АЛГОРИТМ ВОССТАНОВЛЕНИЯ ПИКСЕЛЕЙ ИЗОБРАЖЕНИЯ НА ОСНОВЕ НЕЙРОННОЙ СЕТИ

В работе рассмотрен алгоритм восстановления изображений, поврежденных в результате воздействия шумов различной природы. Отмечены преимущества и недостатки существующих подходов, а также перспективность использования искусственных нейронных сетей. В качестве инструмента восстановления изображения используется двухслойная нейронная сеть, при этом предполагается, что расположение поврежденных пикселей известно. Нейрон представлен в виде массива 3х3, где каждый элемент массива имеет значение цвета пикселя, которое соответствует значению данного цвета в палитре. Нейросеть обучается на неповрежденных изображениях, при этом в качестве критерия обучения выступает цветовая разница пикселей. Для более точного восстановления рекомендовано на этапе обучения подбирать изображения, схожие по гамме цветов с повреждённым. На этапе восстановления вокруг поврежденных пикселей формируются нейроны (3х3), так что поврежденный пиксель находится посередине массива данных нейрона. Повреждённому пикселю в зависимости от среднего значения матрицы весов присваивается значение нейрона. Разработан алгоритм восстанов-ления пикселей, а также выполнена его программная реализация. Моделирование проводилось в палитре RGB отдельно по каждому каналу. Для оценки качества восстановления были подобраны группы изображений с различной степенью повреждений. В отличие от существующих решений алгоритм обладает простотой реализации. Результаты исследования свидетельствуют, что независимо от степени повреждения (в пределах 50%), восстанавливаются около 70% повреждённых пикселей. Дальнейшие исследования предполагают модификацию алгоритма для восстановления изображений с увеличенными областями повреждений, а также адаптацией его для восстановления трехмерных изображений.

1. Gonzalez R. C., Woods R. E. Digital Image Processing, 4th ed. / Pearson/Prentice Hall, NY, 2018, 1168 p.

2. Белим С. В., Селиверстов С. А. Алгоритм восстановления поврежденных пикселей на зашумленных изображениях на основе метода анализа иерархий // Наука и Образование: электрон. журн. 2014. № 11. С. 521-534.

3. Белим С. В., Майоров-Зильбернагель А. О. Алгоритм поиска поврежденных пикселей и удаления импульсного шума на изображениях с использованием метода ассоциативных правил // Наука и Образование: электрон. журн. 2014. № 12. С. 128-136.

4. Chan R., Ho C., Nikolova M. Saltand-pepper noise removal by median-type noise detectors and detail-preserving regularization // IEEE Transactions on Image Processing. 2005. Vol. 14, no. 10. P. 1479 - 1485.

5. Sonka M., Hlavac V., Boyle R. Image Processing, Analysis, and Machine Vision. 1st ed. Cambridge., 2008. 920 р.

6. Kam H.S., Tan W.H. Noise detection fuzzy (NDF) filter for removing salt and pepper noise // In: Zaman H.B., Robinson P., Petrou M., Olivier P., Schrder H., Shih T.K., eds. Visual Informatics: Bridging Research and Practice. Springer Berlin Heidelberg, 2009. P. 479-486.

7. Ларионов И.Б. Карты Кохонена как способ восстановления мультимедийной информации // Журнал Радиоэлектроники. 2010. №10.

8. Yoav Goldberg. Neural Network Methods in Natural Language Processing, 2017, 310 P.

9. Петрияненко Т.М., Чернышева М. И., Чернышев Д. Н. Комбинированные методы на основе двумерных Фурье и вейвлет-преобразований при анализе цветных изображений // Известия ЮгоЗападного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016. №3 (20). С.13-19.

10. Tariq Rashid Make Your Own Neural Network. Kindle Edition, 2016. 252 pp.