فضای رنگ ICA برای تشخیص الگو
چکیده
این مقاله یک روش فضای رنگ تحلیل مولفه های مستقل جدید را برای تشخیص الگو ارایه می کند. جدید بودن و تازگی روش فضای رنگ ICA شامل دو مورد است1- استخراج یک الگوی تصویر رنگی موثر بر اساس ICA و 2- پیاده سازی و اجرای طبقه بندی تصویر رنگ کارامد با استفاده از بازنمود تصویر رنگ مستقل و یک مدل فیشر پیشرفته(EFM). اولا، روش فضای رنگی ICA فرض می کند که هر تصویر رنگی با سه تصویر منبع مستقل تعریف می شود که می توان آن را از طریق یک روش تفکیک منبع کور نظیر ICA استخراج کرد. بر حلاف فضای رنگ RGB، که در آن تصاویر مولفه های R، G و B با هم همبستگی دارند، روش فضای رنگ ICA، تصاویر سه مولفه ای C1، C2 و C3 را استخراج می کند که مستقل و غیر هم بسته می باشند. دوما، سه تصویر رنگی مستقل برای تشکیل یک بردار الگوی تکمیل شده الحاق می شوند که بعدیت آن ها از طریق تحلیل مولفه های اصلی کاهش می یابد(PCA). سپس یک EFM ، ویژگی های افتراقی و متمایز بردار الگوی کاهش یافته را برای تشخیص الگو، استخراج می کند. اثر بخشی و کارایی روش فضای رنگ ICA پیشنهادی با استفاده از یک مسئله تشخیص الگوی چالش و یک دیتابیس مقیاس بزرگ نشان داده می شود. به طور اخص، چالش بزرگ تشخیص چهره(FRGC) و محیط ازمایش بیومتریک(BEE) نشان می دهد که برای چالش پذیر ترین نسخه FRGC ازمایش 4 که حاوی 12776 تصویر اموزشی است،16028 تصویر هدف کنترل شده و 8014 تصویر کوئری کنترل نشده، روش فضای رنگ ICA به نرخ تغییر چهره(ROC III) 73.69 درصد در نرخ پذیرش کاذب(FAR) 0.1 درصد در مقایسه با نرخ تایید چهره(FVR) 67.13 درصد فضای رنگ RGB( با استفاده از EFM یکسان) و 11.86 درصد الگوریتم معیار FRGC الگورتیم معیار در FAR یکسان دست پیدا می کند.
1- مقدمه
تصویر رنگ، که با دو متغیر مکانی و یک متغیر مکانی تعیین می شود، سه بعدی و چند طیفی است(14). بعد طیفی معمولا به باند های طیفی قرمز R، سبز G و آبیB نمونه برداری می شود که موسوم به رنگ های اصلی هستند. یک تصویر رنگی دارای سه تصویر می باشد: تصاویر قرمز،آبی و سبز. هر پیکسل از یک تصویر رنگی در فضای رنگی تعیین شده و به صورت یک سیستم مختصات رنگی عمل می کند. یک فضای رنگی رایج و مورد استفاده، فضای رنگ RGB بوده و سایر فضا های رنگی معمولا از فضای رنگ RGCB با استفاده از تبدیلات خطی وغیر خطی محاسبه می شود
Abstract
This paper presents a novel independent component analysis (ICA) color space method for pattern recognition. The novelty of the ICA color space method is twofold: 1) deriving effective color image representation based on ICA, and 2) implementing efficient color image classification using the independent color image representation and an enhanced Fisher model (EFM). First, the ICA color space method assumes that each color image is defined by three independent source images, which can be derived by means of a blind source separation procedure, such as ICA. Unlike the color space, where the , , and component images are correlated, the new ICA color space method derives three component images , , and that are independent and hence uncorrelated. Second, the three independent color component images are concatenated to form an augmented pattern vector, whose dimensionality is reduced by principal component analysis (PCA). An EFM then derives the discriminating features of the reduced pattern vector for pattern recognition. The effectiveness of the proposed ICA color space method is demonstrated using a complex grand challenge pattern recognition problem and a large scale database. In particular, the face recognition grand challenge (FRGC) and the biometric experimentation environment (BEE) reveal that for the most challenging FRGC version 2 Experiment 4, which contains 12 776 training images, 16 028 controlled target images, and 8014 uncontrolled query images, the ICA color space method achieves the face verification rate (ROC III) of 73.69% at the false accept rate (FAR) of 0.1%, compared to the face verification rate (FVR) of 67.13% of the color space (using the same EFM) and 11.86% of the FRGC baseline algorithm at the same FAR space
I. INTRODUCTION Acolor image, determined by a function of two spatial variables and one spectral variable, is 3-D and multispectral [14]. The spectral dimension is usually sampled to the red , green , and blue spectral bends, known as the primay 95 colors. A color image, therefore, contains three component images: the red, green, and blue component images. Each pixel of a color image is specified in a color space, which serves as a color coordinate system. One commonly used color space is the color space, and other RGB color spaces are usually calculated from the RGB color space by means of either linear or nonlinear transformations.
چکیده
1- مقدمه
2- پیش زمینه و هدف
3- فضای رنگICA برای نمایش تصویر رنگی موثر
4- فضای رنگی ICA برای دسته بندی تصویر رنگی کارامد
5- آزمایشات
6- نتیجه گیری
Abstract
. I. INTRODUCT
II. BACKGROUND
. III. ICA COLOR SPACE FOR EFFECTIVE COLOR IMAGE REPRESENTA
IV. ICA COLOR SPACE FOR EFFICIENT COLOR IMAGE CLASSIFICATION
V. EXPERIMENTS
VI. CONCLUSION
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه