Актуальность. Повышение результативности и расширение функциональности современных систем компьютерного зрения требуют создания более эффективных методов обработки визуальной информации. Основные задачи структурного распознавания связаны с усовершенствованием информационных технологий классификации в пространстве описаний как множеств дескрипторов ключевых точек изображений, а также необходимостью оценивания действенности распознавания на прикладных образцах. Особое внимание уделяют изучению структуры данных для множества дескрипторов, что напрямую влияет на показатели функционирования систем распознавания.
Цель. Изучение особенностей кластерного представления для множества структурных признаков прикладной базы изображений и оценивание показателей эффективности применения кластерной модели в методах структурного распознавания визуальных объектов в плане получения компактного представления данных.
Метод. Предложено методы распознавания на основе трансформации пространства структурных признаков путем кластеризации и применения кластерных характеристик базы эталонных изображений. Первый метод использует интегральное представление описаний эталонов, второй метод при отнесении структурного элемента к классу опирается на значение вектора статистического распределения в матричном пространстве кластер-эталон. Итогом исследования есть создание методов распознавания и моделей обработки данных в процессе построения векторов релевантности или характеристик классов в трансформированном пространстве признаков.
Результаты. За счет кластерного преобразования пространства структурных признаков сокращается объем вычислительных затрат, и в сотни раз улучшается быстродействие распознавания при сохранении нужной эффективности. Проведено сравнение методов SURF и ORB при формировании структурных признаков, время обработки методом ORB оказалось в 60 раз меньше. С другой стороны, множество дескрипторов SURF более точно отражает особенности формы визуальных объектов.
Проведено моделирование и экспериментальные исследования предложенного метода распознавания в прикладной базе изображений. Подтверждена результативность метода в плане эффективности, получены сравнительные оценки качества распознавания в зависимости от уровня аддитивных помех для анализируемых вариантов обработки
Выводы (научная новизна и практическая значимость). В проведенном исследовании систематизированы и получены перспективные свойства систем распознавания в пространстве структурных признаков изображений. Разработанные методы классификации на основе кластерного описания обеспечивают достаточный уровень различения изображений и высокую помехоустойчивость.
Научная новизна исследования состоит в синтезе метода структурного распознавания изображений путем применения кластерной обработки и построения классифицирующих решений в пространстве кластер-эталон. Переход к векторно-кластерному виду существенно повышает быстродействие распознавания за счет упрощения обработки.
Практическая ценность работы – получение прикладных программных моделей для модификаций метода структурного распознавания и подтверждение результативности и помехоустойчивости предложенной обработки в конкретных примерах баз изображений

компьютерное зрение, структурное распознавание изображений, множество структурных признаков, дескрипторы SURF, дескрипторы ORB, релевантность описаний, вектор характеристик классов, помехоустойчивость метода, быстродействие распознавания