Статистические методы кластеризации изображений  гидробионтов

от

Ю.Е. Шишкин, А.Н. Греков

Институт природно-технических систем, РФ, г. Севастополь, ул. Ленина, 28

 E-mail: iurii.e.shishkin@gmail.com

DOI: 10.33075/2220-5861-2020-1-153-159

УДК 681.3

Реферат:

     В настоящей работе приведены результаты исследования эффективности применения статистического подхода к решению задачи кластеризации изображений гидробионтов с использованием модели логистической регрессии для малого числа классов. На примере реальных изображений планктона продемонстрирован процесс построения статистической модели преобразования изображений отдельных организмов в наборы признаков факторного пространства и построения в нем разделяющих гиперплоскостей. Получена оценка вероятности возникновения ошибок первого и второго рода при осуществлении бинарной кластеризации изображений с использованием разделяющей гиперплоскости.

     Задача автоматической кластеризации и идентификации видеопотока изображений гидробионтов в реальном масштабе времени исчерпывающе и в полном объеме не разрешена. Поиск решения задачи осложнен ввиду особенностей предметной области: большое разнообразие видов и морфологических признаков планктона, большое внутриклассовое разнообразие, относительное межклассовое сходство. В том случае, когда распознавание происходит вручную, при больших объемах монотонной работы сказывается влияние человеческого фактора. Поиск оптимальной математической модели классификатора позволит в значительной степени упростить осуществление численной оценки продуктивности водных экосистем, объема приходящей энергии. Рассматривается частный случай задачи кластеризации изображений при малом числе кластеров и статистически различимых наборах признаков гидробионтов. Данное допущение справедливо для экосистем с ограниченных видовым разнообразием, например, Черного и Азовского морей. Предложенная модель является основой интеллектуализации при принятии решений о целесообразности применения статистических методов кластеризации для конкретной рассматриваемой задачи.

Ключевые слова: статистическая кластеризация, EM-алгоритм, интеллектуальный анализ данных, машинное обучение, гидробионты, выявление аномалий, логистическая регрессия.

Для цитирования пройдите по ссылке DOI и используйте опцию Actions-Cite или скопируйте:

[IEEE] Ю.Е. Шишкин, А.Н. Греков, “Статистические методы кластеризации изображений  гидробионтов”, Системы контроля окружающей среды, вып 1, с. 153–159, март 2020.

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Степановских А.С. Общая эколо-гия, М.: Юнити-дана, 2000. 510 с.
  2. Turner J.T. The importance of small planktonic copepods and their roles in pelagic marine food webs // Zoological Studies, vol. 43, № 2, 2004, C. 255–266.
  3. Thompson P.A. Plankton: a guide to their ecology and monitoring for water quality // Commonwealth Scientific and Industrial Research Organization, 2009. C. 7–8. DOI: 10.1071/9780643097131
  4. Шишкин Ю.Е., Скатков А.В. Информационные технологии обнаружения аномалий в мониторинговых наблюдениях: монография. Симферополь: ИТ «АРИАЛ», 2019. 368 с.
  5. Шишкин Ю.Е., Греков А.Н. Методы кластеризации изображений для автоматизированного видеорегистратора и анализатора планктона // Комплексные исследования Мирового океана: материалы IV Всерос. науч. конф. молодых ученых. 2019. С. 380–381.
  6. Инзарцев А.В., Павин А.М., Лебедко О.А. Распознавание и обследование малоразмерных подвод-ных объектов с помощью автономных необитаемых подводных аппаратов // Подводные исследования и робото-техника. 2016. № 2 (22). С. 36–43.
  7. Харинов М.В. Обобщение трех подходов к оптимальной сегментации цифрового изображения // Труды СПИИРАН. 2013. № 2 (25). С. 294–316.
  8. Белим С.В., Кутлунин П.Е. Выделение контуров на изображениях с помощью алгоритма кластеризации // Компьютерная оптика. 2015. Т. 39. № 1. С. 119–124.
  9. Матвеев Ю.Н. Основы теории систем и системного анализа, Тверь: ТГТУ, 2007. 100 с.
  10. Shishkin I.E., Grekov A.N. Analysis of image clusterization methods for oceanographical equipment // 2018 International Russian Automation Conference (RusAutoCon), At Sochi, Russia, September, 2018. DOI: 10.1109/RUSAUTOCON.2018.8501756.
  1. Faillettaz R., Picheral M., Luo J.Y. Imperfect automatic image classification successfully describes plankton distribution patterns // Methods in Oceanography Vol. 15, 2016. C. 60–77.
  2. Яковлева Т.В. Условия применимости статистической модели Райса и расчет параметров Райсовского сигнала методом максимума правдоподобия // Компьютерные исследования и моделирование. 2014. Т. 6. № 1. С. 13–25.
  3. Сирота А.А., Соломатин А.И., Воронова Е.В. Двухэтапный алгоритм обнаружения и оценивания границы объектов на изображениях в условиях аддитивных помех и деформирующих искажений // Компьютерная оптика. 2010. Т. 34. № 1. С. 109–117.
  4. Гданский Н.И., Крашенинников А.М. Разделение объектов в многомерных пространствах признаков при помощи нормальных классификаторов // Социальная политика и социология. 2012. № 3 (81). С. 202–211.
  5. Туганбаев А.А. Высшая математика. Функции многих переменных, двойные и тройные интегралы М.: Флинта, 2019 г. 228 с.

Loading