Симметричные паттерны в изображениях природных сцен

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Пронин С.В. Симметричные паттерны в изображениях природных сцен // Оптический журнал. 2022. Т. 89. № 1. С. 24–32. http://doi.org/10.17586/1023-5086-2022-89-01-24-32

Pronin S.V. Symmetrical patterns in natural images [in Russian] // Opticheskii Zhurnal. 2022. V. 89. № 1. P. 24–32. http://doi.org/10.17586/1023-5086-2022-89-01-24-32

Ссылка на англоязычную версию:

S. V. Pronin, "Symmetrical patterns in natural images," Journal of Optical Technology. 89(1), 17-22 (2022). https://doi.org/10.1364/JOT.89.000017

Аннотация:

Один из подходов к анализу изображений основан на использовании визуальных алфавитов, состоящих из компактных паттернов, характерных для изображений данного класса. Элементы этих алфавитов могут быть получены либо из теоретической модели, описывающей базовые структуры изображения, либо извлечены непосредственно из обучающих выборок. В данной работе исследовались симметричные паттерны, характерные для изображений природных сцен. Выбор этого класса паттернов обусловлен тем, что объекты, представляющие интерес, обладают, как правило, по крайней мере локальной симметрией. Кроме того, отбор только симметричных паттернов позволяет отбросить большинство фрагментов случайных текстур, которые чаще всего симметрией не обладают. Выборка изображений, использованная в данной работе, состояла из 829 монохромных фотографий, на которых в различных масштабах были изображены природные объекты и текстуры. Из данной выборки отбирались фрагменты диаметром 13 пикселов, обладающие одним из девяти типов симметрии. Полученные множества симметричных фрагментов обрабатывались с помощью алгоритма кластерного анализа DBSCAN, позволяющего анализировать кластеры произвольной формы. Было получено 15 типов паттернов, из которых пять типов ранее не использовались в качестве элементов визуальных алфавитов. Большинство полученных паттернов обладает зеркальной симметрией, что согласуется с результатами психофизических исследований, согласно которым зеркальная симметрия распознается быстрее, чем другие типы симметрий. Полученные данные могут быть использованы для формирования элементов визуальных алфавитов, а также для синтеза стимулов при проведении экспериментов в области физиологии зрения.

Ключевые слова:

локальная структура изображений, визуальные алфавиты, изображения природных сцен, симметричные паттерны, DBSCAN

Коды OCIS: 100.2960, 330.5000

Список источников:

1. Ramanan A., Niranjan M. A review of codebook models in patch-based visual object recognition // J. Signal Processing Systems. 2012. V. 68. P. 333–352
2. Lillholm M., Griffin L. Novel image feature alphabets for object recognition // 19th Internat. Conf. Pattern Recognition. Tampa, USA. 2008, Dec. 8–11. V. 1. P. 1–4.
3. Aslan S., Akgül C., Sankur B., Tunali T. SymPaD: Symbolic patch descriptor // Proc. 10th Internat. Conf. Computer Vision Theory and Applications. Berlin, Germany. 2015, March 11–14. V. 2. P. 266–271.
4. Lee A.B., Pedersen K.S., Mumford D. The nonlinear statistics of high-contrast patches in natural images // Internat. J. Computer Vision. 2003. V. 54. P. 83–103.
5. Agarwal S., Roth D. Learning a sparse representation for object detection // Proc. Seventh European Conf. Computer Vision. Copenhagen, Denmark. 2002, May 28–31. V. 4. P. 113–130.
6. Leibe B., Schiele B. Interleaved object categorization and segmentation // Proc. British Machine Conf. / Ed. Harvey R., Bangham A. Durham: BMVA Press, 2003. P. 78.1–78.10.
7. Harris C., Stephens M. A combined corner and edge detector // Proc. Fourth Alvey Vision Conf. Manchester, UK. 1988, Aug. 31 — Sept. 2. P. 147–151.
8. Jurie F., Triggs B. Creating efficient codebooks for visual recognition // 10th IEEE Internat. Conf. on Computer Vision. Beijing, China. 2005, Oct. 17–21. V. 1. P. 604–610.
9. Wagemans J. Detection of visual symmetries // Spatial Vision. 1995. V. 9. № 1. P. 9–32.
10. Griffin L. Symmetries of 2-D images: Cases without periodic translations // J. Mathematical Imaging and Vision. 2009. V. 34. № 3. P. 259–269.
11. Keys R. Cubic convolution interpolation for digital image processing // IEEE Trans. Acoustics, Speech, and Signal Proc. 1981. V. 29. № 6. P. 1153–1160.
12. Ester M., Kriege H.P., Sander J., Xu X. A density-based algorithm for discovering clusters in large spatial databases with noise // Proc. Second Internat. Conf. Knowledge Discovery and Data Mining. Portland, Oregon. 1996. P. 226–231
13. van Hateren J.H., Ruderman D.L. Independent component analysis of natural image sequences yields spatiotemporal filters similar to simple cells in primary visual cortex // Proc. Royal Soc. of London. 1998. V. 265. P. 2315–2320.
14. Royer E. Detection of symmetry // J. Experimental Psychology: Human Perception and Performance. 1981. V. 7. № 6. P. 1186–1210.
15. Tyler С. Human symmetry perception and its computational analysis. London: Lawrence Erlbaum Associates, Inc., 2002. 393 p.