Сравнение алгоритмов описания комплекснозначного поля градиентов цифровых изображений с использованием линейных методов снижения размерности
Дмитриев Е.А., Мясников В.В.

Самарский национальный исследовательский университет имени академика С.П. Королева, 443086, Россия, г. Самара, Московское шоссе, д. 34;
ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН, 443001, Россия, г. Самара, ул. Молодогвардейская, д. 151

Аннотация:
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.

Ключевые слова:
распознавание лиц, метод главных компонент, метод независимых компонент, линейный дискриминантный анализ, модельно-ориентированные дескрипторы, The Extended Yale Database B, описание изображения.

Цитирование:
Дмитриев, E.А.
Сравнение алгоритмов описания комплекснозначного поля градиента цифровых изображений с использованием линейных методов снижения размерности / Е.А. Дмитриев, В.В. Мясников // Компьютерная оптика. – 2018. – Т. 42, № 5. – С. 822-828. – DOI: 10.18287/2412-6179-2018-42-5-822-828.

Литература:

  1. 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.
  2. 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.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. 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.
  12. 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.
  13. 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.
  14. 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.
  15. Fukunaga K. Introduction to statistical pattern recognition / K. Fukunaga. – San Diego: Academic Press, 1990. – 592 p. – ISBN: 0-12-269851-7.
  16. 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.
  17. Hyvärinen, A. Independent component analysis / A. Hyvärinen, J. Karhunen, E. Oja. – New York: Wiley-Interscience, 2001. – 504 p. – ISBN: 978-0-471-40540-5.
  18. 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.
  19. 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.

  20. © 2009, IPSI RAS
    Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20