YGYu. I. Golub

Yu. I. Golub

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article

Previous Organizations / Institutes

The organizations / institutes from the scholar's other articles in the past ten years


Yu. I. Golub has a total of 4 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • A Universal Retinal Image Template for Automated Screening of Diabetic Retinopathy

    by V. V. Starovoitov, Yu. I. Golub, M. M. Lukashevich

    Diabetic retinopathy (DR) frequently appears in diabetic patients. It is initially asymptomatic, but can progress to blindness. Screening studies for its diagnosis are performed in many countries by means of photographing the eye retina with special fundus-cameras. These studies are aimed at revealing the presence of microaneurysms (MAs) on the retina, which are the primary signs of DR. The wide variety of cameras, peculiarities of retina illumination, FOV angles, and sizes of digital images has complicated the development of a reliable and universal approach to analyzing retina images by machine-learning methods. In this paper, we consider the problem of choosing the size and shape of a unified template for representing the data of an arbitrary retinal image for subsequent automated DR screening. It is experimentally proved that it is possible to extract a square inscribed in the FOV region from each retinal image and compress it to the size of 512 × 512 pixels. This is the minimum allowable size of the template. It preserves the required number of MAs for DR screening by machine-learning methods.


  • New Function for Estimating Imbalanced Data Classification Results

    by V. V. Starovoitov, Yu. I. Golub

    In this paper, we propose a new function for estimating the quality of classification into N classes. This function is invariant to the imbalance of classes to be processed. It is constructed by computing the sine of an angle formed by the errors of each class in an N-dimensional space. A geometrical substantiation of its construction is provided and its properties are investigated. It is shown that this function is an improved version of the balanced accuracy function. In contrast to other functions, the proposed function considers class distribution of errors. Examples of analyzing the confusion matrices in the classification of synthetic and real-world data are provided.


  • Open Access

    COMPARATIVE ANALYSIS OF NO-REFERENCE MEASURES FOR DIGITAL IMAGE SHARPNESS ASSESSMENT

    by Y. I. Golub, F. V. Starovoitov, V. V. Starovoitov

    В последнее время вопросы определения резкости цифровых изображений становятся все более актуальными и значимыми. Растет количество цифровых фотографий, используемых в разных областях науки и техники. Получаемые разными способами изображения могут иметь неудовлетворительное качество, поэтому важным этапом в алгоритмах обработки и анализа изображений является этап проверки качества получаемых данных. Некачественные изображения можно автоматически удалять. В статье исследуется задача автоматической оценки резкости цифровых изображений. В результате анализа научно-технической литературы были отобраны 28 функций, которые используются для анализа резкости цифровых изображений посредством вычисления множества локальных оценок. Все функции сначала вычисляют локальные оценки в окрестности каждого пиксела, затем в качестве обобщенной оценки качества всего изображения использовались средние арифметические значения локальных оценок. Тестирование показало, что множество локальных оценок резкости одного изображения чаще всего не соответствуют нормальному распределению данных. Поэтому дополнительно оценивались модифицированные варианты исследуемых функций, в которых вместо средних значений локальных оценок использовался один из параметров распределения Вейбулла (FORM, SCALE, MEAN weib, MEDIAN weib). В статье оценивались три варианта корреляции количественных оценок резкости с субъективными оценками человека-эксперта. Так как распределение локальных признаков отличается от нормального, применялись два ранговых коэффициента корреляции – Спирмена и Кендалла. Корреляция выше 0,7 означала хорошее совпадение количественных и визуальных оценок. Эксперименты выполнялись на цифровых изображениях различного качества и резкости – на искусственно размытых изображениях и на размытых в процессе съемки. Обобщая результаты выполненных экспериментов, для автоматического анализа резкости цифровых изображений предлагается использовать семь функций, которые быстро вычисляются и лучше других коррелируют с субъективными оценками резкости, выставленными человеком-экспертом.


  • Open Access

    Study of local assessments of contrast for digital images

    by Y. I. Golub, F. V. Starovoitov

    Исследование локальных оценок контраста цифровых изображений при отсутствии эталона