Редукція опису зображення у складі множини дескрипторів на основі метричного критерію інформативності

Abstract

Предметом досліджень статті є класифікатори зображень за множиною дескрипторів ключових точок. Метою є підвищення продуктивності методів класифікації, зокрема, скорочення обчислювальних затрат шляхом впровадження на попередньому етапі оброблення апарату редукції для подання еталонних даних. Методи, що застосовуються: метричний апарат у векторному просторі, моделі для оцінювання інформативності даних, методи пошуку в масивах даних, моделі для визначення релевантності векторів та множин векторів, програмне моделювання. Отримані результати: розроблено метод редукції даних для задач класифікації зображень на основі впровадження метричних критеріїв для оцінювання інформативності елементів структурного опису зображення, що скорочує опис та прискорює обчислення; час класифікації для розглянутих експериментальних описів пропорційно скорочується зі зменшенням об'єму опису; для модельного експерименту досягнуто скорочення часу класифікації у п'ять разів при зменшенні обсягу опису у два рази; проведене моделювання підтверджує працездатність та результативність запропонованого методу в аспекті забезпечення якості класифікації з використанням засобів редукції. Практична значущість роботи – побудова моделей для оцінювання ступеня інформативності для образів візуальних даних; підтвердження працездатності запропонованих модифікацій засобів аналізу даних, розроблення прикладних програмних моделей для впровадження запропонованих методів редукції даних та класифікації зображень у системах комп'ютерного зору.The subject of the research is the methods of image classification on a set of key point descriptors in computer vision systems. The goal is to improve the performance of structural classification methods by introducing indexed hash structures on the set of the dataset reference images descriptors and a consistent chain combination of several stages of data analysis in the classification process. Applied methods: BRISK detector and descriptors, data hashing tools, search methods in large data arrays, metric models for the vector relevance estimation, software modeling. The obtained results: developed an effective method of image classification based on the introduction of high-speed search using indexed hash structures, that speeds up the calculation dozens of times; the gain in computing time increases with an increase of the number of reference images and descriptors in descriptions; the peculiarity of the classifier is that not an exact search is performed, but taking into account the permissible deviation of data from the reference; experimentally verified the effectiveness of the classification, which indicates the efficiency and effectiveness of the proposed method. The practical significance of the work is the construction of classification models in the transformed space of the hash data representation, the efficiency confirmation of the proposed classifiers modifications on image examples, development of applied software models implementing the proposed classification methods in computer vision systems.