ТРЕХЭТАПНАЯ ОБРАБОТКА ЦИФРОВЫХ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ ЭВОЛЮЦИОНИРУЮЩИХ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ* Цой Ю.Р., Спицын В.Г. Кафедра вычислительной.

Презентация:



Advertisements
Похожие презентации
«Современные техника и технологии 2004» Многоагентный нейроэволюционный подход к адаптивному управлению МНОГОАГЕНТНЫЙ НЕЙРОЭВОЛЮЦИОННЫЙ ПОДХОД К АДАПТИВНОМУ.
Advertisements

ГЕНЕТИЧЕСКИЙ АЛГОРИТМ НАСТРОЙКИ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ Конференция «Технологии Microsoft в информатике и программировании», февраля 2004г.
ОДИН СПОСОБ ВЫЧИСЛЕНИЯ ВРЕМЕНИ СМЕШИВАНИЯ ДЛЯ ГЕНЕТИЧЕСКИХ ОПЕРАТОРОВ СКРЕЩИВАНИЯ * Цой Ю.Р Кафедра вычислительной техники, Томский политехнический университет.
«Современные техника и технологии 2005» Адаптивный оператор мутации для нейроэволюционного алгоритма АДАПТИВНЫЙ ОПЕРАТОР МУТАЦИИ ДЛЯ НЕЙРОЭВОЛЮЦИОННОГО.
Эволюционирующие искусственные нейронные сети Спицын В.Г., Цой Ю.Р. Кафедра вычислительной техники, Томский политехнический университет 2006.
ФАКУЛЬТЕТ ПРИКЛАДНОЙ МАТЕМАТИКИ и ИНФОРМАТИКИ Тарасюк Александр Евгеньевич СИСТЕМА РАСПОЗНАВАНИЯ ЛИЦ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ.
Цой Ю.Р., Спицын В.Г. К выбору размера популяции Интеллектуальные системы (AIS04), Россия, Дивноморское, 3-10 сентября, 2004г. К ВЫБОРУ РАЗМЕРА ПОПУЛЯЦИИ.
Метод поиска лиц на изображениях по симметрии и лицевым признакам к.т.н. Варламов А.Д
Липецкий государственный технический университет Кафедра прикладной математики Кузьмин Алексей Сергеевич Распознавание образов сверточными искусственными.
ОПТИМИЗАЦИЯ ЭТАПА КОДИРОВАНИЯ СТАНДАРТА JPEG НА ОСНОВЕ НЕЭТАЛОННОГО КРИТЕРИЯ КАЧЕСТВА Ярославский государственный университет им. П.Г. Демидова ДИПЛОМНАЯ.
Модифицированный критерий оценки качества восстановленных изображений Министерство образования и науки Российской Федерации Ярославский государственный.
Цой Ю.Р., Спицын В.Г. «Применение нейроэволюционного подхода для решения задач классификации и аппроксимации» XIII Всероссийский семинар «Нейроинформатика.
Диссертация на соискание степени магистра экономических наук Соискатель – Полищук А.Ю. Научный руководитель – кандидат технических наук Лапицкая Н.В.
Прогнозирование финансовых рынков с использованием нейронных сетей Выполнила: Кокшарова А.А. ПНИПУ, ФПММ гр. ММЭм-12 Руководитель: к. ф.-м.н. Шумкова Д.Б.
Применение генетического программирования для реализации систем со сложным поведением Санкт-Петербургский Государственный Университет Информационных Технологий,
Национальный Аэрокосмический Университет «ХАИ» Обзор направлений научных исследований кафедры 1 Николай Пономаренко 18/4/2006 Автоматическое определение.
Дипломная работа Разработка нейросетевого программного комплекса для анализа и прогнозирования котировок на Международном валютном рынке FOREX Выполнил:
Диссертация на соискание степени магистра экономических наук Соискатель – Полищук А.Ю. Научный руководитель – кандидат технических наук Лапицкая Н.В.
Адаптивный метод встраивания данных в графические изображения Руководитель Абрамович Михаил Семенович доцент кафедры ММАД, канд. физ.-мат. наук Минск 2008.
Система управления РТК Основная задача системы управления роботом – автоматизация деятельности человека-оператора. Составные части: Система технического.
Транксрипт:

ТРЕХЭТАПНАЯ ОБРАБОТКА ЦИФРОВЫХ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ ЭВОЛЮЦИОНИРУЮЩИХ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ* Цой Ю.Р., Спицын В.Г. Кафедра вычислительной техники, Томский политехнический университет * Работа выполнена при поддержке РФФИ (проект )

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Введение Рассматривается задача попиксельной обработки изображения для повышения его визуального качества. Обработка ведется с использованием нейросетевой реализации локально-адаптивного подхода. Для настройки весов связей нейронной сети используется приблизительный критерий качества обработанных тренировочных изображений. Настройка структуры и весов связей ИНС осуществляется с использованием генетического алгоритма.

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Содержание доклада 1. Краткое описание нейроэволюционного алгоритма 2. Нейросетевая обработка изображений 3. Трехэтапная обработка изображений 4. Эксперименты и результаты 5. Анализ результатов 6. Заключение

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Краткое описание нейроэволюционного алгоритма Особенности алгоритма: Одновременная настройка весов и структуры ИНС. 1 особь = 1 ИНС. В хромосоме кодируется список связей НС. Рассматривается эволюция популяции НС. Веса связей кодируются 19-разрядными числами. Используются оригинальные адаптивные операторы скрещивания (рекомбинация существующих ИНС) и мутации (вариация ИНС). Подстройка размера популяции в процессе работы алгоритма.

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Нейросетевая обработка изображений (1/3) Рассматривается локально-адаптивный подход: попиксельная обработка с использованием информации о характеристиках распределения яркости в локальной окрестности пикселей. Преобразование яркости пикселей: Тестирование Обучение ИНС

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Нейросетевая обработка изображений (2/3) Восстановление информации о цвете: Z k – k-я цветовая компонента. Оценка ИНС: качество изображения. – количество пикселей на краях на обработанном изображении, a и b – соответственно ширина и высота изображения в пикселях, l i – доля пикселей обработанного изображения с i-м уровнем яркости.

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Нейросетевая обработка изображений (3/3) Ранняя проверка ИНС: Необходима для «отсеивания» ИНС, инвертирующих исходное изображение. Условия «отсеивания» (net() – выход ИНС): или Оценивание ИНС, прошедших раннюю проверку: Изображения для обучения Оцениваемая ИНС Обработанные изображения ИНС Оценка ИНС

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Трехэтапная обработка изображений 1. Предобработка 2. Локальная обработка с помощью ИНС 3. Автонастройка уровней Исходное 1 этап 2 этап 3 этап

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Эксперименты Изображение для обучения: Параметры обучения: Длительность обучения: 25 поколений Начальный размер популяции: 50 особей Локальная окрестность: 3х3 пикселя 128х128 Параметры тестирования: Локальная окрестность: 11х11 пикселей Приближенное вычисление локальных среднего и дисперсии: где - средняя яркость изображения,

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Результаты (1/4)

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Результаты (2/4)

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Результаты (3/4) Трудности с обработкой «темных» сжатых изображений (JPEG)

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Результаты (4/4) Сравнение с Multi-Scale Retinex (Jobson, Rahman, Woodell, 1997): Предположительно, более высокая скорость работы трехэтапного способа обработки изображений при сопоставимом, в большинстве случаев, качестве Трехэтапная обработка Multi-Scale Retinex Исходное изображение

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Анализ результатов Рассматривается преобразование яркости пикселей в зависимости от дисперсии распределения яркости в окрестности для различных значений средней яркости окрестности. m L = 0,25m L = 0,5m L = 0,75 По горизонтальной оси отложено нормированное значение исходной яркости пикселя, по вертикальной – нормированная дисперсия яркости в окрестности. Новое значение яркости показано цветом (чем светлее, тем ярче).

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Заключение 1. Предложен трехэтапный способ быстрой обработки цифровых изображений. 2. Нейроэволюционный подход с использованием приблизительной оценки качества решений позволяет реализовать НС обработку изображений с применением локально-адаптивного подхода, не зависящую от размеров изображения. 3. Сравнение трехэтапной обработки изображений (предобработка + НС + автонастройка уровней) с рядом существующих подходов показало ее применимость для повышения качества изображений.

Спасибо за внимание!

Цой Ю.Р., Спицын В.Г. Трехэтапная обработка цифровых изображений с использованием эволюционирующих искусственных нейронных сетей. «Нечеткие Системы и Мягкие Вычисления ». Тверь, Приложение 1. Точность приближенных формул для локальных среднего и дисперсии