Skip navigation
DSpace logo
  1. Електронний науковий архів Науково-технічної бібліотеки Національного університету "Львівська політехніка"
  2. Електронний архів Науково-технічної бібліотеки
  3. Вісники та науково-технічні збірники, журнали
  4. Комп'ютерні науки та інформаційні технології
  5. Комп'ютерні науки та інформаційні технології. – 2017. – №864

putin IS MURDERER

Please use this identifier to cite or link to this item: https://oldena.lpnu.ua/handle/ntb/41001
Title: Дослідження та аналіз методів забезпечення надвисокої роздільної здатності зображень на основі машинного навчання
Authors: Ізонін, І.
Affiliation: Національний університет “Львівська політехніка”
Bibliographic description (Ukraine): Ізонін І. Дослідження та аналіз методів забезпечення надвисокої роздільної здатності зображень на основі машинного навчання / І. Ізонін // Вісник Національного університету «Львівська політехніка». Серія: Комп’ютерні науки та інформаційні технології. — Львів : Видавництво Львівської політехніки, 2017. — № 864. — С. 68–76.
Bibliographic description (International): Izonin I. Doslidzhennia ta analiz metodiv zabezpechennia nadvysokoi rozdilnoi zdatnosti zobrazhen na osnovi mashynnoho navchannia / I. Izonin // Visnyk Natsionalnoho universytetu "Lvivska politekhnika". Serie: Kompiuterni nauky ta informatsiini tekhnolohii. — Lviv : Vydavnytstvo Lvivskoi politekhniky, 2017. — No 864. — P. 68–76.
Is part of: Вісник Національного університету «Львівська політехніка». Серія: Комп’ютерні науки та інформаційні технології, 864, 2017
Journal/Collection: Вісник Національного університету «Львівська політехніка». Серія: Комп’ютерні науки та інформаційні технології
Issue: 864
Issue Date: 28-Mar-2017
Publisher: Видавництво Львівської політехніки
Place of the edition/event: Львів
UDC: 004.896
004.855.5
004.932
004.048
004.942
Keywords: зображення
надвисока роздільна здатність
методи на основі навчання
нейронні мережі
images
super-resolution
learning-based methods
neural networks
Number of pages: 9
Page range: 68-76
Start page: 68
End page: 76
Abstract: Досліджено методи забезпечення надвисокої роздільної здатності зображень на основі машинного навчання. Проаналізовано роботу різних груп цих методів, подано їхні переваги та недоліки. На основі проведених практичних експериментів здійснено порівняльний аналіз (за критерієм PSNR) методів забезпечення надвисокої роздільної здатності у випадку одного вхідного зображення з різних класів. Експериментально встановлено, що найкращі результати отримано при використанні методу на основі конволюційної нейронної мережі. Незважаючи на часо- та ресурсозатратну процедуру навчання за цим методом, його навчальну модель можна використовувати для обробки зображень різних класів.
In this article the methods of image superresolution based on machine learning are investigated. The work of different groups of these methods are analyzed. Basic features of this methods are describing. On the basis of practical experiments comparative analysis (by the criterion PSNR) of the superresolution methods in the case of one input image from different classes were conducted. Experimentally found that the best results are obtained in case of using the method based on the convolutional neural network. Despite the requirement on the time and resources which are needed to implement the training procedures of this method, its training model can be used in the processing of images of different classes.
URI: https://ena.lpnu.ua/handle/ntb/41001
Copyright owner: © Національний університет “Львівська політехніка”, 2017
© Ізонін І., 2017
References (Ukraine): 1. Rasrollahi K. Super-resolution: a comprehensive survey / K. Nasrollahi, T. B. Moeslund // Machine Vision and Applications. – 2014. – Vol. 25, № 6. – P. 1423–1468.
2. Xiong Z. Robust web imagevideo super-resolution / Z. Xiong, X. Sun, and F. Wu // IEEE Transactions on Image Processing. – 2010. – Vol. 19, № 9. – P. 2017–2028.
3. Sun J. Image hallucination with primal sketch priors / J. Sun, N. N. Zheng, H. Tao, and H. Y. Shum // Computer Vision and Pattern Recognition: proc. of intern. conf., Madison, Wisconsin, 18–20 June 2003. – IEEE: Computer Society, 2003. – Vol. 2. – P. 729–736.
4. Srivastava A. On advances in statistical modeling of natural images / A. Srivastava, A. B. Lee, E. P. Simoncelli, S.–C. Zhu // Journal of Mathematical Imaging and Vision. – 2003. – Vol. 18, № 1. – P. 17–33.
5 Ting Li Image Super-Resolution using sharpened gradient profile prior: thesis…. master of science: electrical engineering / Li, Ting. – Dallas, 2012. – 65 p.
6. Sun J. Gradient profile prior and its applications in image super–resolution and enhancement / J. Sun, J. Sun, Z. Xu, H. Y. Shum // IEEE Transactions on Circuits and Systems for Video Technology. – 2011. – Vol. 20, № 6. – P. 1529–1542.
7. Патент US 20100086227 (A1), США Image super–resolution using gradient profile prior / Jian Sun, Heung–Yeung Shum; Microsoft Corporation. – US 12/245,712; 04.10.2008; 08.08.2010.
8. Казакова Н. Ф. Синтез методу виділення контурів у системах ідентифікації на основі усереднення перепадів яскравості / Н. Ф. Казакова, О. О. Фразе–Фразенко // Інформаційна безпека. – 2013. – № 2. – С. 48–57.
9. Yu L. Robust Single Image Super–resolution based on Gradient Enhancement / Licheng Yu, Hongteng Xu, Yi Xu, Xiaokang Yang // Signal and Information Processing: annual summit and conf., Hollywood, CA, 3–6 Dec. 2012. – Asia–Pacific Signal and Information Processing Association, 2008. – P. 1 – 6.
10. He He Single Image Super–Resolution using Gaussian Process Regression / He He, Wan–Chi Siu // Computer Vision and Pattern Recognition: proc. of intern. conf., Colorado, USA, 20–24 June 2011. – IEEE: Computer Society, 2011. – P. 449–456.
11. E. Mjolsness Neural networks, pattern recognition, and fingerprint hallucination: thesis … doctor of philosophy: 5198: TR:85 / Eric Mjolsness. – California, 1985. – 79 p.
12. Datsenko D. Example–based single document image super–resolution: A global map approach with outlier rejection / D. Datsenko, M. Elad // Journal of Multidimensional Systems and Signal Processing. – 2007. – № 2. – P. 103 – 121.
13. Liu C. Face Hallucination: Theory and Practice / Ce Liu, Heung–Yeung Shum, William T. Freeman // International Journal of Computer Vision. – 2007. – Vol. 75, № 1. – P. 115 – 134.
14. Sua C. Steerable pyramid–based face hallucination / Congyong Sua, Yueting Zhuanga, Li Huanga, Fei Wua // Pattern Recognition. – 2005. – Vol. 38, № 6. – P. 813 – 824.
15. J. Yang, J. Wright, T. Huang, and Y. Ma, “Image super-resolution as sparse representation of raw image patches,” in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Jun. 2008, pp. 1–8.
16. R. Zeyde, M. Elad, and M. Protter, “On single image scale-up using sparserepresentations,” in Curves and Surfaces. Springer, 2010.
17. Freeman T. William Learning low–level vision / William T. Freeman, Egon C. Pasztor, Owen T. Carmichael // International Journal of Computer Vision. – 2000. – Vol. 40, № 1. – P. 25 – 47.
18. Gajjar Prakash Zoom Based Super–Resolution: A Fast Approach Using Particle Swarm Optimization / Prakash Gajjar, Manjunath Joshi // Image and Signal Processing, Lecture Notes in Computer Science. – 2010. – Vol. 6134. – P. 63 – 70.
19. E. Mjolsness Neural networks, pattern recognition, and fingerprint hallucination: thesis … doctor of philosophy: 5198: TR:85 / Eric Mjolsness. – California, 1985. – 79 p.
20. Nguyen Q. M. Superresolution mapping using a Hopfield neural network with LIDAR data / Minh Quang Nguyen, Peter M. Atkinson, Hugh G. Lewis // Geoscience and Remote Sensing Letters. – 2005. – Vol. 2, № 3. – P. 366–370.
21. Nguyen Q. M. Superresolution Mapping Using a Hopfield Neural Network With Fused Images / Minh Quang Nguyen, Peter M. Atkinson, Hugh G. Lewis // IEEE Transaction on geoscience and remote rensing. – 2002. – Vol. 40, № 3. – P. 736–749.
22. Thornton M. W. A linearised pixel–swapping method for mapping rural linear land cover features from fine spatial resolution remotely sensed imagery / M. W. Thornton, P. M. Atkinson, and D. A. Holland // Computers & Geosciences. – 2007. – Vol. 33, № 10. – P. 1261–1272.
23. Pan F. New image super–resolution scheme based on residual error restoration by neural networks. / F. Pan, L. Zhang // Optical Engineering. – 2003. – Vol. 42, № 10 – P. 3038–3046.
24. Dong C. Image Super–Resolution Using Deep Convolutional Networks / Dong Chao, Loy Chen Change, He Kaiming, Tang Xiaoou // IEEE Transactions on Pattern Analysis and Machine Intelligence, Preprint. – 2015. – P. 14.
25. Ізонін І.В. Нейромережевий метод зміни роздільної здатності зображень / І. В. Ізонін, Р. О. Ткаченко, Д. Д. Пелешко, Д. А. Батюк // Системи обробки інформації. – 2015. – Вип. 9(134). – C. 30–34.
26. Izonin I. Learning-based image super-resolution using weight coefficients of synaptic connections / Ivan Izonin, Roman Tkachenko, Dmytro Peleshko, Taras Rak, Danylo Batyuk // Computer science and information technologies: proc. of X intern. scien. and techn. conf., 14–17 Sep. 2015 y., Lviv, Ukraine. – Lviv: Lviv Polytechnic Publishing House, 2015. – P. 25–29.
References (International): 1. Rasrollahi K. Super-resolution: a comprehensive survey, K. Nasrollahi, T. B. Moeslund, Machine Vision and Applications, 2014, Vol. 25, No 6, P. 1423–1468.
2. Xiong Z. Robust web imagevideo super-resolution, Z. Xiong, X. Sun, and F. Wu, IEEE Transactions on Image Processing, 2010, Vol. 19, No 9, P. 2017–2028.
3. Sun J. Image hallucination with primal sketch priors, J. Sun, N. N. Zheng, H. Tao, and H. Y. Shum, Computer Vision and Pattern Recognition: proc. of intern. conf., Madison, Wisconsin, 18–20 June 2003, IEEE: Computer Society, 2003, Vol. 2, P. 729–736.
4. Srivastava A. On advances in statistical modeling of natural images, A. Srivastava, A. B. Lee, E. P. Simoncelli, S.–C. Zhu, Journal of Mathematical Imaging and Vision, 2003, Vol. 18, No 1, P. 17–33.
5 Ting Li Image Super-Resolution using sharpened gradient profile prior: thesis…. master of science: electrical engineering, Li, Ting, Dallas, 2012, 65 p.
6. Sun J. Gradient profile prior and its applications in image super–resolution and enhancement, J. Sun, J. Sun, Z. Xu, H. Y. Shum, IEEE Transactions on Circuits and Systems for Video Technology, 2011, Vol. 20, No 6, P. 1529–1542.
7. Patent US 20100086227 (A1), SShA Image super–resolution using gradient profile prior, Jian Sun, Heung–Yeung Shum; Microsoft Corporation, US 12/245,712; 04.10.2008; 08.08.2010.
8. Kazakova N. F. Syntez metodu vydilennia konturiv u systemakh identyfikatsii na osnovi userednennia perepadiv yaskravosti, N. F. Kazakova, O. O. Fraze–Frazenko, Informatsiina bezpeka, 2013, No 2, P. 48–57.
9. Yu L. Robust Single Image Super–resolution based on Gradient Enhancement, Licheng Yu, Hongteng Xu, Yi Xu, Xiaokang Yang, Signal and Information Processing: annual summit and conf., Hollywood, CA, 3–6 Dec. 2012, Asia–Pacific Signal and Information Processing Association, 2008, P. 1 – 6.
10. He He Single Image Super–Resolution using Gaussian Process Regression, He He, Wan–Chi Siu, Computer Vision and Pattern Recognition: proc. of intern. conf., Colorado, USA, 20–24 June 2011, IEEE: Computer Society, 2011, P. 449–456.
11. E. Mjolsness Neural networks, pattern recognition, and fingerprint hallucination: thesis … doctor of philosophy: 5198: TR:85, Eric Mjolsness, California, 1985, 79 p.
12. Datsenko D. Example–based single document image super–resolution: A global map approach with outlier rejection, D. Datsenko, M. Elad, Journal of Multidimensional Systems and Signal Processing, 2007, No 2, P. 103 – 121.
13. Liu C. Face Hallucination: Theory and Practice, Ce Liu, Heung–Yeung Shum, William T. Freeman, International Journal of Computer Vision, 2007, Vol. 75, No 1, P. 115 – 134.
14. Sua C. Steerable pyramid–based face hallucination, Congyong Sua, Yueting Zhuanga, Li Huanga, Fei Wua, Pattern Recognition, 2005, Vol. 38, No 6, P. 813 – 824.
15. J. Yang, J. Wright, T. Huang, and Y. Ma, "Image super-resolution as sparse representation of raw image patches," in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Jun. 2008, pp. 1–8.
16. R. Zeyde, M. Elad, and M. Protter, "On single image scale-up using sparserepresentations," in Curves and Surfaces. Springer, 2010.
17. Freeman T. William Learning low–level vision, William T. Freeman, Egon C. Pasztor, Owen T. Carmichael, International Journal of Computer Vision, 2000, Vol. 40, No 1, P. 25 – 47.
18. Gajjar Prakash Zoom Based Super–Resolution: A Fast Approach Using Particle Swarm Optimization, Prakash Gajjar, Manjunath Joshi, Image and Signal Processing, Lecture Notes in Computer Science, 2010, Vol. 6134, P. 63 – 70.
19. E. Mjolsness Neural networks, pattern recognition, and fingerprint hallucination: thesis … doctor of philosophy: 5198: TR:85, Eric Mjolsness, California, 1985, 79 p.
20. Nguyen Q. M. Superresolution mapping using a Hopfield neural network with LIDAR data, Minh Quang Nguyen, Peter M. Atkinson, Hugh G. Lewis, Geoscience and Remote Sensing Letters, 2005, Vol. 2, No 3, P. 366–370.
21. Nguyen Q. M. Superresolution Mapping Using a Hopfield Neural Network With Fused Images, Minh Quang Nguyen, Peter M. Atkinson, Hugh G. Lewis, IEEE Transaction on geoscience and remote rensing, 2002, Vol. 40, No 3, P. 736–749.
22. Thornton M. W. A linearised pixel–swapping method for mapping rural linear land cover features from fine spatial resolution remotely sensed imagery, M. W. Thornton, P. M. Atkinson, and D. A. Holland, Computers & Geosciences, 2007, Vol. 33, No 10, P. 1261–1272.
23. Pan F. New image super–resolution scheme based on residual error restoration by neural networks., F. Pan, L. Zhang, Optical Engineering, 2003, Vol. 42, No 10 – P. 3038–3046.
24. Dong C. Image Super–Resolution Using Deep Convolutional Networks, Dong Chao, Loy Chen Change, He Kaiming, Tang Xiaoou, IEEE Transactions on Pattern Analysis and Machine Intelligence, Preprint, 2015, P. 14.
25. Izonin I.V. Neiromerezhevyi metod zminy rozdilnoi zdatnosti zobrazhen, I. V. Izonin, R. O. Tkachenko, D. D. Peleshko, D. A. Batiuk, Systemy obrobky informatsii, 2015, Iss. 9(134), P. 30–34.
26. Izonin I. Learning-based image super-resolution using weight coefficients of synaptic connections, Ivan Izonin, Roman Tkachenko, Dmytro Peleshko, Taras Rak, Danylo Batyuk, Computer science and information technologies: proc. of X intern. scien. and techn. conf., 14–17 Sep. 2015 y., Lviv, Ukraine, Lviv: Lviv Polytechnic Publishing House, 2015, P. 25–29.
Content type: Article
Appears in Collections:Комп'ютерні науки та інформаційні технології. – 2017. – №864

Files in This Item:
File Description SizeFormat 
2017n864_Izonin_I-Doslidzhennia_ta_analiz_metodiv_68-76.pdf1.08 MBAdobe PDFView/Open
2017n864_Izonin_I-Doslidzhennia_ta_analiz_metodiv_68-76__COVER.png421.66 kBimage/pngView/Open
Show full item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.