Статистичні методи кластеризації для систем контекстного пошуку зображень - Автореферат

МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ СТАТИСТИЧНІ МЕТОДИ КЛАСТЕРИЗАЦІЇ ДЛЯ СИСТЕМ КОНТЕКСТНОГО ПОШУКУ ЗОБРАЖЕНЬРобота виконана в Донецькому національному технічному університеті Міністерства освіти і науки України. Науковий керівник - доктор технічних наук, професор Башков Євген Олександрович, проректор із наукової роботи, завідувач кафедри “Прикладна математика і інформатика”, Донецький національний технічний університет. Офіційні опоненти: доктор технічних наук, професор Скобцов Юрій Олександрович, завідувач кафедри “Автоматизовані системи управління”, Донецький національний технічний університет. кандидат технічних наук, старший науковий співробітник Михайлюк Антон Юрійович, доцент кафедри “Спеціалізовані компютерні системи”, НТУУ “Київський політехнічний інститут”. Захист відбудеться 09.02. 2007 р. о 14_годині на засіданні спеціалізованої вченої ради К 11.051.08 Донецького національного університету за адресою: 83055, м.Найбільш простий та розповсюджений засіб пошуку зображень в базах даних зображень - пошук за текстовими описами, що асоціюються із зображеннями. Не кожне зображення можна однозначно описати за допомогою текстових асоціацій (наприклад, зображення абстракцій), тому дана технологія застосовується тільки для пошуку серед зображень обмежених класів. Серед них можна виділити методи, які базуються на аналізі всього зображення цілком (методи колірних та текстурних гістограм, методи пошуку за колірним плануванням) та методи, що ґрунтуються на порівнянні візуальних примітивів окремих груп пікселів (регіонів, областей, кластерів). Отже, виділення регіонів зображень за допомогою статистичних методів кластеризації є актуальною науково-технічною проблемою, вирішення якої визначає побудову ефективного механізму контекстного пошуку в електронних колекціях зображень. Дисертаційна робота повязана з планами науково-дослідної та навчальної роботи Донецького національного технічного університету та виконувалась у межах держбюджетних тем № Д-2-03 “Методи, алгоритми та архітектури реального часу для пошуку, генерації, тривимірної реконструкції й моделювання зображень складних обєктів” (реєстраційний номер 0103U001322) та № Д-2-06 “Методи, алгоритми та архітектури реального часу для пошуку, статистичної кластеризації, генерації, тривимірної реконструкції та моделювання зображень складних обєктів” (реєстраційний номер 0106U001265).У першому розділі подається огляд існуючих методів і систем контекстного пошуку зображень у базах даних, у результаті критичного аналізу яких, як напрямок досліджень, обрано методи змістового пошуку, що базуються на порівнянні характеристик регіонів зображень. Стисло наведено основні методи розпізнавання однорідних областей зображень (для розрахунку їх властивостей при контекстному пошуку), серед яких виділені методи статистичної кластеризації. Однак проведений аналіз недоліків методу k-середніх зумовив виділення невирішених цим методом питань, повязаних з кластеризацією зображень, а саме: відсутність однозначного критерію закінчення процедури кластеризації, наявність великої кількості нерезультативних перегрупувань обєктів між кластерами.На вхід системи контекстного пошуку зображень подається база даних Т, що складається з n зображень (T={t1,t2,…,tn}), та зразок пошуку to. Кожному пікселю pijk зображення ti відповідає три колірних складових pijk={rijk, gijk, bijk}, що відображають інтенсивності червоного, зеленого та синього кольорів відповідно, крім того j, k відповідають координатам пікселя зображення (, ti = pijk={rijk, gijk, bijk} | , , , (1) При обчисленні характеристик зображень Ci на рівні окремих регіонів для пікселів pijk аналізованого зображення ti спочатку відбувається їх групування в окремі регіони (кластери) aif, f [1,Cli], Крім того, Cli, залежно від використовуваних методів кластеризації може як задаватися апріорі, так й обчислюватися у процесі кластеризації. Відстань між кластеризованими зображеннями можна обчислити як: , , , (4) де Clo - кількість кластерів зображення зразка to, Cli - кількість кластерів i-го зображення бази даних T, - міра розрізнення u-го кластера зображення зразка to та відповідного кластера i-го зображення ti бази даних Т, - відстань між и-м кластером зображення зразка to та b-м кластером зображення бази даних ti , Cb={cb1, cb2, …,CBM} - вектор характеристик b-ого кластера зображення бази даних ti, Cu={ } - вектор характеристик u-го кластера зображення зразка пошуку to.

ОСНОВНИЙ ЗМІСТ РОБОТИ