В работе предлагается ввести новое пространство цветовых координат proLab, связанное с CIE XYZ трехмерным проективным преобразованием. В статье показывается, что по психофизической равномерности, оцениваемой при помощи метрики STRESS по отношению к формуле цветовых различий CIEDE2000, предлагаемое пространство значительно опережает широко используемую систему координат CIELAB, хотя и уступает современной CAM16-UCS. Угловые метрики ошибок определения цветности, обычно используемые в линейных цветовых пространствах, могут использоваться и в proLab, поскольку проективное преобразование сохраняет линейность многообразий. При этом, в отличие от линейных пространств, угловые ошибки, различные по цветовому тону, в proLab нормированы в соответствии с порогами цветоразличения человека. В работе также показывается, что гетероскедастичность дробового шума в proLab оказывается меньшей, чем в CAM16-UCS и стандартных цветовых пространствах. Это делает proLab удобной координатной системой для линейного цветового анализа – решения задач линейной регрессии в цветовом пространстве.
Идентификаторы и классификаторы
Целью данной работы является разработка новой системы цветовых координат для применения в алгоритмах анализа цветных изображений, полученных с цифровых камер видимого диапазона. Некоторые из алгоритмов цветового анализа опираются на линейные свойства цветовых распределений и почти все – на понятие расстояния в цветовом пространстве.
Список литературы
1 Alman D.H., Berns R.S., Komatsubara H., Li W., Luo M.R., Melgosa M., Nobbs J.H., Rigg B., Robertson A.R., Witt K. Commission Internationale de l’Eclairage. Improvement to industrial colour-difference evaluation.
2 Central Bureau of the CIE, Vienna. 2001. № “Publication CIE 142-2001”.
3 Bäck T., Fogel D.B., Michalewicz Z. Handbook of Evolutionary Computation. IOP Publishing Ltd, 1997. 1130 p.
4 Bernd J. Digital Image Processing. Springer, 2005. 549 p.
5 Besl P.J., McKay N.D. A method for registration of 3-D shapes. IEEE Trans. Pattern Anal. Mach. Intell. 1992. V. 14 (2). P. 239–256. https://doi.org/10.1109/34.121791.
6 Bianco S., Bruna A. R., Naccari F., Schettini R. Color correction pipeline optimization for digital cameras. Journal of Electronic Imaging. 2013. V. 22 (2). P. 1–11. https://doi.org/10.1117/1.JEI.22.2.023014.
7 Bianco S., Schettini R. Two new von Kries based chromatic adaptation transforms found by numerical optimization. Color Research & Application. 2010. V. 35 (3). P. 184–192. https://doi.org/10.1002/col.20573.
8 Brill M.H. Image segmentation by object color: a unifying framework and connection to color constancy. J. Opt. Soc. Am. A. 1990. V. 7 (10). P. 2041–2047. https://doi.org/10.1364/JOSAA.7.002041.
9 Can Karaimer H., Brown M.S. Improving color reproduction accuracy on cameras. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018. P. 6440–6449. https://doi.org/10.1109/CVPR.2018.00674.
10 Cheng H.D., Jiang X.H., Sun Y., Wang J. Color image segmentation: advances and prospects. Pattern recognition. 2001. V. 34 (12). P. 2259–2281. https://doi.org/10.1016/S0031-3203(00)00149-7.
11 The International Commission on Illumination. Technical Note: Brussels Session of the International Commission on Illumination. J. Opt. Soc. Am. 1960. V. 50. (1). P. 89–90. https://doi.org/10.1364/JOSA.50.000089
12 Fairchild M.D. Color appearance models. John Wiley & Sons Limited, 2013. 474 p. https://doi.org/10.1002/9781118653128.
13 Finlayson G.D., Funt B.V., Barnard K. Color constancy under varying illumination. Proceedings of IEEE International Conference on Computer Vision. 1995. P. 720–725. https://doi.org/10.1109/ICCV.1995.466867.
14 Finlayson G.D., Mackiewicz M., Hurlbert A. Color correction using root-polynomial regression. IEEE Transactions on Image Processing. 2015. V. 24 (5). P. 1460– 1470. https://doi.org/10.1109/TIP.2015.2405336.
15 Finlayson G.D., Zakizadeh R. Reproduction angular error: An improved performance metric for illuminant estimation. Proceedings of British Machine Vision Conference. 2014. P. 1–11. https://doi.org/10.13140/RG.2.1.4625.6806.
16 Finlayson G., Gong H., Fisher R.B. Color homography: theory and applications. IEEE transactions on pattern analysis and machine intelligence. 2019. V. 41 (1). P. 20–33.
https://doi.org/10.1109/TPAMI.2017.2760833.
17 García P.A., Huertas R., Melgosa M., Cui G. Measurement of the relationship between perceived and computed color differences. J. Opt. Soc. Am. A. 2007. V. 24 (7). P. 1823–1829.
https://doi.org/10.1364/JOSAA.24.001823.
18 Gijsenij A., Gevers T., Van De Weijer J. Computational color constancy: Survey and experiments. IEEE Transactions on Image Processing. 2011. V. 20 (9). P. 2475– 2489. https://doi.org/10.1109/TIP.2011.2118224.
Выпуск
Другие статьи выпуска
В работе предложен алгоритм нахождения протяженных границ на изображении. Рассматривается случай, когда граница может быть приближена ломаной с ограничением на угол излома. Задачи поиска таких границ возникают при детектировании линий дорожной разметки, построении карты дорог по космическим снимкам Земли, поиске дислокаций в кристаллах на отдельных проекциях рентгеновской топотомографии. Для поиска звеньев ломаной изображение обрабатывается скользящим окном, в каждом новом положении которого ищется прямолинейный сегмент при помощи быстрого преобразования Хафа. Далее найденные сегменты в зависимости от взаимного расположения объединяются в группы, покрывающие искомые границы, и аппроксимируются ломаными. Предложенный алгоритм был использован в задаче детектирования линий дорожной разметки для определения беспилотным транспортным средством (БПТС) своего положения на заданной векторной карте дорог. Алгоритм был протестирован на реальных данных, собранных c фронтальной камеры БПТС при проезде на полигоне “Калибр” (г. Москва). Точность детектора линий дорожной разметки составила 43%, полнота – 73%. Точность локализации БПТС с его использованием составила 0.2 м в евклидовой метрике на маршруте, что в 8 раз меньше, чем локализация без использования информации о дорожной разметке. Также алгоритм был протестирован на отдельных изображениях ДЗЗ и топотомограммах.
Сегментация медицинских изображений – одна из важнейших задач лучевой диагностики и терапии. Современные подходы к решению этой задачи основаны на глубоком обучении и показывают высокое качество при обучении на стандартизированных и специально собранных данных. Однако при работе с реальными клиническими изображениями ситуация кардинально меняется из-за принципиально более сложного устройства данных. В задаче сегментации опухолей головного мозга для планирования лучевой терапии размеры и интенсивности изображений существенно варьируются в зависимости от настроек аппарата магнитно-резонансной томографии; отмечается неоднозначность трактовки разными экспертами выявляемых на томограммах изменений; наконец, контуры мишени не всегда соответствуют изображению магнитно-резонансной томографии вследствие использования дополнительных модальностей при планировании облучения. В силу указанных причин сформированные выборки содержат большое количество шумных аннотаций. Мы предлагаем устойчивый алгоритм обучения, основанный на модификации традиционной архитектуры сверточной нейронной сети при помощи модуля для обучения весов, используемых в результирующей функции потерь (взвешенной перекрестной энтропии). Наша модель успешно борется с наличием шума в разметке и значительно уменьшает эффект высокой гетерогенности данных, повышая качество сегментации на 38%.
Методами локальной фиксации потенциала и органотипической культуры нервной ткани исследовано действие на медленные натриевые каналы ряда агентов, активность которых связана с функционированием ГАМК- и NO-ергических систем. Установлено, что ГАМК не влияет на активность каналов NaV1.8 в отличие от лекарственного препарата РГПУ-260, являющегося композицией L-аргинина и мефебута (метиловый эфир бета-фенил-гамма-аминомасляной кислоты). Синтетический препарат РГПУ-260, как и его компонент мефебут, согласно нашим данным, способны снижать функциональную активность каналов NaV1.8, что делает перспективным их применение в качестве анальгетических лекарственных субстанций периферического механизма действия. Обнаружено, что нитропруссид натрия также снижает функциональную активность исследуемых каналов, но этот эффект наблюдается при относительно высоких концентрациях, а его совместное применение с РГПУ-260 не приводит к усилению действия на медленные натриевые каналы. Анализ полученных данных позволяет предположить, что каналы NaV1.8, находящиеся в асинаптической мембране первичного сенсорного нейрона, не контролируются ГАМК- и NO-ергическими системами мозга.
В работе исследовали половые различия дискриминации наклонных ориентаций. Задачу определения близости наклонных ориентаций к горизонтальному, вертикальному и наклонному (45°) референтам выполняли 34 испытуемых (16 мужчин и 18 женщин) с нормальным зрением. Регистрировали точность, время реакции и вызванные потенциалы каудальных областей коры. Показано, что женщины совершают больше ошибок по сравнению с мужчинами, но не обнаруживают различий во времени реакции. Выявлены половые различия раннего анализа наклонных ориентаций. Только в группе мужчин амплитуда ранней негативности N1 ВП затылочной коры зависела от наклона линий: минимальные значения амплитуды характерны для ответа на наклонные линии, близкие к кардинальным осям, максимальные – на линии, близкие к 45°. Предполагается, что в основе половых различий ранней чувствительности затылочной коры к наклонным ориентациям лежат особенности переработки информации в дорзальном и вентральном зрительных путях, определяемые пре- и постнатальным влиянием стероидных гормонов (Handa, McGivern, 2014).
В обзоре обобщены экспериментальные исследования инерциальной массы в органе равновесия беспозвоночных и позвоночных животных (кишечнополостные, моллюски, рыбы, амфибии, птицы, крысы), подвергнутых воздействию невесомости на автоматических и пилотируемых космических кораблях и орбитальных станциях, клиностатированию и в среде повышенной весомости на центрифуге. Инерциальная масса, предназначенная для реагирования на земную силу тяжести и линейные ускорения, представлена достаточно крупными единичными статолитами либо многочисленными и небольшого размера статокониями. Эти образования представляют собой биоминералы эндогенного происхождения, растущие слоями-приростами вокруг своих ядер. Инерциальной массе свойственна высокая пластичность. В невесомости и при клиностатировании она увеличивается, а при перегрузках на центрифуге, напротив, уменьшается. Из этих данных следует вывод о том, что гравитация – значимый фактор абиотической среды, ответственный за формирование инерциальной массы в органе равновесия животных организмов.
Издательство
- Издательство
- РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 119071, г. Москва, вн.тер.г. Муниципальный Округ Якиманка, пр-кт Ленинский, д. 14
- Юр. адрес
- 119071, г. Москва, вн.тер.г. Муниципальный Округ Якиманка, пр-кт Ленинский, д. 14
- ФИО
- Красников Геннадий Яковлевич (Президент )
- Сайт
- https://www.ras.ru/