Методы и инструментальные средства решения задач сжатия, распознавания и поиска изображений по содержанию на основе дискретных отображений

• Автор: Гора, Сергей Юрьевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Курск
• Количество страниц: 195 с. : ил.

СОДЕРЖАНИЕ
СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1 АНАЛИТИЧЕСКИЙ ОБЗОР
1.1 Аналитический обзор методов распознавания
1.1.1 Основы распознавания образов
1.1.2 Сравнение с эталоном
1.1.3 Статистический метод
1.1.4 Синтаксический метод
1.1.5 Нейронные сети
1.2 Алгоритмы сжатия изображений
1.2.1 Кодирование длин серий (RLE)
1.2.2 LZ Compressors
1.2.3 Метод Хаффмана
1.2.4 Deflate
1.2.5 CCITT Group 3 and Group
1.2.6 Lempel-Ziv-Welch (LZW)
1.2.7 JPEG
1.2.8 JPEG 2
1.2.9 PNG compression
1.2.10 Фрактальное сжатие
1.3 Введение в понятие поиска изображения по содержанию (Content-based
image retrieval (CBIR))
1.3.1 Свойства изображений и методы сравнения
1.3.1.1 Общие признаки
1.3.1.1.1 Цветовые признаки
1.3.1.1.2 Цветовые признаки и пространственная взаимосвязь
1.3.1.1.3 Текстурные особенности
1.3.1.1.4 Фигурные особенности
1.3.1.1.5 Многомерные особенности
1.3.2 Локальные особенности
1.4 Сущность предлагаемого подхода
1.5 Основные результаты
2 МЕТОД И АЛГОРИТМИЧЕСКИЕ СРЕДСТВА РЕАЛИЗАЦИИ ПРОЦЕССА ПОИСКА ПО СОДЕРЖАНИЮ
2.1 Алгоритмы поиска изображений по содержанию
2.1.1 Алгоритм SIFT
2.1.1.1 Введение
2.1.1.2 Построение пространства масштабов
2.1.1.3 Построение локальных экстремумов
2.1.1.4 Нахождение ориентации
2.1.1.5 Построение дескриптора
2.1.2 Алгоритм SURF
2.1.2.1 Интегральное представление изображений
2.1.2.2 Вычисление матрицы Гессе
2.1.2.3 Представление пространства масштабов
2.1.2.4 Подавление немаксимумов для локализации ключевой точки
2.1.2.5 Построение описание ключевой точки и сопоставление
2.1.2.6 Определение ориентации ключевой точки
2.1.2.7 Построение дескриптора
2.1.2.8 Индексирование ключевых точек для сопоставления
2.2 Концепция фрактальной размерности и исследование ее влияния на
параметры сжатия изображений
2.3 Теория хаоса
2.4 Метод сжатия изображений
2.5 Метод распознавания изображений
2.6 Метод поиска изображений по содержанию
2.7 Основные результаты
3 РАЗРАБОТКА АЛГОРИТМИЧЕСКИХ СРЕДСТВ РЕШЕНИЯ ЗАДАЧ С ИСПОЛЬЗОВАНИЕМ МЕХАНИЗМОВ ТЕОРИИ ХАОТИЧЕСКИХ СИСТЕМ
3.1 Общие понятия теории алгоритмов
3.2 Общее описание алгоритмической модели
3.3 Алгоритмическая модель хаотического преобразования изображений
3.3.1 Генерация числового хаотического ряда
3.3.2 Представление изображение в виде одномерного массива
3.3.3 Хаотическое рассеивание изображения
3.3.4 Восстановление двумерного представления изображения
3.3.5 Восстановление изображения из ХПИ
3.4 Алгоритмическая модель предлагаемого метода распознавания
3.5 Алгоритмическая модель метода сжатия и восстановления изображений
3.5.1 Сжатие изображений
3.5.2 Восстановление изображений
3.6 Алгоритмическая модель поиска изображений по содержанию
3.6.1 Алгоритмическая модель выделения образов
3.6.2 Алгоритмическая модель контурного поиска
3.7 Основные результаты
4 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ РАЗРАБОТАННЫХ СРЕДСТВ РЕШЕНИЯ ЗАДАЧ СЖАТИЯ, РАСПОЗНАВАНИЯ И ПОИСКА ПО СОДЕРЖАНИЮ
4.1 Подготовка к эксперименту
4.2 Исследование устойчивости модуля распознавания
4.3 Исследование модуля сжатия изображений
4.3.1 Определение порога коррекции
4.3.2 Исследование алгоритма сжатия
4.4 Исследование модуля поиска изображений на основе содержания
4.5 Выводы
4.6 Основные результаты
ЗАКЛЮЧЕНИЕ

Особенности пространства изображений моделируются с помощью GMM, совместно с цветовым пространством CIE и положениями пикселей в двумерном пространстве. GMM оцениваются с точки зрения совокупности характеристик каждого изображения, с помощью ЕМ алгоритма. Изображения группируются в кластеры по алгоритму IB, затем осуществляется поиск ближайшего кластера для искомого изображения.
1.3.2 Локальные особенности.
Локальные особенности, так же называемые частными признаками, извлекаются из определенных участков в изображении, поскольку существует множество точек, на имеющихся в изображениях объектах, которые содержат в себе важную информацию об этих объектах. Данные точки называются ключевыми точками. Ключевые точки могут быть получены с помощью: дифференциала Гаусса, детектора граней Харриса и т.д. После нахождения, осуществляется так называемое уточнение ключевых точек, на данном этапе часть ключевых точек удаляется, а на основе оставшихся строятся так называемые дескрипторы [62].
Для наилучшего поиска изображений, необходимо чтобы локальные особенности изображения были инвариантны к изменениям масштаба, шума, освещения и геометрическим искажениям. Scale-Invariant Feature Transform (SIFT) [85] является одним из лучших алгоритмов машинного зрения, который обнаруживает и описывает локальные особенности изображений. SIFT способен идентифицировать объекты искаженные помехами различного рода и при частичной окклюзии7. Благодаря чему, дескрипторы, построенные в результате применения данного алгоритма инвариантны к изменениям масштаба, положения, аффинным преобразованиям и лишь частично зависимы от изменения освещения. Метод SIFT - состоит из четырех этапов: нахождение экстремумов, установление местонахождения ключевой точки, вычисление доминирующий ориентации и
7 Окклюзия - ситуация, при которой один объект, частично закрывает видимость другого.