Дослідження результативності класифікаторів зображень за статистичними розподілами для компонентів структурного опису

Abstract

Предметом досліджень є моделі для побудови класифікаторів зображень у просторі описів як множини дескрипторів ключових точок при розпізнаванні візуальних об’єктів у системах комп’ютерного зору. Метою є створення та вивчення властивостей класифікатора зображень на підґрунті побудови ансамблю розподілів для компонентів структурного опису із використанням різноманітних моделей прийняття класифікаційних рішень, що забезпечує результативну класифікацію. Завдання: побудова моделей класифікації у синтезованому просторі образів ймовірнісних розподілів, аналіз параметрів, що впливають на їх ефективність, експериментальне оцінювання результативності класифікаторів засобами програмного моделювання за наслідками оброблення експериментальної бази зображень. Застосованими методами є: детектор ORB для формування дескрипторів ключових точок, інтелектуальний аналіз даних, математична статистика, засоби визначення релевантності для множин векторів даних, програмне моделювання. Отримані результати: Розроблений метод класифікації підтверджує свою працездатність та ефективність для класифікації зображень. Результативність методу може бути посилена введенням різноманіття видів метрик та мір подібності між центрами та дескрипторами, вибором способу формування центрів для еталонних описів, введенням логічного оброблення та стиснення структурного опису. Найкращі результати класифікації показала модель з використанням найбільш вагомого класу за вектором розподілів для кожного дескриптора, що відповідає параметру моди. Використання концентрованої частки даних опису дає можливість покращити його розрізнення з іншими описами. Застосування медіани як центру опису має перевагу над середнім значенням. Висновки. Наукова новизна – розроблення ефективного методу класифікації зображень на основі впровадження системи ймовірнісних розподілів для компонентів даних, що сприяє поглибленому аналізу у просторі даних та підвищує результативність класифікації. Класифікатор реалізовано у варіантах зіставлення інтегрального подання розподілів за класами і на підставі аналізу моди для розподілів окремих компонент. Практична значущість роботи – побудова моделей класифікації у видозміненому просторі даних, підтвердження працездатності запропонованих модифікацій аналізу даних на прикладах зображень, розроблення програмних моделей для впровадження запропонованих методів класифікації у системах комп’ютерного зору.The subject of research is models for constructing image classifiers in the description space as a set of descriptors of key points in the recognition of visual objects in computer vision systems. The goal is to create and study the properties of the image classifier based on the construction of an ensemble of distributions for the components of the structural description using various models of classification decisions, which provides effective classification. Tasks: construction of classification models in the synthesized space of images of probability distributions, analysis of parameters influencing their efficiency, experimental evaluation of the effectiveness of classifiers by means of software modeling based on the results of processing the experimental image base. The applied methods are: ORB detector for formation of keypoint descriptors, data mining, mathematical statistics, means of determining relevance for sets of data vectors, software modeling. The obtained results: The developed method of classification confirms its efficiency and effectiveness for image classification. The effectiveness of the method can be enhanced by the introduction of a variety of types of metrics and measures of similarity between centers and descriptors, by the choice of method of forming centers for reference etalon descriptions, by the introduction of logical processing and compression of the structural description. The best results of the classification were shown by the model using the most important class by the distribution vector for each descriptor corresponding to the mode parameter. The use of a concentrated part of the description data makes it possible to improve its distinction from other descriptions. The use of the median as the center of description has an advantage over the mean. Conclusions. Scientific novelty is the development of an effective method of image classification based on the introduction of a system of probability distributions for data components, which contributes to indepth analysis in the data space and increases in classification effectiveness. The classifier is implemented in the variants of comparing the integrated representation of distributions by classes and on the basis of mode analysis for the distributions of individual components. The practical importance of the work is the construction of classification models in the modified data space, confirmation of the efficiency of the proposed modifications of data analysis on examples of images, development of software models for implementation of the proposed classification methods in computer vision systems.