Описание изображений с использованием модельно-ориентированных дескрипторов

Описание изображений с использованием модельно-ориентированных дескрипторов

Автор: Мясников Владислав Валерьевич

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 6 т.41, 2017 года.

Бесплатный доступ

В работе предлагается подход к построению описания изображений, основанный на их представлении с использованием набора модельно-ориентированных дескрипторов. Каждый дескриптор характеризует «схожесть» анализируемого изображения, представленного в виде комплекснозначного поля градиента, с некоторой предварительно выбранной моделью этого дескриптора. Для синтеза моделей дескрипторов в работе предлагается использовать метод главных компонент, применяемых для множества реализаций комплекснозначных градиентных полей. Предлагаемый подход позволяет получить описание комплекснозначного поля градиента анализируемого изображения в виде набора вещественных величин - признаков дескрипторов - из интервала [0, 1], которые одновременно характеризуют и фазовую, и абсолютную составляющую градиента изображения. Эффективность предлагаемого подхода демонстрируется на примере решения задачи распознавания лиц путем сопоставления с решением-прототипом (методом «собственных лиц»), использующим непосредственно полутоновые изображения. Сравнение выполняется с использованием классификатора по ближайшему соседу.

Еще

Цифровые изображения, признаки, модельно-ориентированные дескрипторы, анализ, распознавание

Короткий адрес: https://sciup.org/140228773

IDR: 140228773   |   DOI: 10.18287/2412-6179-2017-41-6-888-896

Список литературы Описание изображений с использованием модельно-ориентированных дескрипторов

  • Mikolajczyk, K. A performance evaluation of local descriptors/K. Mikolajczyk, C. Schmid//IEEE Transactions on Pattern Analysis and Machine Intelligence. -2005. -Vol. 27, Issue 10. -P. 1615-1630. - DOI: 10.1109/TPAMI.2005.188
  • Методы компьютерной обработки изображений/М.В. Гашников, Н.И. Глумов, Н.Ю. Ильясова, В.В. Мясников, С.Б. Попов, В.В. Сергеев, В.А. Сойфер, А.Г. Храмов, А.В. Чернов, В.М. Чернов, М.А. Чичева, В.А. Фурсов; под ред. В.А. Сойфера. -Изд. 2-е, испр. -М.: Физматлит, 2003. -784 с. -ISBN: 5-9221-0270-2.
  • Duda, R.O. Pattern classification and scene analysis/R.O. Duda, P.E. Hart. -New York: Wiley, 1973. -512 p. -ISBN: 978-0471223610.
  • Мясников, В.В. Модельно-ориентированный дескриптор поля градиента как удобный аппарат распознавания и анализа цифровых изображений/В.В. Мясников//Компьютерная оптика. -2012. -Т. 36, № 4. -С. 596-604.
  • Мясников, В.В. Метод обнаружения транспортных средств на цифровых аэрофото-и космических изображениях дистанционного зондирования земли/В.В. Мясников//Компьютерная оптика. -2012. -Т. 36, № 3. -С. 429-438.
  • Kuznetsov, A.V. New algorithms for verifying the consistency between satellite images and survey conditions/A.V. Kuznetsov, V.V. Myasnikov//Pattern Recognition and Image Analysis. -2016. -Vol. 26(3). -P. 593-596. - DOI: 10.1134/S1054661816030135
  • Dalal, N. Histograms of oriented gradients for human detection/N. Dalal, B. Triggs//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, San Diego, USA. -2005. -P. 886-893. - DOI: 10.1109/CVPR.2005.177
  • Lowe, D.G. Distinctive image features from scale-invariant keypoints/D.G. Lowe//International Journal of Computer Vision. -2004. -Vol. 60, Issue 2. -P. 91-110. - DOI: 10.1023/B:VISI.0000029664.99615.94
  • Gonzalez-Reyna, S.E. Eigen-gradients for traffic sign recognition/S.E. Gonzalez-Reyna, J.G. Avina-Cervantes, S.E. Ledesma-Orozco, I. Cruz-Aceves//Mathematical Problems in Engineering. -2013. -Vol. 2013. -364305 (6 p.). - DOI: 10.1155/2013/364305
  • Hu, R. A performance evaluation of gradient field HOG descriptor for sketch based image retrieval/Rui Hu, John Collomosse//Computer Vision and Image Understanding. -2013. -Vol. 117, Issue 7. -P. 790-806. - DOI: 10.1016/j.cviu.2013.02.005
  • Tzimiropoulos, G. Principal component analysis of image gradient orientations for face recognition/G. Tzimiropoulos, S. Zafeiriou, M. Pantic//2011 IEEE International Conference on Automatic Face and Gesture Recognition and Workshops (FG 2011). -2011. - DOI: 10.1109/FG.2011.5771457
  • Храмов, А.Г. Метод поля направлений в анализе и интерпретации диагностических изображений: дис.. доктора техн. наук: 05.13.17/Храмов Александр Григорьевич. -Самара, 2006. -230 с.
  • Harshman, R.A. PARAFAC: Parallel factor analysis/R.A. Harshman, M.E. Lundy//Computational Statistics and Data Analysis. -1994. -Vol. 18, Issue 1. -P. 39-72. - DOI: 10.1016/0167-9473(94)90132-5
  • Geometric computing with Clifford algebras: Theoretical foundations and applications in computer vision and robotics/ed. by G. Sommer. -Berlin, Heidelberg: Springer Verlag, 2000. -529 p. -ISBN: 978-3-540-41198-7.
  • Horel, J.D. Complex principal component analysis: Theory and examples/J.D. Horel//Journal of Climate and Applied Meteorology. -1984. -Vol. 23. -P. 1660-1673. -DOI: 10.1175/1520-0450(1984)0232.0.CO;2.
  • Schreier, P.J. Statistical signal processing of complex-valued data: The theory of improper and noncircular signals/P.J. Schreier, L.L. Scharf. -Cambridge: Cambridge University Press, 2010. -330 p. -ISBN: 978-0-521-89772-3.
  • Jolliffe, I.T. Principal component analysis/I.T. Jolliffe. -2nd ed. -New York, Berlin, Heidelberg: Springer-Verlag, 2002. -ISBN: 0-387-95442-2.
  • Бриллинджер, Д.Р. Временные ряды. Обработка данных и теория/Д.Р. Бриллинджер. -пер. с англ. -М.: Мир, 1980. -536 с.
  • Alfsmann, D. Hypercomplex algebras in digital signal processing: Benefits and drawbacks/D. Alfsmann, H.G. Göckler, S.J. Sangwine, T.A. Ell//15th European Signal Processing Conference (EUSIPCO 2007). -2007. -P. 1322-1326.
  • Delac, K. Independent comparative study of PCA, ICA, and LDA on the FERET data set/K. Delac, M. Grgic, S. Grgic//International Journal of Imaging Systems and Technology. -2005. -Vol. 15, Issue 5. -P. 252-260. - DOI: 10.1002/ima.20059
  • Duin, R.P.W. Featureless pattern classification/R.P.W. Duin, D. de Ridder, D.M.J. Tax//Kybernetika. -1998. -Vol. 34(4). -P. 399-404.
  • Advances in face image analysis: Techniques and technologies/ed. by Y.-J. Zhang. -Hershey, PA: IGI Global, 2011. -350 p. -ISBN: 978-1-61520-991-0.
  • Georghiades, A.S. From few to many: Illumination cone models for face recognition under variable lighting and pose/A.S. Georghiades, P.N. Belhumeur, D.J. Kriegman//IEEE Transactions on Pattern Analysis and Machine Intelligence. -2001. -Vol. 23, Issue 6. -P. 643-660. - DOI: 10.1109/34.927464
  • Lee, K.C. Acquiring linear subspaces for face recognition under variable lighting/K.C. Lee, J. Ho, D. Kriegman//IEEE Transactions on Pattern Analysis and Machine Intelligence. -2005. -Vol. 27, Issue 5. -P. 684-698. - DOI: 10.1109/TPAMI.2005.92
  • Turk, M. Eigenfaces for recognition/M. Turk, A. Pentland//Journal of Cognitive Neuroscience. -1991. -Vol. 3(1). -P. 71-86. - References DOI: 10.1162/jocn.1991.3.1.71
  • Mikolajczyk K, Schmid C. A performance evaluation of local descriptors. IEEE Transactions on Pattern Analysis and Machine Intelligence 2005; 27(10): 1615-1630 DOI: 10.1109/TPAMI.2005.188
  • Soyfer VA, ed. Computer image processing methods . Moscow: "Fizmatlit" Publisher; 2003. ISBN: 5-9221-0270-2.
  • Duda RO, Hart PE. Pattern classification and scene analysis. New York: Wiley; 1973. 512. ISBN: 978-0471223610.
  • Myasnikov VV. Model-based gradient field descriptor as a convenient tool for image recognition and analysis . Computer Optics 2012; 36(4): 596-604.
  • Myasnikov VV. Method for detection of vehicles in digital aerial and space remote sensed images . Computer Optics 2012; 36(3): 429-438.
  • Kuznetsov AV, Myasnikov VV. New algorithms for verifying the consistency between satellite images and survey conditions. Pattern Recognition and Image Analysis 2016; 26(3): 593-596 DOI: 10.1134/S1054661816030135
  • Dalal N, Triggs B. Histograms of oriented gradients for human detection. Proc CVPR 2005: 886-893 DOI: 10.1109/CVPR.2005.177
  • Lowe DG. Distinctive image features from scale-invariant keypoints. Int J Comp Vision 2004; 60(2): 91-110 DOI: 10.1023/B:VISI.0000029664.99615.94
  • Gonzalez-Reyna SE, Avina-Cervantes JG, Ledesma-Orozco SE, Cruz-Aceves I. Eigen-gradients for traffic sign recognition. Mathematical Problems in Engineering 2013; 2013: 364305 DOI: 10.1155/2013/364305
  • Hu R, Collomosse J. A performance evaluation of gradient field HOG descriptor for sketch based image retrieval. Computer Vision and Image Understanding 2013; 117(7): 790-806 DOI: 10.1016/j.cviu.2013.02.005
  • Tzimiropoulos G, Zafeiriou S, Pantic M. Principal component analysis of image gradient orientations for face recognition. IEEE Int Conf Automatic Face and Gesture Recognition (FG 2011) 2011 DOI: 10.1109/FG.2011.5771457
  • Khramov AG. Direction field method and its application for medicine images analysis and interpretation . The thesis for the Doctoral degree in Technical Sciences. Samara; 2006.
  • Harshman RA, Lundy ME. PARAFAC: Parallel factor analysis. Computational Statistics and Data Analysis 1994; 18(1): 39-72 DOI: 10.1016/0167-9473(94)90132-5
  • Sommer G, ed. Geometric computing with Clifford algebras: Theoretical foundations and applications in computer vision and robotics. Berlin, Heidelberg: Springer Verlag; 2000. ISBN: 978-3-540-41198-7.
  • Horel JD. Complex principal component analysis: Theory and examples. Journal of Climate and Applied Meteorology 1984; 23: 1660-1673. DOI: 10.1175/1520-0450(1984)0232.0.CO;2.
  • Schreier PJ, Scharf LL Statistical signal processing of complex-valued data: The theory of improper and noncircular signals. Cambridge: Cambridge University Press; 2010. ISBN: 978-0-521-89772-3.
  • Jolliffe IT. Principal component analysis. 2nd ed. New York, Berlin, Heidelberg: Springer-Verlag; 2002. ISBN: 0-387-95442-2.
  • Brillinger DR. Time series: Data analysis and theory. Holden-Day, 1981. 540.
  • Alfsmann D, Göckler HG, Sangwine SJ, Ell TA. Hypercomplex algebras in digital signal processing: benefits and drawbacks. EUSIPCO 2007: 1322-1326.
  • Delac K, Grgic M, Grgic S. Independent comparative study of PCA, ICA, and LDA on the FERET data set. Int J Imaging Syst Technol 2005; 15(5): 252-260 DOI: 10.1002/ima.20059
  • Duin RPW, de Ridder D, Tax DMJ. Featureless pattern classification. Kybernetika 1998; 34(4): 399-404.
  • Advances in face image analysis: Techniques and technologies. Ed by Zhang YJ. IGI Global, USA 2011. 350.
  • Georghiades AS, Belhumeur PN, Kriegman DJ. From few to many: Illumination cone models for face recognition under variable lighting and pose. IEEE Transactions on Pattern Analysis and Machine Intelligence 2001; 23(6): 643-660 DOI: 10.1109/34.927464
  • Lee KC, Ho J, Kriegman D. Acquiring linear subspaces for face recognition under variable lighting. IEEE Transactions on Pattern Analysis and Machine Intelligence 2005; 27(5): 684-698 DOI: 10.1109/TPAMI.2005.92
  • Turk M, Pentland A. Eigenfaces for recognition. J Cogn Neurosci 1991; 3(1): 71-86 DOI: 10.1162/jocn.1991.3.1.71
Еще
Статья научная
SciUp 2024 © 2024 ©