О влиянии шумов на значение метрики DTW при идентификации формы объектов


Цитировать

Полный текст

Аннотация

В работе изложена одна из методологий по обработке изображений и распознавания формы графических объектов. В ней на первом этапе производится предварительная обработка изображения с целью выделения характерных признаков формы объектов. В качестве таких признаков были использованы контуры. Для преобразования 2D контуров объектов в одномерную контурную функцию был использован метод ArcHeight. Для идентификации контурных функций разработан алгоритм на основе метрики DTW. Введено определение идентификационной функции, основанной на этом методе. Изложены особенности применения метрики DTW при идентификации формы объектов. Приведены матрицы расстояний комбинаций эталон-эталон и эталон-неэталон. Проанализированы результаты вычислений метрики DTW на большом количестве реальных данных. Показано, что разработанный алгоритм позволяет идентифицировать форму объектов независимо от их положения и угла поворота на изображении. Исследовано влияние шумов, наложенных на изображение объекта, на значение метрики. Получены теоретические и практические результаты такой зависимости, которые показывают, что в широком диапазоне (до отношения сигнал/шум 10 дБ) значение метрики практически не изменяется. Отмечены положительные стороны и недостатки предложенного алгоритма при идентификации формы объекта.

Об авторах

Иван Михайлович Гостев

Национальный исследовательский университет «Высшая школа экономики»

Автор, ответственный за переписку.
Email: igostev@hse.ru

доктор технических наук, профессор кафедры управления информационными системами и цифровой инфраструктурой Национального исследовательского университета «Высшая школа экономики»

ул. Мясницкая, д. 20, Москва, Россия, 101000

Леонид Антонович Севастьянов

Российский университет дружбы народов

Email: sevastianov-la@rudn.ru

профессор, доктор физико-математических наук, профессор кафедры прикладной информатики и теории вероятностей РУДН

ул. Миклухо-Маклая, д. 6, Москва, Россия, 117198

Список литературы

  1. M. Seul, L. O’Gorman, M. Sammon, Practical Algorithms for Image Analysis, Cambridge University Press, 2000.
  2. W. K. Pratt, Digital Image Processing (Fourth edition), Wiley, 2007.
  3. R. O. Duda, P. E. Hart, Pattern Classification and Scene Analysis, Wiley, 1973.
  4. R. Gonzalez, R. Woods, Digital Image Processing, Addison-Wesley Publishing Company, Reading, 1992.
  5. D. Marr, Vision: A Computational Investigation Into the Human Representation and Processing of Visual Information, Published March 15th 1983 by W. H. Freeman, 1983.
  6. R. Klette, Digital Geometry: Geometric Methods for Digital Image Analysis Usa, Morgan Kaufmann, 2004.
  7. K. William, Pratt Digital image processing, Wiley publication, 1978.
  8. S. Mark, S. Nixon Alberto, Aguado Feature Extraction & Image Processing for Computer Vision Third edition, Elsevier, 2012.
  9. D. H. Ballard, C. M. Brown, Computer Vision, Prentice-Hall. Inc., 1982.
  10. D. Chetverikov, A Simple and Efficient Algorithm for Detection of High Curvature Points in Planar Curves, Vol. 2756, Springer, Berlin, Heidelberg, 2003, pp. 746-753. doi: 10.1007/978-3-540-45179-2 91.
  11. A. Rosenfeld, E. Johnston, Angle Detection on Digital Curves, IEEE Transactions on Computers C-22 (1973) 875-878. doi: 10.1109/TC.1973.5009188.
  12. F. Mokhtarian, A. K. Mackworth, A Theory of Multiscale, Curvature-Based Shape Representation for Planar Curves, IEEE Transactions on Pattern Analysis and Machine Intelligence 14 (1992) 789-805. doi: 10.1109/34.149591.
  13. U. Ramer, An Iterative Procedure for the Polygonal Approximation of Plane Closed Curves, Computer Graphics Image Processing 1 (1972) 244-256. doi: 10.1016/S0146664X(72)80017-0.
  14. T. Y. Phillips, A. Rosenfeld, A Method for Curve Partitioning Using Arc-Chord Distance, Pattern Recognition Letters 5 (1987) 285-288. doi: 10.1016/01678655(87)90059-6.
  15. Y. Lin, J. Dou, H. Wang, Contour Shape Description Based on an Arch Height Function, Journal Pattern Recognition 25 (1992) 17-23. doi: 10.1016/0031-3203(92)90003-2.
  16. J. H. Han, T. Poston, Chord-to-Point Distance Accumulation and Planar Curvature: a New Approach to Discrete Curvature, Pattern Recognition Letters 22 (2001) 1133- 1144. doi: 10.1016/S0167-8655(01)00063-0.
  17. H. Ding, G. Trajcevski, P. Scheuermann, X. Wang, E. J. Keogh, Querying and mining of time series data: experimental comparison of representations and distance measures, PVLDB 1 (2008) 1542-1552. doi: 10.14778/1454159.1454226.
  18. I. M. Gostev, About Modelling and Estimation of Classification Tolerance, Bulletin of Peoples’ Friendship University of Russia. Series: Applied and Computer Mathematics 3 (1) (2004) 85-92, in Russian.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

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».