Fuzzy image classifier in large dynamic databases

Abstract

In today's rapidly growing visual information environment, the task of efficient image search and classification in large dynamic databases, which are updated daily with tens of thousands of new objects, is becoming especially relevant. Such databases are characterized not only by their significant size but also by a high degree of variability, which requires the development of algorithms capable of quickly and accurately recognizing distorted or modified versions of images in conditions of limited response time. The subject of study is a fuzzy classifier for clustering distorted versions of images in large dynamic databases. The aim of this work is to increase the accuracy of fast searches for distorted versions of images in large dynamic databases, in which the speed of adding information reaches 10-12 thousand images per day. Methods used: mathematical modeling, two-dimensional discrete cosine transform, image processing methods, decision-making methods, fuzzy mathematics. The following results were obtained. A fuzzy classifier for clustering distorted versions of images in large dynamic databases was developed. The experiments demonstrated that clustering distorted versions of images was sufficiently fast and cost-effective in terms of data volume and computational resource requirements. ROC analysis indicated the high quality of the developed fuzzy classifier.

В сучасних умовах стрімкого зростання обсягів візуальної інформації особливої актуальності набуває задача ефективного пошуку та класифікації зображень у великих динамічних базах даних, які щодня поповнюються десятками тисяч нових об'єктів. Такі бази характеризуються не лише значними розмірами, але й високим ступенем варіативності, що вимагає розробки алгоритмів, здатних до швидкого та точного розпізнавання спотворених або модифікованих версій зображень в умовах обмеженого часу відгуку. Предмет дослідження: нечіткий класифікатор для кластеризації спотворених версій зображень у великих динамічних базах даних. Метою дослідження є підвищення точності швидкого пошуку спотворених версій зображень у великих динамічних базах даних, у яких швидкість додавання інформації сягає 10–12 тисяч зображень на добу. Методи, що використовуються: математичне моделювання, двовимірне дискретне косинусне перетворення, методи обробки зображень, методи прийняття рішень, нечітка математика. Отримані результати. Розроблено нечіткий класифікатор для кластеризації спотворених версій зображень у великих динамічних базах даних. Проведені експерименти показали, що кластеризація спотворених версій зображень виявилася досить швидкою та маловитратною з погляду обсягів інформації та вимог до обчислювальної потужності. Проведений ROC аналіз показав високу якість розробленого нечіткого класифікатора.