aplikácia na predspracovanie dát
Aplikácia na úpravu dát je napísaná v jazyku C++ s pouˇzitím aplikačného rozhra-
nia Qt. Na kompiláciu tejto aplikácie je potrebné mat’ nainˇstalované toto aplikačné
rozhranie. Je moˇzné si ho aj skompilovat’ a t´ym si prípadne obmedzit’ pridávanie
nepotrebn´ych modulov, avˇsak na priemernom systéme trvá kompilácia zhruba dve
51

FEI KKUI
hodiny. Pre systém Windows sú k dispozícii predkompilované binárne distribúcie
tohto aplikačného rozhrania, ktoré vˇsak ale obsahuje vˇsetky dostupné moduly a
teda po inˇstalácii zaberá na disku nemal´y priestor (zhruba 1.5GB). Kompilácia pre-
bieha zadaním príkazu qmake, ktor´y zo súboru s príponou .pro vygeneruje na základe
informácií o systéme prísluˇsn´y Makefile súbor. Potom uˇz stačí len program skompi-
lovat’ ˇstandardne ako v prípade väčˇsiny C++ aplikácií, čiˇze zadaním príkazu make
(pod systémom Windows prípadne nmake, ak sa pouˇzíva Visual Studio).
Obe aplikácie vyuˇzívajú predvˇsetk´ym jeden z hlavn´ych modulov rozhrania Qt, ktor´y
sa volá QtGui. Z tohto modulu vyuˇzívajú hlavne objekt QFile na vˇseobecnú prácu
so subormi, QImage na prácu s obrázkami, QTextStream pre spracovanie textového
v´ystupu (v prípade aplikácie na predspracovanie dát je jedn´ym z v´ystupn´ych súborov
textov´y formát CSV), a objekty QColor a QRgb na spracovanie farieb.
52

FEI KKUI
Príloha C
Pouˇzívatel’ská príručka
Systém predspracovania obrazov´ych dát pozostáva z troch častí:
1. aplikácia na zber dát,
2. aplikácia na úpravu dát,
3. aplikácia implementujúca NN na predspracovanie dát.
Vˇsetky tri aplikácie sú konzolového charakteru, tzn. nemajú ˇziadne grafické rozhra-
nie a spúˇst’ajú sa z konzoly.
Aplikácie sa ˇziadn´ym spôsobom neinˇstalujú, stačí ich umiestnit’ do uˇzívatel’om vy-
braného adresára a spustit’ pomocou parametrov.
Aplikácia na Zber dát
Aplikácia na zber dát je napísaná v jazyku Python a na spustenie je teda potrebné
mat’ v systéme nainˇstalovanú distribúciu tohto jazyka. Okrem toho vyuˇzíva fun-
kcie, ktoré sú natívne hlavne pre systémy typu Unix a predpokladá sa umiestnenie
na nejak´y stabilne fungujúci server beˇziaci na systéme z tejto rodiny. Spustenie
aplikácie na zber dát prebieha zadaním príkazu do konzoly v nasledovnej forme:
python weatherd start. Po úspeˇsnom spustení sa do konzoly vypíˇse číslo procesu,
pod ktor´ym aplikácia ako daemon beˇzí. Zastavenie aplikácie sa vykonáva príkazom
v nasledovnej forme: python weatherd stop.
Aplikácia na Úpravu dát
Aplikácia na úpravu dát má na CD, ktoré je prílohou k tejto práci, binárnu formu,
ktorá je spustitel’ná bez inˇstalácie pod systémom Windows. Pre pouˇzitie pod in´ymi
53

FEI KKUI
systémami je nutné si naˇstudovat’ systémovú príručku a aplikáciu si skompilovat’.
Spustenie tejto aplikácie sa vykonáva prostredníctvom konzoly zadaním príkazu v
nasledovnej forme: dp referencnyobrazok vstupnyobrazok.
Parametre referencnyobrazok a vstupnyobrazok sú cesty (resp. len názvy súborov, ak
sa nachádzajú v rovnakom adresári ako aj aplikácia) k obrázkom, ktoré má aplikácia
spracovat’. Pre viac informácií o t´ychto obrázkoch konzultujte sekciu 4.2.
V prípade, ˇze parametre v zadanom príkaze korektne ukazujú na existujúce a akcep-
tovatel’né obrázky, v´ystup v konzole po ukončení behu aplikácie bude vyzerat’ ako
na obrázku 6 – 1.
Obr. 6 – 1: Korektn´y v´ypis do konzoly z aplikácie na úpravu dát
V prípade, ˇze dôjde k nesprávnemu zadaniu parametrov, môˇzu nastat’ dve situácie,
ktoré znázorňujú obrázky 6 – 2 a 6 – 3.
Obr. 6 – 2: V´ypis do konzoly pri nezadaní vˇsetk´ych parametrov
Obr. 6 – 3: V´ypis do konzoly pri zadaní nesprávneho súboru
Po úspeˇsnom ukončení programu sa v adresári z aplikáciou bude nachádzat’ v´ysledn´y
obrázok úpravy dát.
54

FEI KKUI
Aplikácia na predspracovanie dát
Pre aplikáciu na predspracovanie dát platí to isté, ako v prípade aplikácie na zber
dát – je dostupná v binárnej forme na CD prílohe a v prípade potreby pouˇzitia
pod in´ym systémom ako Windows, je nutné si ju skompilovat’. Pouˇzitie spôsobom
opakovanej kompilácie je odporúčané v prípade potreby menit’ parametre NN a t´ym
demonˇstrovat’ správanie sa tejto aplikácie pri ich zmene, ked’ˇze v čase písanie tejto
práce nemala aplikácia doprogramované pouˇzitie konfiguračného súboru. Spustenie
aplikácie prebieha zadaním príkazu do konzoly vo forme:
backprop vstup vystup test.
Parametre vstup a vystup ukazujú na obrázky, ktoré reprezentujú vstupné a v´ystupné
hodnoty pre učenie NN. Parameter test ukazuje na obrázok, ktor´y chceme pouˇzit’
ako vstup do testovacej fázy a na základe ktorého, sa vytvorí v´ystupn´y obrázok.
Nesprávne zadanie parametrov sa prejaví rovnako ako v prípade aplikácie na zber
dát. Korektn´y v´ystup z aplikácie po ukončení behu môˇze vyzerat’ ako na obrázku
6 – 4.
Obr. 6 – 4: V´ypis do konzoly úspeˇsnom ukončení predspracovania dát
Vo v´ypise vidíme hodnoty stredn´ych kvadratick´ych ch´yb v posledn´ych piatich iterá-
ciách učenia. Po ukončení programu sa v adresári aplikácie bude nachádzat’ v´ysledn´y
obrázok a CSV súbor s priebehom ch´yb počas učenia.
55