ЛОГІЧНИЙ АНАЛІЗ ТА ОБРОБЛЕННЯ ДАНИХ ЗАДЛЯ КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ НА ПІДСТАВІ ФОРМУВАННЯ СТАТИСТИЧНОГО ЦЕНТРУ ОПИСУ
DOI:
https://doi.org/10.26906/SUNZ.2019.4.043Ключові слова:
структурні методи класифікації зображень, ключова точка, детектор BRISK, дескриптор, статистичний центр, концентрований опис, логічний аналіз, релевантність описів, результативність класифікації, агрегований образАнотація
Предметом досліджень є моделі для класифікації зображень у просторі описів як множини дескрипторів ключових точок при розпізнаванні візуальних об’єктів у системах комп’ютерного зору. Метою є розвинення структурного методу класифікації шляхом впровадження логічного оброблення даних із використанням ймовірнісного розподілу у вигляді статистичного центру. Завдання: розроблення математичних та програмних моделей для обчислення релевантності описів зображень із використанням логічного аналізу, вивчення властивостей, варіантів застосування, значень параметрів моделей, оцінювання результативності за наслідками оброблення експериментальної бази зображень. Застосовуваними методами є: детектор BRISK для формування дескрипторів ключових точок, інтелектуальний аналіз даних, математична статистика, засоби визначення релевантності для множин даних, програмне моделювання. Отримані результати: ефективність способу класифікації на основі логічного аналізу з використанням статистичних центрів залежить від відстаней між центрами еталонів бази. Застосування логічного аналізу спрощує оброблення і підвищує швидкодію класифікації. Найкращі результати щодо класифікації окремих дескрипторів показав підхід з використанням уточнених центрів. Використання концентрованої частки даних опису дає можливість ретельніше зосередитися на його відмінностях з іншими описами. Висновки. Наукова новизна – удосконалення методу класифікації зображень на основі впровадження логічного аналізу на підставі статистичного центру опису, що дає можливість модифікувати склад опису зі збереженням властивостей об’єктів в аспекті результативної класифікації. Практична значущість роботи полягає у досягненні прийнятого рівня ефективності класифікації за визначеною моделлю релевантності, підтвердженні працездатності запропонованих модифікацій оброблення даних на прикладах зображень, розробленні програмних моделей для впровадження описаних методів класифікації у системах комп’ютерного зору.Завантаження
Посилання
Xu Zhang, Felix X. Yu, Svebor Karaman, Shih-Fu Chang (2017). Learning Discriminative and Transformation Covariant Local Feature Detectors. − The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 6818-6826.
Masamichi KITAGAWA, Ikuko SHIMIZU (2019). Memory Saving Feature Descriptor Using Scale and Rotation Invariant Patches around the Feature Points. − IEICE Transactions on Information and Systems, Vol. E102.D, Issue 5, рр. 1106-1110.
Ravimal Bandara, Lochandaka Ranathunga, Nor Aniza Abdullah (2019). Nature Inspired Dimensional Reduction Technique for Fast and Invariant Visual Feature Extraction. − Int. Journal of Adv. Trends in Comp. Sc. Eng., Vol. 8, No.3, рр. 696-706.
Sivaram, M., Porkodi, V., Mohammed, A.S., Manikandan V. Detection of Accurate Facial Detection Using Hybrid Deep Convolutional Recurrent Neural Network. ICTACT Journal on Soft Computing. 2019. Vol. 09, Issue 02. pp. 1844-1850. DOI: 10.21917/ijsc.2019.0256
Amin Salih Mohammed, Saravana Balaji B., Hiwa Abdulkarim Mawlood. Conceptual analysis of Iris Recognition Systems. Advanced Information Systems. 2019. Vol. 3, No. 2. Р. 86-90. DOI : https://doi.org/10.20998/2522-9052.2019.2.15
Svyrydov, A., Kuchuk, H., Tsiapa, O. (2018), “Improving efficienty of image recognition process: Approach and case study”, Proceedings of 2018 IEEE 9th International Conference on Dependable Systems, Services and Technologies, DESSERT 2018, pp. 593-597, DOI: http://dx.doi.org/10.1109/DESSERT.2018.8409201
Худов В.Г. Аналіз відомих методів сегментування зображень, що отримані з бортових систем оптикоелектронного спостереження / В.Г. Худов, Г.А. Кучук, О.М. Маковейчук, А.В. Крижний // Системи обробки інформації, 2016. – Вип. 9 (146). – С. 77-80.
Yaloveha V., Hlavcheva D., Podorozhniak A. Usage of convolutional neural network for multispectral image processing applied to the problem of detecting fire hazardous forest areas. Сучасні інформаційні системи. 2019. Т. 3, № 1. С. 116– 120. DOI: https://doi.org/10.20998/2522-9052.2019.1.19.
Баклицкий, В.К. Методы фильтрации сигналов в корреляционно-экстремальных системах навигации / В.К. Баклицкий, А.М. Бочкарев, М.П. Мусьяков. – М.: Радио и связь, 1986. – 216 с.
Gorokhovatskyi, V., Gadetska, S., Ponomarenko, R. (2019) Recognition of Visual Objects Based on Statistical Distributions for Blocks of Structural Description of Image. Lecture Notes in Computational Intelligence and Decision Making. – Proc. of the XV Int. Scientific Conf. “Intellectual Systems of Decision Making and Problems of Computational Intelligence” (ISDMCI' 2019), Ukraine, May 21–25, 2019, pp. 501-512. – Available online: https://rd.springer.com/chapter/10.1007/978-3-030-26474-1_35
Gorokhovatskyi, O. Analysis of Application of Cluster Descriptions in Space of Characteristic Image Features / O. Gorok- hovatskyi, V. Gorokhovatskyi, O.Peredrii // Data. – 2018, 3(4), 52. – doi: 10.3390/data3040052. Available online: https://www.mdpi.com/2306-5729/3/4/52
Lyashenko V., Kobylin O., Baranchykov Y. Ideology of Image Processing in Infocommunication Systems // 2018 Int. Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T). – IEEE, 2018. – Р. 47-50.
Миркин, Б. Г. Методы кластер-анализа для поддержки принятия решений: обзор. Препринт WP7/2011/03 / Б. Г. Миркин. – М.: Изд. дом НИУ ВШЭ, 2011. – 88 с.
Гороховатський В.О. Статистичні розподіли та ланцюжкове подання даних при визначенні релевантності структурних описів візуальних об’єктів / В.О. Гороховатський, С.В. Гадецька, Р.П. Пономаренко // Системи управління, навігації та зв’язку. –2018. – №6 (52). – C. 87–92.
Гороховатський В.О. Вивчення статистичних властивостей моделі блочного подання для множини дескрипторів ключових точок зображень / В.О. Гороховатський , С.В. Гадецька, Н.І. Стяглик // Радіоелектроніка, інформатика, управління. –2019. – №2 . – C. 100–107.
Leutenegger, S., Chli, M., Siegwart, R. Y. (2011) BRISK: Binary Robust Invariant Scalable Keypoints. – Computer Vision (ICCV), pp. 2548 – 2555.
OpenCV Open Source Computer Vision. [Електронний ресурс]. – Режим доступу: https://docs.opencv.org/master/index.html
