THE PRECISION FORMATION OF INFORMATIVE SIGNS RESEARCHING IN THE SYMBOLIC REPRESENTATION OF RASTER IMAGES FOR PATTERN RECOGNITION SYSTEMS
Keywords:
Pattern Recognition, Raster Image, Data Dimensionality Reduction, Symbolic Image Transformation, Image Similarity MetricsAbstract
This paper explores the application of symbolic image representation, as a method of visual data transformation. By converting raster images into symbolic forms using ASCII characters, this approach reduces data dimensionality while preserving key informational features. This makes the method particularly attractive for retaining informative attributes needed to form a reference alphabet in pattern recognition systems. The study assesses the effectiveness of symbolic representation in transmitting visual information by quantitatively evaluating the similarity between original and transformed images. Four metrics—Peak Signal-to-Noise Ratio (PSNR), Structural Similarity Index (SSIM), Feature Similarity Index (FSIM), and Signal-to-Reconstruction Error Ratio (SRE)—were employed for comprehensive analysis. A subset of the UTKFace dataset, consisting of 45 facial images, was used for the evaluation. Results indicate that while symbolic representations differ significantly from color images, they retain a high degree of informational similarity compared to binary and thinned images, confirming their potential for efficient visual data analysis and storage for pattern recognition systems.
References
Рябенький В. М., Захожай О. І. Комбіновані системи розпізнавання образів. Вісник Херсонського державного технічного університету //– Х.: ХНТУ. – 2011. – № 01 (009). – с. 156-160.,
Захожай О. І., Крохмаль А. В. Екстенсіональний підхід до розпізнавання растрових зображень на основі їх символьних перетворень – Наукові вісті Далівського університету. №25. 2023р. DOI: 10.33216/2222-3428- 2023-25-2.
Swaroop, P., Sharma, N. An Overview of Various Template Matching Methodologies in Image Processing // International Journal of Computer Applications - Volume 153 - No 10 - November 2016, pp. 8-9. DOI: 10.5120/ijca2016912165.
Крохмаль А. В. Підходи до побудови систем розпізнавання образів в контексті обробки візуальної інформації – ЦІЛІ СТАЛОГО РОЗВИТКУ: проблеми і можливості досягнення в Україні та світі: матеріали VIII Всеукраїнської наук .- практ. конф. здобувачів вищої освіти та молодих вчених, 23-24 жовтня 2024 р., м. Київ. - Київ: [Східноукр. нац. ун-т ім.В. Даля], 2024. - 376 с.
Захожай О.І., Крохмаль А.В. Метод і програмне забезпечення символьного перетворення растрових зображень – Наукові вісті Далівського університету. №26. 2024р. DOI: 10.33216/2222-3428-2024-26-1.
Takeuchi Y., Takafuji D., Ito Y,, Nakano K. ASCII Art Generation using the Local Exhaustive Search on the GPU. Conference: Proceedings of the 2013 First International Symposium on Computing and Networking //– H.: Hiroshima University. – 2013 – DOI:10.1109/CANDAR.2013.35.
Xu X., Zhang L., Wong Tien-Tsin. Structure-based ASCII Art. ACM Transactions on Graphics // HK.: The Chinese University of Hong Kong. – 2010. – vol. 29. – Iss. 4.
Крохмаль А. В., Захожай О. І. Дослідження властивостей символьного представлення візуальної інформації – Майбутній науковець – 2024 : XV матеріали всеукр.наук.-практ. конф., 6 грудня 2024 р., м. Київ. / [укл. : Зубцов Є.І.]. – Київ : [Східноукр. нац. ун-т ім. В. Даля], 2024. – 242 с.
Niku Ekhtiari. Comparing ground truth with predictions using image similarity measures. Jan 18, 2021. URL: https://up42.com/blog/image-similarity-measures (дата звернення: 22.04.2025).
Zhang L., Zhang L., Mou X., Zhang D. FSIM: a feature similarity index for image quality assessment // IEEE Transactions on Image Processing. — 2011. — Vol. 20, No. 8. — P. 2378–2386. — DOI: 10.1109/TIP.2011.2109730.
Lanaras C., Bioucas-Dias J., Galliani S., Baltsavias E., Schindler K. Super-resolution of Sentinel-2 images: Learning a globally applicable deep neural network // ISPRS Journal of Photogrammetry and Remote Sensing. — 2018. — Vol. 146. — P. 305–319. — DOI: 10.1016/j.isprsjprs.2018.09.018.
Age Progression/Regression by Conditional Adversarial Autoencoder. Zhifei Zhang, Yang Song, Hairong Qi. 2017. The IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2017). DOI: 10.48550/arXiv.1702.08423.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Андрій Крохмаль, Олег Захожай
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
