Разработка и исследование модели и алгоритмов поиска растровых изображений

• Автор: Савкина, Анастасия Владимировна
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Саранск
• Количество страниц: 193 с. : ил.

ОГЛАВЛЕНИЕ
Введение

1 Современные проблемы поиска изображений в базе данных

1.1 Актуальность проблемы поиска изображений.

1.2 Обзор современных методов поиска изображений.

1.3 Формализация постановки задачи поиска изображений

Выводы к разделу 1.

2 Построение обобщенной модели и разработка методик поиска изображений в базе данных с помощью фрактального кодирования и комбинирования вейвлетного и фрактального методов

2.1 Формализованная модель поиска изображений

2.2 Разработка методики на основе фрактального кодирования для реализации модели поиска изображений.

2.3 Разработка методики на основе комбинирования вейвлетного и

фрактального методов для реализации модели поиска изображений
Выводы к разделу 2.
3 Разработка алгоритмов поиска растровых изображений на основе полученной формализованной модели
3.1 Разработка алгоритма для поиска изображений с помощью методики, предложенной для реализации модели на основе фрактального кодирования.
3.2 Разработка алгоритма для поиска изображений с помощью методики, предложенной для реализации модели на основе комбинирования
вейвлетного и фрактального методов.
Выводы к разделу 3.
4 Реализация алгоритмов и анализ формализованной модели с помощью компьютерного эксперимента
4.1 Концептуальная модель системы поиска растровых изображений.
4.2 Разработка интерфейса системы поиска растровых изображений
4.3 Выбор программного обеспечения.
4.4 Программная реализация системы поиска растровых изображений
4.5 Выбор параметров фрактального кодирования и функции вейвлета для реализации предложенных алгоритмов.
4.6 Анализ результатов поиска растровых изображений
Выводы к разделу 4
Заключение
Литература


Распознавание "снизу-вверх" использует инвариантные свойства изображений, опираясь на предположение, что если человек может распознать изображение независимо от его ориентации, условий освещения и индивидуальных особенностей, то должны существовать некоторые признаки искомых изображений [, 5]. После того, как на изображении выделены области, обладающие свойствами, характерными для искомого изображения, производится их комплексная проверка для выявления областей, действительно являющихся искомыми. Проверка соотношения обнаруженных признаков может быть основана или на некотором эмпирическом алгоритме [1], или на статистике взаимного расположения признаков, собранной по изображениям [], или на моделировании процессов, происходящих в человеческом мозгу при распознавании визуальных образов [0], или на применении жестких или деформируемых шаблонов [] и т. Второе семейство методов подходит к проблеме с другой стороны, и, не пытаясь в явном виде формализовать процессы, происходящие в человеческом мозге, стараются выявить закономерности и свойства изображения неявно, применяя методы математической статистики и машинного обучения [,, , , , 0]. Методы этой категории опираются на инструментарий распознавания образов, рассматривая задачу обнаружения изображений, как частный случай задачи распознавания. Изображению (или его фрагменту) ставится в соответствие некоторым образом вычисленный вектор признаков, который используется для классификации изображений на два класса - искомое и не искомое. Самый распространенный способ получения вектора признаков - это использование самого изображения, а именно, каждый пиксель становится компонентом вектора, превращая черно-белое изображение п*т в вектор пространства Щп^т). Недостатком такого представления является чрезвычайно высокая размерность пространства признаков. Достоинство заключается том, что используя все изображение целиком вместо вычисленных на его основе характеристик, из всей процедуры построения классификатора (включая выделение устойчивых признаков для распознавания) полностью исключается участие человека, что потенциально снижает вероятность ошибки построения неправильной модели изображения вследствие неверных решений и заблуждений разработчика. Поскольку схема полного перебора обладает такими безусловными недостатками, как избыточность и большая вычислительная сложность, применяются различные методы сокращения количества рассматриваемых фрагментов. Например, работы, направленные на создание теории выделения из изображений признаков, не зависящих от их аффинных преобразований []. Метод главных компонент [] применяется для снижения размерности пространства признаков, не приводя к существенной потере информативности набора. Применение метода главных компонент к набору векторов линейного пространства позволяет перейти к такому базису пространства, что основная дисперсия набора будет направлена вдоль нескольких первых осей базиса, называемых главными осями (или главными компонентами). Таким образом, основная изменчивость векторов тренировочного набора представляется несколькими главными компонентами, и появляется возможность, отбросив оставшиеся (менее существенные), перейти к пространству существенно меньшей размерности. Факторный анализ можно рассматривать как обобщение метода главных компонент. Моделирование класса изображений с помощью факторного анализа [] опирается на гипотезу о том, что наблюдаемые переменные являются косвенными проявлениями относительно небольшого числа неких скрытых факторов. Таким образом, это совокупность моделей и методов, ориентированных на выявление и анализ латентных зависимостей между наблюдаемыми переменными. В контексте задач распознавания, наблюдаемыми переменными обычно являются признаки объектов. Метод главных компонент и факторный анализ являются мощными и удобными способами получения подпространства для эффективного представления класса объектов во многих случаях, однако они не обязательно являются оптимальными инструментами для моделирования многообразия изображений [2].