В работе рассматриваются общие методы пространственной регистрации изображений. Для улучшения качества добавляются границы на изображение. С помощью алгоритма масштабно-инвариантного преобразования объектов выделяются ключевые точки на изображениях. Путем гомографических преобразований получается совмещенное изображение. Приведены примеры работы алгоритма на медицинских данных. Производится сравнение базового алгоритма и алгоритма с добавлением границ на изображение.
Идентификаторы и классификаторы
В ходе работы были исследованы показатели качества алгоритма, оценивающие качество полученной пары изображений. В качестве метрики качества используется метрика сходства изображений [19, 20]. В качестве метрики качества будем использовать RMSE. Чем меньше данное значение, тем лучше отработал алгоритм. Данное значение показывает расстояние между прогнозируемыми величинами и фактическими. Применительно к паре изображений данная метрика показывает, насколько сильно изображения различаются. Рассмотрим оценку выбранного алгоритма по метрике качества. Также включим данные о числе хороших совпадений, найденных с помощью BFMatcher. Данное число, с одной стороны, будет показывать, насколько хорошо отработал алгоритм, с другой стороны, оно будет пропорционально времени выполнения программы (чем больше число совпадений, тем дольше выполняется алгоритм). В таблице 1 приведено сравнение метрики при различных параметрах k в формуле (1). При нулевом значении k сравнивается алгоритм без использования метода выделения границ с помощью оператора Кэнни. При k=1 для метода используется только значения границ, остальная информация не используется. Можно заметить, что сначала при увеличении k в формуле (1) качество алгоритма начинает улучшаться, а затем при k=0.1 начинает ухудшаться. Чем больше коэффициент, тем меньше парных точек получено в результате работы алгоритма. Полужирным шрифтом выделено лучшее значение RMSE.
Список литературы
-
Sid-Ahmed M. Image Processing. Theory, Algorithms and Architectures. New-York: McGraw- Hill, 1995. 611 p.
-
Гонсалес Р., Вудс Р. Цифровая обработка изображений. 3-е изд. М.: Техносфера, 2012. с. ISBN: 978-5-94836-331-8 EDN: SDTUTF
-
Ушаков К. Д., Канева О. Н. Сравнительный анализ алгоритмов слияния изображений // Прикладная математика и фундаментальная информатика. 2022. Т. 9, №. 3. С. 53-59. DOI: 10.25206/2311-4908-2022-9-3-53-59 EDN: SHTJJC
-
Al-Saleh M., Alsufani N., Saltaji H. [et al.] MRI and CBCT image registration of temporoman-dibular joint: a systematic review // Journal of Otolaryngology - Head & Neck Surgery. 2016. Vol. 45, № 1. P. 1-7. DOI: 10.1186/s40463-016-0144-4 EDN: JNEEVM
-
Thirion J.-P. Non-Rigid Matching Using Demons // Proceedings CVPR IEEE Computer Society Conference on Computer Vision and Pattern Recognition. IEEE, 1996. P. 245-251.
-
Vibashan V., Jeya V., Oza P. [et al.] Image Fusion Transformer // 2022 IEEE International Conference on Image Processing (ICIP). Bordeaux, France: IEEE, 2022. P. 3566-3570. DOI: 10.1109/ICIP46576.2022.9897280
-
Fomel S., Jin L. Time-lapse image registration using the local similarity attribute // Geophysics. 2009. Vol. 74, №. 2. P. A7-A11. DOI: 10.1190/1.3054136
-
Canny J. A Computational Approach to Edge Detection // Transactions on Pattern Analysis and Machine Intelligence. 1986. Vol. PAMI-8, no. 6. P. 679-698.
-
Zhou P., Ye W., Wang Q. An Improved Canny Algorithm for Edge Detection // Journal of Computational Information System. 2011. Vol. 7(5). P. 1516-1523.
-
Маврин Е. Сравнение алгоритмов выделения контуров на цифровом изображении и выбор наилучшего алгоритма для реализации на ПЛИС // Вопросы науки и образование. 2019. № 14 (61). С. 11-24. -
Lowe D. G. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision. 2004. Vol. 60, № 2. P. 91-110. EDN: FOWIVJ -
Bay H., Tuytelaars T., Van Gool L. Surf: Speeded up robust features // Computer Vision-ECCV 2006: 9th European Conference on Computer Vision. Springer Berlin Heidelberg, 2006. P. 404- 417. -
Rublee E., Rabaud V., Konolige K. [et al.] ORB: An efficient alternative to SIFT or SURF // 2011 International conference on computer vision. IEEE, 2011. P. 2564-2571. DOI: 10.1109/ICCV.2011.6126544 -
Rosten E., Drummond T. Fusing Points and Lines for High Performance Tracking // Tenth IEEE International Conference on Computer Vision (ICCV'05). IEEE, 2005. Vol. 2. P. 1508-1515. DOI: 10.1109/ICCV.2005.104 -
Calonder M., Lepetit V., Strecha Ch. [et al.] Brief: Binary robust independent elementary features // Computer Vision-ECCV: 11th European Conference on Computer Vision. Berlin Heidelberg: Springer, 2010. P. 778-792. -
Alcantarilla P. F., Nuevo J., Bartoli A. Fast explicit diffusion for accelerated features in nonlinear scale spaces british machine vision conference (BMVC). 2013. URL: https://projet.liris.cnrs.fr/imagine/pub/proceedings/BMVC-013/Papers/paper0013/paper0013.pdf (date accessed:08.04.2024). -
Alcantarilla P. F., Bartoli A., Davison A. J. KAZE features // Computer Vision-ECCV 2012: 12th European Conference on Computer Vision. Berlin Heidelberg: Springer, 2012. P. 214-227. -
Vijayan V., Pushpalatha K. FLANN Based Matching with SIFT Descriptors for Drowsy Features Extraction // Fifth International Conference on Image Information Processing (ICIIP). Shimla, India: IEEE, 2019. P. 600-605. DOI: 10.1109/ICIIP47207.2019.8985924 -
Melbourne A., Ridgway G., Hawkes D. J. Image similarity metrics in image registration // Medical Imaging 2010: Image Processing. 2010. Vol. 7623. P. 962-971. DOI: 10.1117/12.840389 EDN: OFCSXH -
Müller M. U., Ekhtiari N., Almeida R. [et al.] Super-resolution of multispectral satellite images using convolutional neural networks // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2020. Vol. V-1. P. 33-40. 10.5194/isprs-annals-V-1- 2020-33-2020. DOI: 10.5194/isprs-annals-V-1-2020-33-2020
Выпуск
Другие статьи выпуска
Исследуются методы сравнения деревьев в теории графов. Алгоритмы основаны на метриках деревьев, комбинаторных характеристиках, их структурах и расстояниях, таких как редакционное расстояние или количество общих поддеревьев. Алгоритмы могут быть использованы для сравнения абстрактных синтаксических деревьев, чтобы определить сходство между различными текстами программ. Результаты сравнения могут быть использованы для автоматического нахождения плагиата кода и определения схожести программного обеспечения.
В статье рассматривается проектирование и реализация построения рекомендаций в web-приложении онлайн-библиотеки. Исследуются такие методы построения рекомендаций, как контентная и коллаборативная фильтрации, и возможные варианты их реализации. В числе исследованных вариантов - такие методы машинного обучения, как кластеризация и регрессия, представленные тематическим моделированием и прогнозированием предпочтений, и в статье описываются алгоритмы, лежащие в основе каждого из выбранных методов, а также представляются результаты работы полученных моделей. Разработанное решение реализовано в виде сервиса онлайн-библиотеки и помогает пользователям с поиском интересующей их литературы среди книг, размещенных на ресурсе.
Задача извлечения структурированных данных из слабоструктурированного текстового представления информации является трудоёмкой, но актуальной. В статье рассмотрена задача структурирования данных для формирования дескрипторной модели студента с его компетенциями. Разработано решение, которое показывает хорошие результаты при условии, что в наличии есть большое количество данных для обучения. Данное решение можно переработать и распространить на другие области, например, проектную деятельность.
В статье представлен разработанный алгоритм генерации музыки, основанный на методах глубокого машинного обучения. Алгоритм использует наборы данных из разных жанров музыки для обучения модели и генерации новых музыкальных композиций. В статье приведены основные этапы разработки алгоритма, включая сбор и предобработку данных, выбор и настройку архитектуры модели, определение функций потерь и активации, выбор оптимизатора. Приводятся результаты экспериментов, демонстрирующие эффективность разработанного алгоритма в генерации музыки. Эта статья представляет интерес для исследователей в области машинного обучения и компьютерной музыки, а также для музыкантов и композиторов, ищущих новые идеи для создания музыки
В статье рассматривается математическая модель биологической ткани. Модель состоит из уравнений сохранения массы с учетом фазовых переходов, обобщенных законов Дарси для каждой из двух фаз и уравнения диффузии для питательных веществ. Переход к автомодельной переменной типа «бегущей волны» сводит исходную нелинейную задачу к системе обыкновенных дифференциальных уравнений, одно из которых вырождается на искомом решении. Доказана теорема существования слабого решения и установлено свойство конечной скорости распространения возмущений.
Издательство
- Издательство
- ОмГТУ
- Регион
- Россия, Омск
- Почтовый адрес
- 644050, Российская Федерация, г. Омск, пр-т Мира, д. 11
- Юр. адрес
- 644050, Российская Федерация, г. Омск, пр-т Мира, д. 11
- ФИО
- Корчагин Павел Александрович (Ректор )
- E-mail адрес
- info@omgtu.ru
- Контактный телефон
- +7 (381) 2653407
- Сайт
- https://omgtu.ru/