ЗАСТОСУВАННЯ СТАТИСТИЧНИХ МІР РЕЛЕВАНТНОСТІ ДЛЯ ВЕКТОРНИХ СТРУКТУРНИХ ОПИСІВ ОБ’ЄКТІВ У ЗАДАЧІ КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ
Ключові слова:
комп'ютерний зір, структурне розпізнавання, дескриптори особливих точок зображення, кластерне подання опису, статистична міра релевантності, баєсовський класифікатор, метричний класифікатор, розходження Кульбака-Лейблера
Анотація
Вирішується задача класифікації зображень у просторі ознак дескрипторів особливих точок з поданням опису у кластерному виді і використанням статистичних мір для обчислення релевантності описів. Проведено аналіз особливостей застосування статистичного та метричного класифікаторів при визначенні рівня релевантності структурних описів. Виконано порівняння характеристик мір релевантності на розрахункових прикладах. Запропоновано використання розходження Кульбака-Лейблера як універсальної і ефективної міри для задачі класифікації. Підтверджена результативність запропонованого підходу для прикладних баз зображень. Наукова новизна дослідження полягає у розвиненні методу структурного розпізнавання зображень на основі кластерного опису множини дескрипторів особливих точок шляхом застосування апарату статистичних мір для визначення релевантності аналізованих та еталонних даних і побудови класифікаційних висновків у просторі кластер – еталон. Практична значущість роботи – отримання прикладних розрахункових моделей для застосування методів класифікації і підтвердження їх результативності в конкретних прикладах базах зображень.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Гороховатский В. А. Структурный анализ и интеллектуальная обработка данных в компьютерном зрении / В. А. Гороховатский. – Х.: Компания СМИТ, 2014. – 316 с.
2. Duda R. O. Pattern classification / Duda R. O., Hart P. E., Stork D. G. – 2ed., Wiley, 2000.–738 p.
3. Szeliski R. Computer Vision: Algorithms and Applications / R. Szeliski. – London: Springer, 2010. – 979 p.
4. Гороховатский В. А. Исследование результативности структурных методов классификации изображений с применением кластерной модели данных / В. А. Гороховатский, Е. П. Путятин, В. С. Столяров // Радиоэлектроника, информатика, управление. – 2017. – №3 (42). – C. 78–85.
5. Gorokhovatsky V.A. Efficient Estimation of Visual Object Relevance during Recognition through their Vector Descriptions / V.A. Gorokhovatsky // Telecommunications and Radio Engineering. – 2016, Vol. 75, No 14. – P. 1271–1283.
6. Ампилова Н. Б. Применение расхождения Реньи к анализу и классификации изображений. / Н. Б. Ампилова, В. Д. Сергеев, И. П. Соловьев. [Электронный ресурс]. – Режим доступа: https://lib.herzen.spb.ru/media/magazines/contents/1/176/ampilova_176_35_44.pdf.
7. Кульбак С. Теория информации и статистика / С. Кульбак. – М.: Наука, 1967. – 408 с.
8. Айвазян С. А. Прикладная статистика: Основы моделирования и первичная обработка данных / С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин. – М.: Финансы и статистика, 1983. – 471 с.
9. Гуров С. И. Как оценить надежность алгоритма классификации / С. И. Гуров // Таврический вестник информатики и математики. – Симферополь: КНЦ НАН Украины. – 2002, № 1. – С.27 – 56.
10. Гонсалес Р. Цифровая обработка изображений/ Р. Гонсалес, Р. Вудс. – М.: Техносфера, 2005. – 1070 с.
11. Феллер В. Введение в теорию вероятностей и ее приложения. Т. 1 / В. Феллер. – М.: Мир, 1984.– 528 с.
12. Фукунага К. Введение в статистическую теорию распознавания образов / К. Фукунага. – М.: Наука, 1979. –367с.
13. Худов В. Г. Оцінка якості сегментування оптико-електронного зображення шляхом оцінки комплексних показників на відстані Кульбака-Лейблера / В. Г. Худов, О. М. Маковейчук, І. А. Хижняк // Системи обробки інформації. – 2017. – Випуск 4 (150). – С. 27 – 30.
14. Radu Stoica. Indexing and Retrieval in Multimedia Libraries Through Parametric Texture Modeling using the 2D Wold Decomposition. [Электронный ресурс]. – Режим доступа: https://hal.inria.fr/inria00073085/document.
15. David J. C. MacKay. Information Theory, Inference, and Learning Algorithms. [Электронный ресурс]. – Режим доступа:http://www.inference.org.uk/itprnn/book.pdf.
16. Бочаров П. П. Теория вероятностей. Математическая статистика / П. П. Бочаров, А. В. Печинкин. – М.: ФИЗМАТГИЗ, 2005. – 296 с.
17. Гороховатський В. О. Аналіз властивостей, характеристик та результатів застосування новітніх детекторів для визначення особливих точок зображення / В. О. Гороховатський, Д. В. Пупченко, К. Г. Солодченко // Системи управління, навігації та зв’язку. –2018. – №1 (47). – C. 93–98.
18. Савченко А. В. Распознавание изображений методом направленного перебора на основе принципа минимума информационного рассогласования / А. В. Савченко // Вестник Нижегородского университета им. Н. И. Лобачевского. – 2010. – №2. –С.211-216..
2. Duda R. O. Pattern classification / Duda R. O., Hart P. E., Stork D. G. – 2ed., Wiley, 2000.–738 p.
3. Szeliski R. Computer Vision: Algorithms and Applications / R. Szeliski. – London: Springer, 2010. – 979 p.
4. Гороховатский В. А. Исследование результативности структурных методов классификации изображений с применением кластерной модели данных / В. А. Гороховатский, Е. П. Путятин, В. С. Столяров // Радиоэлектроника, информатика, управление. – 2017. – №3 (42). – C. 78–85.
5. Gorokhovatsky V.A. Efficient Estimation of Visual Object Relevance during Recognition through their Vector Descriptions / V.A. Gorokhovatsky // Telecommunications and Radio Engineering. – 2016, Vol. 75, No 14. – P. 1271–1283.
6. Ампилова Н. Б. Применение расхождения Реньи к анализу и классификации изображений. / Н. Б. Ампилова, В. Д. Сергеев, И. П. Соловьев. [Электронный ресурс]. – Режим доступа: https://lib.herzen.spb.ru/media/magazines/contents/1/176/ampilova_176_35_44.pdf.
7. Кульбак С. Теория информации и статистика / С. Кульбак. – М.: Наука, 1967. – 408 с.
8. Айвазян С. А. Прикладная статистика: Основы моделирования и первичная обработка данных / С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин. – М.: Финансы и статистика, 1983. – 471 с.
9. Гуров С. И. Как оценить надежность алгоритма классификации / С. И. Гуров // Таврический вестник информатики и математики. – Симферополь: КНЦ НАН Украины. – 2002, № 1. – С.27 – 56.
10. Гонсалес Р. Цифровая обработка изображений/ Р. Гонсалес, Р. Вудс. – М.: Техносфера, 2005. – 1070 с.
11. Феллер В. Введение в теорию вероятностей и ее приложения. Т. 1 / В. Феллер. – М.: Мир, 1984.– 528 с.
12. Фукунага К. Введение в статистическую теорию распознавания образов / К. Фукунага. – М.: Наука, 1979. –367с.
13. Худов В. Г. Оцінка якості сегментування оптико-електронного зображення шляхом оцінки комплексних показників на відстані Кульбака-Лейблера / В. Г. Худов, О. М. Маковейчук, І. А. Хижняк // Системи обробки інформації. – 2017. – Випуск 4 (150). – С. 27 – 30.
14. Radu Stoica. Indexing and Retrieval in Multimedia Libraries Through Parametric Texture Modeling using the 2D Wold Decomposition. [Электронный ресурс]. – Режим доступа: https://hal.inria.fr/inria00073085/document.
15. David J. C. MacKay. Information Theory, Inference, and Learning Algorithms. [Электронный ресурс]. – Режим доступа:http://www.inference.org.uk/itprnn/book.pdf.
16. Бочаров П. П. Теория вероятностей. Математическая статистика / П. П. Бочаров, А. В. Печинкин. – М.: ФИЗМАТГИЗ, 2005. – 296 с.
17. Гороховатський В. О. Аналіз властивостей, характеристик та результатів застосування новітніх детекторів для визначення особливих точок зображення / В. О. Гороховатський, Д. В. Пупченко, К. Г. Солодченко // Системи управління, навігації та зв’язку. –2018. – №1 (47). – C. 93–98.
18. Савченко А. В. Распознавание изображений методом направленного перебора на основе принципа минимума информационного рассогласования / А. В. Савченко // Вестник Нижегородского университета им. Н. И. Лобачевского. – 2010. – №2. –С.211-216..
Опубліковано
2018-09-12
Як цитувати
Gadetska S. Застосування статистичних мір релевантності для векторних структурних описів об’єктів у задачі класифікації зображень / S. Gadetska, V. Gorokhovatskyi // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2018. – Т. 4 (50). – С. 62-68. – doi:https://doi.org/10.26906/SUNZ.2018.4.062.
Розділ
Математичні моделі та методи
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
