Введение к работе
Диссертация посвящена разработке и исследованию методов и алгоритмов формирования признаков на основе марковских моделей для решения задач классификации и выделения неоднородностей текстурных изображений.
Актуальность работы
Во многих практических задачах, таких как дефектоскопия материалов, дистанционное зондировании Земли, анализ биологических препаратов, возникает необходимость в обработке текстурных изображений, с целью их классификации, сегментации и выделения текстурных неоднородностей.
Для классификации текстурных изображений широко применяется модель изображения как реализации случайного поля, в частности, марковского случайного поля. Большой вклад в развитие этого направления внесли: Р. Харалик, который ввел статстический и структорный подходы к определ-нию текстуры, а также предложил использовать признаки на основе матрицы взаимного распределения вероятности; Дж. Бесаг, Д. Геман, С. Геман, работы которых посвещены разработке методов оценки параметров модели марковских случайных полей; а также М.Хаиндл, А. Джейн, Г. Винклер, С. Ли и Г. Л. Гимельфарб.
Однако следует отметить недостатки существующих методов. Ряд методов основан на вычислении параметров вероятностного распределения, например, коэффициентов параметрической модели плотности распределения, но задача восстановления плотности является вычислительно сложной и для классификации изображений является избыточной. Автокорреляционные методы хорошо работают только на регулярных текстурах, и показывают плохие результаты для нерегулярных текстур. Для метода Харалика необходимо указывать вектор смещения соседнего пикселя, но не существует однозначного подхода к выбору этого параметра.
В задаче классификации распознаванию подлежат несколько типов текстурных изображений, различия которых обусловлены природой их происхождения. Однако большинство предложенных ранее другими авторами текстурных признаков являются неизменными для различных типов текстурных изображений, т. е. не используют априорную информацию о типах изображений на этапе формирования признаков. Отметим, что в распознавании образов существуют методы, которые позволяют вовлечь априорные данные в построение признаков, например, преобразование Карунена—Лоэва, где собственные функции автокорреляционной функции вычисляются по обучающему множеству изображений. Этот подход требует дальнейшего развития.
Таким образом, задача формирования признаков текстурных изображений, которые вовлекают априорную информацию о предметной области в
процесс обучения, используя обучающую выборку изображений, является актуальной.
Цель диссертационной работы состоит в разработке методов и алгоритмов формирования признаков, использующих априорную информацию о природе изображений по обучающей выборке, для решения задач классификации, а также выделения текстурных неоднородностей на изображениях.
Для достижения поставленной цели в диссертации решаются следующие задачи:
Разработка метода формирования признаков текстурных изображений на основе марковской модели с использованием параметрической функции регрессии для вовлечения априорных данных о типах изображений.
Исследование информативности коэффициентов регрессии, как признаков текстурных изображений.
Оценка мер схожести текстурных изображений и применение этих мер для классификации текстурных изображений.
Разработка информационной технологии выделения текстурных неоднородностей на изображениях.
Экспериментальные исследования разработанных методов и алгоритмов на натурных и модельных текстурных изображениях.
Методы исследований
В диссертационной работе используются методы математического анализа, алгебры, теории вероятностей, статистического анализа, теории распознавания образов, теории цифровой обработки сигналов и изображений.
Научной новизной обладают следующие результаты:
Метод формирования признаков на основе вычисления коэффициентов регрессии, который использует априорные данные о типах изображений из обучающего множества. Предложены алгоритмы вычисления признаков на основе простой и гребневой регрессии. Разработана методика выбора параметров и исследования предложенных методов вычисления признаков. Полученные признаки показали улучшение вероятности верной классификации на 12% для тестов коллекции изображений MeasTex.
Информационная технология обнаружения текстурных неоднородностей на основе «обнаружения новизны» по методу опорных векторов. Разработана методика выбора параметров и исследования метода выделения текстурных неоднородностей.
Оценка меры схожести текстурных изображений на основе дивергенции Кульбака—Лейблера и интегральных вероятностных метрик.
Вид функций ядер скалярного произведения текстурных изображений, основанные на мерах сходства текстурных изображений. Предложенные функции ядер применены в различных задачах: дискриминантный анализ и классификация с использованием тестовых и натурных наборов изображений, что показало линейную разделимость тестовых наборов текстурных изображений.
Практическая значимость заключается в разработке методов и алгоритмов классификации текстурных изображений, позволяющих повысить качество классификации до 12% по сравнению с известными методами за счет вычисления признаков, использующих априорные данные. Предложенные методы и алгоритмы обработки текстурных изображений могут быть использованы в автоматизированных системах дефектоскопии материалов и анализа включений, в системах анализа биомедицинских изображений, а также в других информационных системах обработки текстурных изображений.
Апробация работы
Основные результаты диссертации докладывались на 8-ой международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (РОАИ, Россия, Йошкар-Ола, 2007); Всероссийской молодежной научной конференции с международным участием «IX Королевские чтения» (Самара, СГАУ, 2007); 9-ой международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (РОАИ, Россия, Нижний Новгород, 2008); Всероссийской молодежной научной конференции с международным участием «X Королевские чтения» (Самара, СГАУ, 2009); Научно-технической конференции с международным участием «Перспективные информационные технологии в научных исследованиях, проектировании и обучении» («ПИТ-2010», Самара, 2010); 4-ой Международной конференции по распознаванию образов и искусственному интеллекту (Pattern Recognition and Machine Intelligence, PReMI-2011, Москва, 2011).
На защиту выносятся:
Метод формирования признаков текстурных изображений, использующий априорные данные о предметной области, основанный на использовании параметров регрессии яркости пикселя на вектор значений яркости в его окрестности.
Информационная технология обнаружения локальных текстурных неод-нородностей на основе метода опорных векторов, а также методика вы-
бора параметров алгоритма и результаты исследования метода выделения текстурных неоднородностей.
Оценка мер схожести текстурных изображений на основе дивергенции Кульбака—Лейблера и интегральных вероятностных метрик.
Вид функции ядра скалярного произведения текстурных изображений на основе мер схожести текстурных изображений.
Результаты экспериментальных исследований эффективности разработанных методов и алгоритмов.
Публикации
По теме диссертации опубликовано 12 работ из них 6 в ведущих рецензируемых научных изданиях, рекомендованных Высшей аттестационной комиссией министерства образования и науки Российской Федерации.
Ряд представленных работ написан в соавторстве. В диссертацию включены только результаты, полученные лично автором.
Структура и объем диссертации
