Методы предварительной обработки изображений на основе нейропарадигмы Модель геометрических преобразований
Предложен метод изменения разрешения изображений на основе машинного обучения. Инструментом для обучения избраны нейроподобные структуры парадигмы Модель геометрических преобразований, поскольку они уменьшают вычислительные и временные ресурсы работы подобных методов и предоставляют возможность быст...
Saved in:
| Date: | 2017 |
|---|---|
| Main Authors: | , , , |
| Format: | Article |
| Language: | Russian |
| Published: |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
2017
|
| Series: | Управляющие системы и машины |
| Subjects: | |
| Online Access: | http://dspace.nbuv.gov.ua/handle/123456789/124951 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Методы предварительной обработки изображений на основе нейропарадигмы Модель геометрических преобразований / Р.О. Ткаченко, П.Р. Ткаченко, И.В. Изонин, Д.А. Батюк // Управляющие системы и машины. — 2017. — № 1. — С. 59-67. — Бібліогр.: 15 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
irk-123456789-124951 |
|---|---|
| record_format |
dspace |
| spelling |
irk-123456789-1249512017-10-13T03:03:16Z Методы предварительной обработки изображений на основе нейропарадигмы Модель геометрических преобразований Ткаченко, Р.О. Ткаченко, П.Р. Изонин, И.В. Батюк, Д.А. Методы и средства обработки данных и знаний Предложен метод изменения разрешения изображений на основе машинного обучения. Инструментом для обучения избраны нейроподобные структуры парадигмы Модель геометрических преобразований, поскольку они уменьшают вычислительные и временные ресурсы работы подобных методов и предоставляют возможность быстрого автоматического переобучения. Проведен ряд имитационных экспериментов на разных изображениях, а также сравнение эффективности работы разработанного метода с существующим. Запропоновано метод зміни роздільної здатності зображень на основі машинного навчання. Інструментом для навчання обрано нейроподібні структури парадигми Модель геометричних перетворень, оскільки вони зменшують обчислювальні і часові ресурси роботи подібних методів і надають можливість швидкого автоматичного перенавчання. Проведено ряд імітаційних експериментів на різних зображеннях, а також порівняння ефективності роботи розробленого методу з ефективністю за існуючим. 2017 Article Методы предварительной обработки изображений на основе нейропарадигмы Модель геометрических преобразований / Р.О. Ткаченко, П.Р. Ткаченко, И.В. Изонин, Д.А. Батюк // Управляющие системы и машины. — 2017. — № 1. — С. 59-67. — Бібліогр.: 15 назв. — рос. 0130-5395 http://dspace.nbuv.gov.ua/handle/123456789/124951 004.89 + 004.932 ru Управляющие системы и машины Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
Russian |
| topic |
Методы и средства обработки данных и знаний Методы и средства обработки данных и знаний |
| spellingShingle |
Методы и средства обработки данных и знаний Методы и средства обработки данных и знаний Ткаченко, Р.О. Ткаченко, П.Р. Изонин, И.В. Батюк, Д.А. Методы предварительной обработки изображений на основе нейропарадигмы Модель геометрических преобразований Управляющие системы и машины |
| description |
Предложен метод изменения разрешения изображений на основе машинного обучения. Инструментом для обучения избраны нейроподобные структуры парадигмы Модель геометрических преобразований, поскольку они уменьшают вычислительные и временные ресурсы работы подобных методов и предоставляют возможность быстрого автоматического переобучения. Проведен ряд имитационных экспериментов на разных изображениях, а также сравнение эффективности работы разработанного метода с существующим. |
| format |
Article |
| author |
Ткаченко, Р.О. Ткаченко, П.Р. Изонин, И.В. Батюк, Д.А. |
| author_facet |
Ткаченко, Р.О. Ткаченко, П.Р. Изонин, И.В. Батюк, Д.А. |
| author_sort |
Ткаченко, Р.О. |
| title |
Методы предварительной обработки изображений на основе нейропарадигмы Модель геометрических преобразований |
| title_short |
Методы предварительной обработки изображений на основе нейропарадигмы Модель геометрических преобразований |
| title_full |
Методы предварительной обработки изображений на основе нейропарадигмы Модель геометрических преобразований |
| title_fullStr |
Методы предварительной обработки изображений на основе нейропарадигмы Модель геометрических преобразований |
| title_full_unstemmed |
Методы предварительной обработки изображений на основе нейропарадигмы Модель геометрических преобразований |
| title_sort |
методы предварительной обработки изображений на основе нейропарадигмы модель геометрических преобразований |
| publisher |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України |
| publishDate |
2017 |
| topic_facet |
Методы и средства обработки данных и знаний |
| url |
http://dspace.nbuv.gov.ua/handle/123456789/124951 |
| citation_txt |
Методы предварительной обработки изображений на основе нейропарадигмы Модель геометрических преобразований / Р.О. Ткаченко, П.Р. Ткаченко, И.В. Изонин, Д.А. Батюк // Управляющие системы и машины. — 2017. — № 1. — С. 59-67. — Бібліогр.: 15 назв. — рос. |
| series |
Управляющие системы и машины |
| work_keys_str_mv |
AT tkačenkoro metodypredvaritelʹnojobrabotkiizobraženijnaosnovenejroparadigmymodelʹgeometričeskihpreobrazovanij AT tkačenkopr metodypredvaritelʹnojobrabotkiizobraženijnaosnovenejroparadigmymodelʹgeometričeskihpreobrazovanij AT izoniniv metodypredvaritelʹnojobrabotkiizobraženijnaosnovenejroparadigmymodelʹgeometričeskihpreobrazovanij AT batûkda metodypredvaritelʹnojobrabotkiizobraženijnaosnovenejroparadigmymodelʹgeometričeskihpreobrazovanij |
| first_indexed |
2025-07-09T02:18:20Z |
| last_indexed |
2025-07-09T02:18:20Z |
| _version_ |
1837133990612434944 |
| fulltext |
УСиМ, 2017, № 1 59
УДК 004.89 + 004.932
Р.О. Ткаченко, П.Р. Ткаченко, И.В. Изонин, Д.А. Батюк
Методы предварительной обработки изображений на основе нейропарадигмы
Модель геометрических преобразований
Предложен метод изменения разрешения изображений на основе машинного обучения. Инструментом для обучения избраны
нейроподобные структуры парадигмы Модель геометрических преобразований, поскольку они уменьшают вычислительные и
временные ресурсы работы подобных методов и предоставляют возможность быстрого автоматического переобучения. Про-
веден ряд имитационных экспериментов на разных изображениях, а также сравнение эффективности работы разработанного
метода с существующим.
Ключевые слова: разрешение изображения, машинное обучение, нейропарадигма, Модель геометрических преобразований.
Запропоновано метод зміни роздільної здатності зображень на основі машинного навчання. Інструментом для навчання обра-
но нейроподібні структури парадигми Модель геометричних перетворень, оскільки вони зменшують обчислювальні і часові
ресурси роботи подібних методів і надають можливість швидкого автоматичного перенавчання. Проведено ряд імітаційних
експериментів на різних зображеннях, а також порівняння ефективності роботи розробленого методу з ефективністю за існу-
ючим.
Ключові слова: роздільна здатність зображення, машинне навчання, нейропарадигма, Модель геометричних перетворень.
Введение. Топологические подходы в задачах
изменения разрешения изображений преду-
сматривают использование различных конеч-
ных покрытий открытыми множествами, что
дает возможность строить различные векторы
признаков, характеризирующие элемент опре-
деленной на изображении топологии [1, 2].
Существование в пространстве признаков зна-
чительного количества векторов, иногда также
большой размерности, – весомый аргумент для
использования или разработки методов ма-
шинного обучения в задачах предварительной
обработки цифровых изображений [3, 4].
Постановка задачи
В общем случае каждое изображение C
можно представить в виде результата действия
некоторой непрерывной функции C (далее
функция цвета):
2,:C Color N , (1)
2,C C N . (2)
Пусть задано изображение C (2) и имеет
место:
1,
, 1,
i l
i j j h
c
C . (3)
Тогда задачу изменения разрешения можно
сформулировать так:
Задача увеличения разрешения заключается
в том, чтобы сформировать новое изображение
C с C (3) такое, чтобы:
1,
, 1,
( , )
i l
i j j h
c l h
C , (4)
где ( ), l h – размерность матрицы, l l h h
с минимальными потерями качества изобра-
жения. В случае уменьшения размерности –
l l h h < .
Метод изменения разрешения изображе-
ний на основе нейропарадигмы Модель гео-
метрических преобразований
Задача изменения разрешения изображений
на основе машинного обучения состоит в пе-
редискретизации входного изображения до це-
левого коэффициента изменения с использова-
нием инструментария машинного обучения.
Для использования этого подхода необходимо
применить ряд процедур: предварительная об-
работка изображений, обучение и применение.
Основная идея – разделение пар изображений
на фреймы для реализации обучения [3, 5]. В
статье рассматривается нейросетевой аппарат
для реализации процедуры обучения [6]. Ос-
новной недостаток существующих методов
передискретизации изображений на основе ма-
шинного обучения это то, что они базируются
на итерационных подходах [7], что и есть при-
чиной очевидных недостатков, в частности:
большие вычислительные затраты на реа-
лизацию процедуры обучения, существенно ог-
раничивающие возможности решения задач
большой размерности;
60 УСиМ, 2017, № 1
зависимость решений от начальной слу-
чайной инициализации сети;
отсутствие гарантии решения в случае
вхождения функции активации сети в насыще-
ние или неудовлетворительные решения при
попадании в локальные оптимумы.
В статье рассматривается альтернатива суще-
ствующим парадигмам нейронных сетей – Мо-
дель геометрических преобразований, которые
базируются на принципиально отличных про-
странственно-геометрических принципах [4, 8].
Основными преимуществами этой нейропа-
радигмы, вытекающими из основных характе-
ристик модели, есть неитерационность обуче-
ния, ортогональность шагов решения и сходст-
во процедур обучения и функционирования
[8–10]. К основным особенностям, имеющим
практическую ценность для решения постав-
ленной задачи, следует отнести:
высокое быстродействие обучения, что
создает предпосылки для решения задач боль-
шой размерности;
повторяемость результатов и их матема-
тическая интерпретация;
способность решать задачи в условиях как
крупных, так и малых выборок;
выделение экстраполяционных точек;
линейность в экстраполяционных областях.
Допустим задана пара изображений низкого
и высокого разрешения (рис. 1), на основе ко-
торых проводится обучение нейроподобной
структуры Модели геометрических преобразо-
ваний (НПС МГП) [6].
а б
Рис. 1. Пара 8-битных изображений: а – 168 × 168 пикселей;
б – 504 × 504 пикселей
Предварительная обработка изображений
Допустим, что изображение низкого разре-
шения есть матрицей C , размерности ,l l
, 0,l l N а изображение высокого разреше-
ния – матрицей C (m), размерности ,h h
, 0h h N из значений интенсивности пик-
селей [2]. Тогда:
, , 1..i j i j l
c
C , ( ) ( )
, , 1..
m m
i j i j h
c
C , (5)
где ci,j, ( )
,
m
i jc – значение функции интенсивности
в пикселях с координатами (i, j) изображений с
низким C и высоким C (m) разрешением соот-
ветственно; , 0m m N – коэффициент изме-
нения разрешения; h l m – переменная, оп-
ределяющая размерность матрицы изображе-
ния с высоким разрешением C (m).
Для реализации технологии обучения оба
изображения делятся на одинаковое количе-
ство фреймов ( )
, ,, m
i j i jFR FR (квадратных пло-
ских областей значений функции интенсивно-
сти изображения) [9]:
1 1, 1 1 1 1,
,
,, 1 1
( ) ( )
1 1, 1 1 1 1,
____
( )
,
( ) ( )
,, 1 1
...
... ... ... ;
...
...
... ... ... , , 1, ,
...
k i k j k i kj
i j
ki kjki k j
m m
mk i mk j mk i mkj
m
i j
m m
mki mkjmki mk j
c c
FR
c c
c c
FR i j n
c c
(6)
где , 0k k N – переменная, определяющая
размерность фрейма ,i jFR изображения с низ-
ким разрешением, ,dim( )i jFR k k .
Переменная n, которая определяет количе-
ство фреймов ,i jFR изображения низкого раз-
решения вычисляется так:
, N, 0l
k
n nn . (7)
Отметим, что k кратно l. Если ввести обо-
значения:
( )mk mk , (8)
то размерность фрейма ( )
,
m
i jFR изображения с вы-
соким разрешением будет равной
,dim( )m
i jFR
УСиМ, 2017, № 1 61
m mk k . Согласно этому ( ) ( ), 0m mk k N –
переменная, определяющая размерность фрей-
ма ( )
,
m
i jFR .
Очевидно, что ,
2( )
,{ } {di }m dim .m
i j i jFR FR n
Тогда в соответствии с (8) и определением
значения h, значение k(m) кратно значению h.
Покрытие фреймами – дизъюнктивно. Та-
ким образом, матрицы (5) можно представить в
виде наборов соответствующих фреймов:
, , 1..i j i j n
FR
C , ( ) ( )
, , 1..
m m
i j i j n
FR
C . (9)
Решение задачи увеличения разрешения
изображения выражается равенством (8). В
случае решения задачи уменьшения разреше-
ния изображения должно выполняться сле-
дующее равенство:
( ) %mk k m , (10)
где % – операция целочисленного деления.
Один из немногих недостатков НПС МГП –
формат представления входных и выходных
данных (в виде таблицы). Поэтому, дальней-
шая подготовка пары изображений к обучению
заключается в следующем.
Каждый полученный фрейм ,i jFR из C пред-
ставляем в виде вектора 1l i
j
k
A
(11), а каждый
фрейм ( )
,
m
i jFR из C (m) – в виде вектора
1l i
j
k
mA
(12):
1
1, 1 1, , 1 ,,..., ,..., ,..., ,
l i
j
k
ki k kj k ki k kj ki kj k ki kj
A
c c c c
(11)
1
1, 1 1, , 1 ,,..., ,..., ,..., .
l i
j
k
ki k kj k ki k kj ki kj k ki kj
A
c c c c
(12)
Отметим, что множества 1l i
j
k
A
и
1l i
j
k
mA
одинаковы по размерности:
11
2dim dim
l i
j
k
m
l i
j
k
A A n
. (13)
Следующий шаг процедуры – формирова-
ние обучающей выборки из соответствующих
множеств 1l i
j
k
A
и
1l i
j
k
mA
.
Матрица учебного набора данных M для
решения задачи увеличения разрешения изо-
бражения на основе НПС МГП при выполне-
нии (8) формируется так:
2 2
1 1
... ...
n
m
m
n
A A
M
A A
, (14)
где размерность вектора dim 1A определяет
количество входов НПС МГП, а размерность
вектора dim 1
mA – количество выходов.
Матрица учебного набора данных M для
решения задачи уменьшения разрешения изо-
бражения на основе НПС МГП при выполне-
нии (10) формируется так:
22
1 1
... ...
n
m
m
n
A A
M
A A
, (15)
где dim 1
mA определяет количество входов, а
dim 1A – количество выходов НПС МГП.
Обучение нейроподобных структур моде-
ли геометрических преобразований
Полученная матрица обучающей выборки
согласно (14) или согласно (15) (в зависимости
от поставленной задачи) подается на НПС
МГП. Топология НПС МГП для задачи увели-
чения разрешения приведена на рис. 2. а; для
задачи уменьшения разрешения – на рис. 2. б.
Для обобщения описания технологии обу-
чения при решении обеих задач матрицу M ,
учитывая (14) или (15), представим в следую-
щем виде:
2 2
2 2 2 2
1,1 1, ( )
,1 , ( )
...
... ... ...
...
k mk
n n k mk
x x
M
x x
. (16)
62 УСиМ, 2017, № 1
1, 1ki k kj kc
,k i k jc
( ) ( ) ( )
( )
1, 1m m m
m
k i k k j k
c
( ) ( ) ( )
( )
1,m m m
m
k i k k j
c
...
( ) ( )
( )
, 1m m
m
k i k j k
c
......
...
...
...
...
( ) ( )
( )
,m m
m
k i k j
c
а
1, 1ki k kj kc ...
,ki kjc
...
...
( ) ( ) ( )
( )
1, 1m m m
m
k i k k j k
c
...
...
( ) ( ) ( )
( )
1,m m m
m
k i k k j
c
( ) ( )
( )
, 1m m
m
k i k j k
c
( ) ( )
( )
,m m
m
k i k j
c
...
б
Рис. 2. Топология НПС МГП для решения задачи изменения
разрешения изображения: а – для увеличения разреше-
ния; б – для уменьшения
Технология обучения НПС МГП для реше-
ния задачи изменения разрешения изображе-
ния предполагает выполнение следующих ша-
гов [8, 9]. На первом этапе избирается базовая
строка (1)
bx , 2 2
(1) (1) (1)
,1 , ( )
,...,b b b k mk
x x x
из учебной
матрицы M, сумма квадратов элементов кото-
рой максимальна 21 b n . Каждая строка ис-
ходной матрицы превращается в (2)
Nx как раз-
ница между каждым вектором–строкой (1)
Nx ,
2 2 2
(1) (1) (1)
, , ( )
,...,N N r n k mk
x x x
из матрицы M, и
произведением выбранной строки (1)
bx на ко-
эффициент (1)
NK :
(2) (1) (1) (1)
N N N bx x K x , (17)
где 21 N n .
Величина (1)
NK для каждой строки определя-
ется из условия минимума разницы в смысле
критерия наименьших квадратов:
2 2
2 2
( )
(1) (1)
, ,
(1) 1
( ) 2(1)
,
1
k km
N r b r
r
N k km
b r
r
x x
K
x
. (18)
Для каждой строки (1)
Nx учебной матрицы
M вычисляем дополнительный параметр, яв-
ляющийся, по сути, первой компонентой чи-
словой характеристики первой реализации:
(1) (1)
, ,
(1) 1
2(1)
,
1
z
N r b r
r
N z
b r
r
x x
G
x
, (19)
где 2z k – в случае (14) или 2z mk для
случая (15).
Коэффициент (1)*
NK задаем как функцию
(1)F от параметра (1)
NG :
(1)* (1) (1)
N NK F G . (20)
Интерполирующая зависимость (20) для
строк учебной матрицы на дискретном множе-
стве узловых значений воспроизводиться с ну-
левой методической погрешностью [8]. Для всех
строк из множества матрицы реализации –
приближенно.
На следующем шаге выбирается строка (2)
bx
из учебной матрицы M, сумма квадратов эле-
ментов которого максимальна. При этом зна-
чение элементов (2)
bx вычисляются так:
(2) (1) (1)* (1)
b b N bx x K x (21)
Для q-го шага вычислений, где
221,q k km , имеем:
( 1) ( ) ( )* ( )q q q q
N N N bx x K x ; (22)
УСиМ, 2017, № 1 63
( )* ( ) ( )q q q
N NK F G ; (23)
( ) ( )
, ,
( ) 1
2( )
,
1
z
q q
N r b r
q r
N z
q
b r
r
x x
G
x
; (24)
( 1) ( ) ( )* ( )q q q q
b b N bx x K x . (25)
Выражения (23) – (25) для случая точного
воспроизведения в узлах реализуют процедуру
ортогонализации Грама–Шмидта [11]. На их
основе строки исходной матрицы реализаций
M из (16) можно представить конечной сум-
мой вида:
22
( )* ( )(1)
1
q q
k mk
N N N
q
x K x
. (26)
Результатами обучения на основе совокуп-
ности процедур (23) – (25) есть определенные
векторы ( )q
Nx и набор функций qF – переда-
точные для НПС МГП.
Основное преимущество такого обучения –
его неитерационность. Это обеспечивает ско-
рость работы метода и как следствие – воз-
можность его применения в современных ин-
теллектуальных системах, основанных на on-
line обработке изображений как программного,
так и аппаратного типов [4, 12].
Процедура применения
В режиме применения на вход НПС МГП
подается матрица tM , где
2
1
...t
n
A
M
A
при ре-
шении задачи увеличения разрешения изобра-
жения, или
2
1
...
n
m
t
m
A
M
A
при решении задачи
уменьшения разрешения изображения.
Для обобщения описания работы НПС МГП
в режиме реализации для обеих задач, пред-
ставим матрицу tM в следующем виде:
2 2
1,1 1,
,1 ,
...
... ... ... ,
...
z
t
n n z
x x
M
x x
(27)
где z определяется так же, как и для (15).
Процедура использования НПС МГП в ре-
жиме применения такова. Для заданных вход-
ных компонентов вектора
( )q
Nx из матрицы tM
(23) вычисляется (1)
NG согласно (20). Согласно
(18) находятся значения коэффициентов
*(1)
NK .
Для q = 1, в соответствии с (20), выполняется
первый шаг преобразований входного вектора
( )q
Nx .
На основе (22) – (24) выполняются последо-
вательные преобразования для 2
max 1,q k . Ос-
новная цель преобразований – поиск величин:
*(1)
NK ,
*(2)
NK ,…,
*
max( )q
NK . На основе суммы (26)
вычисляются искомые исходные компоненты
каждого вектора из tM .
Строки матрицы tM – векторы (11) или (12)
из полученных значений функции интенсивно-
сти уменьшенного или увеличенного изобра-
жения. Поэтому, последним шагом процедуры
есть сбор матрицы в результирующее изобра-
жение rC или ( )m
rC .
Эта процедура предусматривает обратное
представление строк полученной матрицы из
формы векторов (11) или (12) к форме соответ-
ствующих фреймов ,i jFR или ( )
,
m
i jFR из (6). Ис-
ходное изображение уменьшенного или увели-
ченного разрешения формируется путем сбора
полученных фреймов соответственно ,i jFR для
rC или ( )
,
m
i jFR для ( )m
rC , подобно (9):
, , 1..r i j i j n
FR
C или ( ) ( )
, , 1..
m m
r i j i j n
FR
C , (28)
где rC – результирующее изображение умень-
шенного разрешения, ( )m
rC – результирующее
изображение увеличенного разрешения.
Особенность описанного метода это то, что
обученная на одних образцах НПС МГП может
решать поставленную задачу совсем на других.
64 УСиМ, 2017, № 1
Эта возможность обеспечивается высокой спо-
собностью НПС МГП к обобщению. Значение
целевого коэффициента изменения разрешения
при этом определено на стадии обучения.
Еще одним преимуществом НПС МГП при
обработке, например, набора изображений раз-
личных классов с флуктуациями функции ин-
тенсивности есть возможность быстрого пере-
обучения НПС МГП. Его реализация возможна
в автоматическом режиме, т.е. не требует до-
полнительной настройки параметров ее струк-
туры.
Экспериментальное моделирование
Для реализации процедуры обучения в ста-
тье используется пара изображений из рис. 1.
В режиме применения использовались изо-
бражения, приведенные в табл. 1. Следует от-
метить, что для представления в статье все
изображения масштабированы. Тестовая вы-
борка сформирована из самых известных изо-
бражений и взята из базы изображений Инсти-
тута обработки сигналов и изображений Уни-
верситета Южной Калифорнии [13].
Практическая реализация метода увеличе-
ния разрешения изображений с использовани-
ем НПС МГП проводилась по следующим па-
раметрам (рис. 1, а) [9]: количество входов
,dim( )i jFR , скрытых слоев – 1, количество ней-
ронов в скрытом слое равно ,dim( )i jFR , коли-
чество выходов НПС МГП определяется из ус-
ловия решения задачи увеличения разрешения
изображений (4) и составляет ( )
,dim( )m
i jFR , ли-
нейное значение синапсов. Коэффициент уве-
личения m принимает значение три.
Оценки качества полученных изображений
на основе индекса структурного сходства
(SSIM), соотношение пикового сигнала к шуму
(PSNR), универсального индекса качества
(UIQ) и среднеквадратичного отклонения
(MSE) приведены в табл. 2.
Т а б л и ц а 2. Оценка качества изображений, полученных
методом на основе НПС МГП
Показатель качества
№ изображения
MSE PSNR UIQ SSIM
1 32,1122 33,064 0,685 0,9629
2 50,3645 31,11 0,6108 0,9487
3 15,8538 36,13 0,7183 0,9762
4 361,861 22,545 0,6467 0,9397
5 306,362 23,268 0,5573 0,822
6 135,29 26,818 0,6183 0,9292
7 51,8225 30,986 0,5962 0,9387
8 29,5228 33,429 0,7733 0,9654
9 151,453 26,328 0,637 0,8896
10 102,57 28,021 0,6361 0,9306
Эффективность работы разработанного ме-
тода сравнивалась с эффективностью работы
известного метода – на основе конволюцион-
Т а б л и ц а 1. Изображения низкого разрешения (168 × 168 пикселей) тестовой выборки
1 2 3 4 5
6 7 8 9 10
УСиМ, 2017, № 1 65
ной нейронной сети [14]. Следует отметить,
что этот метод (на основе конволюционной
нейронной сети или SRCNN) показывает луч-
шие результаты по качеству исходных изобра-
жений повышенного разрешения в своем клас-
се. Однако подход к решению задачи увеличе-
ния разрешения несколько отличается от раз-
работанного. Известный метод на стадии обу-
чения требует большую размерность обучаю-
щей выборки. Авторами метода установлено,
что для качественных результатов работы ме-
тода она должна содержать не одно изображе-
ние [15].
Оценки качества изображений, полученных
методом SRCNN, приведены в табл. 3.
Т а б л и ц а 3. Оценка качества изображений, полученных
методом SRCNN
Показатель качества
№ изображения
MSE PSNR UIQ SSIM
1 25,0477 34,1431 0,7269 0,974
2 36,57 32,4996 0,6534 0,9648
3 6,6135 39,9265 0,8062 0,9884
4 44,8272 31,6154 0,7546 0,9748
5 264,1633 23,9121 0,6104 0,8582
6 82,8428 28,9483 0,6922 0,9606
7 31,9959 33,0799 0,6688 0,9734
8 17,2002 35,7755 0,8192 0,9806
9 109,6566 27,73 0,7057 0,9212
10 78,3252 29,1918 0,6925 0,9526
При рассмотрении двух таблиц видно, что
по всем четырем показателям качества суще-
ствующий метод показывает несколько лучшие
результаты в сравнении с разработанным. Не-
смотря на это, разработанный метод имеет ряд
существенных преимуществ, в частности [9]:
процедура обучения по методу SRCNN
требует наличия большого количества пар
изображений, а учебная модель по предложен-
ному методу содержит только одну пару изо-
бражений;
SRCNN предусматривает использование
итерационного алгоритма обратного распро-
странения ошибки и при одинаковых настрой-
ках может давать разные результаты (т.е. су-
ществует проблема однозначности решения).
Процедура обучения согласно разработанному
методу предусматривает выполнение лишь од-
ной итерации и обеспечивает однозначность
решения при прочих равных условиях;
процедура обучения по методу SRCNN
продолжается в течение трех суток [15], тогда
как разработанный метод, благодаря неитера-
ционности, обеспечивает высокое быстродей-
ствие в режиме обучения;
SRCNN предназначен для реализации толь-
ко процесса увеличения разрешения изобра-
жения. Разработанный метод позволяет осу-
ществлять передискретизацию с коэффициен-
тами (как увеличение, так и уменьшение).
Совокупность этих преимуществ делают
возможным практическое использование раз-
работанного метода в прикладных системах
искусственного интеллекта, основанных на on-
line обработке, особенно в случаях сценарных
изображений.
Заключение. В статье приведен метод из-
менения разрешения изображений на основе
машинного обучения. Подытоживая изложен-
ный материал можно констатировать:
благодаря реализации вышеуказанного
подхода удалось расширить функциональные
возможности методов на основе обучения, в
частности: осуществлять процесс передискре-
тизации с целевыми коэффициентами как уве-
личения, так и уменьшения, что обеспечивает
высокое качество передискретизации при
уменьшении времени обучения.
разработанный нейросетевой метод изме-
нения разрешения изображений обеспечивает
высокую эффективность передискретизации
по критериям на основе PSNR и SSIM и харак-
теризуется уменьшением вычислительных ре-
сурсов, необходимых для таких процедур.
1. Analysis of invariant moments in tasks image process-
ing / D. Peleshko, M. Peleshko, N. Kustra et al. // The
Experience of Designing and Application of CAD Sys-
tems in Microelectronics (CADSM): Proc. of XI int.
conf., 23–25 Feb., 2011., Lviv, Polyana, Ukraine. – Lviv:
Publ. House “Vezha&Co”, 2011. – P. 263–264. Ag-
garwal C.C. Data Mining. Cham: Springer, 2015. –
734 p.
2. Ізонін І.В. Дослідження методів обчислення експо-
нент Гельдера в задачах реконструкції зображень //
66 УСиМ, 2017, № 1
Сучасні проблеми математичного моделювання та
обчислювальних методів: Мат. міжн. наук. конф.:
тези доповіді. – Рівне, 19–22 лютого 2015. – Рівне:
РВВ РДГУ, 2015. – С. 61–62.
3. Tkachenko O., Tkachenko R. Neural System Based on
the Geometric Transformation Model // Proc. of the
Second Int. Conf. on Automatic Control and Informa-
tion Technology, 2013 (ICACIT 13). – Cracow, Po-
land, 2013. – P. 28–34.
4. Tsmots I., Peleshko D., Izonin I. Parallel algorithms
and VLSI structures for median filtering of images in
real time // Int. J. of Advanced Research in Comp. En-
gin. & Technol. – 2014. – 3, N 8. – P. 2643–2649.
5. До методу збільшення роздільної здатності зобра-
жень на основі ШНМ моделі геометричних пере-
творень / І.В. Ізонін, Р.О. Ткаченко, К.Ю. Грицик
та ін. // Міжнар. наук.-практ. конф. «Комп'ютерні тех-
нології та інформаційна безпека»: Тези доп., 2–3
липня 2015 р., Кіровоградський нац.. техн. ун-т. –
Кіровоград. – 2015. – С. 54–55.
6. Метод надвисокої роздільної здатності зображень
на основі моделі геометричних перетворень /
І.В. Ізонін, Р.О. Ткаченко., Д.Д. Пелешко та ін. //
Інтелектуальні системи прийняття рішень і про-
блеми обчислювального інтелекту: Зб. міжнар. наук.
конф. «Аналіз та моделювання складних систем і
процесів. Теоретичні і прикладні аспекти систем
прийняття рішень. Обчислювальний інтелект та
індуктивне моделювання», 25–28 трав. 2015 р., За-
лізний порт. – Херсон: ХНТУ, 2015. – С. 284–286.
7. Інваріантні моменти в прикладних задачах оброб-
ки та аналізу зображень / Д. Пелешко, А. Коваль-
чук, Н. Кустра та ін. // Вісн. Нац. ун-ту «Львівська
політехніка». Комп’ютерні науки та інформаційні
технології. – 2011. – № 694. – С. 265–270.
8. Пелешко Д.Д., Ізонін І.В., Пелех Ю.М. Аналіз основ-
них методів збільшення роздільної здатності зобра-
жень на основі технології super-resolution // Зб. наук.
праць Ін-ту проблем моделювання в енергетиці ім.
Г.Є. Пухова НАНУ, 2013. – 67. – С. 162–169.
9. Передискретизація зображень засобами машинно-
го навчання / Р.О. Ткаченко, І.В. Ізонін, Д.А. Батюк
та ін. // Математичне та комп'ютерне моделювання.
Сер. Техн. науки. – 2016. – 13. – С. 176–183.
10. Tkachenko R. Information Models of the Geometric
Transformation // Proc. of the Second Int. Conf. on
Automatic Control and Information Technol, 2013
(ICACIT 13). – Cracow, Poland. – 2013. – P. 48–53.
11. Yang X., Hu X., Liu Y. Modified Gram–Schmidt ortho-
gonalization of covariance matrix adaptive beamform-
ing based on data preprocessing // IEEE 11th Int. Conf.
on Signal Processing. – Beijing. – 2012. – P. 373–377.
12. Цмоць І.Г., Шкодин А.В., Ізонін І.В. Передискретиза-
ція зображень в системах стереобачення на основі
симетричної матриці відстаней // Інтелектуальні сис-
теми прийняття рішень і проблеми обчислювального
інтелекту: Зб. наук. праць міжнар. наук. конф.: Аналіз
та моделювання складних систем і процесів. Теоре-
тичні і прикладні аспекти систем прийняття рішень.
Обчислювальний інтелект та індуктивне моделюван-
ня, 28–31 трав. 2014 р., Залізний порт. – Херсон: Вид-
во ХНТУ, 2014. – С. 343–344 с.
13. Learning a Deep Convolutional Network for Image
Super-Resolution / Dong Chao, Loy Chen Change,
He Kaiming et al. // Computer Vision: Рroc. of Euro-
pean conf. – Zurich, Switzerland, 6–12 Sept. 2014. –
Springer, 2014. – P. 184–199.
14. Image Super-Resolution Using Deep Convolutional
Networks / Dong Chao, Loy Chen Change, He Kaiming
et al. // IEEE Transactions on Pattern Analysis and
Machine Intelligence. – Preprint. – 2015. – 14 p.
15. The USC-SIPI Image Database of University of Southern
California – http://sipi.usc.edu/database/
Поступила 09.04.2015
E-mail: ivanizonin@gmail.com
© Р.О. Ткаченко, П.Р. Ткаченко, И.В. Изонин,
Д.А. Батюк, 2017
UDC 004.89 + 004.932
R.O. Tkachenko, P.R. Tkachenko, I.V. Іzonіn, D.A. Batyuk
Methods of Image Pre-Processing Based on Neuro-Paradigm of Geometric Transformation Model
Keywords: image resolution, machine learning, neuro-paradigm, Geometric Transformation Model.
Introduction. The task of image preprocessing for the problems of the intellectual analysis become a significant spread in
our time. It is explained by the increasing necessity to apply similar procedures in the areas such as medicine, criminology,
video, and more. The realization of problem solution for improving the digital images quality sometimes of the large dimen-
sion in online mode and while minimizing the computing resources continues to be very relevant. Similar restrictions required
the use of the effective methods and tools for its solution. One possible approach to solve this problem may be the use of the
fast and effective machine learning procedures.
Purpose. There are many tools for the machine learning implementation. In this article the authors use the tools of compu-
tational intelligence – artificial neural networks. This apparatus allows the rapid and efficient learning. The use of such tools
for solving the problem of improving the quality of digital images is not new. However, the existing methods are based on the
classical neural networks have the significant drawbacks. It imposes a number of restrictions.
УСиМ, 2009, № 1 67
In the article the authors use a new paradigm of building artificial neural networks. It is based on the geometric transforma-
tion machine. Exactly this advantage is providing the possibility of solution the problem of improving the quality of digital
images in online mode.
The authors describe the topology of the neural network of solution to the problem of improving the quality of digital im-
ages, the basic steps of the training algorithm. The proposed learning algorithm is different from the existing ones by speed and
accuracy, It provides an effective solution of the problem of increasing the quality of the digital images. Also, the authors in
detail describe the process of applying trained neural network to solve the problem.
Conclusions. Therefore, in this article a new method of image preprocessing to improve its quality for further intellectual
analysis is described. The method is simulated in different images. The estimation of the images quality, using four indica-
tors, is carried out. It is established that the efficiency of the method is the best on one class of images. A comparison of the
proposed method with existing ones is conducted. The basic advantages of the developed method for its application in real-
time vision systems are described.
1. Peleshko D., Peleshko M., Kustra N. and Izonin I. Analysis of invariant moments in tasks image processing. 11th International Conference
the Experience of Designing and Application of CAD Systems in Microelectronics (CADSM-2011), Polyana-Svalyava, 2011, P. 263–264.
2. Tkachenko O., Tkachenko R. Neural System Based on the Geometric Transformation Model. Proceeding of the Second International
Conference on Automatic Control and Information Technology 2013 (ICACIT’13), Cracow, Poland, 2013, P.28–34.
3. Peleshko D., Kovalchuk A., Kustra N., Izonin I. Invariantni momenty v prykladnykh zadachakh obrobky ta analizu zobrazhen.
Visnyk Natsionalnoho universytetu “Lvivska politekhnika”: Komp’iuterni nauky ta informatsiini tekhnolohii, 2011, N 694, P. 265–270 (In
Ukrainian).
4. Tkachenko R.O., Izonin I.V., Batiuk D.A., Sydorenko R.V., Prostrelchuk V.I. Peredyskretyzatsiia zobrazhen zasobamy mashynnoho
navchannia. Matematychne ta kompiuterne modeliuvannia. Ser. : Tekhnichni nauky, 2016, Vyp.13, P. 176–183 (In Ukrainian).
5. Peleshko D.D., Izonin I.V., Pelekh Iu. M. Analiz osnovnykh metodiv zbilshennia rozdilnoi zdatnosti zobrazhen na osnovi tekhnolohii
super-resolution. Zbirnyk naukovykh prats Instytutu problem modeliuvannia v enerhetytsi im. H.Ye. Pukhova. Nats. akad. nauk Ukrainy,
In-t probl. modeliuvannia v enerhetytsi im. H.Ye. Pukhova, Kyiv, 2013, Vyp. 67, P. 162–169 (In Ukrainian).
6. Tkachenko R. Information Models of the Geometric Transformation. In: proceeding of the Second International Conference on Auto-
matic Control and Information Technology 2013 (ICACIT’13), Cracow, Poland, 2013, P.48–53 (In Ukrainian).
7. Tsmots I.H., Shkodyn A.V., Izonin I.V. Peredyskretyzatsiia zobrazhen v systemakh stereobachennia na osnovi symetrychnoi matrytsi
vidstanei. Intelektualni systemy pryiniattia rishen i problemy obchysliuvalnoho intelektu: zb. nauk. pr. mizhnar. nauk. konf., 28–31 travnia
2014, Zaliznyi port, Kherson, Vyd-vo KhNTU, 2014, P.343–344 (In Ukrainian).
8. Izonin I.V. Doslidzhennia metodiv obchyslennia eksponent Heldera v zadachakh rekonstruktsii zobrazhen. Suchasni problemy
matematychnoho modeliuvannia ta obchysliuvalnykh metodiv: materialy mizhn. nauk. konf.: tezy dopovidi, Rivne, 19–22 liutoho 2015,
Rivne: RVV RDHU, 2015, P.61–62 (In Ukrainian).
9. Tsmots Ivan, Peleshko Dmytro, Izonin Ivan. Parallel algorithms and VLSI structures for median filtering of images in real time. In-
ternational Journal of Advanced Research in Computer Engineering & Technology, 2014, Vol. 3, N 8, P. 2643–2649.
10. Izonin I.V., Tkachenko R.O., Peleshko D.D., Batiuk D.A. Metod nadvysokoi rozdilnoi zdatnosti zobrazhen na osnovi modeli heomet-
rychnykh peretvoren. Intelektualni systemy pryiniattia rishen i problemy obchysliuvalnoho intelektu: zb. mizhnar. nauk. konf., 25–28 travnia
2015, Zaliznyi port, Kherson: KhNTU, 2015, P. 284–286 (In Ukrainian).
11. Yang X., Hu X., Liu Y.: Modified Gram-Schmidt orthogonalization of covariance matrix adaptive beamforming based on data pre-
processing. IEEE 11th International Conference on Signal Processing, Beijing, 2012, P.373–377.
12. Izonin I.V., Tkachenko R.O., Hrytsyk K.Iu., Tytyk R.O. Do metodu zbilshennia rozdilnoi zdatnosti zobrazhen na osnovi ShNM
modeli heometrychnykh peretvoren. Kompiuterni tekhnolohii ta informatsiina bezpeka: mizhn. nauk.-prakt. konf., 2–3 lypnia 2015,
Kirovohradskyi natsionalnyi tekhnichnyi universytet, Kirovohrad, 2015, P.54–55 (In Ukrainian).
13. Dong Chao, Loy Chen Change, He Kaiming, Tang Xiaoou. Image Super–Resolution Using Deep Convolutional Networks. IEEE
Transactions on Pattern Analysis and Machine Intelligence, Preprint, 2015, P.14.
14. Dong Chao, Loy Chen Change, He Kaiming, Tang Xiaoou. Learning a Deep Convolutional Network for Image Super–Resolution.
Computer Vision. Proc. of European conf., Zurich, Switzerland, 6–12 September 2014, Springer, 2014, P.184–199.
15. The USC-SIPI Image Database of University of Southern California. http:/sipi.usc.edu/database/
<<
/ASCII85EncodePages false
/AllowTransparency false
/AutoPositionEPSFiles true
/AutoRotatePages /None
/Binding /Left
/CalGrayProfile (Dot Gain 20%)
/CalRGBProfile (sRGB IEC61966-2.1)
/CalCMYKProfile (U.S. Web Coated \050SWOP\051 v2)
/sRGBProfile (sRGB IEC61966-2.1)
/CannotEmbedFontPolicy /Error
/CompatibilityLevel 1.4
/CompressObjects /Tags
/CompressPages true
/ConvertImagesToIndexed true
/PassThroughJPEGImages true
/CreateJobTicket false
/DefaultRenderingIntent /Default
/DetectBlends true
/DetectCurves 0.0000
/ColorConversionStrategy /CMYK
/DoThumbnails false
/EmbedAllFonts true
/EmbedOpenType false
/ParseICCProfilesInComments true
/EmbedJobOptions true
/DSCReportingLevel 0
/EmitDSCWarnings false
/EndPage -1
/ImageMemory 1048576
/LockDistillerParams false
/MaxSubsetPct 100
/Optimize true
/OPM 1
/ParseDSCComments true
/ParseDSCCommentsForDocInfo true
/PreserveCopyPage true
/PreserveDICMYKValues true
/PreserveEPSInfo true
/PreserveFlatness true
/PreserveHalftoneInfo false
/PreserveOPIComments true
/PreserveOverprintSettings true
/StartPage 1
/SubsetFonts true
/TransferFunctionInfo /Apply
/UCRandBGInfo /Preserve
/UsePrologue false
/ColorSettingsFile ()
/AlwaysEmbed [ true
]
/NeverEmbed [ true
]
/AntiAliasColorImages false
/CropColorImages true
/ColorImageMinResolution 300
/ColorImageMinResolutionPolicy /OK
/DownsampleColorImages true
/ColorImageDownsampleType /Bicubic
/ColorImageResolution 300
/ColorImageDepth -1
/ColorImageMinDownsampleDepth 1
/ColorImageDownsampleThreshold 1.50000
/EncodeColorImages true
/ColorImageFilter /DCTEncode
/AutoFilterColorImages true
/ColorImageAutoFilterStrategy /JPEG
/ColorACSImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
>>
/ColorImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
>>
/JPEG2000ColorACSImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
>>
/JPEG2000ColorImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
>>
/AntiAliasGrayImages false
/CropGrayImages true
/GrayImageMinResolution 300
/GrayImageMinResolutionPolicy /OK
/DownsampleGrayImages true
/GrayImageDownsampleType /Bicubic
/GrayImageResolution 300
/GrayImageDepth -1
/GrayImageMinDownsampleDepth 2
/GrayImageDownsampleThreshold 1.50000
/EncodeGrayImages true
/GrayImageFilter /DCTEncode
/AutoFilterGrayImages true
/GrayImageAutoFilterStrategy /JPEG
/GrayACSImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
>>
/GrayImageDict <<
/QFactor 0.15
/HSamples [1 1 1 1] /VSamples [1 1 1 1]
>>
/JPEG2000GrayACSImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
>>
/JPEG2000GrayImageDict <<
/TileWidth 256
/TileHeight 256
/Quality 30
>>
/AntiAliasMonoImages false
/CropMonoImages true
/MonoImageMinResolution 1200
/MonoImageMinResolutionPolicy /OK
/DownsampleMonoImages true
/MonoImageDownsampleType /Bicubic
/MonoImageResolution 1200
/MonoImageDepth -1
/MonoImageDownsampleThreshold 1.50000
/EncodeMonoImages true
/MonoImageFilter /CCITTFaxEncode
/MonoImageDict <<
/K -1
>>
/AllowPSXObjects false
/CheckCompliance [
/None
]
/PDFX1aCheck false
/PDFX3Check false
/PDFXCompliantPDFOnly false
/PDFXNoTrimBoxError true
/PDFXTrimBoxToMediaBoxOffset [
0.00000
0.00000
0.00000
0.00000
]
/PDFXSetBleedBoxToMediaBox true
/PDFXBleedBoxToTrimBoxOffset [
0.00000
0.00000
0.00000
0.00000
]
/PDFXOutputIntentProfile ()
/PDFXOutputConditionIdentifier ()
/PDFXOutputCondition ()
/PDFXRegistryName ()
/PDFXTrapped /False
/CreateJDFFile false
/Description <<
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
/BGR <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>
/CHS <FEFF4f7f75288fd94e9b8bbe5b9a521b5efa7684002000410064006f006200650020005000440046002065876863900275284e8e9ad88d2891cf76845370524d53705237300260a853ef4ee54f7f75280020004100630072006f0062006100740020548c002000410064006f00620065002000520065006100640065007200200035002e003000204ee553ca66f49ad87248672c676562535f00521b5efa768400200050004400460020658768633002>
/CHT <FEFF4f7f752890194e9b8a2d7f6e5efa7acb7684002000410064006f006200650020005000440046002065874ef69069752865bc9ad854c18cea76845370524d5370523786557406300260a853ef4ee54f7f75280020004100630072006f0062006100740020548c002000410064006f00620065002000520065006100640065007200200035002e003000204ee553ca66f49ad87248672c4f86958b555f5df25efa7acb76840020005000440046002065874ef63002>
/CZE <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>
/DAN <FEFF004200720075006700200069006e0064007300740069006c006c0069006e006700650072006e0065002000740069006c0020006100740020006f007000720065007400740065002000410064006f006200650020005000440046002d0064006f006b0075006d0065006e007400650072002c0020006400650072002000620065006400730074002000650067006e006500720020007300690067002000740069006c002000700072006500700072006500730073002d007500640073006b007200690076006e0069006e00670020006100660020006800f8006a0020006b00760061006c0069007400650074002e0020004400650020006f007000720065007400740065006400650020005000440046002d0064006f006b0075006d0065006e0074006500720020006b0061006e002000e50062006e00650073002000690020004100630072006f00620061007400200065006c006c006500720020004100630072006f006200610074002000520065006100640065007200200035002e00300020006f00670020006e0079006500720065002e>
/DEU <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>
/ESP <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>
/ETI <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>
/FRA <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>
/GRE <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>
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
/HRV (Za stvaranje Adobe PDF dokumenata najpogodnijih za visokokvalitetni ispis prije tiskanja koristite ove postavke. Stvoreni PDF dokumenti mogu se otvoriti Acrobat i Adobe Reader 5.0 i kasnijim verzijama.)
/HUN <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>
/ITA <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>
/JPN <FEFF9ad854c18cea306a30d730ea30d730ec30b951fa529b7528002000410064006f0062006500200050004400460020658766f8306e4f5c6210306b4f7f75283057307e305930023053306e8a2d5b9a30674f5c62103055308c305f0020005000440046002030d530a130a430eb306f3001004100630072006f0062006100740020304a30883073002000410064006f00620065002000520065006100640065007200200035002e003000204ee5964d3067958b304f30533068304c3067304d307e305930023053306e8a2d5b9a306b306f30d530a930f330c8306e57cb30818fbc307f304c5fc59808306730593002>
/KOR <FEFFc7740020c124c815c7440020c0acc6a9d558c5ec0020ace0d488c9c80020c2dcd5d80020c778c1c4c5d00020ac00c7a50020c801d569d55c002000410064006f0062006500200050004400460020bb38c11cb97c0020c791c131d569b2c8b2e4002e0020c774b807ac8c0020c791c131b41c00200050004400460020bb38c11cb2940020004100630072006f0062006100740020bc0f002000410064006f00620065002000520065006100640065007200200035002e00300020c774c0c1c5d0c11c0020c5f40020c2180020c788c2b5b2c8b2e4002e>
/LTH <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>
/LVI <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>
/NLD (Gebruik deze instellingen om Adobe PDF-documenten te maken die zijn geoptimaliseerd voor prepress-afdrukken van hoge kwaliteit. De gemaakte PDF-documenten kunnen worden geopend met Acrobat en Adobe Reader 5.0 en hoger.)
/NOR <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>
/POL <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>
/PTB <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>
/RUM <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>
/RUS <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>
/SKY <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>
/SLV <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>
/SUO <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>
/SVE <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>
/TUR <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>
/UKR <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>
/ENU (Use these settings to create Adobe PDF documents best suited for high-quality prepress printing. Created PDF documents can be opened with Acrobat and Adobe Reader 5.0 and later.)
>>
/Namespace [
(Adobe)
(Common)
(1.0)
]
/OtherNamespaces [
<<
/AsReaderSpreads false
/CropImagesToFrames true
/ErrorControl /WarnAndContinue
/FlattenerIgnoreSpreadOverrides false
/IncludeGuidesGrids false
/IncludeNonPrinting false
/IncludeSlug false
/Namespace [
(Adobe)
(InDesign)
(4.0)
]
/OmitPlacedBitmaps false
/OmitPlacedEPS false
/OmitPlacedPDF false
/SimulateOverprint /Legacy
>>
<<
/AddBleedMarks false
/AddColorBars false
/AddCropMarks false
/AddPageInfo false
/AddRegMarks false
/ConvertColors /ConvertToCMYK
/DestinationProfileName ()
/DestinationProfileSelector /DocumentCMYK
/Downsample16BitImages true
/FlattenerPreset <<
/PresetSelector /MediumResolution
>>
/FormElements false
/GenerateStructure false
/IncludeBookmarks false
/IncludeHyperlinks false
/IncludeInteractive false
/IncludeLayers false
/IncludeProfiles false
/MultimediaHandling /UseObjectSettings
/Namespace [
(Adobe)
(CreativeSuite)
(2.0)
]
/PDFXOutputIntentProfileSelector /DocumentCMYK
/PreserveEditing true
/UntaggedCMYKHandling /LeaveUntagged
/UntaggedRGBHandling /UseDocumentProfile
/UseDocumentBleed false
>>
]
>> setdistillerparams
<<
/HWResolution [2400 2400]
/PageSize [612.000 792.000]
>> setpagedevice
|