Запис Детальніше

Selection of the efficient video data processing strategy based on the analysis of statistical digital images characteristics

DSpace at Ternopil State Ivan Puluj Technical University

Переглянути архів Інформація
 
 
Поле Співвідношення
 
Title Selection of the efficient video data processing strategy based on the analysis of statistical digital images characteristics
Вибір стратегії ефективного опрацювання відеоданих на основі аналізу статистичних характеристик цифрових зображень
 
Creator Паламар, Михайло Іванович
Яворська, Мирослава Іванівна
Стрембіцький, Михайло Олексійович
Стрембіцький, Володимир Олексійович
Palamar, Mykhailo
Yavorska, Myroslava
Strembitskyi, Mykhailo
Strembitskyi, Volodymyr
 
Contributor Тернопільський національний технічний університет імені Івана Пулюя, Тернопіль, Україна
Ternopil Ivan Pulyuy National Technical University, Ternopil, Ukraine
 
Subject розпізнавання образів
надлишковість цифрових зображень
максимальна невизначеність масивів стохастичних даних
умовна ентропія масиву даних
image identification
digital image redundancy
maximum uncertainty of stohastic data array
conditional data array entropy
004.042
 
Description Запропоновано методику оцінювання надлишковості відеоданих у сиситемі розпізнавання зображень у реальному часі. Розглянуто способи для зменшення об’єму вхіднх даних під час опрацювання цифрових зображень. Запропоновано ефективний підхід для вирішення проблем розпізнавання при аналізуванні динамічної відеоінформації або для фіксування фону, коли частина даних про кольори пікселів цифрового зображення переходить від кадру до кадру без змін. Розглянуто стратегію перетворення зображення під час його опрацювання з метою зменшення об’єму даних, яка залежить від інформаційної надлишковості вхідних даних. Запропоновано алгоритм опрацювання оцифрованого зображення, що керується оцінками максимальнгоо ступеня невизначеності (міра Хартлі) та реальної ентропії цифрового масиву, що відображає кольори пікселів зображення. Реальна інформаційна невизначеність H розподілу кольорів на зображенні обчислюється шляхом статистичного аналізу палітри зображення – обчислення ймовірності пікселів з відповідним кольором у заданому зображенні. Проаналізовано доцільність згортання зображення з метою зменшення надлишковості представлених даних шляхом заміни операції запам’ятовування інформації про кольори частини пікселів розрахунковими операціями або об’єднанням частини пікселів під одним колірним атрибутом. У такому випадку без втрати основного змісту зображення кольори частини пікселів можна частково апроксимувати відповідно до колірних атрибутів сусідніх пікселів. Розглянуто підхід, мотивований оцінками статистичних характеристик цифрових зображень. Висновки опираються на співвідношення між статистичними характеристиками аналізованого зображення, такі, як максимальна, умовна, відносна й середня ентропії масиву даних. Роглянуто зразок згортки зображення в горизонтальному та вертикальному напрямках за принципом, коли колір базового пікселя присвоюється сусіднім правому, нижньому та діагональному пікселям. Наведено зміни базових статистичних параметрів для оцінювання надлишковості інформації. Розгянуто методи, які дозволяють не зберігати повністю інформацію про кольори певної частини пікселів.
Technique of the video data redundancy estimation during the images processing in the real time is offered. The ways of reducing the incoming data while processing digital images are considered. An effective approach for solving the recognition problems while analyzing dynamic video information or for background recording when the portion of data about the color of digital image pixels passes from frame to frame without changes is suggested. The expediency of the image foldover has been analyzed in order to reduce the redundancy of the information presented in it by replacing the operation of information storage about the pixel color by calculating operations or combining the pixels portion under one colour attribute. The approach c motivated by the evaluations of the statistical digital image characteristics is considered.
 
Date 2019-01-10T10:42:08Z
2019-01-10T10:42:08Z
2018-11-12
2018-11-12
2018-08-29
 
Type Article
 
Identifier Selection of the efficient video data processing strategy based on the analysis of statistical digital images characteristics / Mykhailo Palamar, Myroslava Yavorska, Mykhailo Strembitskyi, Volodymyr Strembitskyi // Scientific Journal of TNTU. — Tern. : TNTU, 2018. — Vol 91. — No 3. — P. 107–114. — (Instrument-making and information-measuring systems).
2522-4433
http://elartu.tntu.edu.ua/handle/lib/27304
Palamar M., Yavorska M., Strembitskyi M., Strembitskyi V. (2018) Selection of the efficient video data processing strategy based on the analysis of statistical digital images characteristics. Scientific Journal of TNTU (Tern.), vol. 91, no 3, pp. 107-114.
https://doi.org/10.33108/visnyk_tntu2018.03.107
 
Language en
 
Relation Вісник Тернопільського національного технічного університету, 3 (91), 2018
Scientific Journal of the Ternopil National Technical University, 3 (91), 2018
http://liberalarts.utexas.edu/files/1516227
http://utexas.edu/files/1516227
1. MacQueen, J.B. Some methods for classification and analysis of multivariate observations. In Proceedings of 5-th Berceley Symposium of mathematical Statistics and probability, 1967.
2. Forsyth, D.A., Ponce, J. Computer vision: A Modern Approach. Prentice hall, 2002.
3. Rose, K. Deterministic annealing for clustering compression, classification, regression and related optimization problems. Proceedings of the IEEE 1998;86(11):2210-39, doi: 1109/5.726788.
4. Timoty, Gerstner, Doug, DcCarlo, Adam, Finkelstein, Yotam, Gingild, Andrew, Nalen Pixelated image abstraction with intergreted user constrains. Computer & Graphic Vol. 37, № 5, August 2013.
5. Боюн, В. Сприйняття і обробка зображень в системах реального часу, 2013, № 3.
6. Alex Krizhevsky, Ilya Sutskever, Geoffrey, E. Hinton ImageNet Classification with Deep Convolutional Neural Networks.
7. Боюн, В. Інтелектуальне вибіркове сприйняття візуальної інформації. Інформаційні аспекти. Штучний інтелект. – 2011. – № 3. – С. 16 – 24.
8. Bouyn, V.P. Inteligent selective perception of Visual information in Vision Systems // Proceedings of the 6-th IEEE International conference on Intelligent Data Asquisition and Advanced Computing Systems: Technology and Application (IDAACS’2011). (Czech Republic, Prague. 15 – 17 September 2011). – 2011. – Vol. 1. – Р. 412 – 416.
9. Jirl, Najemnik & Wilson, S., Geisle, Optimal eye movement strategies in visual search. Center for Perceptual Systems and Department of Psychology, University of Texas at Austin. Available at: http://liberalarts.utexas.edu/files/1516227.
10. Lishchuk, R, Adaptive binarization with non-uniform image illumination Pomiary Automatyka Robotyka / R. Lishchuk, V. Kucheruk, I.P. Kurytnik. – № 6. – 2014.
1. MacQueen J.B. Some methods for classification and analysis of multivariate observations. In Proceedings of 5-th Berceley Symposium of mathematical Statistics and probability, 1967.
2. Forsyth D.A., Ponce J. Computer vision: A Modern Approach. Prentice hall, 2002.
3. Rose K. Deterministic annealing for clustering compression, classification, regression and related optimization problems. Proceedings of the IEEE 1998;86(11):2210-39, doi:1109/5.726788.
https://doi.org/10.1109/5.726788
4. Timoty Gerstner, Doug DcCarlo, Adam Finkelstein, Yotam Gingild, Andrew Nalen Pixelated image abstraction with intergreted user constrains. Computer & Graphic. Vol. 37, No. 5, August 2013.
5. Bojun V. Spryjnjattja i obrobka zobrazhenj v systemakh realjnogho chasu. 2013, No. 3[In Ukrainian].
6. Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton ImageNet Classification with Deep Convolutional Neural Networks.
7. Vitaliy Bouyn. Intelektualne vibirkove sprijnjattja vizual’nosj informaciij. Informacijni aspekty. Iskustvehhyj intelect, 2011. No. 3, pp. 16 – 24 [In Ukrainian].
8. Bouyn V.P. Inteligent selective perception of Visual information in Vision Systems, Proceedings of the 6-th IEEE International conference on Intelligent Data Asquisition and Advanced Computing Systems: Technology and Application (IDAACS’2011). (Czech Republic, Prague. 15 – 17 September 2011), 2011. Vol. 1, pp. 412 – 416.
9. Jirl Najemnik & Wilson S., Geisler Optimal eye movement strategies in visual search. Center for Perceptual Systems and Department of Psychology, University of Texas at Austin, liberalarts. Available at: http://utexas.edu/files/1516227.
10. R. Lishchuk, V. Kucheruk, I.P. Kurytnik Adaptive binarization with non-uniform image illumination Pomiary Automatyka Robotyka, No. 6, 2014.
 
Rights © Тернопільський національний технічний університет імені Івана Пулюя, 2018
 
Format 107-114
8
 
Coverage Тернопіль
Ternopil
 
Publisher ТНТУ
TNTU