МЕТОД КЛАССИФИКАЦИИ СЛОЖНОСТРУКТУРИРУЕМЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ САМООРГАНИЗУЮЩИХСЯ НЕЙРОСЕТЕВЫХ СТРУКТУР

Актуальность в разработке интеллектуальных систем классификации сложноструктурируемых изображений возникает при обработке снимков с видеокамер беспилотных летательных аппаратов, используемых в навигационных целях при отсутствии связи с искусственными спутниками Земли или при анализе снимков оператором в режиме реального времени. Разработанный метод обеспечивает высокие требования к качеству классификации объектов на снимках, а также быстродействию выделения и классификации исследуемых сегментов изображения. Для классификации таких изображений предложены компьютерные технологии, основанные на методологии бустинга. Пространство информативных признаков формируется посредством спектральных окон, полученных в результате сканирования исходного изображения. Спектральные окна, принадлежащие к различным классам, располагаются в виде кластеров на плоскости Кохонена. Для формирования кластеров применяются правила коррекции векторов весов, позволяющие снизить величины незначащих компонент векторов, и определяются координаты центров кластеров. На основе кластерной структуры плоскости Кохонена строятся сильные классификаторы. Разработана и приведена структура сильного классификатора на нейронных сетях прямого распространения блочного типа, реализованная для задачи классификации рентгенограмм грудной клетки.

1. Томакова Р. А. Проектирование гибридной нейронной сети для анализа сложноструктурируемых медицинских изображений // Системный анализ и управление в биомедицинских системах. 2011. Т. 10. № 4. С. 916–923.

2. Дюдин М. В., Филист С. А., Кудрявцев П. С. Способ выделения и классификации контуров легких на изображениях флюорограмм грудной клетки // Наукоемкие технологии. 2014. Т. 15. № 12. С. 25–30.

3. Томакова Р. А., Филист С. А. Метод обработки и анализа сложноструктурируемых изображений на основе встроен- ных функций среды MATLAB // Вестник Читинского государственного университета. 2012. № 1 (80). С. 3–9.

4. Акимов А. В., Сирота А. А. Разработка и исследование алгоритмов распознавания изображений на основе метода Виолы-Джонса с использованием технологии вычислений на графических процессорах CUDA // Вестник ВГУ. Серия Системный анализ и информационные технологии. 2014. № 3. С. 105–108.

5. Хайкин С. Нейронные сети: полный курс. М.: Вильямс, 2006. 1104 с.

6. Филист С. А., Томакова Р. А., До Яа Зар. Универсальные сетевые модели для задач классификации биомедицинских данных // Известия ЮЗГУ. 2012. № 4 (43). Ч. 2. С. 44–50.

7. Дюдин М. В., Жилин В. В., Кудрявцев П. С. и др. Способ выделения контура изображения легких на рентгеновском снимке грудной клетки // Известия ЮЗГУ. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. 2014. № 4. С. 107–114.

8. Дюдин М. В., Филист С. А., Кудрявцев П. С. Способ выделения и классификации контуров легких на изображениях флюорограмм грудной клетки // Наукоемкие технологии. 2014. Т. 15. № 12. С. 25–30.