Экспериментальные исследования дескриптора формы бинарной фигуры на основе профиля вращения

В работе представлены результаты экспериментальных исследований дескриптора формы, основанного на профиле вращения, для задач классификации листьев растений. Дескриптор представляет собой последовательность значений, полученных путем поворота фигуры относительно самой себя с заданным угловым шагом в интервале от 0 до 180 градусов. Для каждого угла поворота вычисляется мера Жаккара, отражающая сходство между исходной и повернутой фигурами. Предложенный дескриптор обладает инвариантностью к преобразованиям подобия, что обеспечивает его эффективность при анализе объектов с разной формой. Эксперименты проводились на четырех задачах классификации с применением трех типов классификаторов: метода опорных векторов (SVM), градиентного бустинга (XGBoost) и нейронной сети (NN Simple). Эффективность дескриптора сравнивалась с традиционными подходами, включая моменты Зернике, геометрические моменты и моменты Ху. Кроме того, для сравнения использовались распознавания на растровых изображениях с помощью сверточных нейронных сетей (ResNet50, VGG16, CNN Simple). Результаты показали высокую точность и стабильность предложенного дескриптора формы в различных контекстах классификации, а также подтвердили его большой потенциал для задач анализа формы в компьютерном зрении. This paper presents the results of an experimental study of a shape descriptor based on a Rotation Profile for tasks of leaf classification. The descriptor is a sequence of values obtained by rotating the shape around itself with a fixed angular step within the range of 0 to 180 degrees. For each rotation angle, the Jaccard measure, reflecting the similarity between the original and rotated shapes, is calculated. The proposed descriptor is invariant to similarity transformations, ensuring its effectiveness in analyzing objects with varying shapes. Experiments were conducted on four classification tasks using three types of classifiers: Support Vector Machine (SVM), Gradient Boosting (XGBoost), and a simple neural network (NN Simple). The descriptor’s performance was compared with traditional approaches, including Zernike moments, geometric moments, and Hu moments. Additionally, recognition was performed directly on raster images using convolutional neural networks (ResNet50, VGG16, CNN Simple). The results demonstrated high accuracy and stability of the proposed shape descriptor across different classification contexts and confirmed its strong potential for shape analysis tasks in computer vision.