Описание дескриптора осуществляющего категоризацию изображений с учетом геометрических структур по всем цветам
Ключевые слова:
дескриптор, распознавание образов, классификация изображений.
Аннотация
Предлагается новый оригинальный дескриптор, позволяющий осуществлять категоризацию, как статичных изображений, так и видеопотока. Дескриптор, учитывает цветовую гамму изображения и геометрическую структуру по всем цветам, то есть фрактальность изображения. Проводится сравнение эффективности дескриптора с описанием дескрипторов в литературе.
Литература
1. Потапов А. А. Новейшие методы обработки изображений М.: Физматлит, 2008.
2. Лепский А. Е., Бронвич А. Г. Математические методы распознавания образов. Таганрог: Изд.
ТТИЮФУ, 2009.
3. Бабаян П. В., Фельдман А. Б. Распознование объектов на изображениях при наблюдении из
космоса // Вестник РГТУГ. 2008. № 4 (26). С. 124–132.
4. Вапник В. Н., Червонекис А. Я. Теория распознавания образов (статистические проблемы обучения)
М.: Наука, 1974.
5. Козлов В. Н. Элементы математической теории зрительного восприятия. М.: Изд. Центр прикладных
исследований при мех-мате МГУ, 2001.
6. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007.
7. Ляхов А. Ф. Вероятностные методы оценки параметров изображения по существованию регулярных
структур из пикселей // Компьютерные инструменты в образовании. 2009. № 5.
C. 17–26.
8. Петухов А. А. Распознование текстурных изображений на основе статических и фрактальных
признаков // Вестник Сибирского ГАУ. 2011. C. 63–68.
9. Каштанов Н. В., Ляхов А. Ф. Фрактальная размерность визуального образа математической
матрицы // Компьютерные инструменты в образовании. 2013. № 2. C. 59–66.
10. Воронцов К. В. Математические методы обучения по прецедентам. М: МФТИ, 2006.
11. Захаров Р. Метод классификации объектов различных классов на видео потоке и на статичных
изображениях. URL: http://docplayer.ru/54279516-Metod-klassifikacii-obektov-razlichnyhklassov-na-video-potoke-i-na-statichnyh-izobrazheniyah.html
(дата обращения: 14.11.18).
12. Rosenfeld A., Pfaltz P. Sequential Operations in Digital Picture Processing // Journal of the Association
for Computing Machinery. 1966. Vol. 13. P. 471–494.
13. Deselaers T., Keysers D., Ney H. Features for Image Retrieval: An Experimental Comparison / German
Research Center for Artificial Intelligence (DFKI). Kaiserslautern, Germany. November 29, 2007
14. Pakkanen J., Ilvesmaki A., Iivarinen J. ¨ Defect image classification with MPEG-7 descriptors //
Proceedings of the 13th Scandinavian Conference on Image Analysis. Halmstad, Sweden, 2003.
P. 349–355. (Lecture Notes in Computer Science, vol. 2749).
15. Buturovic A. MPEG 7 Color Structure Descriptor for visual information retrieval project VizIR //
Institute for Software Technology and Interactive Systems Technical University Vienna, 2005. URL:
http://citeseerx.ist.psu.edu/viewdoc/versions?doi=10.1.1.369.8132 (дата обращения: 14.11.18).
16. Rublee E., Rabaud V., Konolige K., Bradski G.: ORB: An efficient alternative to SIFT or SURF // IEEE
International Conference on Computer Vision. November 2011 P. 2564–2571.
2. Лепский А. Е., Бронвич А. Г. Математические методы распознавания образов. Таганрог: Изд.
ТТИЮФУ, 2009.
3. Бабаян П. В., Фельдман А. Б. Распознование объектов на изображениях при наблюдении из
космоса // Вестник РГТУГ. 2008. № 4 (26). С. 124–132.
4. Вапник В. Н., Червонекис А. Я. Теория распознавания образов (статистические проблемы обучения)
М.: Наука, 1974.
5. Козлов В. Н. Элементы математической теории зрительного восприятия. М.: Изд. Центр прикладных
исследований при мех-мате МГУ, 2001.
6. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007.
7. Ляхов А. Ф. Вероятностные методы оценки параметров изображения по существованию регулярных
структур из пикселей // Компьютерные инструменты в образовании. 2009. № 5.
C. 17–26.
8. Петухов А. А. Распознование текстурных изображений на основе статических и фрактальных
признаков // Вестник Сибирского ГАУ. 2011. C. 63–68.
9. Каштанов Н. В., Ляхов А. Ф. Фрактальная размерность визуального образа математической
матрицы // Компьютерные инструменты в образовании. 2013. № 2. C. 59–66.
10. Воронцов К. В. Математические методы обучения по прецедентам. М: МФТИ, 2006.
11. Захаров Р. Метод классификации объектов различных классов на видео потоке и на статичных
изображениях. URL: http://docplayer.ru/54279516-Metod-klassifikacii-obektov-razlichnyhklassov-na-video-potoke-i-na-statichnyh-izobrazheniyah.html
(дата обращения: 14.11.18).
12. Rosenfeld A., Pfaltz P. Sequential Operations in Digital Picture Processing // Journal of the Association
for Computing Machinery. 1966. Vol. 13. P. 471–494.
13. Deselaers T., Keysers D., Ney H. Features for Image Retrieval: An Experimental Comparison / German
Research Center for Artificial Intelligence (DFKI). Kaiserslautern, Germany. November 29, 2007
14. Pakkanen J., Ilvesmaki A., Iivarinen J. ¨ Defect image classification with MPEG-7 descriptors //
Proceedings of the 13th Scandinavian Conference on Image Analysis. Halmstad, Sweden, 2003.
P. 349–355. (Lecture Notes in Computer Science, vol. 2749).
15. Buturovic A. MPEG 7 Color Structure Descriptor for visual information retrieval project VizIR //
Institute for Software Technology and Interactive Systems Technical University Vienna, 2005. URL:
http://citeseerx.ist.psu.edu/viewdoc/versions?doi=10.1.1.369.8132 (дата обращения: 14.11.18).
16. Rublee E., Rabaud V., Konolige K., Bradski G.: ORB: An efficient alternative to SIFT or SURF // IEEE
International Conference on Computer Vision. November 2011 P. 2564–2571.
Опубликован
2018-07-19
Как цитировать
Ляхов, А. Ф., & Чнегов, Е. И. (2018). Описание дескриптора осуществляющего категоризацию изображений с учетом геометрических структур по всем цветам. Компьютерные инструменты в образовании, (6), 31-43. извлечено от http://cte.eltech.ru/ojs/index.php/kio/article/view/1507
Выпуск
Раздел
Информационные системы
Материал публикуется под лицензией:
