Сравнение алгоритмов описания комплекснозначного поля градиента цифровых изображений с использованием линейных методов снижения размерности
Автор: Дмитриев Егор Андреевич, Мясников Владислав Валерьевич
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 5 т.42, 2018 года.
Бесплатный доступ
В работе представлен анализ различных подходов к построению описаний полей градиентов цифровых изображений. Анализируемые подходы основаны на известных методах снижения размерности данных, таких как методы главных и независимых компонент, метод дискриминантного анализа. Мы применяем указанные методы не к исходному изображению, представленному в виде двумерного поля яркости (полутоновому изображению), а к его вторичному представлению в виде двумерного поля градиента - комплекснозначному изображению. При этом рассматриваются случаи использования как поля градиента целиком, так и только его фазовой части. Дополнительно рассматриваются два независимых способа формирования окончательного описания искомого объекта: в виде коэффициентов разложения поля градиента по сформированному базису и с использованием оригинальной авторской конструкции модельно-ориентированных дескрипторов. Последние позволяют в два раза снизить число вещественных коэффициентов, используемых при описании искомого объекта. В качестве конкретной прикладной задачи, на которой проводятся исследования, выступает проблема распознавания лиц. Эффективность анализируемых подходов демонстрируется путём сравнения результатов их применения к изображениям из базы данных “Extended Yale Face Database B”. Алгоритмом классификации выступает метод ближайшего соседа.
Распознавание лиц, метод главных компонент, метод независимых компонент, линейный дискриминантный анализ, модельно-ориентированные дескрипторы, описание изображения
Короткий адрес: https://sciup.org/140238444
IDR: 140238444 | DOI: 10.18287/2412-6179-2018-42-5-822-828
Comparative study of description algorithms for complex-valued gradient fields of digital images using linear dimensionality reduction methods
The paper presents an analysis of various approaches to constructing descriptions for the gradient fields of digital images. The analyzed approaches are based on the well-known methods for data dimensionality reduction, such as Principal (PCA) and Independent (ICA) Component Analysis, Linear Discriminant Analysis (LDA). We apply these methods not to the original image, represented as a two-dimensional field of brightness (a halftone image), but to its secondary representation in the form of a two-dimensional gradient field, that is, a complex-valued image. In this case, approaches based on using both the entire gradient field and only its phase component are considered. In addition, two independent ways of forming the final description of the original object are considered: using expansion coefficients of the gradient field in a derived basis and using an original authors' design that is called model-oriented descriptors. With the latter, the number of real coefficients used in the description of the original object can be halved. The studies are conducted via solving a face recognition problem. The effectiveness of the analyzed methods is demonstrated by applying them to images from Extended Yale Face Database B. The comparison is made using a nearest neighbor's classifier.
Список литературы Сравнение алгоритмов описания комплекснозначного поля градиента цифровых изображений с использованием линейных методов снижения размерности
- Vasan, K.K. Dimensionality reduction using principal component analysis for network intrusion detection/K.K. Vasan, B. Surendiran//Perspectives in Science. -2016. -Vol. 8. -P. 510-512. - DOI: 10.1016/j.pisc.2016.05.010
- Wang, J. Independent component analysis-based dimensionality reduction with applications in hyperspectral image analysis/J. Wang, C.-I. Chang//IEEE Transactions on Geoscience and Remote Sensing. -2006. -Vol. 44, Issue 6. -P. 1586-1600. - DOI: 10.1109/TGRS.2005.863297
- Phinyomark, A. Application of linear discriminant analysis in dimensionality reduction for hand motion classification/A. Phinyomark, H. Hu, P. Phukpattaranont, C. Limsakul//Measurement Science Review. -2012. -Vol. 12, No 3. -P. 82-89. - DOI: 10.2478/v10048-012-0015-8
- Delac, K. Independent comparative study of PCA, ICA, and LDA on the FERET data set/K. Delac, M. Grgic, S. Grgic//International Journal of Imaging Systems and Technology. -2005. -Vol. 15, Issue 5. -P. 252-260. - DOI: 10.1002/ima.20059
- Subasi, A. EEG signal classification using PCA, ICA, LDA and support vector machines/A. Subasi, M.I. Gursoy//Expert Systems with Applications. -2010. -Vol. 37, Issue 12. -P. 8659-8666. - DOI: 10.1016/j.eswa.2010.06.065
- Hese, S.K. Performance of PCA and LDA for face recognition/S.K. Hese, M.R. Banwaskar//International Journal of Advanced Research in Electronics and Communication Engineering. -2013. -Vol. 2, Issue 2. -P. 149-154.
- Fernandes, S. Performance analysis of PCA-based and LDA-based algorithms for face recognition/S. Fernandes, J. Bala//International Journal of Signal Processing Systems. -2013. -Vol. 1, Issue 1. -P. 1-6. - DOI: 10.12720/ijsps.1.1.1-6
- Schroff, F. Facenet: A unified embedding for face recognition and clustering/F. Schroff, D. Kalenichenko, J. Philbin//2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). -2015. -P. 815-823. - DOI: 10.1109/CVPR.2015.7298682
- Методы компьютерной обработки изображений/М.В. Гашников, Н.И. Глумов, Н.Ю. Ильясова, В.В. Мясников, С.Б. Попов, В.В. Сергеев, В.А. Сойфер, А.Г. Храмов, А.В. Чернов, В.М. Чернов, М.А. Чичёва, В.А. Фурсов; под ред. В.А. Сойфера. -Изд. 2-е, испр. -М.: Физматлит, 2003. -784 с. -ISBN: 5-9221-0270-2.
- Мясников, В.В. Описание изображений с использованием модельно-ориентированных дескрипторов/В.В. Мясников//Компьютерная оптика. -2017. -Т. 41, № 6. -С. 888-896. - DOI: 10.18287/2412-6179-2017-41-6-888-896
- Мясников, В.В. Модельно-ориентированный дескриптор поля градиента как удобный аппарат распознавания и анализа цифровых изображений/В.В. Мясников//Компьютерная оптика. -2012. -Т. 36, № 4. -С. 596-604.
- Georghiades, A.S. From few to many: Illumination cone models for face recognition under variable lighting and pose/A.S. Georghiades, P.N. Belhumeur, D.J. Kriegman//IEEE Transactions on Pattern Analysis and Machine Intelligence. -2001. -Vol. 23, Issue 6. -P. 643-660. - DOI: 10.1109/34.927464
- Lee, K.C. Acquiring linear subspaces for face recognition under variable lighting/K.C. Lee, J. Ho, D. Kriegman//IEEE Transactions on Pattern Analysis and Machine Intelligence. -2005. -Vol. 27, Issue 5. -P. 684-698. - DOI: 10.1109/TPAMI.2005.92
- Kanopoulos, N. Design of an image edge detection filter using the sobel operator/N. Kanopoulos//IEEE Journal of Solid State Circuits. -1988. -Vol. 23, Issue 2. -P. 358-367. - DOI: 10.1109/4.996
- Fukunaga K. Introduction to statistical pattern recognition/K. Fukunaga. -San Diego: Academic Press, 1990. -592 p. -ISBN: 0-12-269851-7.
- Tzimiropoulos, G. Principal component analysis of image gradient orientations for face recognition/G. Tzimiropoulos, S. Zafeiriou, M. Pantic//Proceedings of the IEEE International Conference on Automatic Face & Gesture Recognition and Workshops. -2011. -P. 553-558. - DOI: 10.1109/FG.2011.5771457
- Hyvärinen, A. Independent component analysis/A. Hyvärinen, J. Karhunen, E. Oja. -New York: Wiley-Interscience, 2001. -504 p. -ISBN: 978-0-471-40540-5.
- Ruan, Z. On extending the complex FastICA algorithms to noisy data/Z. Ruan, L. Li, G. Qian//Neural Networks. -2014. -Vol. 60. -P. 194-202. - DOI: 10.1016/j.neunet.2014.08.013
- Turk, M. Face recognition using eigenfaces/M. Turk, A. Pentland//Proceedings of the 1991 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. -1991. -P. 586-591. - DOI: 10.1109/CVPR.1991.139758
