ФОРМИРОВАНИЕ ТРИПЛЕТНЫХ ПРИЗНАКОВ ЦВЕТНЫХ ТЕКСТУР

Федотов Николай Гаврилович, доктор технических наук, профессор, заведующий кафедрой экономической кибернетики, Пензенский государственный университет
(Россия, г. Пенза, ул. Красная, 40), fedotov@pgu.ru
Голдуева Дарья Алексеевна, кандидат технических наук, доцент, кафедра экономической кибернетики, Пензенский государственный университет
(Россия, г. Пенза, ул. Красная, 40), vrem0@yandex.ru

681.39; 007.001.362

Актуальность и цели. Во многих отраслях знаний существенная часть информации заключается в сложноструктурированных изображениях, многие из которых содержат текстуры. Наряду с общетеоретическим значением задача распознавания подобных изображений исключительно актуальна и с прикладной точки зрения. От ее успешного решения зависит эффективность обработки информации в области аэрокосмических исследований, анализа Земли из космоса, медицинской и технической диагностики. Целью настоящей работы является разработка теории анализа и распознавания изображений на основе стохастической геометрии и функционального анализа, позволяющей анализировать и распознавать цветные текстуры.
Материалы и методы. В ходе выполнения работы был применен оригинальный подход к анализу и распознаванию цветных текстур с позиций стохастической геометрии и функционального анализа. Для формирования триплетных признаков цветных текстур применялся разработанный научной школой Н. Г. Федотова метод, позволяющий описывать исследуемое изображение как со стороны его геометрических характеристик, так и со стороны особенностей цвета.
Результаты. Предложен новый подход к формированию признаков цветных текстур, основанный на аппарате стохастической геометрии и функционального анализа. Расширение теории триплетных признаков позволило осуществить анализ цветных текстур непосредственно без их предварительной бинаризации. Проведена экспериментальная проверка инвариантности построенной группы признаков к линейным деформациям анализируемых цветных текстур.
Выводы. Построенная группа триплетных признаков позволит более полно описать цветные текстуры. Благодаря трехкомпонентной структуре триплетных признаков возможна генерация большого их количества, что позволяет увеличить гибкость, универсальность и надежность распознавания. Причем, как показывают проведенные эксперименты, при определенном выборе функционалов, входящих в структуру триплетного признака, формируемые характеристики приобретают свойства инвариантности к группе движений и линейным деформациям.

Ключевые слова

цветные текстуры, стохастическая геометрия, триплетные признаки.

 Скачать статью в формате PDF

1. Федотов, Н. Г. Методы стохастической геометрии в распознавании образов / Н. Г. Федотов. – М. : Радио и связь, 1990. – 144 с.
2. Федотов, Н. Г. Теория признаков распознавания образов на основе стохасти-ческой геометрии и функционального анализа / Н. Г. Федотов. – М. : ФИЗМАТ-ЛИТ, 2009. – 304 с.
3. Kendall, W. S. New Perspectives in Stochastic Geometry / Wilfrid S. Kendall, Ilya Molchanov. – Oxford : UK: Oxford University Press, January, 2010.
4. Kadyrov, A. A. Image scanning leads to alternative understanding of image. Third int. conf. on automation, robotics and computer vision (ICARCV’94) / A. A. Kadyrov, M. V. Saveleva, N. G. Fedotov. – Singapore, 1994.
5. Fedotov, N. G. Image scanning in machine vision leads to new understanding of image / N. G. Fedotov, A. A. Kadyrov // In Proc. of 5th International Workshop on Digital In Processing and Computer Graphics, Proc. International Society for Optical Engineering (SPIE). – 1995. – Vol. 2363. – P. 256–261.
6. Fedotov, N. G. New Theory of Pattern Recognition Feature on the Basis of Stochas-tic Geometriy / N. G. Fedotov, L. A. Shulga // WSCG’2000 Conference Proceedings. – University of West Bohemia, 2000. – Vol. 1 (2). – P. 373–380.
7. Kadyrov, A. A. Triple Features Pattern Recognition and Image Analysis / A. A. Kadyrov and N. G. Fedotov // Advances in Mathematical Theory and Applica-tions. – 1995. – Vol. 5, № 4. – P. 546–556.
8. Федотов, Н. Г. Формирование признаков распознавания сложноструктуриро-ванных изображений на основе стохастической геометрии / Н. Г. Федотов, А. С. Кольчугин, О. А. Смолькин, А. В. Моисеев, С. В. Романов // Измерительная техника. – 2008. – № 2. – С. 56–61.
9. Vidal, M. Preprocessing of hyperspectral images. Essential steps before image analy-sis / M. Vidal, J. M. Amigo // Chemometrics and Intelligent Laboratory Systems. – 2012. – Vol. 117, № 1. – P. 138–148.
10. Федотов, Н. Г. Техническая дефектоскопия на основе новой теории распозна-вания образов / Н. Г. Федотов, Т. В. Никифорова // Измерительная техника. – 2002. – № 12. – С. 27–31.
11. Fedotov, N. G. Visual mining for biomatrical system based on stochastic geometry / N. G. Fedotov, L. A. Shulga, A. V. Roy // Proc. Int. Conf. Pattern Recognition and Im-age Analysis. PRIA-7-2004. – 2004. – Vol. 2. – P. 473–475.
12. Shin, B.-S. Effective feature extraction by trace transform for insect footprint recog-nition / B.-S. Shin, E.-Y. Cha, K.-B. Kim, K.-W. Cho, R. Klette, W. W. Young // 3rd In-ternational Conference on Bio-Inspired Computing: Theories and Applications, BICTA 2008 sponsors: IEEE South Australia Section. – Adelaide, NT, 2008. – P. 97–102.
13. Fooprateepsiri, R. Highly robust approach face recognition using hamming - trace combination / R. Fooprateepsiri, W. Kurutach // Proc. of the IADIS Int. Conf. Intelligent Systems and Agents 2010, Proc. of the IADIS European Conference on Data Mining 2010, Part of the MCCSIS–2010, 2010. – P. 83–90.
14. Fedotov, N. G. Triple features of ultrasonic image recognition / N. G. Fedotov, L. A. Shulga, A. S. Kol’chugin, O. A. Smol’kin, S. V. Romanov // Proc. Of the 8th Int. Conf. on Pattern Recognition and Image Analysis (PRIA-8-2007). – Yoshkar-Ola, Rus-sia, 2007. – Vol. 1. – P. 299–300.