Võ Văn Tài * , Trần Nam Hưng Huỳnh Văn Nhạng

* Người chịu trách nhiệm về bài viết: Võ Văn Tài (email: vvtai@ctu.edu.vn)

Abstract

In this study, an algorithm was proposed to classify the images based on the extracted one-dimensional probability density function. First, based on the resolution of grey level, each image was extracted into a representative one-dimensional probability density function and truncated on [0;1]. Next, the prior probability of the classified image was determined based on the fuzzy clustering problem. Finally, a principle to classify images was proposed. The image was assigned to the known group if it has the maximum value of the prior probability and a similar level to that group. The proposed algorithm was illustrated step by step, and applied to specific image sets. The application obtained a good result because it had fewer errors than other methods. This study also shows potential in practical application for many fields related to image recognition.

Keywords: Classification, distance, extracting image, probability density function

Tóm tắt

Nghiên cứu nhằm đề xuất một thuật toán phân loại ảnh dựa vào hàm mật độ xác suất một chiều được trích xuất. Đầu tiên, dựa vào độ phân giải mức xám, mỗi ảnh được trích xuất thành một hàm mật độ xác suất một chiều đại diện và được chặt cụt trên đoạn Tiếp theo, xác suất tiên nghiệm của một ảnh cần phân loại được xác định dựa vào bài toán phân tích chùm mờ. Cuối cùng, một nguyên tắc phân loại cho ảnh được đề xuất. Ảnh được xếp vào một nhóm đã biết nếu nó có xác suất tiên nghiệm và sự tương tự  đến nhóm đó lớn nhất. Thuật toán đề nghị được minh hoạ từng bước và được áp dụng trên những tập ảnh cụ thể. Áp dụng đã cho kết quả tốt bởi vì nó có sai số thấp hơn nhiều phương pháp khác. Nghiên cứu này cũng cho thấy tiềm năng trong áp dụng thực tế của nhiều lĩnh vực liên quan đến nhận dạng ảnh.

Từ khóa: Hàm mật độ xác suất, khoảng cách, phân loại, trích xuất ảnh

Article Details

Tài liệu tham khảo

Cinar, I. A. (2022). Identification of rice varieties using machine learning algorithms. Journal of Agricultural Sciences, 28(2), 307-325. https://doi.org/10.15832/ankutbd.862482

Dinh, P. T. & Tai, V. V. (2021). Automatic fuzzy genetic algorithm in clustering for images based on the extracted intervals. Multimedia Tools and Applications, 80(28), 35193-35215. https://doi.org/10.1007/s11042-020-09975-3.

Fisher, R. A. (1938). The statistical utilization of multiple measurements. Annals of Eugenics, 8(4), 376–386.https://doi.org/10.1007/s11042-020-09975-3.

Ha, C. N., Thao, N. T., Bao, T. N. Trung, N. T. & Tai, V. V. (2020). A new approach for face detection using the maximum function of probability density functions. Annals of Operations Research. https://doi.org/10.1007/s10479-020-03823-1.

Huang, S., N., Cai, P., Pacheco, P., Narrandes, S., Wang, Y. & Xu, W. (2018). Applications of support vector machine (SVM) learning in cancer geometrics. Cancer Genomics-Proteomics, 15(1), 41–51. https:// doi.org/10.21873/cgp.20063

Koklu, M. C. (2021). Classification of rice varieties with deep learning methods. Computers and Electronics in Agriculture, 187, 106285. https://doi.org/10.1016/j.compag.2021.106285

Ngoc, L.T.K, Thao, N. T. & Tai, V. V. (2022). A new image classification method using interval texture feature and improved Bayesian classifier. Multimedia Tools and Applications. https://doi.org/10.1007/s11042-022-13531-6

Pham, B. T., Pradhan, B., Bui, D. T., Prakash, I. & Dholakia, M. (2016). A comparative study of different machine learning methods for landslide susceptibility assessment: A case study of uttarakhand area (India). Environmental Modelling & Software, 84, 240–250. https://doi.org/10.1016/j.envsoft.2016.07.005

Philipp, L., Lukas, R., Robert, A. V., Billy J. F., Marius, K. & Klaus-Robert M. (2021). Explainable deep one-class classification. The conference ICLR 2021. https://arxiv.org/abs/2007.01760.

Tai, V. V., Ha, C. N., Nghiep, L. D. & Thao, N. T. (2021). A new strategy for short-term stock in vestment using Bayesian approach. Computational Economics. https://doi.org/10.1007/s10614-021- 10115-8.

Thao, N. T. & Tai, V. V. (2017). A new approach for determining the prior probabilities in the classification problem by Bayesian method. Advances in Data Analysis and Classification, 11(3), 629–643. https://doi.org/10.1080/1351847X.2017.1419273

Terrell, G. R. (1992). Variable kernel density estimation. The Annals of Statistics, 20(3), 1236-1265 (September, 1992). https://doi.org/ 10.1214/aos/1176348768

Zhang, N., Ruan, S., Lebonvallet, S., Liao, Q., & Zhu, Y. (2018). Kernel feature selection to fuse multi-spectral MRI images for brain tumor segmentation. Computer Vision and Image Understanding, 155, 256–269

Zhu, X., Yang, J. & Waibel, A. (2000). Segmenting hands of arbitrary color in automatic face and gesture recognition. The International Conference on Automatic Face and Gesture Recognition. IEEE. https://doi.org/ 10.1109/AFGR.2000.84067