Automated System-Cognitive Analysis of Specific Spectral and Integrated Images in "Eidos" System (Application of Information Theory and Cognitive Technologies in Spectral Analysis)

Abstract

Автоматизированный системно-когнитивный ана-лиз (АСК-анализ) изображений обеспечивает ав-томатическое выявление признаков конкретных изображений из цветов пикселей и контуров изо-бражений, синтез обобщенных образов изображе-ний (классов), выявление наиболее характерных и нехарактерных для классов признаков изображе-ний, определение ценности признаков изображе-ний для их различения, удаление из модели мало-ценных признаков (абстрагирование), решение задач количественного сравнения конкретных изо-бражений с обобщенными образами классов и обобщенных образов классов друг с другом, а так-же задачи исследования моделируемой предметной области путем исследования ее модели. В работе рассматриваются новые возможности АСК-анализа и реализующей его интеллектуальной системы «Эйдос», обеспечивающие выявление признаков изображений путем их спектрального анализа, формирования обобщенных спектров классов, ре-шение задач сравнения изображений конкретных объектов с классами и классов друг с другом по их спектрам. Впервые стало возможным формировать обобщенные спектры классов с весами цветов по степени их характерности и нехарактерности для классов, причем это не интенсивность цвета в спектре, а количество информации в цвете о при-надлежности объекта с этим цветом к данному классу. По сути, речь идет об обобщении спек-трального анализа путем применении интеллекту-альных когнитивных технологий и теории инфор-мации в спектральном анализе. Во-первых, все говорят о том, что в спектральных линиях содер-жится информация о том, какой элемент или веще-ство входят в состав объекта, но никто не удосу-жился посчитать какое же это конкретно количест-во этой информации, а затем использовать его для определения состава объекта методы распознава-ния образов, основанные на использовании этой информации. Во-вторых, спектральный анализ традиционно используется для определения эле-Automated system-cognitive analysis (ASCanalysis) for images provides automatic identification of specific characteristics of the given images from the color of the pixels and image edges, the synthesis of generalized images of pictures (classes), identifying the most and the least specific image features for the class, determining values of features of images for their differentiation, deletion lowvalue characteristics (abstraction) from the model, problem solving for quantitative comparison of specific images with generalized images of classes and generalized images of the classes with each other, and objectives of the study of the simulated subject area by studying its model. The work discusses the new features of the ASC-analysis and its implementing intellectual system called "Eidos" for identifying features of images using their spectral analysis, formation of the generalized spectra of classes, the task of comparison of images of specific objects to classes and classes with each other in their spectra. For the first time, it became possible to form the generalized spectra of classes with weights of the colors according to their degree of specificity and unspecific f...

Intellectual analysis of spectral images of plants

“…In Eidos there is implemented software interface for automated input of images into the system and identification for spectral characteristics, such as specific images, and generalized images of the classes, i.e. generalized images based on a few specific ones [23]. This would allow us:…”

“…The evaluation of the reliability of the models is carried out by solving the problem of classification of the source images according to the images of the classes and counting the number of true positive and negative, as well as false positive and negative solutions in Fmeasure by van Rijsbergen and L1-L2-measures by Professor E. V. Lutsenko [23].…”

“…Therefore, it was proposed to use L1-measure of the reliability of the models [23], taking into account not just the fact of true or false positive or negative solutions, but also the degree of confidence of the classifier in these solutions. In classifying big data, we have revealed a large number of false-positive decisions with a low level of similarity, which, however, in total, contribute to reducing the reliability of the model.…”

“…In order to overcome this problem, we propose using L2-measure (Lutsenko, 2017), which uses the average similarity by different classifications instead of the sum of the levels of similarity. Thus, this work offers measures of the reliability of the models, called L1measure and L2-measure, mitigating and overcoming the shortcomings of the F-measure; these measures are described mathematically and their application is demonstrated on a simple numerical example.…”