Оптимізація стиснення зображень за допомогою штучних нейронних мереж

Автор(и)

  • Олександр Андрійович Литвин Львівський Національний Університет імені Івана Франка, Україна https://orcid.org/0009-0006-3765-5125
  • Надія Мирославівна Колос Львівський Національний Університет імені Івана Франка, Україна https://orcid.org/0000-0001-9710-9667

DOI:

https://doi.org/10.15587/1729-4061.2024.318554

Ключові слова:

стиснення зображень, обробка зображень, штучна нейронна мережа, метод стиснення, алгоритм стиснення

Анотація

Об’єктом дослідження є штучні нейронні мережі адаптивної резонансної теорії (ART). Штучні нейронні мережі ART класифікують, зіставляючи вхідні дані з одним з існуючих класів, за умови, що дані мають достатню схожість з прототипами класів. Безперервні та дискретні адаптивні мережі теорії резонансу ART-1 та ART-2 ефективно працюють в системах розпізнавання, особливо в умовах високої невизначеності, коли потрібно ідентифікувати велику кількість різних зображень.

Основна проблема, що вирішувалася в даному дослідженні, полягала в оптимізації процесу стиснення зображень за допомогою штучних нейронних мереж, адже стиснення зображень широко використовується в багатьох науково-технічних галузях і стає особливо актуальним при передачі по вузькосмугових каналах зв'язку. Варіантом подолання відповідних труднощів може бути підбір основних даних для реконструкції із відкритого набору даних (Modified National Institute of Standards and Technology) - Fashion-MNIST. Залишаються невирішеними питання, пов'язані з тим, що алгоритми стиснення з втратами при збільшенні ступеня стиснення як правило породжують добре помітні для людського ока артефакти.

Описано алгоритм стиснення на основі штучних нейронних мереж, який встановлює відповідність між вхідним і вихідним просторами, що складаються з елементів кодової книги і нейронів. Варіантом подолання втрати якості при збільшенні ступеня стиснення може бути об’єднання двох добре відомих алгоритмів: штучної нейронної мережі Кохонена і зірки Гроссберга Запропонований метод використовує інший підхід (першого порядку), а не просту схему різницевого кодування (нульового порядку), де новий код обчислюється шляхом віднімання попереднього закодованого блоку. Пікове співвідношення сигналу до шуму (peak signal-to-noise ratio) PSNR і середньоквадратичної похибки (MSE) цих алгоритмів становить 24,7 дБ при коефіцієнті стиснення 25,22.

Головна сфера практичного використання отриманих результатів полягає у покращеному стисненні зображення для потреб обробки великих за обсягом відео- та фотоматеріалів без значної втрати якості

Біографії авторів

Олександр Андрійович Литвин, Львівський Національний Університет імені Івана Франка

Кафедра дискретного аналізу та інтелектуальних систем

Надія Мирославівна Колос, Львівський Національний Університет імені Івана Франка

Кандидат фізико-математичних наук

Кафедра дискретного аналізу та інтелектуальних систем

Посилання

  1. Ali, A. N. M., Ahmad, N., Noor, N. M., Aris, S. A. M. (2022). Image Compression Using AMBTC with Artificial Neural Networks. 2022 IEEE Symposium on Future Telecommunication Technologies (SOFTT), 78–82. https://doi.org/10.1109/softt56880.2022.10009930
  2. Dashkevich, А. (2016). Study of multilayer neural networks for automatic feature extraction in solving the problem of pattern recognition. Naukovyi visnyk TDATU, 2 (6), 134–139. Available at: https://repository.kpi.kharkov.ua/server/api/core/bitstreams/883b0aec-89a9-48c9-bb07-3c515300dd80/content
  3. Lesyk, V. O., Doroshenko, А. Yu. (2023). Image compression module based neural network autoencoders. Problems in Programming, 1, 48–57. https://doi.org/10.15407/pp2023.01.048
  4. Bosse, S., Maniry, D., Wiegand, T., Samek, W. (2016). A deep neural network for image quality assessment. 2016 IEEE International Conference on Image Processing (ICIP), 3773–3777. https://doi.org/10.1109/icip.2016.7533065
  5. Syzonenko, Yu. I. (2016). Systema stysnennia ta zakhystu zobrazhen za dopomohoiu neitronnoi merezhi. Aktualni zadachi ta dosiahnennia u haluzi kiberbezpeky: Materialy Vseukrainskoi naukovo-praktychnoi konferentsiyi. Kropyvnytskyi, 157–158. Available at: https://core.ac.uk/download/pdf/84825428.pdf
  6. Atta, R. E., Kasem, H., Attia, M. (2020). A comparison study for image compression based on compressive sensing. Eleventh International Conference on Graphics and Image Processing (ICGIP 2019), 60. https://doi.org/10.1117/12.2557296
  7. Netalkar, R. K., Barman, H., Subba, R., Preetam, K. V., Raju, U. S. N. (2021). Distributed compression and decompression for big image data: LZW and Huffman coding. Journal of Electronic Imaging, 30 (05). https://doi.org/10.1117/1.jei.30.5.053015
  8. Hrytsyk, V. (2017). Basic image quality estimates methods are used today to solve the problem of automatic image processing. Shtuchnyi intelekt, 1, 38–44. Available at: http://dspace.nbuv.gov.ua/handle/123456789/132099
  9. Myasischev, O. A., Lenkov, Ye. S., Bilik, O. M. (2016). Recognition of graphic images using neural networks. Collection of Scientific Works of the Military Institute of Kyiv National Taras Shevchenko University, 54, 143‒149. Available at: https://miljournals.knu.ua/index.php/zbirnuk/article/view/174
  10. Jalilian, E., Hofbauer, H., Uhl, A. (2022). Iris Image Compression Using Deep Convolutional Neural Networks. Sensors, 22 (7), 2698. https://doi.org/10.3390/s22072698
  11. Yelahina, K., Zhukovska, D., Voropaeva, V. (2021). Use of neural network architecture based on adaptive resonance for speech signal recognition. Naukovyi Visnyk Donetskoho Natsionalnoho Tekhnichnoho Universytetu, 1 (6)-2 (7), 55–67. https://doi.org/10.31474/2415-7902-2021-1(6)-2(7)-55-67
  12. Hussain, A. J., Al-Fayadh, A., Radi, N. (2018). Image compression techniques: A survey in lossless and lossy algorithms. Neurocomputing, 300, 44–69. https://doi.org/10.1016/j.neucom.2018.02.094
  13. Sadeeq, H. T., Hameed, T. H., Abdi, A. S., Abdulfatah, A. N. (2021). Image Compression Using Neural Networks: A Review. International Journal of Online and Biomedical Engineering (IJOE), 17 (14), 135–153. https://doi.org/10.3991/ijoe.v17i14.26059
  14. Ding, K., Ma, K., Wang, S., Simoncelli, E. P. (2021). Comparison of Full-Reference Image Quality Models for Optimization of Image Processing Systems. International Journal of Computer Vision, 129 (4), 1258–1281. https://doi.org/10.1007/s11263-020-01419-7
  15. Feng, Y., Zhang, Y., Zhou, Z., Huang, P., Liu, L., Liu, X., Kang, J. (2024). Memristor-based storage system with convolutional autoencoder-based image compression network. Nature Communications, 15 (1). https://doi.org/10.1038/s41467-024-45312-0
  16. Zhang, S., Zhao, C., Basu, A. (2024). Principal Component Approximation Network for Image Compression. ACM Transactions on Multimedia Computing, Communications, and Applications, 20 (5), 1–20. https://doi.org/10.1145/3637490
  17. Yang, F., Herranz, L., Cheng, Y., Mozerov, M. G. (2021). Slimmable Compressive Autoencoders for Practical Neural Image Compression. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 4996–5005. https://doi.org/10.1109/cvpr46437.2021.00496
Оптимізація стиснення зображень за допомогою штучних нейронних мереж

##submission.downloads##

Опубліковано

2024-12-25

Як цитувати

Литвин, О. А., & Колос, Н. М. (2024). Оптимізація стиснення зображень за допомогою штучних нейронних мереж. Eastern-European Journal of Enterprise Technologies, 6(2 (132), 23–35. https://doi.org/10.15587/1729-4061.2024.318554

Номер

Том 6 № 2 (132) (2024): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2024 Oleksandr Lytvyn, Nadiya Kolos

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.