ДОСЛІДЖЕННЯ ТОЧНОСТІ ФОРМУВАННЯ ІНФОРМАТИВНИХ ОЗНАК У СИМВОЛЬНОМУ ПРЕДСТАВЛЕННІ РАСТОРОВИХ ЗОБРАЖЕНЬ ДЛЯ СИСТЕМ РОЗПІЗНАВАННЯ ОБРАЗІВ
Ключові слова:
розпізнавання образів, растрові зображення, зменшення розмірності даних, символьне перетворення зображень, метрики подібності зображеньАнотація
В цій статті досліджується застосування символьного представлення зображень як методу візуального перетворення даних. Перетворення растрових зображень у символьні форми за допомогою символів ASCII дозволяє зменшити розмірність даних, зберігаючи при цьому ключові інформаційні ознаки. Це робить метод особливо привабливим для збереження інформативних атрибутів, необхідних для формування еталонного алфавіту в системах розпізнавання образів. Дослідження оцінює ефективність символьного представлення для передачі візуальної інформації шляхом кількісної оцінки подібності між оригінальним і перетвореним зображеннями. Для комплексного аналізу було використано чотири метрики - пікове відношення сигнал/шум (PSNR), індекс структурної подібності (SSIM), індекс подібності ознак (FSIM) та відношення помилки реконструкції до сигналу (SRE). Для оцінки було використано підмножину набору даних UTKFace, що складається з 45 зображень облич. Результати показують, що хоча символьні зображення значно відрізняються від кольорових, вони зберігають високий ступінь інформаційної схожості порівняно з бінарними та розрідженими зображеннями, що підтверджує їхній потенціал для ефективного аналізу та зберігання візуальних даних для систем розпізнавання образів.
Посилання (Бібліографія)
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.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Андрій Крохмаль, Олег Захожай
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
