Estimating the complexity of objects in images

封面

如何引用文章

全文:

开放存取 开放存取
受限制的访问 ##reader.subscriptionAccessGranted##
受限制的访问 订阅存取

详细

A new method for estimating the complexity of geometric shapes (spots) is proposed, taking into account the internal structure of the spots, and not only their external contour. The task of calculating the degree of complexity of objects is divided into components: segmentation of spots and estimation of the complexity of isolated spots. The new method has a relatively low computational complexity compared to the alternative methods considered in the work. Using the new method, an algorithm based on parallel computing of the CUDA programming language for graphics accelerators (video cards) was created, which further increases the performance of our method. A qualitative and quantitative analysis of existing (alternative) methods has been carried out, their advantages and disadvantages in comparison with our method and with each other have been revealed. The algorithm implemented on the basis of the new method has been tested on both artificial and real digital images.

全文:

受限制的访问

作者简介

V. Bokshanskiy

Bauman Moscow State Technical University

Email: shatskiyalex@gmail.com
俄罗斯联邦, Moscow

V. Kulin

Bauman Moscow State Technical University

Email: shatskiyalex@gmail.com
俄罗斯联邦, Moscow

G. Finiakin

Bauman Moscow State Technical University; National Research University “Moscow Power Engineering Institute”

Email: shatskiyalex@gmail.com
俄罗斯联邦, Moscow; Moscow

A. Kharlamov

Moscow State Technical University of Civil Aviation

Email: shatskiyalex@gmail.com
俄罗斯联邦, Moscow

A. Shatskiy

Bauman Moscow State Technical University

编辑信件的主要联系方式.
Email: shatskiyalex@gmail.com
俄罗斯联邦, Moscow

参考

  1. https://ru.wikipedia.org/wiki/WMAP/
  2. https://en.wikipedia.org/wiki/Planck_(spacecraft)
  3. Hu M.K. Visual pattern recognition by moment invariants, IRE Trans. Info. Theory, 1962. V. IT-8, P. 179–187 (1962).
  4. Doerr F.J.S., Florence, A.J. A micro-xrt image analysis and machine learning methodology for the characterisation of multi-particulate capsule formulations, Int. J. Pharm., 2020. V. 2.
  5. Kornilov A.S., Safonov I.V. An overview of watershed algorithm implementations in open source libraries, J. Imaging, 2018. V. 4. No. 10. P. 123.
  6. Shaiduk A.M., Ostanin S.A. Quantitative estimation of shape comlexity in medical images // Zh. Radioelektron. 2013. V. 2.
  7. Rothganger M., Melnik A., Ritter H. Shape complexity estimation using VAE. 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, 2004. V. 16. P. 559–564.
  9. Shannon C.E. A mathematical theory of communication. Bell Syst. Techn. J., 1948. V 27, No. 3. P. 379–423.

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Image brightness intensity.

下载 (140KB)
索引源数据
3. Fig. 2. Grayscale images (left) and segmentation of the same images into individual segments (combined into spots) highlighted in different colors (right).

下载 (305KB)
索引源数据
4. Fig. 3. Sorting image spots by decreasing complexity level and highlighting the main spot with a green frame. The output of the top-5 spots of the image is shown, ranked first by the value of the Max_i number at the | kiHui | max value, and then by the spot brightness. On the right is a table of spot characteristics: spot number, Max_i number at the maximum value | kiHui | max, spot brightness Etot, spot area Stot and value | kiHui | max.

下载 (263KB)
索引源数据
5. Fig. 4. Scheme of the architecture of the neural network – variational autoencoder, example of tracing a test binary image and assessing its degree of complexity.

下载 (229KB)
索引源数据
6. Fig. 5. Test images used to compare complexity estimation methods for invariance to some of the affine transformations and to additive noise: apple (left), bird (center), and fly (right).

下载 (43KB)
索引源数据
7. Fig. 6. Stability under noise exposure obtained by different methods.

下载 (99KB)
索引源数据
8. Fig. 7. An example of a test image of a fly with noise implementation at RMS = 64(y. e.). For binary images, whose brightness values ​​are either 0 or 255 (at 8-bit coding depth), adding noise with RMS = 64 is not a factor, as a result of which the original geometric shapes cannot be visually recognized.

下载 (134KB)
索引源数据
9. Fig. 8. Change in relative difficulty for different methods when rotating test objects: apple (left), bird (center), and fly (right).

下载 (344KB)
索引源数据

版权所有 © Russian Academy of Sciences, 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».