DOI: https://doi.org/10.32515/2664-262X.2022.5(36).2.335-346

Нейромережевий метод виявлення текстурних аномалій у цифровому зображенні

О.М. Дрєєв, О.П. Доренський, Г.М. Дрєєва

Об авторах

О.М. Дрєєв, доцент, кандидат технічних наук, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, e-mail: drieievom@kntu.kr.ua, ORCID ID: 0000-0001-6951-2002

О.П. Доренський, кандидат технічних наук, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, e-mail: dorenskyiop@kntu.kr.ua, ORCID ID: 0000-0002-7625-9022

Г. М. Дрєєва, Центральноукраїнський національний технічний університет, м. Кропивницький, Україна, e-mail: gannadreeva@gmail, ORCID ID: 0000-0002-8557-3443

Анотація

Сучасні системи комп’ютерного зору часто використовують для оброблення цифрового зображення нейронні мережі. Однак для цього потрібно створювати бази даних для їх навчання, що в здебільшого складає переважну долю ресурсів ІТ-проєкту. Тож актуальною задачею, аспекти якої розглянуто в цій статті, є методи підвищення якості навчання нейронних мереж на даних меншого обсягу. Також актуальним є й можливість оброблення даних, характер яких не був наявним в початковій базі прикладів для навчання. Для розв’язання цієї науково-технічної задачі – підвищення якості сегментації зображення за присутніми текстурними особливостями, – в роботі пропонується використовувати як вхідну інформацію до нейронної мережі не лише безпосередньо цифрове зображення, а й його локальні статистичні показники. Означене розширює інформативність вхідної інформації і нейронній мережі не потрібно вчитися для їх виділення. Для цього достатньо прийняти рішення щодо їх використання або нехтування як ознаками. Також для виділення текстурних особливостей запропоновано використовувати самоорганізаційні вихідні шари, які здатні працювати як класифікатори, що групують елементи за схожими групами ознак. У праці показано застосовність запропонованих рішень до текстурної сегментації цифрових зображень, зокрема картографічних фотографічних зображень.

Ключові слова

нейронна мережа, цифрове зображення, сегментація, текстура, нейронна мережа Кохонена

Повний текст:

PDF

Посилання

1. Diwakar Tripathia, Damodar Reddy Edlaa, Venkatanareshbabu Kuppilia, Annushree Bablania, Ramesh Dharavath (2018). Credit Scoring Model based on Weighted Voting and Cluster based Feature Selection. International Conference on Computational Intelligence and Data Science (ICCIDS 2018), Procedia Computer Science 132 22–31. https://www.sciencedirect.com/science/article/pii/S1877050918307877 [in English].

2. Hong-an Li, Qiaoxue Zheng, Xin Qi, Wenjing Yan, Zheng Wen, Na Li, Chu Tang. (2021). Neural Network-Based Mapping Mining of Image Style Transfer in Big Data Systems. Computational Intelligence and Neuroscience, vol. 2021, Article ID 8387382, 11 pages. https://doi.org/10.1155/2021/8387382 [in English].

3. Vadym Slyusar, Mykhailo Protsenko et al. (2021). Improving neural network model for semantic segmentation of images of monitored objects in aerial photographs. Eastern-European Journal of Enterprise Technologies ISSN 1729-3774, DOI: 10.15587/1729-4061.2021.248390. P. 86-95. https://slyusar.kiev.ua/Article%20Text-573693-1-10-20211229.pdf [in English].

4. Potapov, A., German, V.A. & Grachev, V.I. (2013). “Nano -” and radar signal processing: Fractal reconstruction complicated images, signals and radar backgrounds based on fractal labyrinths, 14th International Radar Symposium (IRS), pp. 941-946. https://ieeexplore.ieee.org/abstract/document/6581701 [in English].

5. Qiang Zuo, Songyu Chen, Zhifang Wang. (2021). R2AU-Net: Attention Recurrent Residual Convolutional Neural Network for Multimodal Medical Image Segmentation", Security and Communication Networks, vol. 2021, Article ID 6625688, 10 pages, https://doi.org/10.1155/2021/6625688 [in English].

6. Wang Shuhang, Hu Szu-Yeu, Cheah Eugene, Wang Xiaohong and other (2004). U-Net Using Stacked Dilated Convolutions for Medical Image Segmentation. https://arxiv.org/abs/2004.03466 [in English].

7. Veys, C., Chatziavgerinos, F., AlSuwaidi, A. et al. (2019). Multispectral imaging for presymptomatic analysis of light leaf spot in oilseed rape. Plant Methods, 15, 4 https://doi.org/10.1186/s13007-019-0389-9 [in English].

8. Tang, Peng, Chunyu Wang, Xinggang Wang, Wenyu Liu, Wenjun Zeng & Jingdong Wang. (2020). Object Detection in Videos by High Quality Object Linking. IEEE Transactions on Pattern Analysis and Machine Intelligence, 42: 1272-1278. https://ieeexplore.ieee.org/document/8686124 [in English].

9. Fasola, J. & Veloso, M. (2006). Real-time object detection using segmented and grayscale images. Proceedings 2006 IEEE International Conference on Robotics and Automation, ICRA 2006., pp. 4088-4093, doi: 10.1109/ROBOT.2006.1642330. https://ieeexplore.ieee.org/abstract/document/1642330 [in English].

10. Abuarafah Adnan, Khozium Osama, Abdrabou Essam. (2012). Real-time Crowd Monitoring using Infrared Thermal Video Sequences. International Journal of Engineering Science. 8. 133-140. https://www.researchgate.net/publication/236292403_Real-time_Crowd_Monitoring_using_Infrared_Thermal_Video_Sequences [in English].

11. Haralick, R.M., Shanmugam, K. & Dinstein, I. (1973). Textural Features for Image Classification, in IEEE Transactions on Systems, Man, and Cybernetics, vol. SMC-3, no. 6, pp. 610-621, Nov. doi: 10.1109/TSMC.1973.4309314 [in English].

12. Pascal, B., Mauduit, V., Pustelnik, N. & Abry, P. (2021). Scale-free Texture Segmentation: Expert Feature-based versus Deep Learning strategies, 2020 28th European Signal Processing Conference (EUSIPCO), pp. 1367-1371, doi: 10.23919/Eusipco47968.2020.9287829 [in English].

13. Ristanto, S., Nugroho, W., Sulistya, E. & Suparta, G.B. ((2021). System and method for stereoscopic image acquisition. AIP Conference Proceedings, 2374, 020014; https://doi.org/10.1063/5.0058929 [in English].

14. Google Maps. www.google.com. Retrieved from https://www.google.com/maps/ @48.4599286,32.724665,481m/data=!3m1!1e3 [in English].

15. Ren, M., Zhang, J., Khoukhi, L. et al. (2021). A review of clustering algorithms in VANETs. Ann. Telecommun. 76, 581–603. https://doi.org/10.1007/s12243-020-00831-x [in English].

16. Ezugwu, A.E., Shukla, A.K., Agbaje, M.B. et al. (2021). Automatic clustering algorithms: a systematic review and bibliometric analysis of relevant literature. Neural Comput & Applic 33, 6247–6306. https://doi.org/10.1007/s00521-020-05395-4 [in English].

17. Krenevich, A.P. (2021). Algorithms and data structures [Algorithms and data structures]. Kyiv: Kyiv University [in Ukrainian].

18. Marimont, R.B. & Shapiro, M.B. (1979). Nearest Neighbour Searches and the Curse of Dimensionality. IMA Journal of Applied Mathematics, Vol. 24, Issue 1, August, Pp. 59–70, https://doi.org/10.1093/imamat/24.1.59 [in English].

19. Andrzej Maćkiewicz & Waldemar Ratajczak (1993). Principal components analysis (PCA). Computers & Geosciences, Vol. 19, Issue 3, Pp. 303-342, ISSN 0098-3004, https://doi.org/10.1016/0098-3004(93)90090-R. [in English].

20. Kohonen, T. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43, 59-69 [in English].

21. Ojie, Oseikhuemen D., & Reza Saatchi. (2021). Kohonen Neural Network Investigation of the Effects of the Visual, Proprioceptive and Vestibular Systems to Balance in Young Healthy Adult Subjects. Healthcare 9, no. 9: 1219. https://doi.org/10.3390/healthcare9091219 [in English].

Пристатейна бібліографія ГОСТ

  • Diwakar Tripathia, Damodar Reddy Edlaa, Venkatanareshbabu Kuppilia, Annushree Bablania, Ramesh Dharavath . Credit Scoring Model based on Weighted Voting and Cluster based Feature Selection. International Conference on Computational Intelligence and Data Science (ICCIDS 2018), Procedia Computer Science 132 (2018) 22–31. https://www.sciencedirect.com/science/article/ pii/S1877050918307877 (Last accessed: 12.04.2022)
  • Hong-an Li, Qiaoxue Zheng, Xin Qi, Wenjing Yan, Zheng Wen, Na Li, Chu Tang. Neural Network-Based Mapping Mining of Image Style Transfer in Big Data Systems. Computational Intelligence and Neuroscience, vol. 2021, Article ID 8387382, 11 pages, 2021. https://doi.org/10.1155/2021/8387382
  • Vadym Slyusar, Mykhailo Protsenko and other. Improving neural network model for semantic segmentation of images of monitored objects in aerial photographs. Eastern-European Journal of Enterprise Technologies. ISSN 1729-3774, DOI: 10.15587/1729-4061.2021.248390. P. 86-95. https://slyusar.kiev.ua/Article%20Text-573693-1-10-20211229.pdf
  • Potapov A.A., German V.A., Grachev V. I. "“Nano” and radar signal processing: Fractal reconstruction complicated images, signals and radar backgrounds based on fractal labyrinths. 2013 14th International Radar Symposium (IRS), 2013, pp. 941-946. https://ieeexplore.ieee.org/abstract/document/6581701 (Last accessed: 15.04.2022)
  • Qiang Zuo, Songyu Chen, Zhifang Wang. R2AU-Net: Attention Recurrent Residual Convolutional Neural Network for Multimodal Medical Image Segmentation. Security and Communication Networks. Vol. 2021, Article ID 6625688, 10 pages, 2021. https://doi.org/10.1155/2021/6625688
  • Wang Shuhang, Hu Szu-Yeu, Cheah Eugene, Wang Xiaohong and other. U-Net Using Stacked Dilated Convolutions for Medical Image Segmentation. https://arxiv.org/abs/2004.03466 (Last accessed: 15.04.2022)
  • Veys, C., Chatziavgerinos, F., AlSuwaidi, A. et al. Multispectral imaging for presymptomatic analysis of light leaf spot in oilseed rape. Plant Methods. 15, 4 (2019). https://doi.org/10.1186/s13007-019-0389-9
  • Tang, Peng, Chunyu Wang, Xinggang Wang, Wenyu Liu, Wenjun Zeng and Jingdong Wang. Object Detection in Videos by High Quality Object Linking. IEEE Transactions on Pattern Analysis and Machine Intelligence. 42 (2020): 1272-1278. https://ieeexplore.ieee.org/document/8686124
  • Fasola J. and Veloso M. Real-time object detection using segmented and grayscale image. Proceedings 2006 IEEE International Conference on Robotics and Automation, 2006. ICRA 2006., 2006, pp. 4088-4093, doi: 10.1109/ROBOT.2006.1642330. https://ieeexplore.ieee.org/abstract/document/1642330 (Last accessed: 17.04.2022)
  • Abuarafah Adnan, Khozium Osama, Abdrabou Essam. Real-time Crowd Monitoring using Infrared Thermal Video Sequences. International Journal of Engineering Science. 2012. 8. 133-140. https://www.researchgate.net/publication/236292403_Real-time_Crowd_Monitoring_using_Infrared_Thermal_Video_Sequences (Last accessed: 18.04.2022)
  • Haralick R. M., Shanmugam K. and Dinstein I. Textural Features for Image Classification. in IEEE Transactions on Systems, Man, and Cybernetics, vol. SMC-3, no. 6, pp. 610-621, Nov. 1973, doi: 10.1109/TSMC.1973.4309314.
  • Pascal B., Mauduit V., Pustelnik N. andAbry P. Scale-free Texture Segmentation: Expert Feature-based versus Deep Learning strategies. 2020 28th European Signal Processing Conference (EUSIPCO), 2021, pp. 1367-1371, doi: 10.23919/Eusipco47968.2020.9287829.
  • Ristanto S., Nugroho W., Sulistya E., Suparta G.B. System and method for stereoscopic image acquisition. AIP Conference Proceedings 2374, 020014 (2021); https://doi.org/10.1063/5.0058929
  • GoogleMaps . URL: https://www.google.com/maps/@48.4599286,32.724665,481m/data=!3m1!1e3
  • Ren, M., Zhang, J., Khoukhi, L. et al. A review of clustering algorithms in VANETs. Ann. Telecommun. 76, 581–603 (2021). https://doi.org/10.1007/s12243-020-00831-x
  • Ezugwu, A.E., Shukla, A.K., Agbaje, M.B. et al. Automatic clustering algorithms: a systematic review and bibliometric analysis of relevant literature. Neural Comput & Applic. 33, 6247–6306 (2021). https://doi.org/10.1007/s00521-020-05395-4
  • Креневич А.П. Алгоритми і структури даних: підруч. К.: ВПЦ "Київський Університет", 2021. 200 с.
  • Marimont R.B., Shapiro M.B. Nearest Neighbour Searches and the Curse of Dimensionality. IMA Journal of Applied Mathematics. Volume 24, Issue 1, August 1979, Pages 59–70, https://doi.org/10.1093/imamat/24.1.59
  • Andrzej Maćkiewicz, Waldemar Ratajczak. Principal components analysis (PCA). Computers & Geosciences, Volume 19, Issue 3, 1993, Pages 303-342, ISSN 0098-3004, https://doi.org/10.1016/0098-3004(93)90090-R.
  • Kohonen, T. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43:59-69.
  • Ojie, Oseikhuemen D., and Reza Saatchi. 2021. Kohonen Neural Network Investigation of the Effects of the Visual, Proprioceptive and Vestibular Systems to Balance in Young Healthy Adult Subjects Healthcare 9, no. 9: 1219. https://doi.org/10.3390/healthcare9091219.

    • Copyright (c) 2022 О. М. Дрєєв, О. П. Доренський, Г. М. Дрєєва