(43-6) 14 * << * >> * Русский * English * Содержание * Все выпуски

Реконструкция функций и цифровых изображений по их знаковым представлениям

В.В. Мясников1,2

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

 PDF, 1066 kB

DOI: 10.18287/2412-6179-2019-43-6-1041-1052

Страницы: 1041-1052.

Аннотация:
В работе рассматриваются вопросы реконструкции неявно заданных функций или цифровых изображений. Функции задаются с использованием наблюдений, каждое из которых представляет собой результат парного сравнения значений функции для двух случайных аргументов. Представлен анализ современного состояния исследований для частных постановок указанной проблемы: метод парных сравнений, используемый при принятии решений в случае конечного множества альтернатив; реконструкции предпочтений пользователей в многокритериальных задачах анализа; знаковых представлений изображений, используемых в качестве аппарата описания и анализа цифровых изображений. Предлагается унифицированный подход к реконструкции функций и изображений по их знаковым представлениям, основанный на переходе в пространство высокой размерности и построения линейного (для случая реконструкции функции и изображений) или нелинейного (в т.ч. непараметрического) классификатора (для реконструкции предпочтений). Для ряда алгоритмов классификации проведены экспериментальные исследования по оценке эффективности предложенного подхода на примере задачи реконструкции функции полезности в теории принятия решений и реконструкции функции яркости реальных изображений.

Ключевые слова:
парные сравнения, знаковое представление, функция полезности, функция предпочтения, выявление предпочтений, принятие решений, машинное обучение, цифровое изображение.

Цитирование:
Мясников, В.В. Реконструкция функций и цифровых изображений по их знаковым представлениям / В.В. Мясников // Компьютерная оптика. – 2019. – Т. 43, № 6. – С. 1041-1052. – DOI: 10.18287/2412-6179-2019-43-6-1041-1052.

Благодарности:
Работа выполнена при поддержке Министерства науки и высшего образования в рамках выполнения работ по Государственному заданию ФНИЦ «Кристаллография и фотоника» РАН в части «Введение» и параграфа (1) «Современное состояние исследований», и грантов РФФИ (№ 18-01-00748, 18-29-03135-мк и 17-29-03190-офи) в части параграфов: (2) «Метод реконструкции функций и цифровых изображений по их знаковому представлению» – (4) «Выводы и результаты».

Литература:
  1. He, D.C. Texture unit, texture spectrum, and texture analysis / D.C. He, L. Wang // IEEE Transactions on Geoscience and Remote Sensing. – 1990. – Vol. 28. – P. 509-512.
  2. Цветков, О.В. Вычисление оценки энтропии биосигнала, инвариантной к изменению его амплитуды, с использованием рангового ядра // Известия вузов. Радиоэлектроника. – 1991. – Т. 34, № 8. – С. 108-110.
  3. Цветков, О.В. Оценка близости числовых последовательностей на основе сопоставления их ранговых ядер // Известия вузов. Радиоэлектроника. – 1992. – № 8. – С. 28-33.
  4. Ojala, T. Performance evaluation of texture measures with classification based on Kullback discrimination of distributions / T. Ojala, M. Pietikäinen, D. Harwood // Proceedings of the 12th IAPR International Conference on Pattern Recognition (ICPR 1994). – 1994. – Vol. 1. – P. 582-585.
  5. Ojala, T. A comparative study of texture measures with classification based on feature distributions / T. Ojala, M. Pietikinen // Pattern Recognition. – 1996. – Vol. 29. – P. 51-59.
  6. Pietikäinen, M. Computer vision using local binary patterns / M. Pietikäinen, A. Hadid, G. Zhao, T. Ahonen. – London: Springer-Verlag, 2011. – 212 p. – ISBN: 978-0-85729-747-1.
  7. Brahnam, S. Local binary patterns: New variants and applications / S. Brahnam, C. Lakhmi, L. Nanni, A. Lumini. – Berlin, Heidelberg: Springer-Verlag, 2014.
  8. Ojala, T. Multiresolution grayscale and rotation invariant texture classification with local binary patterns / T. Ojala, M. Pietikinen, T. Menp // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2002 – Vol. 24, Issue 7. – P. 971-987.
  9. Гончаров, A.B. Исследование свойств знакового представления изображений в задачах распознавания образов / A.B. Гончаров // Известия ЮФУ. Технические науки. – 2009. – Тематический выпуск. – С. 178-188.
  10. Каркищенко, А.Н. Исследование устойчивости знакового представления изображений / А.Н. Каркищенко // Автоматика и телемеханика. – 2010. – Т. 9. – С. 57-69.
  11. Броневич, А.Г. Анализ неопределенности выделения информативных признаков и представлений изображений / А.Г. Броневич, А.Н. Каркищенко, А.Е. Лепский // М.: Физматлит, 2013. – 320 с.
  12. Болдин, М.В. Знаковый статистический анализ линейных моделей / М.В. Болдин, Г.И. Симонова, Ю.Н. Тюрин; под ред. Е.Ю. Ходан. – М.: Наука, 1997. – 288 с.
  13. Мясников, В.В. Локальное порядковое преобразование цифровых изображений / В.В. Мясников // Компьютерная оптика. – 2015. – Т. 39, № 3. – С. 397-405. – DOI: 10.18287/0134-2452-2015-39-3-397-405.
  14. Bradley, R.A. Rank analysis of incomplete block designs: I. The method of paired comparisons / R.A. Bradley, M.E. Terry // Biometrika. – 1952. – Vol. 39, No. 3/4. – P. 324-345. – DOI: 10.2307/2334029.
  15. Фишберн, П. Теория полезности для принятия решений / П. Фишберн; пер. с англ. – М.: Наука, 1978. – 352 с.
  16. Preference learning / ed. by J. Fürnkranz, E. Hüllermeier. – Berlin, Heidelberg: Springer-Verlag, 2011. – ISBN: 978-3-642-14124-9.
  17. Murphy, K.P. Machine learning: A probabilistic perspective / K.P. Murphy. – MIT Press, 2012. – 1098 p.
  18. Tsukida, K. How to analyze paired comparison data / K. Tsukida, M.R. Gupta. – UWEE Technical Report Number UWEETR-2011-0004. – Seattle, Washington: 2011. ‑ 27 p.
  19. Thurstone, L.L. A law of comparative judgment / L.L. Thurstone // Psychological Review. – 1927. – Vol. 34, No. 4. – P. 273-286. – DOI: 10.1037/h0070288.
  20. Saaty, T.L. Relative measurement and its generalization in decision making why pairwise comparisons are central in mathematics for the measurement of intangible factors the analytic hierarchy/network process / T.L. Saaty // RACSAM – Revista de la Real Academia de Ciencias Exactas, Fisicas y Naturales. Serie A. Matematicas. – 2008. – Vol. 102, No. 2. – P. 251-318. – DOI: 10.1007/BF03191825.
  21. Viappiani, P. Preference modeling and preference elicitation: An overview / P. Viappiani // CEUR Workshop Proceedings. – 2014. – Vol. 1278. – P. 19-24.
  22. Guo, S. Real-time multiattribute Bayesian preference elicitation with pairwise comparison queries / S. Guo, S. Sanner // Journal of Machine Learning Research. – 2010. – Vol. 9. – P. 289-296.
  23. Arentze, T.A. Adaptive personalized travel information systems: A bayesian method to learn users’ personal preferences in multimodal transport networks / T.A. Arentze // IEEE Transactions on Intelligent Transportation Systems. – 2013. – Vol. 14, Issue 4. – P. 1957-1966. – DOI: 10.1109/TITS.2013.2270358.
  24. Campigotto, P. Personalized and situation-aware multimodal route recommendations: The FAVOUR algorithm / P. Campigotto, C. Rudloff, M. Leodolter, D. Bauer // IEEE Transactions on Intelligent Transportation Systems. – 2017. – Vol. 18, Issue 1. – P. 92-102. – DOI: 10.1109/TITS.2016.2565643.
  25. Zhang, S. Deep learning based recommender system: A survey and new perspectives / S. Zhang, L. Yao, A. Sun, Y. Tay // ACM Computing Surveys. – 2019. – Vol. 52, Issue 1. – 5 (38 p.).
  26. Melnikov, V. Pairwise versus pointwise ranking: A case study / V. Melnikov, P. Gupta, B. Frick, D. Kaimann, E. Hüllermeier // Schedae Informaticae. – 2016. – Vol. 25. – P. 73-83. – DOI: 10.4467/20838476SI.16.006.6187.

© 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