Перспективные результаты исследований и разработки в области обработки изображений и речевых сигналов

Д. С. Лихачёв; Ц. Ма; Н. А. Петровский; И. С. Азаров; В. Ю. Цветков

doi:10.35596/1729-7648-2024-22-2-55-69

Перспективные результаты исследований и разработки в области обработки изображений и речевых сигналов

Д. С. Лихачёв, Ц. Ма, Н. А. Петровский, И. С. Азаров, В. Ю. Цветков

https://doi.org/10.35596/1729-7648-2024-22-2-55-69

Полный текст:

PDF (Rus) |

сгенерировать QR код

Аннотация

Представлен анализ перспектив развития технологий обработки изображений и речевых сигналов. Приведены основные результаты по данным направлениям, полученные за последние годы в соответствующих научных школах Белорусского государственного университета информатики и радиоэлектроники. Показано, что использование технологий машинного обучения в сочетании с методами цифровой обработки изображений и речевых сигналов позволяет существенно повысить эффективность систем их распознавания и классификации.

Ключевые слова

классификация изображений, скелетизация изображений, классификация речевых сигналов, оценка огибающей спектра авторегрессионного процесса

Список литературы

1. GII. Global Information [Электронный ресурс]. Режим доступа: https://www.giiresearch.com. Дата доступа: 29.01.2024.

2. Fortune Business Insights Information [Электронный ресурс]. Режим доступа: https://www.fortunebusinessinsights.com. Дата доступа: 29.01.2024.

3. Blum, H. A Transformation for Extracting New Descriptors of Shape / H. Blum. Cambridge: MIT Press, MA, 1967. P. 362-380.

4. Saha, P. K. A Survey on Skeletonization Algorithms and Their Applications / P. K. Saha, G. Borgefors, G. Sanniti di Baja // Pattern Recognition Letter. 2016. Vol. 76. P. 3-12. https://doi.org/10.1016/j.patrec.2015.04.006.

5. Ogniewicz, R. L. Hierarchic Voronoi Skeletons / R. L. Ogniewicz, O. Kübler // Pattern Recognition. 1995. Vol. 28. P. 343-359.

6. Leymarie, F. Simulating the Grassﬁre Transform Using an Active Contour Model / F. Leymarie, M. D. Levine // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1992. Vol. 14. P. 56-75.

7. Saha, P. K. Skeletonization: Theory, Methods, and Applications / P. K. Saha, G. Borgefors, G. Sanniti di Baja // Academic Press. London. 2017.

8. Bai, X. Skeleton Pruning by Contour Partitioning with Discrete Curve Evolution / X. Bai, L. J. Latecki, W. Y. Liu // IEEE Trans. Pattern Anal. Mach. Intell. 2007. Vol. 29, No 3. P. 449-462. https://doi.org/10.1109/TPAMI.2007.59.

9. Skeleton Pruning as Trade-Oﬀ Between Skeleton Simplicity and Reconstruction Error / S. Wei [et al.] // Sci. China Inf. Sci. 2013. Vol. 56. P. 1-14. https://doi.org/10.1007/s11432-012-4715-3.

10. A Skeleton Pruning Algorithm Based on Information Fusion / H. Liu [et al.] // Pattern Recognit. Lett. 2013. Vol. 34, No 10. P. 1138-1145. https://doi.org/10.1016/j.patrec.2013.03.013.

11. A Skeleton Pruning Method Based on Saliency Sorting / G. Siyu [et al.]// 14th IEEE International Conference on Electronic Measurement & Instruments, Changsha, China. 2019. P. 593-599. https://doi.org/10.1109/ICEMI46757.2019.9101710.

12. Latecki, L. J. Convexity Rule for Shape Decomposition Based on Discrete Contour Evolution / L. J. Latecki, R. Lakämper // Comput. Vis. Image Underst. 1999. Vol. 73, No 3. P. 441-454. https://doi.org/10.1006/cviu.1998.0738.

13. Latecki, L. J. Polygon Evolution by Vertex Deletion / L. J. Latecki, R. Lakämper // Lect. Notes Comput. Sci. (Including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), Springer, Berlin, Heidelberg. 1999. Vol. 1682. P. 398-409. https://doi.org/10.1007/3-540-48236-9_35.

14. Latecki, L. J. Shape Similarity Measure Based on Correspondence of Visual Parts / L. J. Latecki, R. Lakämper // IEEE Trans. Pattern Anal. Mach. Intell. 2000. Vol. 22, No 10. P. 1185-1190. https://doi.org/10.1109/34.879802.

15. Ma, J. A Novel Fast Iterative Parallel Thinning Algorithm / J. Ma, X. H. Ren, V. Yu. Tsviatkou // Proceedings of the 2020 4th International Conference on Vision, Image and Signal Processing, New York, NY, USA. 2020. Article 7. P. 1-5. https://doi.org/10.1145/3448823.3448836.

16. Choi, W. Extraction of the Euclidean Skeleton Based on a Connectivity Criterion / W. Choi, K. Lam, W. Siu // Pattern Recognition. 2003. Vol. 36. P. 721-729. https://doi.org/10.1016/S0031-3203(02)00098-5.

17. Novel Fully Parallel Skeletonization Algorithm / J. Ma [et al.] // Pattern Analysis and Applications. 2021. P. 1-20. https://doi.org/10.1007/s10044-021-01039-y.

18. Noise-Against Skeleton Extraction Framework and Application on Hand Gesture Recognition / J. Ma [et al.] // IEEE Access. 2023. Vol. 11. P. 9547-9559. https://doi.org/10.1109/ACCESS.2023.3240313.

19. A One-Pass Thinning Algorithm and Its Parallel Implementation / R. T. Chin [et al.]// Computer Vision, Graphics and Image Processing. Vol. 40. P. 30-40. https://doi.org/10.1016/0734-189X(87)90054-5.

20. Ma, J. Hand Gesture Recognition Based on Skeletal Image Properties / J. Ma, V. Y. Tsviatkou, A.A. Boriskevich // Open Semantic Technologies for Intelligent Systems: Collec. of Sci. Pap. Minsk, 2023. Iss. 7. Р. 247-256.

21. Петровский, Н. А. Двумерные неразделимые банки фильтров на основе кватернионов / Н. А. Петровский, Е. В. Рыбенков, А. А. Петровский // Algorithms, Architectures, Arrangements, and Applications (SPA): тр. Междунар. науч.-техн. конф. Signal Processing, 2018. С. 120-125.

22. Рыбенков, Е. В. 2D неразделимая целочисленная реализация параунитарных банков фильтров на основе блочно-лестничной структуры / Е. В. Рыбенков, Н. А. Петровский // 27th European Signal Processing Conference (EUSIPCO): тр. Междунар. науч.-техн. конф., 2019. С. 1494-1499.

23. Рыбенков, Е. В. Проектирование неразделимых многомерных банков фильтров в алгебре кватернионов / Е. В. Рыбенков, Н. А. Петровский // Цифровая обработка сигналов и ее применение (DSPA’2019): тр. 21-й Междунар. конф., 2019., T. 2. C. 368-373.

24. Малоразмерные спектральные признаки для машинного обучения в задачах анализа и классификации голосового сигнала / Д. С. Лихачёв [и др.] // Информатика. 2023. T. 20, № 1. С. 102-112. https://doi.org/10.37661/1816-0301-2023-20-1-102-112.

25. Генеративный метод получения спектральных огибающих в контексте задачи анализа состояния голосовой функции человека / Д. С. Лихачёв [и др.] // Медэлектроника-2022. Средства медицинской электроники и новые медицинские технологии: сб. науч. ст. XI Междунар. науч.-тех. конф., г. Минск, 8-9 декабря 2022 г. Минск: Белор. гос. ун-т информ. и радиоэл., 2022. С. 281-283.

26. Комбинированный метод отбора информативных признаков для выявления речевых патологий по голосу / Д. С. Лихачёв [и др.] // Доклады БГУИР. 2023. Т. 21, № 4. C. 110-117. https://doi.org/10.35596/1729-7648-2023-21-4-110-117.

Для цитирования:

Лихачёв Д.С., Ма Ц., Петровский Н.А., Азаров И.С., Цветков В.Ю. Перспективные результаты исследований и разработки в области обработки изображений и речевых сигналов. Доклады БГУИР. 2024;22(2):55-69. https://doi.org/10.35596/1729-7648-2024-22-2-55-69

For citation:

Likhachov D.S., Ma J., Petrovsky N.A., Azarov I.S., Tsviatkou V.Yu. Promising Research and Development Results in the Field of Image and Speech Signal Processing. Doklady BGUIR. 2024;22(2):55-69. (In Russ.) https://doi.org/10.35596/1729-7648-2024-22-2-55-69

Контент доступен под лицензией Creative Commons Attribution 4.0 License.

ISSN 1729-7648 (Print)
ISSN 2708-0382 (Online)

Доклады БГУИР

Перспективные результаты исследований и разработки в области обработки изображений и речевых сигналов

Полный текст:

Аннотация

Ключевые слова

Об авторах

Список литературы

Рецензия

Для цитирования:

For citation:

Логин
Пароль
	Запомнить меня

Войти

Доклады БГУИР

Перспективные результаты исследований и разработки в области обработки изображений и речевых сигналов

Полный текст:

Аннотация

Ключевые слова

Об авторах

Список литературы

Рецензия

Для цитирования:

For citation:

Использование куки-файлов