Гороховатский, В. А.Берестовский, А. Е.Передрий, Е. О.Гороховатський, В. О.Берестовський, А. Е.Передрій, О. О.Gorokhovatsky, V. A.Berestovskyi, A. E.Peredrii, Е. О.2026-05-182026-05-182016https://eir.zp.edu.ua/handle/123456789/28748Гороховатский В. А. Систематизация пространства структурных признаков на основе методов самообучения в целях результативного распознавания изображений / В. А. Гороховатский, А. Е. Берестовский, Е. О. Передрий // Радіоелектроніка, інформатика, управління. – 2016. – № 2 (37). – C. 87-94.RU: Работа посвящена исследованию вопросов кластеризации для множеств характерных признаков изображений. Для построения массива характерных признаков использован метод Speeded Up Robust Features. Реализованы алгоритмы кластеризации структурных описаний изображений на основе самоорганизующейся нейронной сети Кохонена и метода разностного группирования. Объектом исследования есть методы кластеризации применительно к множествам структурных признаков. Целью работы является построение векторных представлений описаний на основе кластеризации, что повышает быстродействие распознавания. Предметом исследования является систематизация множеств структурных признаков визуальных объектов. Обсуждаются результаты применения методов кластеризации для структурных описаний изображений в виде множеств характерных признаков с целью повышения быстродействия распознавания визуальных объектов. Для систематизации и сжатия пространства признаков предложено осуществить самообучение с применением методов разностного группирования и сетей Кохонена. Проведено моделирование и экспериментальные исследования методов кластеризации на примерах конкретных множеств характерных признаков. Результаты исследований доказывают возможность эффективного представления описаний в виде вектора с целочисленными элементами. Данный подход может использоваться для решения задач распознавания и поиска изображений. В результате построено компактное векторное описание эталонов, получены количественные оценки ошибки кластеризации, подтверждена работоспособность методов для прикладной базы изображений. UK: Робота присвячена дослідженню питань кластеризації для множин характерних ознак зображень. Для побудови масиву характерних ознак використаний метод Speeded Up Robust Features. Реалізовані алгоритми кластеризації структурних описів зображень на основі самоорганізуючої нейронної мережі Кохонена та методу різницевого групування. Об’єктом дослідження є методи кластеризації стосовно до множин структурних ознак. Метою роботи є побудова векторних уявлень описів на основі кластеризації, що підвищує швидкодію розпізнавання. Предметом дослідження є систематизація множин структурних ознак візуальних об’єктів. Обговорюються результати застосування методів кластеризації для структурних описів зображень у вигляді множин характерних ознак з метою підвищення швидкодії розпізнавання візуальних об’єктів. Для систематизації та стиснення простору ознак запропоновано здійснити самонавчання із застосуванням методів різницевого групування і мереж Кохонена. Проведено моделювання та експериментальні дослідження методів кластеризації на прикладах конкретних множин характерних ознак. Результати досліджень доводять можливість ефективного представлення описів у вигляді вектора з цілочисельними елементами. Даний підхід може використовуватися для вирішення задач розпізнавання і пошуку зображень. У результаті побудовано компактний векторний опис еталонів, отримані кількісні оцінки помилки кластеризації, підтверджена працездатність методів для прикладної бази зображень. EN: The work deals with issues of clustering sets of characteristic features of images. For the construction of array of the characteristic features is used method Speeded Up Robust Features. Implemented algorithms for clustering structural descriptions of images on the basis of a self-organizing Kohonen neural network and method of grouping the difference. The object of the research are clustering methods which applied to the set of structural features. The aim is to construct a vector representations of descriptions based on clustering, which increases the speed of recognition. The subject of research is systematization a set of structural features of visual objects. Discussing the results of the application of clustering methods for structural descriptions of images in the form of sets of characteristic features to improve the performance of visual recognition of objects. For systematization and compression the feature space proposed to carry out self-study using the methods of differential grouping and Kohonen networks. The simulation and experimental study of clustering methods on examples of specific sets of characteristic features were done. The research results proves the possibility of effective representation of the descriptions in the form of a vector with integer elements. This approach can be used to solve problems of recognition and retrieval of images. As a result compact vector description of etalon images is built, quantitative estimates of clustering error are estimated, efficiency of proposed method during processing of real image database is confirmed.ruкомпьютерное зрениераспознавание изображенийхарактерные признакиструктурное описание изображенияметод SURFкластеризациянейронная сетьметод разностного группированиясеть Кохоненаошибка квантованиякомп’ютерний зіррозпізнавання зображеньхарактерні ознакиструктурний опис зображенняметод SURFкластеризаціянейронна мережаметод різницевого групуваннямережа Кохоненапомилка квантуванняcomputer visionimage recognitioncharacteristic signsstructural description of imagemethod SURFclusterizationneural networkdifferential grouping methodKohonen’s neural networkquantization errorArticle