ФОРМИРОВАНИЕ ПРИЗНАКОВОГО ПРОСТРАНСТВА ДЛЯ ЗАДАЧ КЛАССИФИКАЦИИ СЛОЖНОСТРУКТУРИРУЕМЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ СПЕКТРАЛЬНЫХ ОКОН И НЕЙРОСЕТЕВЫХ СТРУКТУР

Самоорганизующиеся нейросетевые структуры предназначены для выделения на изображении сегментов заданного класса. актуальность в разработке интеллектуальных систем классификации сложнострук-турируемых изображений возникает при обработке рентгенограмм. Для классификации сложнострукту-рируемых изображений предложены компьютерные технологии, построенные на методологии бустинга. Пространство информативных признаков формируется посредством спектральных окон, полученных в результате сканирования исходного изображения. Спектральные окна предлагается использовать в качестве альтернативы примитивам Хаара, используемым в методе классификации изображений Виолы-Джонса. Спектральные окна, принадлежащие к различным классам, располагаются в виде кластеров на плоскости Кохонена. Для формирования кластеров используются правила коррекции векторов весов текущего примера, построенные на основе известного правила Кохонена. Предварительно вводится расстояние на плоскости Кохонена и осуществляется коррекция весовых коэффициентов кластеров, позволяющая снизить величины незначащих компонент векторов, определяющих координаты кластеров. На основе кластерной структуры плоскости Кохонена строятся сильные классификаторы. В качестве примера реализации сильного классификатора приведена структура сильного классификатора на нейронных сетях прямого распространения блочного типа. В качестве примера реализации предложенной компьютерной технологии рассмотрена задача классификации рентгенограмм грудной клетки с пневмонией.

классификация сложноструктурируемых изображений, методология бустинга, спектральный анализ, сети Кохонена, слабые классификаторы, обучение классификаторов, алгоритм, classification of complex structured images, methodology of boosting, spectral analysis, Kohonen networks, weak classifiers, classifiers training, algorithm

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

2. Автоматические классификаторы сложно структурируемых изображений на основе мультиметодных технологий многокритериального выбора / С.А. Филист, М.В. Дюдин, И.В. Зуев [и др.] // Вопросы радиоэлектроники. Серия «Системы и средства отображения информации и управления спецтехникой» (СОИУ). - 2015. - Вып. 1. - С.130-140.

3. Томакова Р.А., Филист С.А. Метод обработки и анализа сложноструктурируемых изображений на основе встроенных 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: [пер. с англ.] - М.: ООО «И.Д. Вильямс», 2006. - 1104 с.

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

7. Способ выделения контура изображения легких на рентгеновском снимке грудной клетки / М.В. Дюдин, В.В. Жилин, П.С. Кудрявцев [и др.] // Известия Юго-Западного государственного университета. 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. - № 12, т. 15. - С. 25-30.