Extraction of features in images based on integral transformations in solving problems of classification of fragments of photographs
- Authors: Klyachin A.A.1
-
Affiliations:
- Volgograd State University
- Issue: Vol 24, No 3 (2024)
- Pages: 432-441
- Section: Computer Sciences
- URL: https://journals.rcsi.science/1816-9791/article/view/353382
- DOI: https://doi.org/10.18500/1816-9791-2024-24-3-432-441
- EDN: https://elibrary.ru/NIUIGP
- ID: 353382
Cite item
Full Text
Abstract
The article proposes a method for calculating features in an image to form a training data set for solving various problems of video image classification. This method involves the use of well-known integral transformations — the Radon transform and the Steklov function. The proposed method is compared with convolutional neural networks both in terms of the percentage of correct prediction and in terms of its execution time. As a test task, the problem of finding a fragment of a photograph containing an image of a car is considered.
About the authors
Alexey A. Klyachin
Volgograd State University
ORCID iD: 0000-0003-3293-9066
Russia, 400062, Volgograd, Universitetskii, 100
References
- Гонсалес Р., Вудс Р. Цифровая обработка изображений. Москва : Техносфера, 2005. 1072 с.
- Борзов С. М., Потатуркин А. О., Потатуркин О. И., Федотов А. М. Исследование эффективности классификации гиперспектральных спутниковых изображений природных и антропогенных территорий // Автометрия. 2016. Т. 52, № 1. С. 3–14. https://doi.org/10.15372/AUT20160101, EDN: VSSHQT
- Дорогов А. Ю., Курбанов Р. Г., Разин В. В. Быстрая классификация JPEG-изображений // Интернет-математика 2005. Автоматическая обработка веб-данных. Москва, 2005. С. 147–172.
- Осокин В. В., Аипов Т. Д., Ниязова З. А. О классификации изображений и музыкальных файлов // Интеллектуальные системы. Теория и приложения. 2015. Т. 19, № 1. С. 49–70. EDN: UWLELY
- Купенова Э. М., Кашницкий А. В. Метод случайных лесов в задачах классификации спутниковых снимков // Вестник Тверского государственного университета. Серия: География и геоэкология. 2018. № 3. С. 99–107. EDN: VRYRGY
- Гончарова Е. Ф., Гайдель А. В. Методы отбора признаков для задач классификации изображений земной поверхности // Информационные технологии и нанотехнологии (ИТНТ-2017) : сб. тр. III международной конференции и молодежной школы. Самара : Новая техника, 2017. С. 535–540. EDN: YQLPDZ
- Туркова М. А., Гайдель А. В. Корреляционные признаки для классификации текстурных изображений // Информационные технологии и нанотехнологии : сб. тр. IV международной конференции и молодежной школы. Самара : Новая техника, 2018. С. 595–599. EDN: XMWXVZ
- Чуличков А. И., Морозова И. В. Классификация размытых изображений и оценка параметров системы регистрации методами морфологического анализа // Интеллектуальные системы. 2005. Т. 9, № 1–4. С. 321–344. EDN: LZDWRV
- Борзов С. М., Потатуркин О. И. Классификация типов растительного покрова по гиперспектральным данным дистанционного зондирования земли // Вестник Новосибирского государственного университета. Серия: Информационные технологии. 2014. Т. 12, вып. 4. С. 13–22. EDN: TMFZOJ
- Пестунов И. А., Рылов С. А., Мельников П. В. Классификация гиперспектральных изображений высокого пространственного разрешения // Journal of Siberian Federal University. Engineering & Technologies. 2018. Т. 11, вып. 1. С. 69–76. https://doi.org/10.17516/1999-494X-0010, EDN: YPSWQC
- Китаев Д. Н. Сравнение сверточной нейронной сети и метода главных компонент в задаче классификации текстурных изображений // LXVIII Молодежная научная конференция, посвященная 20-летию со дня начала эксплуатации Международной космической станции : тез. докл. / отв. ред. А. Б. Прокофьев. Самара : Изд-во Самарского ун-та, 2018. С. 88–89. EDN: FNYNOI
- Голубков А. М. Бинарная классификация изображений на примере задачи распознавания лиц // Известия СПбГЭТУ «ЛЭТИ». 2018. № 7. С. 26–30. EDN: VJYUBZ
- Нежевенко Е. С., Феоктистов А. С., Дашевский О. Ю. Нейросетевая классификация гиперспектральных изображений на основе преобразования Гильберта – Хуанга // Автометрия. 2017. Т. 53, № 2. С. 79–84. https://doi.org/10.15372/AUT20170209, EDN: YKFYYR
- Васкан В. Д. Обзор архитектур сверточных нейронных сетей для задачи классификации изображений // ИТ-Стандарт. 2021. № 3 (28). С. 34–39. EDN: WQQUFN
- Солдатова О. П., Гаршин А. А. Применение сверточной нейронной сети для распознавания рукописных цифр // Компьютерная оптика. 2010. Т. 34, № 2. С. 252–260. EDN: MOTHJX
- Ле Мань Ха. Сверточная нейронная сеть для решения задачи классификации // Труды Московского физико-технического института (НИУ). 2016. Т. 8, № 3. С. 91–97. EDN: WWMDBT
- Азаров И. С., Прокопеня А. С. Сверточные нейронные сети для распознавания изображений // Big Data and Advanced Analytics. 2020. № 6–1. С. 271–280. EDN: HBCHXL
- Сикорский О. С. Обзор сверточных нейронных сетей для задачи классификации изображений // Новые информационные технологии в автоматизированных системах. 2017. № 20. С. 37–42. EDN: YNADUJ
- Deans S. R., Roderick S. The Radon Transform and Some of its Applications. New York : John Wiley & Sons, 1983. 289 p.
- Жук В. В., Кузютин В. Ф. Аппроксимация функций и численное интегрирование. Санкт-Петербург : Изд-во Санкт-Петербургского ун-та, 1995. 352 с.
- Воронина В. В., Михеев А. В., Ярушкина Н. Г., Святов К. В. Теория и практика машинного обучения : учеб. пособие. Ульяновск : УлГТУ, 2017. 290 с. EDN: QNQXJP
- Шолле Ф. Глубокое обучение на Python. Санкт-Петербург : Питер, 2018. 400 с. (Библиотека программиста).
Supplementary files
