Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Digital image restoration using SURF algorithm

Tammineni Shanmukhaprasanthi, Rayavarapu Swarajya Madhuri, Gottapu Sasibhushana Rao, Goswami Raj Kumar

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

T. 14, nr 1

37--40

In contemporary times, the preservation of scientific and creative endeavours often relies on the utilization of film and image archives, hence emphasizing the significance of image processing as a critical undertaking. Image inpainting refers to the process of digitally altering an image in a manner that renders the adjustments imperceptible to a viewer lacking knowledge of the original image. Image inpainting is a technique mostly employed to restore damaged regions within an image by utilizing information obtained from matching characteristics in relevant images. This process involves filling in the damaged areas and removing undesired objects. The SURF (Speeded Up Robust Feature) algorithm under consideration is partitioned into three primary phases. Firstly, the essential characteristics of the impaired image and the pertinent image are identified. In the second stage, the relationship between the damaged image and the relevant image is determined in terms of translation, scaling, and rotation. Ultimately, the destroyed area is reconstructed through the application of the inverse transformation. The quality assessment of inpainted images can be evaluated using metrics such as Structural Similarity Index (SSIM), Peak Signal-to-Noise Ratio (PSNR), and Mean Squared Error (MSE). The experimental findings provide evidence that the suggested inpainting technique is effective in terms of both speed and quality.

We współczesnych czasach utrwalanie dorobku naukowego i twórczego często opiera się na wykorzystaniu archiwów filmowych i obrazowych, co podkreśla znaczenie przetwarzania obrazu jako przedsięwzięcia krytycznego. Inpainting odnosi się do procesu cyfrowej zmiany obrazu w sposób, który sprawia, że korekty są niezauważalne dla widza nie znającego oryginalnego obrazu. Inpainting to technika stosowana najczęściej w celu przywracania uszkodzonych obszarów obrazu poprzez wykorzystanie informacji uzyskanych na podstawie dopasowania cech odpowiednich obrazów. Proces ten polega na wypełnieniu uszkodzonych obszarów i usunięciu niepożądanych obiektów. Rozważany algorytm SURF (Speeded Up Robust Feature) dzieli się na trzy główne fazy. Po pierwsze, identyfikowane są podstawowe cechy obrazu zaburzonego i obrazu istotnego. W drugim etapie określa się relację pomiędzy obrazem uszkodzonym a obrazem odpowiednim pod względem translacji, skalowania i rotacji. Ostatecznie zniszczony obszar rekonstruuje się poprzez zastosowanie transformacji odwrotnej. Ocenę jakości renowacji obrazów można ocenić za pomocą wskaźników, takich jak wskaźnik podobieństwa strukturalnego (SSIM), szczytowy stosunek sygnału do szumu (PSNR) i błąd średniokwadratowy (MSE). Wyniki eksperymentów dostarczają dowodów na to, że sugerowana technika renowacji jest skuteczna zarówno pod względem szybkości, jak i jakości.

A generative model for Deep Fake Augmentation of phonocardiogram and electrocardiogram signals using LSGAN and Cycle GAN

Rayavarapu Swarajya Madhuri, Prasanthi Tammineni Shanmukha, Kumar Gottapu Santosh, Rao Gottapu Sasibhushana, Prashanti Gottapu

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2023

T. 13, nr 4

34--38

In order to diagnose a range of cardiac conditions, it is important to conduct an accurate evaluation of eitherphonocardiogram (PCG)and electrocardiogram (ECG) data. Artificial intelligence and machine learning-based computer-assisted diagnostics are becoming increasingly commonplace in modern medicine, assisting clinicians in making life-or-death decisions. The requirement for an enormous amount of informationfor training to establish the framework for a deeplearning-based technique is an empirical challenge in the field of medicine. This increases the riskof personal information being misused. As a direct result of this issue, there has been an explosion in the study of methods for creating synthetic patient data. Researchers have attempted to generate synthetic ECG or PCG readings. To balance the dataset, ECG data were first created on the MIT-BIH arrhythmia database using LS GAN and Cycle GAN. Next, using VGGNet, studies were conducted to classify arrhythmias for the synthesized ECG signals. The synthesized signals performed well and resembled the original signal and the obtained precision of 91.20%, recall of 89.52% and an F1 scoreof 90.35%.

W celu zdiagnozowania szeregu chorób serca, istotne jest przeprowadzenie dokładnej oceny danych z fonokardiogramu (PCG)i elektrokardiogram (EKG). Sztuczna inteligencja i diagnostyka wspomagana komputerowo, oparta na uczeniu maszynowym stają sięcoraz bardziej powszechne we współczesnej medycynie, pomagając klinicystom w podejmowaniu krytycznych decyzji. Z kolei, Wymóg ogromnej ilości informacjido trenowania, w celu ustalenia platformy (ang. framework) techniki, opartej na głębokim uczeniu stanowi empiryczne wyzwanie w obszarze medycyny. Zwiększa to ryzyko niewłaściwego wykorzystania danych osobowych. Bezpośrednim skutkiem tego problemu był gwałtowny rozwój badań nad metodami tworzenia syntetycznych danych pacjentów. Badacze podjęli próbę wygenerowania syntetycznych odczytów diagramów EKG lub PCG. Stąd, w celu zrównoważenia zbioru danych, w pierwszej kolejności utworzono dane EKG w bazie danych arytmii MIT-BIH przy użyciu struktur sieci generatywnych LSGAN i CycleGAN. Następnie, wykorzystując strukturę sieci VGGNet, przeprowadzono badania, mające na celu klasyfikację arytmii na potrzeby syntetyzowanych sygnałów EKG. Dla wygenerowanych sygnałów, przypominających sygnał oryginalny uzyskano dobre rezultaty. Należy podkreślić,że uzyskana dokładność wynosiła 91,20%, powtarzalność 89,52% i wynik F1 –odpowiednio 90,35%.