АНАЛІЗ МЕТОДІВ ЗНАХОДЖЕННЯ АНОМАЛІЙ У ЗОБРАЖЕННЯХ
DOI:
https://doi.org/10.31649/1999-9941-2024-59-1-13-22Ключові слова:
моделювання, обробка зображення, виявлення аномалій, машинне навчання, фонова модельАнотація
Анотація. Автоматичне виявлення аномалій має велике значення в промисловості, дистанційному зондуванні та медицині. Важливо мати можливість автоматично обробляти великі обсяги даних для виявлення, наприклад, хімічних об'єктів на багатоспектральних та гіперспектральних супутникових зображеннях, морських мін на сонарних зображеннях бічного зондування, або дефектів у виробничих моніторингових застосуваннях. Автоматичне виявлення аномальних структур на довільних зображеннях стосується задачі пошуку невідповідних шаблонів відносно нормального стану зображення. Це важка задача в комп'ютерному зорі, оскільки не існує чіткого і прямолінійного визначення того, що є нормальним чи не нормальним для даного довільного зображення. Практична важливість проявляється у розробці алгоритмів та моделей, які автоматично можуть виявляти незвичайні або аномальні образи у зображеннях. Проведено аналіз методів знаходження аномалій у зображеннях з точки зору можливості застосування до довільних зображень. Наведена класифікація методів виявлення аномалій за критеріями залучених підходів та моделей що використовуються для моделювання фону. Розглянуті методи, які використовують машинне навчання, такі як однокласовий метод опорних векторів та варіаційний автоенкодер, методи виявлення аномалій на основі найближчих сусідів, на основі кластеризації, статистичне виявлення аномалій, спектральне виявлення аномалій, виявлення аномалій за допомогою інформаційної теорії. Основна увага приділена методам, що класифікують за підходом до моделювання фону. Розглянуто п’ять категорій методів, що моделюють фон, базуючись на функції щільності ймовірносіті, глобальній та локальній однорідності, розрідженості та самоподібністі. Для застосувань виявлення аномалій рекомендовано використовувати методи, у яких модель фону найкраще описує очікуваний фон, на якому відсутні аномалії, оскільки це, як правило, призводить до найкращої ефективності. На основі досліджень було встановлено, що ефективна універсальна модель виявлення аномалій у довільних зображеннях повинна: використовувати лише самоподібну чи розріджену модель фону; обробляти залишкове зображення як стохастичний процес для виявлення аномалій, як аномалій у кольоровому шумі; попередньо обробляти залишкове зображення перед виявленням аномалії.
Посилання
Ghamry, Fatma M., et al. "Survey of Image Anomaly Detection." (2022). https://assets.
researchsquare.com/files/rs-1890977/v1/2ce2b06a-890a-428d-810e-3ad8173caf7b.pdf?c=1660897768
Du, B., Zhang, L.: Random-selection-based anomaly detector for hyperspectral imagery. IEEE Transactions on Geoscience and Remote sensing 49(5), 1578-1589 (2011)
Goldman, A., Cohen, I.: Anomaly detection based on an iterative local statistics approach. Signal Processing 84(7), 1225-1229 (2004)
Cohen, F.S., Fan, Z., Attali, S.: Automated inspection of textile fabrics using textural models. IEEE Transactions on Pattern Analysis & Machine Intelligence (8), 803-808 (1991)
Xie, X., Mirmehdi, M.: Texems: Texture exemplars for defect detection on random textured surfaces. IEEE Transactions on Pattern Analysis and Machine Intelligence 29(8), 1454-1464 (2007)
Grosjean, B., Moisan, L.: A-contrario detectability of spots in textured backgrounds. Journal of Mathematical Imaging and Vision 33(3), 313-337 (2009)
Perng, D.B., Chen, S.H., Chang, Y.S. A novel internal thread defect auto-inspection system. The International Journal of Advanced Manufacturing Technology 47(5-8), 731-743 (2010)
Tsai, D.M., Huang, T.Y.: Automated surface inspection for statistical textures. Image and Vision computing 21(4), 307-323 (2003)
Iivarinen, J.: Surface defect detection with histogrambased texture features. In: Intelligent robots and computer vision xix: Algorithms, techniques, and active vision, vol. 4197, pp. 140-146. International Society for Optics and Photonics (2000)
An, J.: Variational Autoencoder based Anomaly Detection using Reconstruction Probability. Arxiv (2016)
Tout, K., Cogranne, R., Retraint, F.: Fully automatic detection of anomalies on wheels surface using an adaptive accurate model and hypothesis testing theory. In: 2016 24th European Signal Processing Conference, pp. 508-512. IEEE (2016)
Honda, T., Nayar, S.K.: Finding" anomalies" in an arbitrary image. In: 2001. IEEE International Conference on Computer Vision, vol. 2, pp. 516-523. IEEE (2001)
Tax, D.M., Duin, R.P.: Support vector data description. Machine learning 54(1), 45-66 (2004)
Ruff, L., Gornitz, N., Deecke, L., Siddiqui, S.A., Vandermeulen, R., Binder, A., Muller, E., Kloft, M.: Deep one-class classification. In: International Conference on Machine Learning, pp. 4390-4399 (2018)
Margolin, R., Tal, A., Zelnik-Manor, L.: What makes a patch distinct? In: IEEE Conference on Computer Vision and Pattern Recognition, pp. 1139-1146 (2013)
Li, S., Wang, W., Qi, H., Ayhan, B., Kwan, C., Vance, S.: Low-rank tensor decomposition based anomaly detection for hyperspectral imagery. In: 2015 IEEE International Conference on Image Processing, pp. 4525-4529 (2015)
Boracchi, G., Carrera, D., Wohlberg, B.: Novelty detection in images by sparse representations. In: 2014 IEEE Symposium on Intelligent Embedded Systems, pp. 47-54. IEEE (2014)
Seo, H.J., Milanfar, P.: Static and space-time visual saliency detection by self-resemblance. Journal of vision 9(12), 15-15 (2009)
Zontak, M., Cohen, I.: Defect detection in patterned wafers using anisotropic kernels. Machine Vision and Applications 21(2), 129-141 (2010)
Davy, A., Ehret, T., Morel, J.M., Delbracio, M.: Reducing anomaly detection in images to detection in noise. In: 2018 IEEE International Conference on Image Processing, pp. 1058-1062. IEEE (2018)
Hoffmann, H.: Kernel pca for novelty detection. Pattern recognition 40(3), 863-874 (2007)
References
Ghamry, Fatma M., et al. "Survey of Image Anomaly Detection." (2022). https://assets.
researchsquare.com/files/rs-1890977/v1/2ce2b06a-890a-428d-810e-3ad8173caf7b.pdf?c=1660897768
Du, B., Zhang, L.: Random-selection-based anomaly detector for hyperspectral imagery. IEEE Transactions on Geoscience and Remote sensing 49(5), 1578-1589 (2011)
Goldman, A., Cohen, I.: Anomaly detection based on an iterative local statistics approach. Signal Processing 84(7), 1225-1229 (2004)
Cohen, F.S., Fan, Z., Attali, S.: Automated inspection of textile fabrics using textural models. IEEE Transactions on Pattern Analysis & Machine Intelligence (8), 803-808 (1991)
Xie, X., Mirmehdi, M.: Texems: Texture exemplars for defect detection on random textured surfaces. IEEE Transactions on Pattern Analysis and Machine Intelligence 29(8), 1454-1464 (2007)
Grosjean, B., Moisan, L.: A-contrario detectability of spots in textured backgrounds. Journal of Mathematical Imaging and Vision 33(3), 313-337 (2009)
Perng, D.B., Chen, S.H., Chang, Y.S.: A novel internal thread defect auto-inspection system. The International Journal of Advanced Manufacturing Technology 47(5-8), 731-743 (2010)
Tsai, D.M., Huang, T.Y.: Automated surface inspection for statistical textures. Image and Vision computing 21(4), 307-323 (2003)
Iivarinen, J.: Surface defect detection with histogrambased texture features. In: Intelligent robots and computer vision xix: Algorithms, techniques, and active vision, vol. 4197, pp. 140-146. International Society for Optics and Photonics (2000)
An, J.: Variational Autoencoder based Anomaly Detection using Reconstruction Probability. Arxiv (2016)
Tout, K., Cogranne, R., Retraint, F.: Fully automatic detection of anomalies on wheels surface using an adaptive accurate model and hypothesis testing theory. In: 2016 24th European Signal Processing Conference, pp. 508-512. IEEE (2016)
Honda, T., Nayar, S.K.: Finding" anomalies" in an arbitrary image. In: 2001. IEEE International Conference on Computer Vision, vol. 2, pp. 516-523. IEEE (2001)
Tax, D.M., Duin, R.P.: Support vector data description. Machine learning 54(1), 45-66 (2004)
Ruff, L., Gornitz, N., Deecke, L., Siddiqui, S.A., Vandermeulen, R., Binder, A., Muller, E., Kloft, M.: Deep one-class classification. In: International Conference on Machine Learning, pp. 4390-4399 (2018)
Margolin, R., Tal, A., Zelnik-Manor, L.: What makes a patch distinct? In: IEEE Conference on Computer Vision and Pattern Recognition, pp. 1139-1146 (2013)
Li, S., Wang, W., Qi, H., Ayhan, B., Kwan, C., Vance, S.: Low-rank tensor decomposition based anomaly detection for hyperspectral imagery. In: 2015 IEEE International Conference on Image Processing, pp. 4525-4529 (2015)
Boracchi, G., Carrera, D., Wohlberg, B.: Novelty detection in images by sparse representations. In: 2014 IEEE Symposium on Intelligent Embedded Systems, pp. 47-54. IEEE (2014)
Seo, H.J., Milanfar, P.: Static and space-time visual saliency detection by self-resemblance. Journal of vision 9(12), 15-15 (2009)
Zontak, M., Cohen, I.: Defect detection in patterned wafers using anisotropic kernels. Machine Vision and Applications 21(2), 129-141 (2010)
Davy, A., Ehret, T., Morel, J.M., Delbracio, M.: Reducing anomaly detection in images to detection in noise. In: 2018 IEEE International Conference on Image Processing, pp. 1058-1062. IEEE (2018)
Hoffmann, H.: Kernel pca for novelty detection. Pattern recognition 40(3), 863-874 (2007)
##submission.downloads##
-
PDF
Завантажень: 65
