В предыдущей статье я описывал память волновых нейронов.В данной статье мы рассмотрим классификатор изображений.

Что такое классификатор

Классификатор(лат. classis— разряд и facere— делать) — систематизированный перечень наименованных объектов, каждому из которых в соответствие дан уникальный код.

В рамках данной статье я буду называть классификатором устройство, которое дает паре изображений уникальный код.

Теория

Мы должны взять два цветных изображения, разрушить их на набор бинарных изображений, так, как это описано в части 1.Потом, для каждого бинарного изображения найти волновую память, как описано в части 3, и сравнить массив волновой памяти одного изображения с массивом волновой памяти другого изображения. Поскольку разные изображения имеют разное количество цветов, мы ограничим число, на которое мы будем разбирать изображение. Назовем это число DEFMINCOLOR.

Мы имеем два вектора строк(массивы волновой памяти, которые записаны в виде строк) с одинаковой размерностью, равной DEFMINCOLOR.Для того, чтобы найти максимальное совпадение среди этих строк, необходимо сдвигать на DEFMINCOLOR раз один вектор, забирая из последнего элемента значение, выталкивая это значение из вектора и размещая его в начале этого же вектора, и сравнить этот вектор с вторым. Если значения первого вектора совпадают со вторым, добавляем в булевый вектор единичку. В противном случае добавляем нолик. Суммируем все значения в булевым векторе и делим это значение на размерность булевого массива, и умножаем на 100.Получаем процент совпадений волновой памяти. В цикле сдвига на DEFMINCOLOR раз мы находим максимальный процент совпадения волновой памяти.

То есть, классификатором двух изображений я буду называть процент максимального совпадения волновой памяти этих двух изображений.

Работа программы

Я снял видео и разбил его на фрагменты изображений. Осторожно, изображения в 144p.

Ступеньки

Изображение, похожее на ступеньки

Дверь

Компьютер

Я преобразовал эти изображения в gif картинки и решил найти уникальное число совпадения волновой памяти, как и описывалось в теории.

Вот результаты для 255-цветных gif изображений.

Когда я только начинал измерения, я обрадовался том, что у разных изображений имеются какие-либо общие черты, какое-то общее количество описателей контуров(волновой памяти), отличное от нуля. Однако я увидел, что программа дает одинаковые код разным парам изображения. Следовательно, этот код не является уникальным, и наша программа не является классификатором. Это провал.

Да, первое время я так и думал. Однако я решил взять не гиф изображения с количеством цветов 255, а png изображения, у которых было от 7 до 15 тысяч цветов. И начал проводить эксперименты над этими изображениями.

Здесь мы видим, что программа дает разный код разной паре изображений. Продолжим увеличивать DEFMINCOLOR

Теперь я решил уменьшить значение DEFMINCOLOR и приравнял его 255, такому же значению, как и для gif изображения. И был немного удивлен.

Изображение классификатора

Изображение

Выводы: Получается, что классификатор работает, однако  гиф изображения не подходят для классификации ввиду сильного сжатия.

Спасибо за чтение статьи.