Определение степени сложности объектов на изображениях

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Предложен новый метод оценки сложности геометрических фигур (пятен), учитывающий внутреннюю структуру пятен, а не только их внешний контур. Задача по вычислению степени сложности объектов разделена на составляющие: сегментация пятен и оценка сложности изолированных пятен. Новый метод обладает относительно низкой вычислительной сложностью по сравнению с рассмотренными в работе альтернативными методами. С помощью нового метода был создан алгоритм на основе параллельных вычислений языка CUDA для графических ускорителей (видеокарт), что дополнительно повышает быстродействие нашего метода. Проведен качественный и количественный анализ существующих (альтернативных) методов, выявлены их преимущества и недостатки по сравнению с нашим методом и друг с другом. Реализованный на основе нового метода алгоритм апробирован как на искусственных, так и на реальных изображениях.

Полный текст

Доступ закрыт

Об авторах

В. Б. Бокшанский

Московский государственный технический университет имени Н.Э. Баумана

Email: shatskiyalex@gmail.com
Россия, Москва

В. А. Кулин

Московский государственный технический университет имени Н.Э. Баумана

Email: shatskiyalex@gmail.com
Россия, Москва

Г. С. Финякин

Московский государственный технический университет имени Н.Э. Баумана; Национальный исследовательский университет “МЭИ”

Email: shatskiyalex@gmail.com
Россия, Москва; Москва

А. С. Харламов

Московский государственный технический университет гражданской авиации

Email: shatskiyalex@gmail.com
Россия, Москва

А. А. Шацкий

Московский государственный технический университет имени Н.Э. Баумана

Автор, ответственный за переписку.
Email: shatskiyalex@gmail.com
Россия, Москва

Список литературы

  1. https://ru.wikipedia.org/wiki/WMAP
  2. https://ru.wikipedia.org/wiki/Планк_(космическая_обсерватория)
  3. Hu M.K. Visual pattern recognition by moment invariants. IRE Trans. Info. Theory, IT-8:179–187, 1962.
  4. Alastair Florence Frederik Doerr. A micro-xrt image analysis and machine learning methodology for the characterisation of multi-particulate capsule formulations. International Journal of Pharmaceutics, 2, 2020.
  5. Kornilov A.S., Safonov I.V. An overview of watershed algorithm implementations in open source libraries. Journal of Imaging, 4(10):123, 2018.
  6. Шайдук А.М., Останин С.А. Количественная оценка сложности контура медицинских изображений // Журнал радиоэлектроники. 2013. № 2.
  7. Ritter H., Rothg¨anger M., Melnik A. Shape complexity estimation using vae. arXiv preprint arXiv:2304.02766., 2023.
  8. Gilchrist J. Parallel data compression with bzip2. Proceedings of the 16th IASTED international conference on parallel and distributed computing and systems, 16:559–564, 2004.
  9. Shannon C.E. A mathematical theory of communication. The Bell system technical journal, 27 (3):379–423, 1948.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Интенсивность яркости изображения.

Скачать (140KB)
3. Рис. 2. Изображения в оттенках серого (слева), и сегментация этих же изображений по отдельным сегментам (объединяемых в пятна), выделенных разными цветами (справа).

Скачать (305KB)
4. Рис. 3. Сортировка пятен изображения по убыванию уровня сложности и выделение главного пятна зелёной рамкой. Показан вывод top-5 пятен изображения, ранжированных сначала по величине номера Max_i у величины | kiHui |max, а потом по яркости пятна. Справа приведена таблица характеристик пятен: номер пятна, номер Max_i у максимальной величины | kiHui |max, яркость пятна Etot, площадь пятна Stot и значение | kiHui |max.

Скачать (263KB)
5. Рис. 4. Схема архитектуры нейронной сети – вариационного автоэнкодера, пример трассировки тестового бинарного изображения и оценки его степени сложности.

Скачать (229KB)
6. Рис. 5. Тестовые изображения, используемые для сравнения методов оценки сложности на предмет инвариантности к некоторым из аффинных преобразований и к аддитивному шуму: яблоко (слева), птица (в центре) и муха (справа).

Скачать (43KB)
7. Рис. 6. Cтабильность при воздействии шума, полученная разными методами.

Скачать (99KB)
8. Рис. 7. Пример тестового изображения мухи с реализацией шума при CKO = 64(y. e.). Для бинарных изображений, у которых значения яркости равны либо 0, либо 255 (при 8-битной глубине кодирования) добавление шума с СКО = 64 не является фактором, в следствие которого исходные геометрические формы зрительно не могут быть распознаны.

Скачать (134KB)
9. Рис. 8. Изменение относительной сложности для разных методов при вращении тест-объектов: яблоко (слева), птица (в центре) и муха (справа).

Скачать (344KB)

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».