| Русский Русский | English English |
   
Главная Архив номеров
19 | 10 | 2021
10.14489/vkit.2014.12.pp.018-023

DOI: 10.14489/vkit.2014.12.pp.018-023

Белим С. В., Майоров-Зильбернагель А. О.
ВОССТАНОВЛЕНИЕ ИЗОБРАЖЕНИЙ СО СТАТИЧЕСКИМИ ПРОПУСКАМИ НА ОСНОВЕ МЕТОДА АССОЦИАТИВНЫХ ПРАВИЛ
(с. 18-23)

Аннотация. Предложен метод восстановления изображений с известной картой испорченных пикселов на основе формирования ассо-циативных правил по неповрежденной части изображения. Рассмотрены последовательности значений ячеек таблицы исходя из предположения о наличии закономерностей в следовании цветов пикселов. Любая из последовательностей представлена как транзакция для построения ассоциативных правил, для каждого их которых вычислен уровень поддержки. Цвет испорченного пиксела выбран на основе ассоциативного правила, применимого к последовательности его ближайших соседей и имеющего наи-большую поддержку. Представлены результаты компьютерного эксперимента по определению эффективности данного метода. Определены значения параметров, дающих результат, наиболее близкий к оригиналу.

Ключевые слова: восстановление данных; зашумленные изображения; ассоциативные правила; анализ данных; импульсный шум.

 

Belim S. V., Mayorov-Zilbernagel A. O.
IMAGE RESTORATION WITH STATIC GAPS ON THE BASIS OF ASSOCIATION RULES
(pp. 18-23)

Abstract. This paper proposes a method for reconstructing images with known map corrupted pixels based on the formation of association rules for a certain part of the image. Noisy image is seen as a table with a vacancy. The problem of filling free cells is investigated. The positions of free cells are known. The existence of patterns in the sequence of the pixel color is presupposed. We consider a sequence of values of table cells. Each constructed sequence is represented as a transaction for the construction of association rules. Association rules with the support of not less than a certain value are retained. For each association rule is calculated level of support. Color corrupted pixel is selected based on asso-ciation rules with the greatest support. Computer experiment is performed to determine the effectiveness of the proposed method. In the experiment, random point noise random color is generated in the original image. Position corrupted pixels are stored. The statistics for uncorrupted pixels are stored. Association rules with the level of support has not fallen below the setpoint are formulated. For each corrupted pixel investigated all possible sets of consecutive rows and columns of pixels. Association rule with greatest support is selected. The parameter values are determined from the experimental.

Keywords: Data recovery; Noisy image; Association rules; Data Mining; Impulse noise.

Рус

С. В. Белим, А. О. Майоров-Зильбернагель (Омский государственный университет им. Ф. М. Достоевского) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

S. V. Belim, A. O. Mayorov-Zilbernagel (Omsk State University named after F. M. Dostoevskiy) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Рус

1. Agrawal R., Imielinski T., Swami A. Mining Association Rules between Sets of Items in Large Databases // Proc. of the 1993 ACM SIGMOD Intern. Conf. on Management of Data. Washington DC, USA. P. 207 – 216.
2. Литл Р. Дж. А., Рубин Д. Б. Статистический ана-лиз данных с пропусками: пер. с англ. М.: Финансы и статистика, 1990. 336 с.
3. Радченко С. Г. Методология регрессионного анализа. Киев: Корнійчук, 2011. 376 с.
4. Ларионов И. Б. Восстановление изображений при помощи многомерных линейных многообразий // Проблемы обработки и защиты информации. Кн. 2. Ана-лиз графической и текстовой информации / под общ. ред. С. В. Белима. Омск: Полиграфический центр КАН, 2010. С. 43 – 57.
5. Россиев А. А. Моделирование данных при по-мощи кривых для восстановления пробелов в таблицах // Методы нейроинформатики: сб. научн. тр. / под ред. А. Н. Горбаня. Красноярск: Изд-во КГТУ, 1998. С. 6 – 22.
6. Двоенко С. Д. Неиерархический дивизимный алгоритм кластеризации // Автоматика и телемеханика. 1999. № 4. С. 117 – 123.
7. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. Новосибирск: ИМ СО РАН, 1999. 270 с.
8. Васильев В. И., Шевченко А. И. Восстановле-ние пропущенных данных в эмпирических таблицах // Искусственный интеллект. 2003. № 3. С. 317 – 324.
9. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. 2-е изд. М.: Горячая линия–Телеком, 2002. 382 с.
10. Ларионов И. Б. Карты Кохонена как способ восстановления мультимедийной информации [Электронный ресурс] // Журнал радиоэлектроники: электрон. журн. 2010. № 10. 29 с. URL: http://jre.cplire.ru/mac/ oct10/3/text.pdf (дата обращения: 10.10.2014).
11. De Haan G., Kwaaitaal-Spassova T. G., Ojo O. A. Automatic 2-D and 3-D Noise Filtering for High-Quality Television Receivers // Proc. of the 7th Intern. Work-shop on Signal Processing and HDTV. 1996. V. 1. P. 221 – 230.
12. Discrete Multidirectional Wavelet Bases / V. Velisavljevic et al. // Proc. IEEE Intern. Conf. of Image Processing (ICIP’2003). 2003. P. 1025 – 1028.
13. Fernandes F. C. A., van Spaendonck R. L., Burrus C. S. A Directional, Shift-Insensitive, Low-Redundancy, Wavelet Transform // Proc. IEEE Intern. Conf.of Image Processing (ICIP’2001). 2001. P. 618 – 621.
14. Muresan D. D., Parks T. W. Adaptive Principal Components and Image Denoising // Proc. IEEE Intern. Conf. of Image Processing (ICIP’2003). 2003. P. 1101 – 1104.
15. Di Gesù V., Staravoitov V. V. Distance-Based Functions for Image Comparison // Pattern Recognition Letters. 1999. V. 20. P. 207 – 214.
16. A New Efficient Approach for the Removal of Impulse Noise from Highly Corrupted Images / E. Abreu et al. // IEEE Transactions Image Processing. 1996. V. 5, № 6. P. 1012 – 1025.

Eng

1. Agrawal R., Imielinski T., Swami A. (1993). Mining Association Rules between Sets of Items in Large Databases. Proc. of the 1993 ACM SIGMOD International Conference on Management of Data. Washington DC, USA, pp. 207-216.
2. Litl R. Dzh. A., Rubin D. B. (1990). Statistical analysis of data with gaps. Moscow: Finansy i statistika.
3. Radchenko S. G. (2011). Methodology of regression analysis. Kiev: Kornіichuk.
4. Belim S. V. (Ed.), Larionov I. B. (2010). Image res-toration using multivariate linear manifolds. Problems of processing and protection of information. Book 2. Analysis of graphical and textual information. Omsk: Poligraficheskii tsentr KAN, pp. 43-57.
5. Gorban' A. N., Rossiev A. A. (1998). Data modeling using curves to fill the gaps in the tables. Methods of neuroinformatics: compilation of scientific papers. Krasnoiarsk: Izdatel'stvo KGTU, pp. 6-22.
6. Dvoenko S. D. (1999). Non-hierarchical divisibly the clustering algorithm of A. N. Gorbani. Avtomatika i telemekhanika, (4), pp. 117-123.
7. Zagoruiko N. G. (1999). Applied methods of data analysis and knowledge. Novosibirsk: IM SO RAN.
8. Vasil'ev V. I., Shevchenko A. I. (2003). Restoration of the missed data in empiricistic tables. Iskusstvennyi intellekt, (3), pp. 317-324.
9. Kruglov V. V., Borisov V. V. (2002). Artificial neu-ral network. Theory and practice. (2nd (Revised and Sup-plemented) ed.). Moscow: Goriachaia liniia–Telekom.
10. Larionov I. B. (2010). Kohonen maps as a way of recovery media. Zhurnal radioelektroniki: elektronnyi zhurnal, (10). Available at: http://jre.cplire.ru/mac/ oct10/3/text.pdf (Accessed: 10.10.2014).
11. De Haan G., Kwaaitaal-Spassova T. G., Ojo O. A. (1996). Automatic 2-D and 3-D Noise Filtering for High-Quality Television Receivers. Proc. of the 7th International Workshop on Signal Processing and HDTV. Vol. 1, pp. 221-230.
12. Velisavljevic V. et al. (2003). Discrete Multidirec-tional Wavelet Bases. Proc. IEEE International Conference of Image Processing (ICIP’2003), pp. 1025-1028.
13. Fernandes F. C. A., van Spaendonck R. L., Burrus C. S. (2001). A Directional, Shift-Insensitive, Low-Redundancy, Wavelet Transform. Proc. IEEE International Conference of Image Processing (ICIP’2001), pp. 618-621.
14. Muresan D. D., Parks T. W. (2003). Adaptive Principal Components and Image Denoising. Proc. IEEE International Conference of Image Processing (ICIP’2003), pp. 1101-1104.
15. Di Gesù V., Staravoitov V. V. (1999). Distance-based functions for image comparison. Pattern Recognition Letters, 20, pp. 207-214.
16. Abreu E. et al. (1996). A new efficient approach for the removal of impulse noise from highly corrupted images. IEEE Transactions Image Processing, 5(6), pp. 1012-1025.

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 250 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа статьи заполните форму:

{jform=1,doi=10.14489/vkit.2014.12.pp.018-023}

.

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 250 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please fill out the form below:

{jform=2,doi=10.14489/vkit.2014.12.pp.018-023}

 

 

 

 

 

.

.

 

 
Поиск
SEMIEXPO 2021
Баннер
Баннер
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Баннер
Rambler's Top100 Яндекс цитирования