Оптимизация числа проходов в задаче логической фильтрации изображений

Обложка

Цитировать

Полный текст

Аннотация

Рассмотрен метод оптимизации числа проходов, позволяющий снизить время обработки изображения при реализации различных операций, например, логической фильтрации и/или построения карт глубин. Особенностью данного метода является использование двух проходов в прямом и обратном направлениях. Представленные псевдокоды позволяют понять суть предложенных проходов. Оценка производительности метода, подтвержденная результатами имитационного моделирования, показала заметное снижение временных характеристик обработки изображения размером 3×3.

Полный текст

Доступ закрыт

Об авторах

Максим Владимирович Бобырь

Юго-Западный государственный университет

Автор, ответственный за переписку.
Email: maxbobyr@gmail.com

доктор технических наук, профессор кафедры «Вычислительная техника»

Россия, Курск

Сергей Геннадьевич Емельянов

Юго-Западный государственный университет

Email: fregat_mn@rambler.ru

доктор технических наук, профессор кафедры «Уникальные здания и сооружения»

Россия, Курск

Наталья Анатольевна Милостная

Юго-Западный государственный университет

Email: nat_mil@mail.ru

кандидат технических наук, ведущий научный сотрудник кафедры «Вычислительная техника»

Россия, Курск

Список литературы

  1. Гуревич Ю.Е. Робототехнические устройства// Старый Оскол: Издательство «Тонкие наукоемкие технологии», 2022. С. 328.
  2. Колосов О.С., Есюткин А.А., Прокофьев Н.А., Вершинин Д.В., Баларев Д.А. Автоматизация производства. М.: Юрайт, 2018. С. 291.
  3. Носков В.П., Рубцов В.И., Рубцов И.В. Математические модели движения и системы технического зрения мобильных робототехнических комплексов. М.: МГТУ. 2015. 96с.
  4. Bobyr M., Arkhipov A., Emelyanov S., Milostnaya N. A method for creating a depth map based on a three-level fuzzy model // Engineering Applications of Artificial Intelligence. 2023. № 117. P. 105629.
  5. Yamashita H., Kobayashi E. Mechanism and design of a novel 8K ultra-high-definition video microscope for microsurgery. Heliyon. 2021. №7(2). Р. 06244.
  6. Alam S. A. et al. Winograd convolution for deep neural networks: Efficient point selection // ACM Transactions on Embedded Computing Systems. 2022. Т. 21. № 6. Р. 1-28.
  7. Архипов П.О., Трофименков А.К., Цуканов М.В., Носова Н.Ю. Исследование методов детектирования ключевых точек при создании панорамных изображений // Системы и средства информатики. 2022.
  8. № 32(2). С. 92-104.
  9. Maneckshaw B., Mahapatra G.S. Novel fuzzy matrix swap algorithm for fuzzy directed graph on image processing // Expert Systems with Applications. 2022. № 193. Р.116291.
  10. Zhang Z., Li Y., Yan X., Ouyang Z. A low-complexity AMP detection algorithm with deep neural network for massive MIMO systems // Digital Communications and Networks. 2022. November. Р. 11.
  11. Корчажкина О.М. Оптимизация поиска при решении переборных задач в углубленном курсе информатики на уровне основного общего образования // Системы и средства информатики. 2022. № 32(4). С. 145-156.
  12. Апанович М.С., Ляпин А.П., Шадрин К.В. Применение методов компьютерной алгебры для вычисления решения задачи Коши для двумерного разностного уравнения в точке // Программирование. 2021. № 1. С. 5-10.
  13. Robocraft // Электронный ресурс. URL: https://robocraft.ru/computervision/427 (доступ 25.01.2023).
  14. Habr // Электронный ресурс. URL: https://habr.com/ru/post/477718/ (доступ 25.01.2023).
  15. Бобырь М.В. Метод нелинейного обучения нейронечеткой системы вывода // Искусственный интеллект и принятие решений. 2018. № 1. С. 67-75.
  16. Nguyen T., Hefenbrock D., Oberg J., Kastner R., Baden S. A software-based dynamic-warp scheduling approach for load-balancing the Viola–Jones face detection algorithm on GPUs // Journal of Parallel and Distributed Computing. 2013. № 73(5). Р. 677–685.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Исходный а) и подготовительный б) массивы

Скачать (88KB)
Метаданные
3. Рис. 2. Подготовительный а) и финальный б) массивы

Скачать (86KB)
Метаданные
4. Рис. 3. Интерфейс программы для обработки изображения окном 3х3, где w = h = 10, n = 20000, n – количество повторений вычисления суммарного значения, MapRand [y, x] = Random (0, 1)

Скачать (185KB)
Метаданные
5. Рис. 4. Графики затраченного времени на выполнение всех итераций в ходе эксперимента: а – первый эксперимент; б – второй эксперимент. Верхняя линия – метод прямой свертки с единичным фильтром

Скачать (74KB)
Метаданные
6. Рис. 5. Интерфейс программы для обработки изображения окном 3х3, при этом w = h = 10, n = 20000, MapRand [y, x] = Random (0, 255)

Скачать (335KB)
Метаданные
7. Рис. 6. График затраченного времени на выполнение всех итераций в ходе третьего эксперимента. Верхняя линия – метод прямой свертки с единичным фильтром

Скачать (42KB)
Метаданные

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».