The 14 references with 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
Э.Столниц, Т.Дероуз, Д.Салезин. Вейвлеты в компьютерной графике. – Ижевск, НИЦ «Регулярная и хаотическая динамика», 2003, 272 с.
Total in-text references: 2
  1. In-text reference with the coordinate 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.

  2. In-text reference with the coordinate 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.

2
SmithJ.R., ChangS.F. ToolsandTechniquesforColorImageRetrieval. // SPIE (ColumbiaUniv., USA, 1996): Proceedings of the SPIE, vol. 2670, 1996. pp. 426-437.
Total in-text references: 2
  1. In-text reference with the coordinate 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.

  2. In-text reference with the coordinate 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.

3
Duda R., Hart P. Pattern Classification and Scene Analysis. John Wiley and Sons publishing, 1973. 512 p.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

4
D. G. Lowe. Distinctive Image Features from Scale-Invariant keypoints. Режим доступа: https://www.cs.ubc.ca/~lowe/papers/ijcv04.pdf (дата обращения 02.06.2015).
Total in-text references: 1
  1. In-text reference with the coordinate 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

5
Niblack W., Barber R., Equitz W., Flickner M., Glasman E., Petkovic D., Yanker P., Faloutsos C., Taubin G. The QBICproject: Querying images by content using color, texture, and shape volume. // SPIE (Bellingham, WA, 1993): Storage and Retrieval, 1993. pp. 173187.
Total in-text references: 2
  1. In-text reference with the coordinate 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.

  2. In-text reference with the coordinate 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.

6
E.Stollnitz, E.J.,DeRose T.D., Salesin D.H. Wavelets for Computer Graphics. Theory and Applications. Morgan Kaufmann PublishersInc., 1996. 245p.
Total in-text references: 3
  1. In-text reference with the coordinate 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.

  2. In-text reference with the coordinate 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.

  3. In-text reference with the coordinate 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.

7
BeylkinО.,Coifman R., RokhlinУ. Fast wavelet transforms and numerical algorithms. // Communications on pure and Applied Mathematics, 1991, vol. 44. pp. 141-183.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

8
Kankanhalli A., Zhang H.J., Low C.Y. Using texture for image retrieval. // International Conference оn Automation, Robotics and Computer Vision. (Nanyang Technological University, Singapore, 1994), IEEE publ., 1994. pp. 935-939.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

9
Gibson A.S. Exposure and Understanding the Histogram. PeachpitPresspubl., 2011. 75 p.
Total in-text references: 2
  1. In-text reference with the coordinate 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.

  2. In-text reference with the coordinate 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.

10
С.E.Jacobs, A.Finkelstein, D.H.Salesin. Fast multiresolution image quering. Proceedings of SIGGRAPH, ACM, New York, 1995, pp. 277-286.
Total in-text references: 4
  1. In-text reference with the coordinate 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.

  2. In-text reference with the coordinate 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.

  3. In-text reference with the coordinate 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.

  4. In-text reference with the coordinate 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].

11
Najmi A.H. Wavelets: A Concise Guide. Johns Hopkins University Press publ., 2012. 304 p.
Total in-text references: 3
  1. In-text reference with the coordinate 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.

  2. In-text reference with the coordinate 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.

  3. In-text reference with the coordinate 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.

12
Fugal D.L. Conceptual Wavelets in Digital Signal Processing. Space & Signals Technical Publishing, 2010. 374 p.
Total in-text references: 1
  1. In-text reference with the coordinate 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.

13
Vetterli M., Kovacevic E., Goyal V.K. Fourier and Wavelet Signal Processing. Cambridge University Press, 2014. 294p.
Total in-text references: 2
  1. In-text reference with the coordinate 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.

  2. In-text reference with the coordinate 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).

14
Davis J., Goadrich M. The Relationship Between Precision-Recall and ROC Curves // Proc. Of 23 International Conference on Machine Learning, Pittsburgh, PA, 2006, pp.233-240. Radiooptics of the Bauman MSTU, 2015, no. 05, pp. 87–100.
Total in-text references: 1
  1. In-text reference with the coordinate 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