Ван Лянпэн. Программные средства с использованием методов и алгоритмов кратномасштабного вейвлет анализа для обработки и поиска изображений

Краткое описание

Ван Лянпэн. Программные средства с использованием методов и алгоритмов кратномасштабного вейвлет анализа для обработки и поиска изображений: диссертация ... кандидата Технических наук: 05.13.11 / Ван Лянпэн;[Место защиты: ФГБОУ ВО «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)»], 2020

МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ
имени Н.Э. Баумана
(национальный исследовательский университет)
На правах рукописи
ВАН ЛЯНПЭН
ПРОГРАММНЫЕ СРЕДСТВА С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ И
АЛГОРИТМОВ КРАТНОМАСШТАБНОГО ВЕЙВЛЕТ АНАЛИЗА ДЛЯ
ОБРАБОТКИ И ПОИСКА ИЗОБРАЖЕНИЙ
Специальность: 05.13.11 - Математическое и программное обеспечение
вычислительных машин, комплексов и компьютерных сетей
(технические науки)
Диссертация на соискание учёной степени
кандидата технических наук
Научный руководитель: к.т.н., с.н.с. Петросян Олег Гарегинович
Москва - 2019 
ВВЕДЕНИЕ
ГЛАВА 1. КРАТНОМАСШТАБНЫЙ ВЕЙВЛЕТ АНАЛИЗ
1.1. Общее понятие о вейвлете
1.2. Различные типы вейвлет-преобразований
1.2.1. Одномерные вейвлет-преобразования
1.2.2. Быстрое вейвлет-преобразование
1.2.3. Двухмерные вейвлет-преобразования
1.3. Дерево коэффициентов для кратномасштабного вейвлет-преобразования
1.4. Выводы по Главе 1
ГЛАВА 2. ОБНАРУЖЕНИЕ ГРАНИЦ ОБЪЕКТОВ НА ЗАШУМЛЁНН¬ОМ ИЗОБРАЖЕНИИ
2.1. Метод первой и второй производной
2.1.1. Математический аппарат метода
2.1.2. Использование метода производных для обнаружения границ..
2.2. Кратномасштабный вейвлет анализ
2.2.1. Обнаружение границ при отсутствии шума
2.2.2. Обнаружение границ при наличии шума
2.3. Фрактальный метод
2.3.1. Математическое моделирование фрактального метода
2.3.2. Обнаружение границ с помощью фрактальных коэффициентов
2.4. Сингулярное разложение и вейвлет анализ
2.4.1. Математические принципы сингулярного разложения
2.4.2. Предварительная обработка зашумлённого изображения с
помощью SVD
2.4.3. Шумоподавление с помощью вейвлет анализа
2.4.4. Анализ преимущества предлагаемого метода
2.5. Выводы по Главе 2
ГЛАВА 3. ПОИСК ПОХОЖИХ ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ КРАТНОМАСШТАБНОГО ВЕЙВЛЕТ АНАЛИЗА И МАРКОВСКОГО ПРОЦЕССА
3.1. Предварительные замечания
3.2. Алгоритм SIFT
3.2.1. FAST алгоритм для определения особых ключевых точек
3.2.2. Определение экстремумов
3.2.3. Ориентация ключевых точек
3.2.4. Построение дескрипторов
3.2.5. Сравнивание дескрипторов SIFT разных изображений
3.3. Алгоритм ORB
3.3.1. FAST алгоритм для определения особых ключевых точек
3.3.2. Дескриптор направленный BRIEF  
3.4. Поиск похожих изображений
3.4.1. Выделение высокочастотной информации изображения с
помощью ДВП
3.4.2. Генерирование двоичных хеш-последовательностей
3.4.3. Рейтинг подобия изображений
3.5. Выводы по Главе 3
ГЛАВА 4. РАСПОЗНАВАНИЕ ЛИЦ НА ОСНОВЕ ДЕРЕВА КОЭФФИЦИЕНТОВ ДЛЯ ТРЁХМАСШТАБНОГО ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЯ
4.1. Процессы реализации распознавания лиц в машинном обучении и
в глубоком обучении
4.2. Алгоритмы для выделения признаков изображений лиц
4.3. Несколько алгоритмов для классификации признаков
4.4. Использование дерева коэффициентов трёхмасштабного
вейвлет-преобразования для выделения признаков изображений
4.5. Скрытая Марковская Модель (СММ)
4.5.1. Математическая теория скрытой Марковской модели
4.5.2. Обучение скрытой Марковской модели и реализация распоз-навания лиц
4.6. Весовая функция двумерного нормального распределения
4.7. Сравнения с другими алгоритмами
4.8. Преимущества предложенного метода
4.9. Вейвлет-нейронные сети  
4.9.1. Искусственные нейронные сети
4.9.2. Обучение сети
4.9.3. Архитектура вейвлет-нейронных сетей
4.9.4. Обучение вейвлет-нейронных сетей
4.10. Выводы по Главе 4
ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ

Список литературы

ОБЩИЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ
В течение последних двадцати лет кратномасштабный вейвлет анализ используется для обработки и синтеза нестационарных сигналов, для решения задач сжатия и кодирования информации, в теории и практике обработки изображений, в медицине, и во многих других сферах [123, 124]. В диссертационной работе основное внимание уделено применению кратномасштабного вейвлет анализа в некоторых областях обработки и поиска изображений, таких как: обнаружение границ, поиск похожих изображений и распознавание лиц.
Во второй главе комбинация вейвлет анализа и сингулярного разложения матрицы используются для предварительной обработки изображения, что способствует подавлению шумовых характеристики алгоритма.
В третьей главе была выделена высокочастотная информационная составляющая исходного изображения путём коэффициентов деталей вейвлет-преобразования, что позволило значительно сократить объём вычислений. Экспериментально также было показано, что этот метод достаточно устойчив к шумам.
В ходе исследования было предложено использовать вейвлет-признаки изображений, основанные на многомасштабных коэффициентах приближений вейвлет-преобразования. Эти признаки работают намного лучше, чем некоторые классические локальные признаки и глобальные признаки в задаче классификации изображений.
В Г лаве 4 эти вейвлет-признаки были объединены со скрытой Марковской моделью и с вейвлет-нейронными сетями для распознавания лиц. Экспериментальные результаты показывают, что по сравнению с традиционными методами предлагаемый метод имеет преимущества более высокой скорости обучения и высокой точности распознавания.
В заключении подводятся итоги диссертационного исследования, излагаются его основные выводы и обобщающие результаты.
Перспективы дальнейшей разработки темы
Дальнейшее развитие научной проблематики диссертации связано с решением следующих задач, представляющих большой научный интерес:
1. Разработка системы для обнаружения границ объектов на зашумленном изображений с использованием кратномасштабного вейвлет анализа.
2. Построение эффективной модели среды на основе кратномасштабного вейвлет анализа и Марковской цепи, позволяющая повысить точность выделенных похожих изображений.
Разработка системы с использованием вейвлет-нейронных сетей, которая позволяет сократить время сходимости сети, увеличить точность распознавания лиц и обобщающую способность к переобучению при использовании алгоритма Левенберга-Марквардта для обучения вейвлет¬нейронных сетей