Дієві класифікаційні рішення у сучасних системах комп'ютерного зору потребують поглибленого вивчення природи оброблюваних даних. Кластерне подання для базової системи структурних ознак як множини дескрипторів ключових точок зображення сприяє зниженню розмірності та суттєвому спрощенню засобів аналізу даних. Основним інструментом є статистичне дослідження даних описів у складі кластерного подання, яке відображає узагальнені властивості візуального об'єкта. Впровадження апарату дерев грунтується на статистичному аналізі компонентів даних задля прийняття рішення про віднесення візуального об'єкту до відповідного класу. Побудова дерев базується на показниках інформативності даних, що забезпечують процес логічного оброблення при розділенні у гілках дерева. Маючи єдину ймовірнісну природу, ці показники вимірюють і оцінюють суттєво різну за змістом інформацію. Важливим представляється вивчення як загальних властивостей цих критеріїв у задачі класифікації, так і оцінювання їх індивідуальних характеристик. Мета роботи - вирішення задачі класифікації візуальних об'єктів за кластерним поданням даних для структурного опису зображення із застосуванням апарату дерев рішень. Запропоновано спосіб класифікації зображень на основі кластерного подання даних із використанням апарату дерев рішень та інструментарію теорії інформації. Підтверджено працездатність і ефективність методу класифікації шляхом застосування апарату дерев до кластерного подання даних структурного опису зображення. На прикладах застосування різних критеріїв інформативності для реальних експериментальних даних зображень оцінена результативність створених дерев. Порівняльним чином проаналізовані особливості впровадження різних критеріїв інформативності даних при побудові дерева рішень. Висновки: застосування розглянутих критеріїв інформативності різним чином задає послідовність впровадження незалежних змінних у класифікаційному дереві, якими виступають числові показники кластерного подання опису зображення. Проведені розрахунки свідчать про те, що ентропія Шеннона та коефіцієнт Джині є достатньо потужними критеріями інформативності, які забезпечують практичну побудову класифікаційного дерева рішень. Схожість функції сумісної інформативності кореневого вузла для різних критеріїв підтверджує об'єктивність проведеного дослідження, а їх відмінність відображає індивідуальний характер чутливості до аналізованих даних. Наукову новизну дослідження складає удосконалення та статистичне обгрунтування процедур прийняття класифікаційних рішень для даних кластерного подання описів зображень на основі впровадження моделей дерев. Практична значущість роботи полягає у підтвердженні результативності запровадження апарату дерев для класифікації даних на прикладах зображень у системах комп'ютерного зору.

  Повний текст PDF - 615.978 Kb    Зміст випуску     Цитування публікації

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"