DOI: https://doi.org/10.20998/2522-9052.2020.2.04

КЛАСИФІКАЦІЯ ЗОБРАЖЕНЬ НА ПІДСТАВІ ФОРМУВАННЯ НЕЗАЛЕЖНОЇ СИСТЕМИ КЛАСТЕРІВ У СКЛАДІ СТРУКТУРНИХ ОПИСІВ БАЗИ ЕТАЛОНІВ

Volodymyr Gorokhovatsky, Roman Ponomarenko

Анотація


Предметом досліджень статті є структурні методи класифікації зображень у просторі образів як множини дескрипторів ключових точок задля розпізнавання візуальних об’єктів у системах комп’ютерного зору. Метою є створення ефективного методу класифікації на підставі впровадження системи незалежних кластерів для бази еталонів. Завдання: розроблення моделей класифікації у новоствореному просторі образів, аналіз їх обчислювальної ефективності, оцінювання результативності класифікації засобами програмного моделювання. Методи: детектор BRISK для формування дескрипторів ключових точок, інтелектуальний аналіз даних, метод k-середніх для кластеризації даних, програмне моделювання. Отримані результати: запропоновано моделі класифікації описів на основі системи самостійних кластерів та їх центрів, які спрощують оброблення даних та підвищують швидкодію реалізації, проведено порівняльний аналіз розроблених методів із відомими. Здійснена програмна реалізація впроваджених моделей класифікації, експериментально проведено дослідження їх ефективності та оцінювання часу оброблення. Висновки.  Наукова новизна – розвинення методу класифікації зображень на основі впровадження системи незалежних кластерів для еталонних описів, що сприяє поглибленому аналізу даних. Метод реалізовано в модифікаціях зіставлення кластерного подання і на основі конкурентного аналізу дескрипторів опису. Практична значимість роботи полягає у побудові моделей класифікації у створеному просторі даних, підтвердженні працездатності запропонованих модифікацій оброблення даних, розробленні програмних моделей для впровадження методів у системах комп’ютерного зору.


Ключові слова


комп'ютерний зір; структурне розпізнавання зображень; дескриптор ключових точок; детектор BRISK; кластеризація; метод k-середніх; центр кластеру; релевантність описів; програмне моделювання; база зображень

Повний текст:

PDF

Посилання


Gorokhovatskyi, V.A. (2003), Recognition of images in conditions of incomplete “information, KNURE, Kharkov, 112 p.

Xu, R. and Wunsch, D. (2009), Clustering, Wiley-IEEE Press, Hoboken, 358 p.

Aggarwa, C. and Reddy, C. (2014), Data Clustering. Algorithms and Application, CRC Press, Boca Raton, 652 p.

Gorokhovatskyi, V., Putyatin, E. and Stolyarov, V. (2017), “The study of the effectiveness of structural methods for classifying images using a cluster data model”, Radio Electronics, Computer Science, Control, No. 3 (42), pp. 78–85.

Gorokhovatskyi, V., Gadetska, S. and Ponomarenko, R. (2018), “Statistical distributions and chain representation of data when determining the relevance of structural descriptions of visual objects”, Control, navigation and communication systems, No. 6 (52), pp. 87–92.

Gorokhovatskyi O., Gorokhovatskyi V., and Peredrii, O. (2018), “Analysis of Application of Cluster Descriptions in Space of Characteristic Image Features”, Data, No. 3 (4), p. 52, DOI: http://doi.org/10.3390/data3040052

Litvin, V. and Krayovsky, V. (2009), “Modeling of rational agent activity based on adaptive technologies”, 4th International Scientific and Technical Conference on Computer Science and Information Technologies (CSIT), pp. 308-310.

Gorokhovatskyi, V. and Polyakova, T. (2018), The use of spatial structures of signs for the classification of images in comput-er vision, FLP Panov A.N., Kharkov, 120 p.

Eliseeva, I. and Rukavishnikov, V. (1977), Grouping, correlation, pattern recognition (Statistical methods for classifying and measuring relationships), Statistics, Moscow, 144 p.

Gorokhovatskyi, V.A. (2008), “Metrics on sets of key image points”, Bionics of intelligence, № 2 (69), pp. 45-50.

Kohonen, T. (2013), Self-organizing maps, BINOM. Laboratory of Knowledge, Moscow, 655 p.

Gorokhovatskyi, V. and Solodchenko, K. (2018), “The application system analysis and processing of the data bit in the methods of image classification for multiple key points”, Control, navigation and communication systems, No. 2 (48), pp. 63–67.

Medikovskiy, M., Tsmots, I., Tkachenko, R., Tsimbal, Yu. and Doroshenko, A. (2015), Intellectual components of integrated automation control systems, Vydavnytstvo Lʹvivsʹkoyi Politekhniky, Lviv, 280 p.

Leutenegger, S., Chli, M. and Siegwart, R. (2011), “BRISK: Binary Robust Invariant Scalable Keypoints”, 2011 International Conference on Computer Vision (ICCV), pp. 2548-2555.

Szeliski, R. (2010), Computer Vision: Algorithms and Applications, Springer, London, 979 p.

Gorokhovatskyi, V., Pupchenko, D. and Stiahlyk, N. (2020), “Research of data space transformation in Kohonen network training for methods of structural classification of images”, Advanced Information Systems, Vol. 4, No. 1, pp. 113-118, DOI: http://doi.org/10.20998/2522-9052.2020.1.17

Svyrydov, A., Kuchuk, H. and Tsiapa, O. (2018), “Improving efficienty of image recognition process: Approach and case study”, Proceedings in 2018 IEEE 9th International Conference on Dependable Systems, Services and Technologies (DES-SERT), pp. 593-597, DOI: http://dx.doi.org/10.1109/DESSERT.2018.8409201

Zhang, X., Felix, X. Yu, Chang, S.-F. and Karaman, S. (2017), “Learning Discriminative and Transformation Covariant Local Feature Detectors”, The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 6818-6826.




Copyright (c) 2020 Volodymyr Gorokhovatsky, Roman Ponomarenko