Экспериментальные исследования дескриптора формы бинарной фигуры на основе профиля вращения

В работе представлены результаты экспериментальных исследований дескриптора формы, основанного на профиле вращения, для задач классификации листьев растений. Дескриптор представляет собой последовательность значений, полученных путем поворота фигуры относительно самой себя с заданным угловым шагом в интервале от 0 до 180 градусов. Для каждого угла поворота вычисляется мера Жаккара, отражающая сходство между исходной и повернутой фигурами. Предложенный дескриптор обладает инвариантностью к преобразованиям подобия, что обеспечивает его эффективность при анализе объектов с разной формой. Эксперименты проводились на четырех задачах классификации с применением трех типов классификаторов: метода опорных векторов (SVM), градиентного бустинга (XGBoost) и нейронной сети (NN Simple). Эффективность дескриптора сравнивалась с традиционными подходами, включая моменты Зернике, геометрические моменты и моменты Ху. Кроме того, для сравнения использовались распознавания на растровых изображениях с помощью сверточных нейронных сетей (ResNet50, VGG16, CNN Simple). Результаты показали высокую точность и стабильность предложенного дескриптора формы в различных контекстах классификации, а также подтвердили его большой потенциал для задач анализа формы в компьютерном зрении.

1. Zhang D., Lu G. Shape-Based Image Retrieval Using Generic Fourier Descriptor. Signal Processing: Image Communication. 2002;17(10):825–848. https://doi.org/10.1016/S0923-5965(02)00084-X

2. Kuhl F.P., Giardina Ch.R. Elliptic Fourier Features of a Closed Contour. Computer Graphics and Image Processing. 1982;18(3):236–258. https://doi.org/10.1016/0146-664X(82)90034-X

3. Dudek G., Tsotsos J.K. Shape Representation and Recognition from Multiscale Curvature. Computer Vision and Image Understanding. 1997;68(2):170–189. https://doi.org/10.1006/cviu.1997.0533

4. Zhang D., Lu G. A Comparative Study of Three Region Shape Descriptors. In: DICTA2002: Digital Image Computing Techniques and Applications, 21–22 January 2002, Melbourne, Australia. 2002. P. 86–91.

5. Li E., Li H. Reflection Invariant and Symmetry Detection. arXiv. URL: https://arxiv.org/abs/1705.10768 [Accessed 21st May 2025].

6. Seredin O., Lomov N., Liakhov D., et al. Rotation Profile-Based Binary Shape Descriptor. The Visual Computer. 2025;41:8911–8933. https://doi.org/10.1007/s00371-025-03906-9

7. Qi Sh., Zhang Yu., Wang Ch., Zhou J., Cao X. A Survey of Orthogonal Moments for Image Representation: Theory, Implementation, and Evaluation. ACM Computing Surveys. 2021;55(1). https://doi.org/10.1145/3479428

8. Xiao B., Ma J.-F., Wang X. Image Analysis by Bessel-Fourier Moments. Pattern Recognition. 2010;43(8):2620–2629. https://doi.org/10.1016/j.patcog.2010.03.013

9. Teague M.R. Image Analysis via the General Theory of Moments. Journal of the Optical Society of America. 1980;70(8):920–930. https://doi.org/10.1364/JOSA.70.000920

10. Bedratyuk L. On Complete System of Invariants for the Binary Form of Degree 7. arXiv. URL: https://arxiv.org/abs/math/0611122 [Accessed 21st May 2025].

11. Рогов А.А., Быстров М.Ю. Структурное распознавание бинарных изображений с использованием скелетов. Математические методы распознавания образов. 2011;15(1):420–423.

12. Kervadec H., Bahig H., Létourneau-Guillon L., Dolz J., Ayed I.B. Beyond Pixel-Wise Supervision for Segmentation: A Few Global Shape Descriptors Might Be Surprisingly Good! In: Medical Imaging with Deep Learning, 07–09 July 2021, Lübeck, Germany. PMLR; 2021. P. 354–368.

13. Jaccard P. Étude comparative de la distribution florale dans une portion des Alpes et du Jura. Bulletin de la Société Vaudoise des Sciences Naturelles. 1901;37(142):547–579. https://doi.org/10.5169/seals-266450

14. Seredin O., Liakhov D., Kushnir O., Lomov N. Jaccard Index-Based Detection of Order 2 Rotational Quasi-Symmetry Focus for Binary Images. Pattern Recognition and Image Analysis. 2022;32(3):672–681. https://doi.org/10.1134/S1054661822030403

15. Lomov N., Seredin O., Kushnir O., Liakhov D. Search for Rotational Symmetry of Binary Images via Radon Transform and Fourier Analysis. In: Proceedings of the 18th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications: Volume 4, 19–21 February 2023, Lisbon, Portugal. SCITEPRESS; 2023. P. 280–289. https://doi.org/10.5220/0011679900003417

16. Bradski G. The OpenCV Library. Dr. Dobb's Journal: Software Tools for the Professional Programmer. 2000;25(11):120–123.

17. Coelho L.P. Mahotas: Open Source Software for Scriptable Computer Vision. arXiv. URL: https://arxiv.org/abs/1211.4907 [Accessed 21st May 2025].

18. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System. In: KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 13–17 August 2016, San Francisco, CA, USA. New York: Association for Computing Machinery; 2016. P. 785–794. https://doi.org/10.1145/2939672.2939785

19. Сенин А.Н., Тирас Х.П., Местецкий Л.М. Генерация признаков формы по изображениям листьев для биоиндикации. Экология. Экономика. Информатика. Серия: Системный анализ и моделирование экономических и экологических систем. 2022;1(7):66–75. https://doi.org/10.23885/2500-395X-2022-1-7-66-75

20. Liakhov D.V., Mityugov N.S., Gracheva I.A., Kopylov A.V., Seredin O.S., Tiras Kh.P. Scanned Plant Leaves Boundary Detection in the Presence of a Colored Shadow. Pattern Recognition and Image Analysis. 2022;32(3):575–585. https://doi.org/10.1134/S1054661822030221

21. Sitarz M. Extending F1 Metric, Probabilistic Approach. Advances in Artificial Intelligence and Machine Learning. 2023;3(2):1025–1038. https://doi.org/10.54364/aaiml.2023.1161

22. Sitarz M. Extending F1 Metric, Probabilistic Approach. arXiv. URL: https://arxiv.org/abs/2210.11997 [Accessed 21st May 2025].

23. Seredin O.S., Kopylov A.V. Harmonic Averaging in Classifier Quality Assessment. Pattern Recognition and Image Analysis. 2024;34(4):1160–1171. https://doi.org/10.1134/S1054661824701220

24. Wu S.G., Bao F.Sh., Xu E.Y., Wang Yu-X., Chang Y.-F., Xiang Q.-L. A Leaf Recognition Algorithm for Plant Classification Using Probabilistic Neural Network. In: 2007 IEEE International Symposium on Signal Processing and Information Technology, 15–18 December 2007, Giza, Egypt. IEEE; 2007. P. 11–16. https://doi.org/10.1109/ISSPIT.2007.4458016

25. Meyer M., Spruyt J. BEN: Using Confidence-Guided Matting for Dichotomous Image Segmentation. arXiv. URL: https://arxiv.org/abs/2501.06230 [Accessed 21st May 2025].