1. UJIT
  2. Всі випуски
  3. Том 2 · Номер 1 · 2020
  4. ОЦІНКА ЕФЕКТИВНОСТІ МЕТОДІВ САМООЦІНЮВАННЯ ЗОБРАЖЕННЯ

ОЦІНКА ЕФЕКТИВНОСТІ МЕТОДІВ САМООЦІНЮВАННЯ ЗОБРАЖЕННЯ

UJIT.
2020;
Випуск 2, Номер 1
: 8-14
https://doi.org/10.23939/ujit2020.02.008
Надіслано: Липень 27, 2020
Прийнято: Жовтень 25, 2020

Цитування за ДСТУ: Парубочий В. О., Шувар Р. Я. Оцінка ефективності методів самооцінювання зображення. Український журнал інформаційних технологій. 2020, т. 2, № 1. С. 08–14.

Citation APA: Parubochyi, V. O., & Shuvar, R. Ya. (2020). Performance evaluation of Self-Quotient image methods. Ukrainian Journal of Information Technology, 2(1), 08–14. https://doi.org/10.23939/ujit2020.02.008

Автори:
  1. В. О. Парубочий
  2. Р. Я. Шувар
1
Львівський національний університет імені Івана Франка
2
Львівський національний університет імені Івана Франка

Нормалізація освітлення є дуже важливою проблемою в системах розпізнавання зображень, оскільки різні умови освітлення можуть істотно змінити результати розпізнавання, а нормалізація освітлення дає змогу мінімізувати негативні наслідки різних умов освітлення. У цій роботі ми оцінюємо ефективність розпізнавання декількох методів нормалізації освітлення, заснованих на методі самооцінювання зображення SQI (англ. Self-Quotient Image method), запровадженому Haitao Wang, Stan Z. Li, Yangsheng Wang, та Jianjun Zhang. Для оцінки ми вибрали оригінальну реалізацію та найперспективніші модифікації оригінального методу SQI, в т.ч. й метод Gabor Quotient ImagE(GQI), запропонований Sanun Srisuk та Amnart Petpon у 2008 році, а також метод Fast Self-Quotient ImagE(FSQI) та його модифікації, запропоновані авторами статті в попередніх роботах. У цій роботі ми запропонували модель оцінки, яка використовує Cropped Extended Yale Face Database B, що дає змогу показати відмінність результатів розпізнавання для різних умов освітлення. Також ми перевіряємо всі результати за допомогою двох класифікаторів: класифікатора найближчих сусідів (англ. Nearest Neighbor Classifier) та лінійного класифікатора опорних векторів (англ. Linear Support Vector Classifier). Такий підхід дає змогу не тільки обчислити точність розпізнавання для кожного методу та вибрати найкращий метод, але й показати важливість правильного вибору методу класифікації, який може мати значний вплив на результати розпізнавання. Нам вдалося показати значне зменшення точності розпізнавання для необроблених (RAW) зображень із збільшенням кута між джерелом освітлення та нормаллю до об'єкта. З іншого боку, наші експерименти показали майже рівномірний розподіл точності розпізнавання для зображень, оброблених методами нормалізації освітлення на підставі методу SQI. Ще одним отриманим, проте очікуваним результатом, представленим у цій роботі, є підвищення точності розпізнавання із збільшенням розміру ядра фільтра. Однак великі розміри ядра фільтра є більш обчислювально-затратні і можуть спричинити негативні ефекти на вихідних зображеннях. Окрім цього, в наших експериментах було показано, що друга модифікація методу FSQI, яку ми скорочено позначаємо як FSQI3, краща майже в усіх випадках для всіх розмірів ядра фільтра, особливо якщо ми використовуємо лінійний класифікатор опорних векторів для класифікації.

нормалізація освітлення
метод самооцінювання зображень
SQI
фільтр Гауса
фільтр Габора
метод Габора для самооцінювання зображень
GQI
метод швидкої самооцінювання зображень
FSQI
  1. Adini, Y, Moses, Y., & Ullman, S. (1997). Face recognition: the problem of compensating for changes in illumination direction. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(7), 721–732. https://doi.org/10.1109/34.598229
  2. Belhumeur, P. N., Hespanha, J. P., & Kriegman, D. J. (1997). Eigenfaces vs. Fisherfaces: recognition using class specific linear projection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(7), 711–720. https://doi.org/10.1109/34.598228
  3. Boser, B. E., Guyon, I. M., & Vapnik, V. N. (1996). A Training Algorithm for Optimal Margin Classifier. Proceedings of the Fifth Annual ACM Workshop on Computational Learning Theory (COLT 92), Association for Computing Machinery, New York, NY, USA, 144–152. https://doi.org/10.1145/130385.130401
  4. Chen, T., Yin, W., Zhou, X. S., Comaniciu, D., & Huang, T. S. (2005). Illumination normalization for face recognition and uneven background correction using total variation based image models. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR05), 2, 532–539, San Diego, CA, USA. https://doi.org/10.1109/CVPR.2005.181
  5. Cortes, C., & Vapnik, V. (2004). Support-Vector Networks. Machine Learning, 20, 273–297. https://doi.org/10.1007/BF00994018
  6. Fan, R.-E., Chang, K.-W., Hsieh, C.-J., Wang, X.-R., & Lin, C.-J. (2008). LIBLINEAR: A Library for Large Linear Classification. Journal of Machine Learning Research, 9, 1871–1874.
  7. Georghiades, A. S., Belhumeur, P. N., & Kriegman, D. J. (2001). From Few to Many: Illumination Cone Models for Face Recognition Under Variable Lighting and Pose. IEEE Transactions on Pattern Analysis and Machine Intelligence, 23(6), 643–660. https://doi.org/10.1109/34.927464
  8. Georghiades, A. S., Kriegman, D. J., & Belhumeur, P. N. (1998). Illumination Cones for Recognition under Variable Lighting: Faces. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 98), 52–59. https://doi.org/10.1109/CVPR.1998.698587
  9. Gonzalez, R. C., & Woods, R. E. (2001). Digital Image Processing (2nd. ed.). Addison-Wesley Longman Publishing Co. Inc., USA., 793.
  10. Gross, R., & Brajovie, V. (2003). An Image Preprocessing Algorithm for Illumination Invariant Face Recognition. 4th International Conference on Audio and Video Based Biometric Person Authentication (AVBPA), 10–18.
  11. Gryciuk, Yu. I., & Grytsyuk, P. Yu. (2015). Contemporary problems of scientific evaluation of the application software quality. Scientific Bulletin of UNFU, 25(7), 284–294. https://doi.org/10.15421/40250745
  12. Hallinan, P. W. (1994). A low-dimensional representation of human faces for arbitrary lighting conditions. 1994 Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 995–999. https://doi.org/10.1109/CVPR.1994.323941
  13. Heusch, G., Cardinaux, F., & Marcel, S. (2005). Lighting Normalization Algorithms for Face Verification. IDIAP.
  14. Hrytsiuk, Yuriy, & Bilas, Orest. (2019). Visualization of Software Quality Expert Assessment. IEEE 2019 14th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT 2019), (Vol. 2, pp. 156–160), 17–20 September, 2019. https://doi.org/10.1109/stc-csit.2019.8929778
  15. Jobson, D. J., Rahman, Z., & Woodell, G. A. (1997). A multiscale retinex for bridging the gap between color images and the human observation of scenes. IEEE transactions on image processing: a publication of the IEEE Signal Processing Society, 6(7), 965–976. https://doi.org/10.1109/83.597272
  16. Land, E. H., & McCann, J. J. (1971). Lightness and Retinex Theory. Journal of the Optical Society of America, 61, 1–11. https://doi.org/10.1364/josa.61.000001
  17. Lee, K. C., Ho, J., & Kriegman, D. J. (2005). Acquiring linear subspaces for face recognition under variable lighting. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(5), 684–698. https://doi.org/10.1109/TPAMI.2005.92
  18. Makwana, R. M. (2010). Illumination invariant face recognition: A survey of passive methods. Procedia Computer Science, 2, 101–110. https://doi.org/10.1016/j.procs.2010.11.013
  19. Muruganantham, S., & Jebarajan, T. (2011). Exaggerate Self Quotient Image Model for Face Recognition Enlist Subspace Method. International Journal of Computer Science and Information Security (IJCSIS), 9(6), 264–269
  20. Nimeroff, J. S., Simoncelli, E., & Dorsey, J. (1994). Efficient rerendering of naturally illuminated environments. Proceedings of the Fifth Annual Eurographics Symposium on Rendering.
  21. Nishiyama, M., Kozakaya, T., & Yamaguchi, O. (2008). Illumination Normalization using Quotient Image-based Techniques, Recent Advances in Face Recognition KresimirDelac, IntechOpen, 97–108. https://doi.org/10.5772/6396
  22. Parubochyi, V., & Shuvar, R. (2019). Normalization Modifications for Fast Self-Quotient Image Method. 2019 XIth International Scientific and Practical Conference on Electronics and Information Technologies (ELIT), Lviv, Ukraine, 179–182. https://doi.org/10.1109/ELIT.2019.8892347
  23. Parubochyi, V., & Shuwar, R. (2018). Fast self-quotient image method for lighting normalization based on modified Gaussian filter kernel. The Imaging Science Journal, 66(8), 471–478. https://doi.org/10.1080/13682199.2018.1517857
  24. Pizer, M. S., Amburn, E. P., Austin, J. D., Cromartie, R., Geselowitz, A., Greer, T., Romeny, B. ter H., Zimmerman, J. B., & Zuiderveld, K. (1987). Adaptive histogram equalization and its variations. Computer Vision, Graphics, and Image Processing, 39(3), 355–368. https://doi.org/10.1016/S0734-189X(87)80186-X
  25. Reza, A. M. (2004). Realization of the Contrast Limited Adaptive Histogram Equalization (CLAHE) for Real-Time Image Enhancement. The Journal of VLSI Signal Processing-Systems for Signal, Image, and Video Technology, 38, 35–44. https://doi.org/10.1023/B:VLSI.0000028532.53893.82
  26. Riklin-Raviv, T., & Shashua, A. (1999). The quotient image: Class based recognition and synthesis under varying illumination conditions. Proceedings of 1999 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2, 566–571. https://doi.org/10.1109/CVPR.1999.784968
  27. Shashua, A., & Riklin-Raviv, T. (2001). The Quotient Image: Class-Based Re-Rendering and Recognition with Varying Illuminations. IEEE Transactions on Pattern Analysis and Machine Intelligence, 23(2), 129–139. https://doi.org/10.1109/34.908964
  28. Srisuk, S., & Petpon, A. (2008). A Gabor Quotient Image for Face Recognition under Varying Illumination. Proceedings of the 4th International Symposium on Advances in Visual Computing, Part II (ISVC 08), Springer-Verlag, Berlin, Heidelberg, pp. 511–520. https://doi.org/10.1007/978-3-540-89646-3_50
  29. Turk, M., & Pentland, A. (1991). Eigenfaces for recognition. Journal of Cognitive Neuroscience, 3(1), 71–86. https://doi.org/10.1162/jocn.1991.3.1.71
  30. Wang, H., Li, S. Z., & Wang, Y. (2004). Face recognition under varying lighting conditions using self quotient image. Proceedings of Sixth IEEE International Conference on Automatic Face and Gesture Recognition, Seoul, South Korea, 819–824. https://doi.org/10.1109/AFGR.2004.1301635
  31. Wang, H., Li, S. Z., & Wang, Y. (2004). Generalized quotient image. Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2, 498–505. https://doi.org/10.1109/CVPR.2004.1315205
  32. Wang, H., Li, S. Z., Wang, Y., & Zhang, J. (2004). Self quotient image for face recognition. 2004 International Conference on Image Processing (ICIP 04), Singapore, 2, 1397–1400. https://doi.org/10.1109/ICIP.2004.1419763
  33. Xiao-guang, H., Jie, T., Li-fang, W., Yao-yao, Z., & Xin, Y. (2007). Illumination Normalization with Morphological Quotient Image. Journal of Software, 18(9), 2318–2325. https://doi.org/10.1360/jos182318
  34. Zou, X., Kittler, J., & Messer, K. (2007). Illumination Invariant Face Recognition: A Survey. First IEEE International Conference on Biometrics: Theory, Applications, and Systems, 1–8. https://doi.org/10.1109/BTAS.2007.4401921