Мостовщиков Д.Н., Могилатов Р.К., Усов А.Е.

Email: Mostovshchikov6115@scientifictext.ru

Мостовщиков Дмитрий Николаевич – старший системный архитектор,

Li9, Inc., г. Феникс;

Могилатов Роман Константинович - технический руководитель,

Python SoftServe Inc., г. Роли;

Усов Алексей Евгеньевич – ведущий системный архитектор,

Li9, Inc., г. Феникс, Соединенные Штаты Америки

Аннотация: проведен анализ современных программных алгоритмов обработки бинарных изображений с целью распознавания символьных данных, представленных в растровом формате, которые характеризуются низким разрешением и высоким уровнем шумов. Показано, что на основе морфологических методов обработки бинарных изображений можно существенно уменьшить время машинного анализа входных данных и нагрузку на вычислительный ресурс соответствующей аппаратно-программной платформы. В результате проведенного анализа разработана математическая модель, которая позволяет обобщить методику построения морфологических алгоритмов восстановления бинарных изображений с целью дальнейшего распознавания символьных данных, представленных в растровом формате. Эффективность применения данной методики оценивалась на основе целевых функций точности восстановления и времени обработки входных данных, а также уровня нагрузки на вычислительный ресурс системы машинного анализа.

Ключевые слова: растровое представление графической информации, бинарные изображения, предварительная обработка изображения, морфологические методы, дилатация, эрозия, целевые функции.

DEVELOPMENT OF SOFTWARE ALGORITHMS FOR PROCESSING BINARY IMAGES OF AUTOMATED SYSTEM FOR RECOGNIZING CHARACTER DATA PRESENTED IN RASTER FORMAT

Mostovshchikov D.N., Mogylatov R.K., Usov A.Yе.

Mostovshchikov Dmitriy Nikolaevich – Senior Systems Architect,

LI9, INC., PHOENIX;

Mogylatov Roman Kostantinovich – Technical Leader,

PYTHON SOFTSERVE INC., RALEIGH;

Usov Aleksey Yevgenyevich – Lead Systems Architect,

LI9, INC., PHOENIX,

UNITED STATES OF AMERICA

Abstract: аn analysis of modern software algorithms for processing binary low resolution and noisy images was conducted in order to recognize symbolic data presented in raster format. It is shown that morphological methods of processing binary images allow to significantly reduce the time of machine analysis of input and the load of the computing resource of the corresponding hardware and software platform. As a result of the analysis, a mathematical model has been developed. It allows generalizing the methodology for building of morphological algorithms for recovering binary images in order to further recognize symbolic data presented in raster format. The effectiveness of the application of this technique was estimated on the basis of the objective functions of the reconstruction accuracy and the processing time of the input data, as well as the level of load on the computational resource of the raster image analysis system.

Keywords: raster representation of graphic information, binary images, image preprocessing, morphological methods, dilatation, erosion, target functions.

Список литературы / References

• Zou J., Li Z., Guo Z. & Hong D. (2019). Super-Resolution Reconstruction of Images Based on Microarray Camera. Computers, Materials & Continua, 60 (1), 163–177. doi: 10.32604/cmc.2019.05795.
• Rowcliffe J.M., Carbone C., Jansen P.A., Kays R. & Kranstauber B. (2011). Quantifying the sensitivity of camera traps: an adapted distance sampling approach. Methods in Ecology and Evolution, 2 (5). 464–476. doi: 10.1111/j.2041-210x.2011.00094.
• Hazra T.K., Mazumder A., Maity D. A New Perspective of Wavelet Based Image Denoising Using Different Wavelet Thresholding. (2016). International Journal of Science and Research (IJSR). 5 (8). 1504-1509. https://doi.org/10.21275/art20161212
• Akram J. (2018). An application of waveform denoising for microseismic data using polarization-linearity and time-frequency thresholding. Geophysical Prospecting. 66 (5), 872–893. https://doi.org/10.1111/1365-2478.12597.
• Petro A. & Sbert C. (2013). Selective Contrast Adjustment by Poisson Equation. Image Processing On Line, 3, 208-222. doi:10.5201/ipol.2013.41.
• Karim T. & Tasneem T. (2014). Analytical Adjustment of Image Contrast. International Journal of Computer Applications. 98 (20), 44-49. doi:10.5120/17303-7794.
• Zhang C., Liu W. & Xing W. (2018). Color image enhancement based on local spatial homomorphic filtering and gradient domain variance guided image filtering. Journal of Electronic Imaging, 27(06). 1. doi:10.1117/1.jei.27.6.063026.
• Gnouma M., Ladjailia A., Ejbali R., Zaied M. (2018). Stacked sparse autoencoder and history of binary motion image for human activity recognition. Multimedia Tools and Applications. 78 (2), 2157-2179. doi:10.1007/s11042-018-6273-1.
• Arbelaez P., Maire M., Fowlkes C., Malik J. (May 2011). "Contour Detection and Hierarchical Image Segmentation" (PDF). IEEE Transactions on Pattern Analysis and Machine Intelligence. 33 (5): 898–916.
• Yuan Jiangye, Gleason Shaun S., Cheriyadat Anil M. (2013). "Systematic benchmarking of aerial image segmentation". IEEE Geoscience and Remote Sensing Letters. 10 (6): 1527–1531.
• Adam B., Zaman F., Yassin I., Abidin H. & Rizman Z. (2018). Performance evaluation of faster R-CNN on GPU for object detection. Journal of Fundamental and Applied Sciences, 9 (3S), 909.
• Wei X., Xie C., Wu J. & Shen C. (2018). Mask-CNN: Localizing parts and selecting descriptors for fine-grained bird species categorization. Pattern Recognition, 76, 704-714.
• Dimitrov V. (2016). Cloud Programming Models (MapReduce). Encyclopedia of Cloud Computing, 596-608. doi:10.1002/9781118821930.ch49.
• Gupta H. Load Balancing In Cloud Computing. (2017). International Journal of Recent Trends in Engineering and Research, 3(3), 260-267. doi:10.23883/ijrter.2017.3076.uimcu
• Takabi H., Joshi J.B.D. and Ahn G.-J. “Security and privacy challenges in cloud computing environments,” IEEE Security & Privacy, vol. 8, no. 6, pp. 24–31, 2010.
• Petrov V.V., Zichun Le., Kryuchyn A.A., Shanoylo S.M., Fu M., Beliak Ie.V., Manko D.Yu., Lapchuk A.S., Morozov E.M. Long-term storage of digital information July 2018 DOI: 10.15407/А 360.148ISBN: 9789663603605.
• Vincent L. & Heijmans H. (2018). Graph Morphology in Image Analysis. Mathematical Morphology in Image Processing, 170-203. doi:10.1201/9781482277234-6.
• Sadi A., EL Chakik A. & Elmoataz A. (2014). Nonlocal PDEs Morphology on Graph: A Generalized Shock Operators on Graph. Lecture Notes in Computer Science, 409–416. https://doi.org/10.1007/978-3-319-07998-1_47.
• Roerdink J.B. (2018). Mathematical Morphology with Noncommutative Symmetry Groups. Mathematical Morphology in Image Processing, 205-254. doi:10.1201/9781482277234-7.
• Serra J. Introduction to Mathematical Morphology. (2017). Image Processing and Mathematical Morphology, 25–34. https://doi.org/10.1201/9781420089 448-5.
• Schmitt M. (2018). On Two Inverse Problems in Mathematical Morphology. Mathematical Morphology in Image Processing, 151-169. doi:10.1201/9781482277234-5.

Ссылка для цитирования данной статьи

		Тип лицензии на данную статью – CC BY 4.0. Это значит, что Вы можете свободно цитировать данную статью на любом носителе и в любом формате при указании авторства.
Электронная версия. Мостовщиков Д.Н., Могилатов Р.К., Усов А.Е. РАЗРАБОТКА ПРОГРАММНЫХ АЛГОРИТМОВ ОБРАБОТКИ БИНАРНЫХ ИЗОБРАЖЕНИЙ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ РАСПОЗНАВАНИЯ СИМВОЛЬНЫХ ДАННЫХ, ПРЕДСТАВЛЕННЫХ В РАСТРОВОМ ФОРМАТЕ // Вестник науки и образования № 12(115), 2021 [Электронныйресурс].URL: http://scientificjournal.ru/images/PDF/2021/115/razrabotka-programmnykh.pdf (Дата обращения:ХХ.ХХ.201Х). Печатная версия. Мостовщиков Д.Н., Могилатов Р.К., Усов А.Е. РАЗРАБОТКА ПРОГРАММНЫХ АЛГОРИТМОВ ОБРАБОТКИ БИНАРНЫХ ИЗОБРАЖЕНИЙ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ РАСПОЗНАВАНИЯ СИМВОЛЬНЫХ ДАННЫХ, ПРЕДСТАВЛЕННЫХ В РАСТРОВОМ ФОРМАТЕ // Вестник науки и образования № 12(115), 2021 C. {см. журнал}.

Поделитесь данной статьей, повысьте свой научный статус в социальных сетях

Tweet