Столяров, В. С. Исследование результативности структурных методов классификации изображений с применением кластерной модели данных

Abstract

RU: Актуальность. Повышение результативности и расширение функциональности современных систем компьютерного зрения требуют создания более эффективных методов обработки визуальной информации. Основные задачи структурного распознавания связаны с усовершенствованием информационных технологий классификации в пространстве описаний как множеств дескрипторов ключевых точек изображений, а также необходимостью оценивания действенности распознавания на прикладных образцах. Особое внимание уделяют изучению структуры данных для множества дескрипторов, что напрямую влияет на показатели функционирования систем распознавания. Цель. Изучение особенностей кластерного представления для множества структурных признаков прикладной базы изображений и оценивание показателей эффективности применения кластерной модели в методах структурного распознавания визуальных объектов в плане получения компактного представления данных. Метод. Предложено методы распознавания на основе трансформации пространства структурных признаков путем кластеризации и применения кластерных характеристик базы эталонных изображений. Первый метод использует интегральное представление описаний эталонов, второй метод при отнесении структурного элемента к классу опирается на значение вектора статистического распределения в матричном пространстве кластер-эталон. Итогом исследования есть создание методов распознавания и моделей обработки данных в процессе построения векторов релевантности или характеристик классов в трансформированном пространстве признаков. Результаты. За счет кластерного преобразования пространства структурных признаков сокращается объем вычислительных затрат, и в сотни раз улучшается быстродействие распознавания при сохранении нужной эффективности. Проведено сравнение методов SURF и ORB при формировании структурных признаков, время обработки методом ORB оказалось в 60 раз меньше. С другой стороны, множество дескрипторов SURF более точно отражает особенности формы визуальных объектов. Проведено моделирование и экспериментальные исследования предложенного метода распознавания в прикладной базе изображений. Подтверждена результативность метода в плане эффективности, получены сравнительные оценки качества распознавания в зависимости от уровня аддитивных помех для анализируемых вариантов обработки Выводы (научная новизна и практическая значимость). В проведенном исследовании систематизированы и получены перспективные свойства систем распознавания в пространстве структурных признаков изображений. Разработанные методы классификации на основе кластерного описания обеспечивают достаточный уровень различения изображений и высокую помехоустойчивость. Научная новизна исследования состоит в синтезе метода структурного распознавания изображений путем применения кластерной обработки и построения классифицирующих решений в пространстве кластер-эталон. Переход к векторно-кластерному виду существенно повышает быстродействие распознавания за счет упрощения обработки. Практическая ценность работы – получение прикладных программных моделей для модификаций метода структурного распознавания и подтверждение результативности и помехоустойчивости предложенной обработки в конкретных примерах баз изображений. UK: Актуальність. Підвищення результативності та розширення функціональності сучасних систем комп’ютерного зору вимагають створення більш ефективних методів обробки візуальної інформації. Основні завдання структурного розпізнавання пов’язані з удосконаленням інформаційних технологій класифікації в просторі описів як множин дескрипторів ключових точок зображень, а також необхідністю оцінювання дієвості розпізнавання на прикладних зразках. Особливу увагу приділяють вивченню структури даних для множини дескрипторів, що безпосередньо впливає на показники функціонування систем розпізнавання. Мета. Вивчення особливостей кластерного уявлення для множини структурних ознак прикладної бази зображень і оцінювання показників ефективності застосування кластерної моделі в методах структурного розпізнавання візуальних об’єктів в плані отримання компактного подання даних. Метод. Запропоновано методи розпізнавання на основі трансформації простору структурних ознак шляхом кластеризації і застосування кластерних характеристик бази еталонних зображень. Перший метод використовує інтегральне уявлення описів еталонів, другий метод при віднесенні структурного елементу до класу спирається на значення вектора статистичного розподілу в матричному просторі кластер-еталон. Підсумком дослідження є створення методів розпізнавання і моделей обробки даних в процесі побудови векторів релевантності або характеристик класів в трансформованому просторі ознак. Результати. За рахунок кластерного перетворення простору структурних ознак скорочується обсяг обчислювальних витрат, і в сотні разів поліпшується швидкодія розпізнавання при збереженні потрібної ефективності. Проведено порівняння методів SURF і ОРБ при формуванні структурних ознак, час оброблення методом ОРБ виявився в 60 разів менше. З іншого боку, множина дескрипторів SURF більш точно відображає особливості форми візуальних об’єктів. роведено моделювання та експериментальні дослідження запропонованого методу розпізнавання для прикладної бази зображень. Підтверджено результативність методу в плані ефективності, отримані порівняльні оцінки якості розпізнавання в залежності від рівня адитивних перешкод для аналізованих варіантів обробки. Висновки (наукова новизна і практична значущість). У проведеному дослідженні отримані і систематизовані перспективні властивості систем розпізнавання у просторі структурних ознак зображень. Розроблені методи класифікації на основі кластерного опису забезпечують достатній рівень розрізнення зображень і високу стійкість перед перешкодами. Наукова новизна дослідження полягає в синтезі методу структурного розпізнавання зображень шляхом застосування кластерної обробки і побудови класифікаційних рішень у просторі кластер-еталон. Перехід до векторно-кластерного подання істотно підвищує швидкодію розпізнавання за рахунок спрощення обробки. Практична значущість роботи – отримання прикладних програмних моделей для модифікацій методу структурного розпізнавання і підтвердження результативності та завадостійкості запропонованої обробки в конкретних прикладах базах зображень. EN: Сontext. Increasing of productivity and extension of the functionality of modern computer vision systems require more effective methods for visual information processing. Main goals of structural recognition are related with the improvement of information classification technology in the space of features in a form of image key point descriptors, as well as the necessity of recognition performance estimation for application datasets. Particular attention is related to the investigation of data structure for the set of descriptors that directly affects the functioning of the recognition system. Objective. Investigation of cluster representation for the set of structural features of application dataset was performed as well as the evaluation of cluster model performance in methods of visual objects structural recognition to provide compact representation of data was proposed. Method. Methods of recognition based on transformation of structural features space by clustering and usage of cluster dataset image features were proposed. First method uses the integral representation of etalon images descriptions, the second one is based on the value of statistical distribution vector in matrix space cluster model during building the association between structural element and class. Result of research is creation of recognition methods and data models during construction of relevance vectors and features of classes in the transformed feature space. Results. Using cluster transformation of the space of structural features allows to reduce the amount of computational costs, and improves recognition performance preserving desired efficiency in a hundred of times. Comparison between SURF and ORB methods for the formation of structural features was performed, processing time by ORB has appeared to be 60 times less. On the other hand, the set of SURF descriptors closely reflects the shape of visual objects. Modeling and experimental investigations of proposed recognition method for application dataset was performed. Effectiveness of the method in terms of efficiency was confirmed, comparative estimations of recognition quality depending on the level of additive noise for the analyzed treatment options were obtained. Conclusions (scientific novelty and practical significance). Paper proposed the systematization and obtaining of perspective properties of recognition systems in the space of structural features of images. Classification methods based on cluster descriptions provide a sufficient level of image discrimination and high noise immunity. Scientific novelty of the research consists of synthesis of a method of structural image recognition based on the use of cluster processing and the construction of classification decisions in space of etalon cluster. Conversion to the vector-cluster presentation allows to significantly increase the speed of recognition by processing simplification. Practical value of paper is the obtaining of application program models for the modifications of structural image recognition method with the confirmation of the effectiveness and noise immunity of the proposed approach in a specific image dataset.