THE FORMATION OF FEATURE SPACE FOR CLASSIFICATION PROBLEMS OF COMPLEX STRUCTURED IMAGES BASED ON SPECTRAL WINDOWS AND NEURAL NETWORK STRUCTURES

Self-organizing neural network structures are designed to highlight the segments of a given class in the image. The relevance in the development of intelligent classification systems of complex structured images occurs when we process radiographs. For classification of complex structured images there have been proposed computer technologies based on boosting methodology. The space of informative features is formed by spectral windows obtained by scanning the original image. The spectral windows can be used as an alternative to the primitives of Haar being used for the image classification by Viola-Jones. The spectral windows belonging to different classes are arranged in the form of clusters on the plane of Kohonen. For clusters formation the rules of correcting the vectors of weights of the current example are used being constructed on the Kohonen rule. Initially distance is entered in the plane of Kohonen and the correction of the weight coefficients of clusters is carried out, allowing to reduce the magnitudes of insignificant component vectors, determining the coordinates of the clusters. Based on the cluster structure of the plane of Kohonen, strong classifiers are built. As an example of implementation of strong classifier there has been given the structure of a strong classifier based on neural networks of direct distribution of block type. As an example of implementation of the proposed computer technology there has been considered the task of classifying radiographs of chest with pneumonia.

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.