DOI: https://doi.org/10.20998/2522-9052.2020.4.10

Порівняльний аналіз диференціальних інваріантів на основі сплайн-моделі при різних спотвореннях зображень

Pylyp Prystavka, Olha Cholyshkina

Анотація


У завданнях пошуку особливостей цифрових зображень актуальним є визначення таких рішень, які забезпечують швидкодію при обробці. У статті проведено експериментальні дослідження застосування диференціальних інваріантів на основі часткових похідних моделі зображення, як лінійної комбінації В-сплайнів, що близькі до інтерполяційних у середньому. Така модель зберігає властивості гауссових моделі в частотній області, проте має меншу обчислювальну складність, що дозволяє краще дослідити асимптотичні властивості і властивості відповідний приватних похідних, що використовуються при побудові диференціальних варіантів. Вивчалось питання відмінностей результатів обрахунку магнітуди градієнта, лапсасіану, детермінанту гессіану та кривизни кривої масштабування при обробці зображень, що згортались з масками низькочастотних фільтрів та масок операторів, що побудовані на основі різниць операторів згладжування.. Експериментально підтверджено, що згладжування цифрових зображень і зменшення їх лінійних розмірів дозволяє формалізувати процес відбору особливостей на підставі аналізу розподілів ймовірностей введених диференціальних інваріантів. Запропонований підхід може бути рекомендований при пошуку схожих об'єктів, які містять різні зображення. Розглянутий в роботі підхід має низьку обчислювальну складність, що дозволяє рекомендувати його для використання в системах з низькою швидкістю обчислень, зокрема, для систем функціонують на одноплатних комп'ютерах.


Ключові слова


модель зображення, В-сплайни, оператори диференціювання, диференціальні інваріанти розподілу, інваріантні значення

Повний текст:

PDF (English)

Посилання


Kukharenko, B.G. (2011), “Algorithms of image analysis for determining local features and recognition of objects and panoramas”, Information Technology, No. 7, Appendix, 32 p.

Sobel, I.E. (1970), Camera Models and Machine Perception, PhD Thesis, Stanford University, CA.

Canny, J. (1986), “A computational approach to edge detection”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 8, No. 6, pp. 679-698.

Marr, D.C. and Hildreth, E. (1980), “Theory of edge detection”, Proc. of the Royal Society of London, Vol. 207, Is. 1167, pp. 187-217, DOI: https://doi.org/10.1098/rspb.1980.0020

Schmid, C., Mohr, R. and Bauckhage, C. (2000), “Evaluation of interest point detectors”, International Journal of Computer Vision, Vol. 37, No. 2, pp. 151-172.

Lindeberg, T. (2009), “Scale-space”, Encyclopedia of Computer Science and Engineering, Hoboken, John Wiley and Sons, New Jersey, Vol. IV, pp. 2495 – 2504.

Koenderink, J.J. and van Dorn, A.J. (1992), “Generic neighborhood operators”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 14, No. 6, pp. 597-605.

Prystavka, P. and Ryabiy, M. (2012), “Model of realistic images based on two-dimensional splines close to interpolation on average”, Science-intensive technologies, No. 3 (15), pp. 67-71.

Prystavka. P. (2004), Polynomial splines in data processing, Dnipropetrovsk Publishing House, Dnipropetrovsk, 236 p.

Prystavka, P. (2015), “Determining the features of images based on combinations of B-splines of the second order, close to the interpolation on average”, Current issues of automation and information technology, Vol. 19, LIRA, pp. 67-77.

Prystavka, P., Tyvodar, O. and Martyuk, B. (2017), “Feature detection for realistic images based on b-splines of 3rd order related to interpolar on average”, Proceedings of the National Aviation University, No. 2 (71), pp. 76-83.

Lowe, D.G. (1999), “Object recognition from local scale-invariant features”, Proceedings of the International Conference on Computer Vision, Corfu, Greece, pp. 1150-1157.

Lowe, D.G. (2004), “Distinctive image features from scale-invariant keypoints”, International Journal of Computer Vision, Vol. 60, No. 2, pp. 91-110.

Pawlak, Z (1991), Rough Sets – Theoretical Aspects of Reasoning about Data, Kluwer Academic Publ., Dordrecht, 246 p.




Copyright (c) 2021 Pylyp Prystavka, Olha Cholyshkina