Методы определения релевантности изображений на основе медианной обработки структурных описаний

Abstract

RU: Актуальность. Интенсивное развитие и расширение прикладных возможностей современных систем компьютерного зрения требует углубленного исследования и создания более эффективных и универсальных методов обработки визуальной информации. Основные задачи связаны с исследованием и усовершенствованием информационных технологий распознавания в интегрированном пространстве признаков применительно к описаниям в виде множеств дескрипторов ключевых точек (SURF-признаков) изображений, а также необходимостью оценивания результативности распознавания на прикладных образцах. Цель. Статья сосредоточена на изучении возможности построения и оценивании эффективности применения моделей медианной обработки для осуществления структурного распознавания объектов на изображении в плане получения компрессионного представления данных в пространстве признаков прикладной базы изображений. Метод. Осуществлена трансформация пространства структурных признаков путем приведения его к векторному пространству в целях повышения быстродействия процесса распознавания. В качестве аппарата преобразования применена медианная обработка описаний с формированием конечного упорядоченного списка дескрипторов. Результатом исследования есть создание метода для формирования и вычисления релевантности описаний изображений в трансформированном пространстве признаков. Результаты. За счет внедрения медианных характеристик обеспечивается векторное представление, значительно сокращается объем вычислительных затрат и улучшается быстродействие распознавания. Время распознавания в сравнении с традиционным подходом сокращается в сотни раз при сохранении необходимой эффективности. Проведено моделирование и экспериментальные исследования предложенного метода распознавания на тестовом множестве изображений, представленных описаниями SURF. Подтверждена результативность метода в плане быстродействия, получены сравнительные оценки качества распознавания для разнообразия вариантов обработки. Выводы (научная новизна и практическая значимость). В проведенном исследовании систематизированы и получены перспективные свойства систем распознавания в пространстве структурных признаков изображений. Медианный анализ позволяет вскрыть новые закономерности в эталонной информации в целях эффективного по быстродействию распознавания без снижения показателя результативности. Научная новизна исследования состоит в синтезе метода структурного распознавания изображений путем применения медианного анализа для формирования сжатого векторного представления для множества дескрипторов в структурном описании изображения. Переход к векторно-списочному виду существенно повышает быстродействие распознавания за счет упрощения обработки. Практическая ценность работы – получение прикладных программных моделей для модификаций метода структурного распознавания и подтверждение результативности предложенной обработки в конкретных примерах баз изображений. UK: Актуальність. Інтенсивний розвиток і розширення прикладних можливостей сучасних систем комп’ютерного зору вимагає поглибленого дослідження і створення більш ефективних і універсальних методів обробки візуальної інформації. Основні завдання пов’язані з дослідженням та удосконаленням інформаційних технологій розпізнавання в інтегрованому просторі ознак стосовно до описів у вигляді множин дескрипторів ключових точок (SURF-ознак) зображень, а також необхідністю оцінювання результативності розпізнавання на прикладних зразках. Мета. Стаття зосереджена на вивченні можливості побудови і оцінюванні ефективності застосування моделей медіанної обробки для здійснення структурного розпізнавання об’єктів на зображенні в плані отримання компресійного представлення даних у просторі ознак прикладної бази зображень. Метод. Здійснено трансформацію простору структурних ознак шляхом приведення його до векторного простору з метою підвищення швидкодії процесу розпізнавання. Як апарат перетворення застосована медіанна обробка описів з формуванням кінцевого впорядкованого списку дескрипторів. Результатом дослідження є створення методу для формування і обчислення релевантності описів зображень у трансформованому просторі ознак. Результати. За рахунок впровадження медіанних характеристик забезпечується векторне подання, значно скорочується обсяг обчислювальних витрат і поліпшується швидкодія розпізнавання. Час розпізнавання в порівнянні з традиційним підходом скорочується в сотні разів при збереженні необхідної ефективності. Проведено моделювання та експериментальні дослідження запропонованого методу розпізнавання на тестовій множині зображень, представлених описами SURF. Підтверджено результативність методу в плані швидкодії, отримані порівняльні оцінки якості розпізнавання для різноманіття варіантів обробки. Висновки. У проведеному дослідженні систематизовані і отримані перспективні властивості систем розпізнавання в просторі структурних ознак зображень. Медіанний аналіз дозволяє розкрити нові закономірності в еталонній інформації в цілях ефективного за швидкодією розпізнавання без зниження показника результативності. Наукова новизна дослідження полягає в синтезі методу структурного розпізнавання зображень шляхом застосування медіанного аналізу для формування стислого векторного представлення для множини дескрипторів у структурному описі зображення. Перехід до векторно-спискового виду істотно підвищує швидкодію розпізнавання за рахунок спрощення обробки. Практична значущість роботи – отримання прикладних програмних моделей для модифікацій методу структурного розпізнавання і підтвердження результативності запропонованої обробки в конкретних прикладах баз зображень. EN: Context. Intensive development and expansion of the application possibilities of modern computer vision systems requires in-depth research and creation of more efficient and versatile visual information processing methods. The main problems are related with the research and improvement of information recognition technology in an integrated feature space with regard to the descriptions in the form of image point set descriptors (SURF-features), as well as the necessity of recognition performance estimation in a practical applications. Objective. Article is focused on the research of possibility of constructing and evaluating the effectiveness of median processing models to perform structural recognition of objects in the image in terms of obtaining a compression data in feature space of image database. Method. Transformation of space structural features into vector space in order to increase the speed of the recognition process was proposed. Median processing of descriptions to form ordered finite list of descriptors was proposed as transform method. The result is the creation of method to form and calculate the relevance of image descriptions in the transformed feature space. Results. Implementation of median characteristics analysis to form vector representation allowed to reduce the amount of computing costs significantly and improve recognition performance. Recognition time in comparison with the traditional approach is reduced hundreds of times preserving required efficiency. Simulation and experimental research of the proposed recognition method on the test dataset was performed on the basis of SURF descriptions. Effectiveness in terms of performance is confirmed, comparative evaluation of the quality of recognition for a variety of treatment options is obtained. Conclusions. Perspective properties recognition systems in the space of the structural features of images are systematized. The median analysis allows to reveal new patterns in initial information to provide effective fast recognition. Scientific novelty of research is the method of structural image recognition by applying the median analysis to form compressed vector representation of set of descriptors in the structural description of an image. Move to the vector-listed view considerably improves performance by simplifying recognition processing. Application value of the work is to provide practical programming models for the modification of structural method for detection and confirmation of the effectiveness of the proposed approach in the specific datasets.