ФАСЕТКОВИЙ МЕТОД ПЕРЕТВОРЕННЯ ЗОБРАЖЕНЬ ЗА ДОПОМОГОЮ НЕЙРОМЕРЕЖЕВОГО РОЗПІЗНАВАННЯ
FACET METHOD OF IMAGE TRANSFORMATION BY MEANS OF NEURAL NETWORK RECOGNITION
Сторінки: 147-153. Номер: №1, 2020 (281)
Автори:
О.В. МАЗУРЕЦЬ, Т.К. СКРИПНИК, А.В. ІЗОТОВ
Хмельницький національний університет
O. MAZURETS, T.SKRYPNYK, A.IZOTOV
Khmelnytskyi National University
DOI: https://www.doi.org/10.31891/2307-5732-2020-281-1-147-153
Рецензія/Peer review : 26. 01.2020 р.
Надрукована/Printed : 14.02.2020 р.
Анотація мовою оригіналу
Метод фасеткового перетворення зображень полягає в програмній зміні розмірності вхідного образу й призначений для використання у процесі дорозпізнавальної обробки зображень. На основі розробленого фасеткового методу для перетворення зображень було створено додаток для нейромережевого розпізнавання образів після обробки розробленим методом. Для дослідження ефективності методу фасеткового перетворення зображень проводилося порівняння результатів розпізнавання образів до та після фасеткової згортки зображень. Розроблювана інформаційна технологія фасеткової згортки зображень використовує фасетковий метод перетворення зображень та дозволяє розпізнавати зображення до масштабування та після масштабування за допомогою нейронної мережі перцептрон. Інформаційна технологія містить етапи фасеткової згортки зображень та нейромережевого розпізнавання образів. На першому етапі відбувається обробка зображення фасетковим методом. Спочатку відбувається аналіз розмірності зображення та встановлюється рецепторна область залежно від розміру вхідного образу, після чого за необхідності коригується розмірність для фасеткової згортки. Необхідність встановлюється залежно від можливості поділити зображення на рівні квадрати. Далі встановлюється, наскільки сильно зашумлений або нечіткий образ. У наступному кроці рекурсивно визначається приналежність образу пікселів до вихідного зображення, після чого проміжний матеріал переходить до наступного етапу – розпізнавання образу нейронною мережею. Проведені в роботі дослідження встановили, що фасетковий метод перетворення зображень дозволяє конвертувати зображення таким чином, щоб підвищити ефективність подальшого розпізнавання. Так, в порівнянні з успішністю розпізнавання необроблених зображень, для зашумлених образів ефективність зростає в середньому з 36,17% до 94,53%, а для безконтурних та сегментованих образів ефективність розпізнавання зростає в середньому з 52,93% до 88,16%.
Ключові слова: нейромережа, фасетка, розпізнавання.
Розширена анотація англійською мовою
The method of facet image conversion is a software resizing of the input image and is intended for use in the process of image recognition. Based on the developed facet method for image transformation, an application was created for neural network image recognition after processing by the developed method. To investigate the efficiency of the facet image conversion method, the results of the image recognition were compared before and after the facet image convolution. The developed facet image convolution information technology uses the facet image conversion method and allows the image to be recognized before scaling and after scaling using the perceptron neural network. There are two main components of information technology: facet image convolution and neural network image recognition. In the first stage, the image is processed by the facet method. First, an image dimension analysis is performed and a square is determined depending on the size of the input image, and then the dimension for the facet convolution is adjusted, if necessary. Necessity is determined by the ability to divide the image into squares. The next step is to set how noisy the image is, or vice versa. The next step is to recursively determine the affiliation of the pixel image to the original image, after which the intermediate material proceeds to the next stage of image recognition by the neural network. Researches have shown that the facet image conversion method allows to convert images in such a way as to increase the efficiency of further recognition. Thus, in comparison with the success of recognition of raw images, for noisy images the efficiency increases on average from 36.17% to 94.53%, and for the outline and segmented images the recognition efficiency increases on average from 52.93% to 88.16%.
Keywords: neural network, facet, recognition, image, transformation, determine, pixel.
References
- GOROKHOVATSKY, O. (2018) Features of character image recognition using linear descriptions and result correction. Information processing systems, 4, p. 149-151.
- OVCHARUK, O. & MAZURETS, O. (2019) Mathematical model of facet pre-recognition image transformation. Proceedings of the XI All-Ukrainian Scientific-Practical Conference “Actual Problems of Computer Sciences APKN-2019”, Vol. 1, p. 151-152.
- PODOROZHNYAK, A., LYUBCHENKO, N. & LAGODA, O. (2015) The method of intellectual processing of multispectral images. Systems of information processing, 10. p. 123-125.
- GOODFELOV, I., BENGIO, J. & COWERVILLE, A. (2016) Machine Learning. [Online] Available from: http://www.deeplearningbook.org [Accessed: 25 July 2019].
- GAVRISH, B., TIMCHENKO, O., KULCHITSKY, R. & SEMENOVA, A. (2018) Features of construction of neural network image recognition systems. Modeling and information technologies, 83, p. 190-196.
