The 18 reference contexts in paper M. Filippov V., S. Gaiduk E., М. Филиппов В., С. Гайдук Э. (2016) “Метод поиска изображений с использованием вейвлет-технологии // The Method of Image Retrieval Using Wavelet Technology” / spz:neicon:radiovega:y:2015:i:5:p:87-100

  1. Start
    1804
    Prefix
    Таким образом, при существенном расширении баз банных поиск методом полного перебора перестает быть эффективной стратегией. В настоящее время существует несколько наиболее популярных методов поиска изображений
    Exact
    [1,2]
    Suffix
    . В работах [3,7] представлен метод, анализирующий объекты изображения или характеристики форм в изображении. Он работает, как правило, достаточно хорошо и надежно, но полученная информация очень слабо характеризует то, как картинка будет восприниматься визуально.
    (check this in PDF content)

  2. Start
    1822
    Prefix
    Таким образом, при существенном расширении баз банных поиск методом полного перебора перестает быть эффективной стратегией. В настоящее время существует несколько наиболее популярных методов поиска изображений [1,2]. В работах
    Exact
    [3,7]
    Suffix
    представлен метод, анализирующий объекты изображения или характеристики форм в изображении. Он работает, как правило, достаточно хорошо и надежно, но полученная информация очень слабо характеризует то, как картинка будет восприниматься визуально.
    (check this in PDF content)

  3. Start
    2234
    Prefix
    Он работает, как правило, достаточно хорошо и надежно, но полученная информация очень слабо характеризует то, как картинка будет восприниматься визуально. Поэтому этот метод может служить только как вспомогательный. В методе опорных точек (SIFT-дескрипторы)
    Exact
    [4]
    Suffix
    выбирается на изображении набор опорных точек и использует взаимное их расположение в роли характеристики картинки. Эта группа методов весьма хороша для выяснения, является ли одно изображение деформированной копией другого — однако для определения подобия двух принципиально разных, пусть и визуально похожих картинок, метод непригоден (например, две фотографии одного
    (check this in PDF content)

  4. Start
    2734
    Prefix
    Эта группа методов весьма хороша для выяснения, является ли одно изображение деформированной копией другого — однако для определения подобия двух принципиально разных, пусть и визуально похожих картинок, метод непригоден (например, две фотографии одного и того же котенка в разных позах будут иметь мало общего для таких методов). Метод цветовых гистограмм
    Exact
    [2,9]
    Suffix
    – один из самых популярных методов, использующих цветовые характеристики для индексирования изображений. Возможно также использование таких показателей, как средний или основной цвета, а также различные множества цветов.
    (check this in PDF content)

  5. Start
    3488
    Prefix
    Метод поиска по метаинформации использует организацию изображений в фотоальбомах с названиями и комментариями, подписи и даже готовые теги, а также то, является ли изображение иллюстрацией к чему-либо
    Exact
    [8]
    Suffix
    . Но данный метод никак не позволяет оценить изображение визуально [5]. Каждый из методов может быть использован для решения поставленной задачи, но большинство из них могут являться лишь дополнением к другим, т.к. не дают достаточной информации об изображении или вовсе не задействуют визуальные признаки.
    (check this in PDF content)

  6. Start
    3561
    Prefix
    Метод поиска по метаинформации использует организацию изображений в фотоальбомах с названиями и комментариями, подписи и даже готовые теги, а также то, является ли изображение иллюстрацией к чему-либо [8]. Но данный метод никак не позволяет оценить изображение визуально
    Exact
    [5]
    Suffix
    . Каждый из методов может быть использован для решения поставленной задачи, но большинство из них могут являться лишь дополнением к другим, т.к. не дают достаточной информации об изображении или вовсе не задействуют визуальные признаки.
    (check this in PDF content)

  7. Start
    3934
    Prefix
    Каждый из методов может быть использован для решения поставленной задачи, но большинство из них могут являться лишь дополнением к другим, т.к. не дают достаточной информации об изображении или вовсе не задействуют визуальные признаки. Метод поиска с использованием вейвлетов позволяет решить большинство проблем и избавиться от недостатков, присущих другим методам
    Exact
    [10]
    Suffix
    . В данной работе представлен модифицированный алгоритм, реализующий данный метод, позволивший существенно улучшить его характеристики. 1. Описание метода Лучше всего метод работает с изображениями, на которых четко можно отделить один объект от другого.
    (check this in PDF content)

  8. Start
    4959
    Prefix
    Вейвлеты как математическое средство для иерархического представления функций, позволяют описать произвольную функцию в терминах грубого усредненного приближения и с помощью уточняющих коэффициентов, позволяющих работать с функцией при различных масштабах
    Exact
    [9,11]
    Suffix
    . В методе, описанном в работе [10] используются вейвлеты Хаара. Преимуществом этих функций является простота и возможность аналитического представления. Кроме того, запросы, нарисованные самим пользователем, имеют склонность к большим однородно окрашенным участкам, которые хорошо представлять таким базисом.
    (check this in PDF content)

  9. Start
    4994
    Prefix
    Вейвлеты как математическое средство для иерархического представления функций, позволяют описать произвольную функцию в терминах грубого усредненного приближения и с помощью уточняющих коэффициентов, позволяющих работать с функцией при различных масштабах [9,11]. В методе, описанном в работе
    Exact
    [10]
    Suffix
    используются вейвлеты Хаара. Преимуществом этих функций является простота и возможность аналитического представления. Кроме того, запросы, нарисованные самим пользователем, имеют склонность к большим однородно окрашенным участкам, которые хорошо представлять таким базисом.
    (check this in PDF content)

  10. Start
    5626
    Prefix
    Однако, в силу своего ступенчатого характера базис Хаара является достаточно грубым приближением для изображений с плавным изменением интенсивности. Поэтому для представления таких изображений требуется достаточно большое количество коэффициентов. В данной работе в качестве базиса используются вейвлеты Добеши
    Exact
    [11,12]
    Suffix
    . Основная сложность заключается в том, что вейвлеты Добеши не имеют аналитического представления. Для их представления используются уравнения (1) и (2), которые решаются в численном виде: где –рекурсивно задаваемая аппроксимирующая функция, –коэффициенты аппроксимации, ψ – рекурсивно задаваемая вейвлет-фукция, а –коэффициенты вейвлет-базиса.
    (check this in PDF content)

  11. Start
    6576
    Prefix
    Ниже будет произведено сравнение эффективности использования вейвлетфункций Хаара и Добеши. Чтобы получить разложение изображения (Рис. 2), сначала применяется одномерное вейвлет-преобразование
    Exact
    [5,11]
    Suffix
    к каждой строке значений пикселей. Эта операция даст нам среднее значение и уточняющие коэффициенты для каждой строки. Затем мы рассмотрим эти преобразованные строки так, как если бы они сами являлись изображением, и применим одномерное преобразование к каждому столбцу.
    (check this in PDF content)

  12. Start
    7273
    Prefix
    Двумерное вейвлет-преобразование Одной из основных проблем, возникающих в процессе поиска, является определение, насколько найденные изображения соответствуют запросу. Рассмотрим стандартный подход, используемый в ряде работ
    Exact
    [10,13]
    Suffix
    . Введем некоторые обозначения. Пусть Q обозначает один цветовой канал изображения-запроса, а J — потенциального целевого изображения. Q(0,0) и J(0,0) представляют коэффициенты масштабирующих функций, соответствующие среднему значению интенсивности данного цветового канала.
    (check this in PDF content)

  13. Start
    8142
    Prefix
    и потенциальным целевым изображением наиболее очевидным выбором являются нормы L1, определяемая выражением (3) или норма L 2 (формула (4)): Q − J ||1∑|Q(i, j)- J(i, j) | (3) i, j Q − J ||2(∑(Q(i, j)- J(i, j))2)1/ 2, (4) i, j где –значение пикселя изображения-запроса, а –значение пикселя целевого изображения. Именно эти нормы обычно использовались для сравнения изображений
    Exact
    [10]
    Suffix
    . Однако, данные метрики не только требуют больших вычислительных затрат, но и не учитывают неточности изображения-запроса. В данной статье используется метрика, основы которой описаны в работах [1,6].
    (check this in PDF content)

  14. Start
    8340
    Prefix
    Именно эти нормы обычно использовались для сравнения изображений[10]. Однако, данные метрики не только требуют больших вычислительных затрат, но и не учитывают неточности изображения-запроса. В данной статье используется метрика, основы которой описаны в работах
    Exact
    [1,6]
    Suffix
    . В этой метрике используются коэффициенты вейвлет-преобразования изображения. Основой для настройки метрики является цветовое пространство YIQ. Данное цветовое пространство интересно, в частности, неравномерностью распределения информации по цветовым каналам.
    (check this in PDF content)

  15. Start
    11548
    Prefix
    коэффициенты для изображений запросов, нарисованных пользователем (Нарисованные запросы) и для изображений, которые могут являться изображениями в другом разрешении или отсканированными изображениями (Сканированные изображения). Для определения этих коэффициентов в работе предложен способ, основанный на статистической модели и называемый логистической регрессией
    Exact
    [14]
    Suffix
    . Логистическая регрессия применяется для предсказания вероятности возникновения некоторого события по значениям множества признаков. Для этого вводится так называемая зависимая переменная , принимающая лишь одно из двух значений — как правило, это числа 0 (событие не произошло) и 1 (событие произошло), и множество независимых переменных (также называемых призна
    (check this in PDF content)

  16. Start
    14372
    Prefix
    Окончательный этап — отбор необходимого количества наиболее релевантных изображений. Ими являются изображения с наименьшими оценками. Кратко работу алгоритма можно описать следующим образом: 1. Выполняется стандартное
    Exact
    [13]
    Suffix
    двумерное вейвлет-разложение каждого изображения из базы данных и сохраняется только общее среднее значение цвета, а также индексы и знаки, принадлежащие коэффициентам с наибольшими значениями (рис. 3).
    (check this in PDF content)

  17. Start
    16530
    Prefix
    По итогам эксперимента было выяснено, что разработанная метрика выполняется значительно быстрее и точнее, чем метрики L 1 и L 2 . Lq L2 L1 Было также проведено сравнение алгоритма выполнения запросов с использованием вейвлет-разложении по функциям Добеши , предложенного в данной работе с результатами работы
    Exact
    [6]
    Suffix
    . В численном эксперименте были рассмотрены две БД, 100 и 1000 изображений с разрешением 512х512 пикселей и оценивалось время выполнения алгоритма поиска, при том, что в одном случае используются вейвлеты Хаара, а в другом – вейвлеты Добеши.
    (check this in PDF content)

  18. Start
    17858
    Prefix
    изображений при масштабировании изображения-запроса Анализ этих графиков позволяет сделать вывод, о том, что представленный в работе алгоритм выполнения запросов, использующий вейвлет-разложенияпо по функциям Добеши и метод логистической регрессии для определения весовых коэффициентов использующее вейвлетыДобеши, выполняется быстрее и точнее, чем подход, описанный в работе
    Exact
    [6]
    Suffix
    . Заключение В данной работе рассмотрен метод поиска заданного изображения с использованием вейвлет-технологий. Показано, что использование вейвлет- разложения изображения по функциям Добеши и логистической регрессии позволяет существенно сократить время выполнения запроса и повысить эффективность его выполнения по сравнению с известными подходами.
    (check this in PDF content)