Структрирование изображений на основе поиска ассоциативных правил Текст научной статьи по специальности «Компьютерные и информационные науки»

Решетневскце чтения

Он дает наибольшее число валидных результатов при наименьшем числе ложных срабатываний. Наименее быстрым и эффективным является алгоритм с использованием геометрических статистик. Средние показатели эффективности и скорости дает алгоритм с использованием частотных характеристик изображений, но он не имеет инвариантности к масштабированию и шуму.

Вероятность нахождения валидного изображения является наивысшей у алгоритма с использованием цветовых статистик (75 %), что говорит о возможно-

сти применения этого алгоритма на практике, в отличие от алгоритмов с использованием частотных характеристик и геометрических статистик, у которых такая вероятность составляет всего лишь 15 %.

Библиографическая ссылка

1. Alexa the Web Information Company [Электронный ресурс]. URL: http://www.alexa.com/topsites/ category/Computers/Internet/Searching/Search_Engines. (дата обращения: 15.09.2012).

Результаты оценки эффективности контекстно-ориентированных алгоритмов поиска изображений

Показатель Частота Цвет Геометрия

Валидность 6 30 6

Ложность 15 37 18

Точность 11 65 0

Инвариантность размеру 1 9 0

Инвариантность повороту 2 9 2

Инвариантность шуму 2 7 2

Оригинал 1 8 2

Эффективность 0,6 1,6 0,5

Скорость работы, мс 58 53 83

A. V. Belokon, A. V. Proskurin Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk

EVALUATION OF CBIR SEARCH ALGORITHM OF IMAGE

A method of assessment of CBIR search algorithm and a set of input data used in the analysis are described. The results of the analysis of the effectiveness CBIR search algorithms for images are presented.

© Белоконь А. В., Проскурин А. В., 2012

УДК 004.932.2

А. Н. Болгов, Р. П. Баранов, Е. С. Казмирук

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск

СТРУКТРИРОВАНИЕ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ПОИСКА АССОЦИАТИВНЫХ ПРАВИЛ

Рассматривается одно из решений задачи структурирования изображений, базирующееся на поиске взаимосвязей между их отдельными элементами. Приводится алгоритм поиска ассоциативных правил в пиксельном пространстве.

Системы компьютерного зрения и распознавания образов активно вошли в жизнь современного человека. Если изначально такие системы, применялись исключительно в военных и медицинских целях, то сейчас они используются для решения широкого спектра задач управления и оповещения. Системы распознавания образов выполняют преобразование исходных многомерных данных (цветных растровых изображений) в набор обобщенных выходных данных (классов объектов, гипотез, функций принадлежности). Одним из способов такого рпеобразования является сегментация изображений - процесс разделения изображе-

ния на отдельные фрагменты, объединенные каким-либо классом или признаком, например, однородностью яркости пикселей или принадлежностью точек некоторой функциональной зависимости. Однако существующие методики сегментации изображений характеризуются неоднозначностью в выборе параметров сегментации, приводящей к различию принципов разделения изображения на фрагменты.

С другой стороны, изображение можно рассматривать как большой поток логически связанных данных. Область информатики, изучающая принципы поиска знаний в больших объемах данных, называется Data

Информационные системы и технологии

Mining [1]. Одним из распространенных методов в этой области является поиск ассоциативных правил или закономерностей.

Алгоритм поиска ассоциативных правил в пиксельном пространстве находится на стыке двух областей знаний: обработки изображений и интеллектуального анализа данных - и основан на предположении о том, что в любых изображениях существуют группы пикселей, подчиняющихся определенной общей концепции. Алгоритм состоит из следующих этапов:

- преобразования изображения к оттенкам серого и детекции краев;

- формирования транзакций из данных изображения при помощи скользящего окна;

- поиска частых множеств с помощью алгоритма Hybrid Apriori [2];

- генерации правил.

Рассмотрим каждый из этапов более подробно.

Преобразование изображения к оттенкам серого и детекция краев, т. е. предварительная обработка изображения, позволяет сократить число ложных правил, а также повысить производительность поиска частых правил. Границы объектов являются одним из главных источников закономерностей, которые могут быть выявлены и проанализированы на изображении [3].

Формирование транзакций для работы алгоритмов по поиску частых множеств осуществляется следующим образом: изображение проходится скользящим окном, размерность которого определяет пользова-те ль. Каждое окно кодируется в виде транзакции, в которой каждый элемент представляет собой пару «ключ-значение», где ключом является позиция пикселя в маске, а значением - значение его яркости. Каждая транзакция идентифицируется пикселем, для которого строится скользящее окно (см. рисунок). Таким образом, результатом работы алгоритма на данном этапе будет множество транзакций, состоящее из пар {позиция элемента : яркость}.

Поиск частых множеств осуществляется в определенном на предыдущем этапе множестве транзакций с

помощью алгоритма Hybrid Apriori. Этот алгоритм был выбран по причине относительной простоты его реализации, неплохим показателям производительности и относительно быстрой сходимости числа кандидатов.

А поскольку большая часть транзакций будут представлять множества одинаковой размерности, то быстрая сходимость позволит значительно увеличить производительность алгоритма. Значение минимальной поддержки выбирается пользователем исходя из цели исследования.

Генерация правил осуществляется на основе частых множеств путем перебора всех их подмножеств и фильтрация правил на основе их свойств. Авторами для характеризации правил используются два параметра: поддержка и достоверность.

Поддержка определяет количество транзакций, в которых содержатся и условия, и результат, а достоверность - корректность сгенерированного правила, представляющего собой отношение поддержки всего правила к поддержке условий, т. е. определяющего то, насколько однозначно набор элементов условия приведет к набору элементов результата.

Информация, полученная в ходе анализа изображения с помощью поиска закономерностей в пиксельном пространстве, может быть использована для построения структурных схем изображения, поиска общих закономерностей в подобных изображениях, сегментации сложных текстур.

Библиографические ссылки

1. Simoff S. J., Djeraba C., Zai'ane O. R. Multimedia Data Mining between Promises and Problems // Proc. Of tre 3rd Intern. Workshop MDM/KDD2002. Edmenton, Canada, 2002. Vol. 4. P. 118-121.

2. Agrawal R., Srikant R. Fast Algorithms for Mining Association Rules. London : Academic Press Inc., 1994.

3. Гонсалес Р., Вудс Р. Цифровая обработка изображений : пер. с англ. М. : Техносфера, 2005.

{0 : яркость} {1 : яркость} {2 : яркость}

{3 : яркость} {4 : яркость} {5 : яркость}

{6 : яркость} {7 : яркость} {8 : яркость}

Транзакционное скользящее окно

A. N. Bolgov, R. P. Baranov, E. S. Kazmiruk Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk

STRUCTURING OF IMAGES BASED ON ASSOCIATION RULES MINING

One of solutions of the structuring images based on search for relationships between individual elements of an image is considered. Algorithm for mining association rules in the pixel space is given.

© Болгов А. Н., Баранов Р. П., Казмирук Е. С., 2012