doi: 10.18698/2309-3684-2024-2-4667
В статье исследуется применение перцептивных хеш-функций для повышения эффективности поиска изображений аэрофотосъемки и спутникового дистанционного зондирования, сегментированных свёрточной нейронной сетью. Анализируются три алгоритма хеширования. Первый алгоритм основан на использовании низкочастотного фильтра и направлен на уменьшение детализации изображения с целью выделения наиболее устойчивых признаков изображения. Второй алгоритм использует двумерное дискретно-косинусное преобразование для создания хеша изображения. Третий алгоритм основан на преобразовании Радона, которое позволяет извлечь информацию о направлениях линий на изображении, а также обеспечить максимальную инвариантность к преобразованию на вращение входного изображения. В статье проводится тестирование данных алгоритмов, включающее анализ их инвариантности к преобразованиям на вращение, масштабирование и сдвиг исходного изображения. Результаты тестирования показывают, что алгоритм, основанный на преобразовании Радона, проявляет хорошую инвариантность к вращению, однако он чувствителен к качеству сегментации, что может привести к частым коллизиям при поиске схожих изображений. Более стабильными и имеющими меньший разброс значений оказались алгоритмы с использованием двумерного дискретно-косинусного преобразования и алгоритм с применением низкочастотного фильтра. Однако следует отметить, что алгоритмы, использующие низкочастотный фильтр и двумерное дискретно-косинусное преобразование, могут оказаться неприменимыми в случае повернутых изображений. По результатам анализа и сравнения производительности алгоритмов, рекомендуется отдать предпочтение либо второму, либо третьему алгоритму, т.к. каждый из них имеет свои достоинства и недостатки и решение о применении конкретного алгоритма в задаче поиска максимально схожего изображения, необходимо учитывать конкретные условия и ограничения задачи, а также требования к качеству сравнения изображений.
[1] Достовалова А.М. Моделирование локально-однородных радиолокационных изображений при использовании различных статистических критериев. Математическое моделирование и численные методы, 2021, № 4, c. 103–120.
[2] Достовалова А.М. Применение модели смеси вероятностных распределений в обработке радио локационных изображений. Математическое моделирование и численные методы, 2020, № 3, c. 117–130.
[3] Hadmi A., Puech W., Es Said B.A., Ait A. Perceptual Image Hashing. Watermarking — Volume 2. InTech, 2012. DOI: 10.5772/37435
[4] Сэломон Д. Сжатие данных, изображений и звука. Москва, Техносфера, 2004, 368 с.
[5] Марчевский И.К., Пузикова В.В. Анализ эффективности итерационных методов решения систем линейных алгебраических уравнений. Математическое моделирование и численные методы, 2014, № 4, с. 37–52.
[6] Loeffler C., Ligtenberg A., Moschytz G.S. Practical fast 1-D DCT algorithms with 11 multiplications. International Conference on Acoustics, Speech, and Signal Processing, 1989, vol. 2, pp. 988–991. DOI: 10.1109/ICASSP.1989.266596
[7] Nguyen D.Q., Weng L., Preneel B. Radon Transform-Based Secure Image Hashing. CMS 2011: Communications and Multimedia Security, 2011, p. 186–193. DOI: 10.1007/978-3-642-24712-5_1
[8] Standaert F.-X., Lefebvre E., Rouvroy G., Macq B., Quisquater J.-J., Legat J.-D., Practical evaluation of a radial soft hash algorithm. International Conference on Information Technology: Coding and Computing (ITCC'05), 2005, vol. 2, pp. 89–94. DOI: 10.1109/ITCC.2005.229
[9] Xia J., Yokoya N., Adriano B., Broni-Bediako C. OpenEarthMap: A Benchmark Dataset for Global High-Resolution Land Cover Mapping. arXiv.org, 2022. DOI: https://arxiv.org/abs/2210.10732
[10] Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. arXiv.org, 2015. URL: https://arxiv.org/abs/2210.10732
Валишин А.А., Запривода А.В., Цухло С.С. Моделирование и сравнительный анализ эффективности перцептивных хеш-функций для поиска сегментированных изображений. Математическое моделирование и численные методы, 2024, № 2, с. 46-67.
Количество скачиваний: 33