Известия Саратовского университета. Новая серия.

Серия Математика. Механика. Информатика

ISSN 1816-9791 (Print)
ISSN 2541-9005 (Online)

Для цитирования:

Клячин А. А. Выделение признаков на изображениях на основе интегральных преобразований при решении задач классификации фрагментов фотоснимков // Известия Саратовского университета. Новая серия. Серия: Математика. Механика. Информатика. 2024. Т. 24, вып. 3. С. 432-441. DOI: 10.18500/1816-9791-2024-24-3-432-441, EDN: NIUIGP

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Опубликована онлайн: 
30.08.2024
Полный текст:
скачать
(downloads: 66)
Язык публикации: 
русский
Рубрика: 
Информатика
Тип статьи: 
Научная статья
УДК: 
004.932.2
DOI: 
10.18500/1816-9791-2024-24-3-432-441
EDN: 
NIUIGP

Выделение признаков на изображениях на основе интегральных преобразований при решении задач классификации фрагментов фотоснимков

Авторы: 
Клячин Алексей Александрович, Волгоградский государственный университет
Аннотация: 

В статье предложен способ вычисления  признаков на изображении для формирования обучающего набора данных при решении различных задач классификации видеоснимков. Данный метод предполагает использование известных интегральных преобразований — преобразование Радона и функции Стеклова. Приводится сравнение предложенного способа со сверточными нейронными сетями как по проценту правильного предсказания, так и по времени его выполнения. В качестве тестовой задачи рассмотрена задача определения наличия изображения автомобиля на  фотоснимке.

Ключевые слова: 
преобразование Радона
функции Стеклова
сверточная нейронная сеть
методы машинного обучения
Список источников: 
  1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Москва : Техносфера, 2005. 1072 с.
  2. Борзов С. М., Потатуркин А. О., Потатуркин О. И.,  Федотов А. М. Исследование эффективности классификации гиперспектральных спутниковых изображений природных и антропогенных  территорий // Автометрия. 2016. Т. 52, № 1. С. 3–14. https://doi.org/10.15372/AUT20160101, EDN: VSSHQT
  3. Дорогов А. Ю., Курбанов Р. Г., Разин В. В. Быстрая классификация JPEG-изображений // Интернет-математика 2005. Автоматическая обработка веб-данных. Москва, 2005. С. 147–172.
  4. Осокин В. В., Аипов Т. Д., Ниязова З. А. О классификации изображений и музыкальных файлов // Интеллектуальные системы. Теория и приложения. 2015. Т. 19, № 1. С. 49–70. EDN: UWLELY
  5. Купенова Э. М., Кашницкий А. В. Метод случайных лесов в задачах классификации спутниковых снимков // Вестник Тверского государственного университета. Серия: География и геоэкология. 2018. № 3. С. 99–107. EDN: VRYRGY
  6. Гончарова Е. Ф.,  Гайдель А. В. Методы отбора признаков для задач классификации изображений земной поверхности // Информационные технологии и нанотехнологии (ИТНТ-2017) : сб. тр. III международной конференции и молодежной школы. Самара : Новая техника, 2017. С. 535–540. EDN: YQLPDZ
  7. Туркова М. А., Гайдель А. В. Корреляционные признаки для классификации текстурных изображений // Информационные технологии и нанотехнологии : сб. тр. IV международной конференции и молодежной школы. Самара : Новая техника, 2018. С. 595–599.  EDN: XMWXVZ
  8. Чуличков А. И., Морозова И. В. Классификация размытых изображений и оценка параметров системы регистрации методами морфологического анализа // Интеллектуальные системы. 2005. Т. 9, № 1–4. С. 321–344. EDN: LZDWRV
  9. Борзов С. М., Потатуркин О. И. Классификация типов растительного покрова по гиперспектральным данным дистанционного зондирования земли // Вестник Новосибирского государственного университета. Серия: Информационные технологии. 2014. Т. 12, вып. 4. С. 13–22. EDN: TMFZOJ
  10. Пестунов И. А., Рылов С. А., Мельников П. В. Классификация гиперспектральных изображений высокого пространственного разрешения // Journal of Siberian Federal University. Engineering & Technologies. 2018. Т. 11, вып. 1. С. 69–76. https://doi.org/10.17516/1999-494X-0010, EDN: YPSWQC
  11. Китаев Д. Н. Сравнение сверточной нейронной сети и метода главных компонент в задаче классификации текстурных изображений // LXVIII Молодежная научная конференция, посвященная 20-летию со дня начала эксплуатации Международной космической станции : тез. докл. / отв. ред. А. Б. Прокофьев. Самара : Изд-во Самарского ун-та, 2018. С. 88–89. EDN: FNYNOI
  12. Голубков А. М. Бинарная классификация изображений на примере задачи распознавания лиц // Известия СПбГЭТУ «ЛЭТИ». 2018. № 7. С. 26–30. EDN: VJYUBZ
  13. Нежевенко Е. С., Феоктистов А. С., Дашевский О. Ю. Нейросетевая классификация гиперспектральных изображений на основе преобразования Гильберта – Хуанга // Автометрия. 2017. Т. 53, № 2. С. 79–84. https://doi.org/10.15372/AUT20170209, EDN: YKFYYR
  14. Васкан В. Д. Обзор архитектур сверточных нейронных сетей для задачи классификации изображений // ИТ-Стандарт. 2021. № 3 (28). С. 34–39. EDN: WQQUFN
  15. Солдатова О. П., Гаршин А. А. Применение сверточной нейронной сети для распознавания рукописных цифр // Компьютерная оптика. 2010. Т. 34, № 2. С. 252–260. EDN: MOTHJX
  16. Ле Мань Ха. Сверточная нейронная сеть для решения задачи классификации // Труды Московского физико-технического института (НИУ). 2016. Т. 8, № 3. С. 91–97. EDN: WWMDBT
  17. Азаров И. С., Прокопеня А. С. Сверточные нейронные сети для распознавания изображений // Big Data and Advanced Analytics. 2020. № 6–1. С. 271–280. EDN: HBCHXL
  18. Сикорский О. С. Обзор сверточных нейронных сетей для задачи классификации изображений // Новые информационные технологии в автоматизированных системах. 2017. № 20. С. 37–42. EDN: YNADUJ
  19. Deans S. R., Roderick S. The Radon Transform and Some of its Applications. New York : John Wiley & Sons, 1983. 289 p.
  20. Жук В. В., Кузютин В. Ф. Аппроксимация функций и численное интегрирование. Санкт-Петербург : Изд-во Санкт-Петербургского ун-та, 1995. 352 с.
  21. Воронина В. В., Михеев А. В., Ярушкина Н. Г., Святов К. В. Теория и практика машинного обучения : учеб. пособие. Ульяновск : УлГТУ, 2017. 290 с. EDN: QNQXJP
  22. Шолле Ф. Глубокое обучение на Python. Санкт-Петербург : Питер, 2018. 400 с. (Библиотека программиста).
Поступила в редакцию: 
27.02.2023
Принята к публикации: 
08.04.2023
Опубликована: 
30.08.2024
  • 183 просмотра