Нейромережеві методи та засоби стискання зображень - Автореферат

Деякі з них добре вирішують задачу векторного квантування, наприклад, нейронна мережа Кохонена, інші - дуже ефективно вирішують задачу апроксимації та дозволяють відновити із заданою точністю будь-яку як завгодно складну безперервну нелінійну функцію, наприклад, нейронна мережа радіально-базисних функцій (РБФ). Більшість із них повязані з процесом навчання ШНМ, наприклад, це може бути попадання у локальний екстремум у процесі навчання (що істотно для більшості задач мінімізації квадратичного функціоналу), недостатня точність або надто тривалий процес навчання. Усі розглянуті вище особливості визначають неймовірно велику область досліджень для актуальної задачі стискання зображень, хоча роботи за цим напрямом проводяться не перший десяток років, все ж таки існує ряд прогалин у цьому напрямі, що говорить про необхідність, а отже й актуальність вивчення різноманітних засобів та модифікацій навчання ШНМ для вирішення задачі стискання зображень. Мета дисертаційної роботи полягає у розробленні ефективних ШНМ, що виконують процес стискання зображення шляхом синтезу нейромережевих структур, а також зміна процесу навчання ШНМ, що дозволить підвищити якість або швидкість отримання результату (стисненого зображення). Розробка модифікації ГА, що дозволить усунути класичну проблему ГА, а саме, попадання у локальний екстремум при знаходженні рішень та дослідження можливості застосування цієї модифікації для навчання ШНМ у задачах стискання зображень.Проаналізовано недоліки стандарту JPEG, серед яких слід відзначити неможливість підтримувати якість стисненого зображення, якщо його геометричний розмір перевищує деякі умовні межі, також етап розбиття зображення на блоки у процесі стискання зображень, що додає суттєво очевидні артефакти у результуючому зображенні при великих геометричних розмірах. Перший засіб базується на методі векторного квантування, коли все зображення розбивається на деякі квадратні блоки пікселів, кожен такий блок є вектором, а все зображення - це множина таких векторів, що використовуються як вхідні дані для ШНМ. Неможливість коректного визначення відповідності між номером кластеру та вектором представником цього кластеру є головною причиною доцільності використання ШНМ в задачах стискання зображень, тому що таку операцію виконує шар Гросберга у цій мережі. Оскільки у задачі векторного квантування ваги мережі Кохонена у процесі навчання прагнуть змінити свої значення у напрямку вхідних даних, це означає, що ваги цієї мережі для кожного вихідного нейрону є деяким представником кластеру, який відповідає цьому вихідному нейрону. Саме тому було запропоновано модифікувати ШНМ Кохонена, що дозволило б, з одного боку, використовувати ваги мережі як вектор представник кластеру, а з іншого - отримати якісні результати класифікації за допомогою цієї мережі.Проведено дослідження популярних методів стискання зображень, таких як JPEG та JPEG-2000, та здійснено огляд існуючих штучних нейронних мереж, що застосовуються для вирішення задачі стискання зображень. Розглянуто основні типи підходів застосування ШНМ для рішення задачі стискання зображень, серед них стискання на базі векторного квантування та стискання за принципом «bottleneck». Розроблено найпростіший формат зберігання стисненого зображення за допомогою нейронної мережі Кохонена, який за своєю суттю містить параметри мережі, а також вихідні данні стисненого зображення. Застосування цієї модифікації для навчання нейронної мережі Кохонена стосовно рішення задачі стискання зображень показало кращі результати у порівнянні з класичним ГА. Такі модифікації дозволяють істотно підвищити якість роботи мережі РБФ, за рахунок початкової ініціалізації ваг мережами НЕЙРОГАЗ та Кохонена, і зменшують часові витрати на навчання мережі РБФ, оскільки навчання мереж НЕЙРОГАЗ та Кохонена потребує менших обчислювальних ресурсів, ніж алгоритм градієнтного спуску.

ОСНОВНИЙ ЗМІСТ РОБОТИ