АНАЛІЗ МЕТОДІВ І АЛГОРИТМІВ РОЗПІЗНАВАННЯ ТА ІДЕНТИФІКАЦІЇ ЗОБРАЖЕНЬ ЗА ЇХ ОКРЕМИМИ ФРАГМЕНТАМИ

Автор(и)

  • Людмила Зубик Київський національний університет імені Тараса Шевченка https://orcid.org/0000-0002-2087-5379
  • Сергій Пужай-Череда Харківський національний університет Повітряних Сил імені Івана Кожедуба https://orcid.org/0000-0001-6972-3301
  • Олександр Сапельников Харківський національний університет Повітряних Сил імені Івана Кожедуба https://orcid.org/0009-0007-5667-1662
  • Денис Калугін Харківський національний університет Повітряних Сил імені Івана Кожедуба https://orcid.org/0000-0003-4821-3681
  • Максим Котляр Харківський національний університет Повітряних Сил імені Івана Кожедуба https://orcid.org/0009-0007-8970-3683

DOI:

https://doi.org/10.28925/2663-4023.2024.24.363375

Ключові слова:

розпізнавання зображень; методи обробки зображень; алгоритми обробки зображень; методи ідентифікації; програмне забезпечення.

Анотація

Розглянуто теоретичні основи побудови систем прийняття рішень на базі результатів розпізнавання зображень, що супроводжуються текстами. Наведено орієнтовну структуру системи розпізнавання зображень. В основу систем розпізнавання зображень покладено виокремлення текстових надписів на наявних фотографіях, їх попередня обробка, виокремлення ізольованих ділянок на зображенні, виконання математичних операцій над окремими групами пікселів для приведення їх до відомих форм і порівняння з ними. Виконано опис різних методів попередньої обробки зображень. Проведено аналіз доцільності застосування таких методів бінаризації зображень як адаптивна бінаризація Бредлі-Рота, медіанна фільтрація, фільтрація Гауса, методи збалансованих гістограм і дисперсій класу, дискримінантний аналіз, логістична, пробіт регресія тощо. Розглянуто різні алгоритми розбиття зображення на окремі ділянки з метою їх подальшого розпізнавання. серед них алгоритм ковзаю чого середнього, алгоритм оцінки ймовірності знаходження об’єкту у виокремленій ділянці, що базується на аналізі меж, Category-independent object proposals, Constrained Parametric Min-Cuts, Multiscale combinatorical grouping, Selective Search тощо. Виконано порівняння різних реалізацій алгоритмів обробки зображень для забезпечення ефективного розпізнавання, класифікації та ідентифікації зображень. Удосконалення окремих реалізацій алгоритмів обробки зображень дозволяє скоротити час їх обробки, що важливо для роботи з великими масивами даних. Основна увага в дослідженні зосереджена на виборі найбільш ефективних методів для розпізнавання надписів на зображеннях, удосконаленні алгоритмів, що їх реалізують, з метою побудови систем розпізнавання, спрямованих на обробку великих масивів даних.

Завантаження

Дані завантаження ще не доступні.

Посилання

Ivanytska, A., Zubyk, L., Gololobov, D., Isaienkov, Y., Grynkevych, G., & Bychkov, O. (2023). The system for recognizing useful information of the client’s ID-card based on machine learning technologies. CEUR Workshop Proceedings, Vol. 3687, 115–120.

Mafi, M., Martin, H., Andrian, J., Barreto, A., Cabrerizo, M., & Adjouadi, M. (2019). A Comprehensive Survey on Impulse and Gaussian Denoising Filters for Digital Images. Signal Processing, 157, 236–260.

Mousavirad, S. J., & Ebrahimpour-Komleh, H. (2017). Multilevel image thresholding using entropy of histogram and recently developed population-based metaheuristic algorithms. Evolutionary Intelligence, 10(1–2), 45–75. https://doi.org/10.1007/s12065-017-0152-y

Ma, G., & Yue, X. (2022). An improved whale optimization algorithm based on multilevel threshold image segmentation using the Otsu method. Eng. Appl. Artif. Intell. 113. https://doi.org/10.1016/j. engappai.2022.104960

Abd Elaziz, M., & Lu, S. (2019). Many-objectives multilevel thresholding image segmentation using knee evolutionary algorithm. Expert Syst. Appl. 125, 305–316.

Yadav, R., & Pandey, M. (2022). Image segmentation techniques: A survey. Proceedings of data analytics and management: ICDAM 2021, 1, 231–239.

Endres, I., & Hoiem, D. (2014). Category-Independent Object Proposals with Diverse Ranking. IEEE Transactions on Pattern Analysis and Machine Intelligence, 36(2), 222–234. https://doi.org/10.1109/TPAMI.2013.122

Beideman, C., Chandrasekaran, K., & Chao, Xu. (2020). Licensed under Creative Commons License CC-BY Approximation, Randomization, and Combinatorial Optimization. Algorithms and Techniques (APPROX/RANDOM 2020), 17, 1–21.

Aranguren, I., Valdivia, A., Pérez-Cisneros, M., Oliva, D., & Osuna-Enciso, V. (2022). Digital image thresholding by using a lateral inhibition 2d histogram and a mutated electromagnetic field optimization. Multimed Tools Appl. 81(7), 10023–10049.

Maire, M. & Yu, S. X. (2013). Progressive multigrid eigensolvers for multiscale spectral segmentation. ICCV, 2184–2191.

Nadimi-Shahraki, M. H., Taghian. S., Mirjalili, S., & Faris, H. (2020). Mtde: An effective multi-trial vector-based differential evolution algorithm and its applications for engineering design problems. Appl. Soft. Comput. 97. https://doi.org/10.1016/j.asoc.2020.106761

Houssein, E. H., Saad, M. R., Hashim, F. A., Shaban, H., Hassaballah, M. (2020). Lévy flight distribution: A new metaheuristic algorithm for solving engineering optimization problems. Eng. Appl. Artif. Intell. 94. https://doi.org/10.1016/j.engappai.2020.103731

Ahmadianfar, I., Bozorg-Haddad, O, & Chu, X. (2020). Gradient-based optimizer: A new metaheuristic optimization algorithm. Inf. Sci. 540, 131–159. https://doi.org/10.1016/j.ins.2020.06.037

Abdel-Basset, M., Mohamed, R., & Abouhawwash, M. (2022). A new fusion of whale optimizer algorithm with kapur’s entropy for multi-threshold image segmentation: Analysis and validations. Artif. Intell. Rev. 55(8), 6389–6459.

Salehnia, T., MiarNaeimi, F., Izadi, S., Ahmadi, M., Montazerolghaem, A., Mirjalili, S., & Abualigah, L. (2024). A mtis method using a combined of whale and moth-flame optimization algorithms, 625–651.

Sharma, A., Chaturvedi, R., & Bhargava, A. (2022). A novel opposition based improved firefly algorithm for multilevel image segmentation. Multimed Tools Appl. 81(11), 15521–15544.

Chauhan, D., & Yadav, A. (2023). A crossover-based optimization algorithm for multilevel image segmentation. Soft. Comput. 1–33.

Thapliyal, S., & Kumar, N. (2024). Ascaeo: accelerated sine cosine algorithm hybridized with equilibrium optimizer with application in image segmentation using multilevel thresholding. Evolving Syst. 1–62

Liu, Q., Li, N., Jia, H., Qi, Q., & Abualigah, L. (2023). A chimp-inspired remora optimization algorithm for multilevel thresholding image segmentation using cross entropy. Artif. Intell. Rev. 56(1), 159–216.

Chen, Y., Wang, M., Heidari, A., Shi, B., Hu, Z., Zhang, Q., Chen, H., Mafarja, M., & Turabieh, H. (2022). Multi-threshold image segmentation using a multi-strategy shuffled frog leaping algorithm. Expert Syst. Appl. 194. https://doi.org/10.1016/j.eswa.2022.116511

Houssein, E. H., Abdalkarim, N., Hussain, K., & Mohamed, E. (2024). Accurate multilevel thresholding image segmentation via oppositional snake optimization algorithm: Real cases with liver disease. Comput. Biol. Med. 169.

Kumar, B. V., Oliva, D., & Suganthan, P. (2022). Differential Evolution: From Theory to Practice. Springer Singapore. https://doi.org/10.1007/978-981-16-8082-3

Reisenhofer, R., Bosse, S., Kutyniok, G., & Wiegand, T. (2018). A haar wavelet-based perceptual similarity index for image quality assessment. Signal Process: Image Commun. 61, 33–43.

Uijlings, J. R. R., van de Sande, K. E. A., Gevers, T. & Smeulders, A. W. M. (2013). Selective Search for Object Recognition. Int. J. Comput. Vis. 104, 154–171. https://doi.org/10.1007/s11263-013-0620-5

Downloads


Переглядів анотації: 122

Опубліковано

2024-06-26

Як цитувати

Зубик, Л., Пужай-Череда , С., Сапельников, О., Калугін, Д., & Котляр, М. (2024). АНАЛІЗ МЕТОДІВ І АЛГОРИТМІВ РОЗПІЗНАВАННЯ ТА ІДЕНТИФІКАЦІЇ ЗОБРАЖЕНЬ ЗА ЇХ ОКРЕМИМИ ФРАГМЕНТАМИ. Електронне фахове наукове видання «Кібербезпека: освіта, наука, техніка», 4(24), 363–375. https://doi.org/10.28925/2663-4023.2024.24.363375