ВИКОРИСТАННЯ ГЕНЕТИЧНИХ АЛГОРИТМІВ ДЛЯ ЗНАХОДЖЕННЯ ІНВЕРСНИХ ПСЕВДОВИПАДКОВИХ БЛОЧНИХ ПЕРЕСТАНОВОК
Ключові слова:
генетичні алгоритми, інверсна псевдовипадкова блочна перестановка, пермутовані зображення, (псевдо)голографічне кодування, радіус кореляції
Анотація
Предметом вивчення в статті є метод знаходження інверсних псевдовипадкових блочних перестановок пікселів у зображенні. Метою є розробка "сліпого"методу знаходження інверсних псевдовипадкових блочних перестановок за допомогою генетичних алгоритмів. Завдання: провести аналіз факторів, що впливають на інверсні псевдовипадкові блочні перестановки на зображенні, розробити метод кодування перестановок в генетичних алгоритмах, обґрунтувати вибір цільової функції для оптимізації за допомогою генетичних алгоритмів. Використовуваними методами є: методи цифрової обробки зображень, теорії ймовірності, математичної статистики, криптографії та захисту інформації, математичний апарат теорії матриць. Отримані такі результати. Проведено аналіз факторів, що впливають на інверсні псевдовипадкові блочні перестановки на зображенні. Визначено фактори, що впливають на максимальний розмір блоку, при якому ще можливе знаходження інверсної перестановки. Розроблено метод знаходження інверсних псевдовипадкових блочних перестановок пікселів у пермутованому зображенні за допомогою генетичних алгоритмів. Висновки. Наукова новизна отриманих результатів полягає в наступному. Встановлено, що знаходження інверсних перестановок можливе лише при умові, що розмір блоку є менший за радіус кореляції зображення. Запропоновано ефективний спосіб кодування перестановок, при якому стандартні оператори генетичних алгоритмів будуть породжувати нові і тільки допустимі перестановки. Запропоновано у якості цільової функції використовувати суму квадратів градієнтів. Показано, що дана цільова функція має глобальний мінімум для коректної перестановки, що дозволяє знаходити інверсні блочні перестановки "всліпу" без додаткової апріорної інформації.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. S. Skiena, S. The Algorithm Design Manual / Steven S. Skiena // Second Edition. Springer. – 2008.
2. Salleh, M. Image Encryption Algorithm Based on Chaotic Mapping / M. Salleh, S. Ibrahim, I. FauziIsninl //JurnalTeknologi. – 2003.
3. Mitra, A. A new image encryption approach using combinational permutation techniques / A. Mitra, V. Y. SubbaRao, R. S. MahadevaPrasanna // International Journal of Electrical and Computer Engineering. – 2006.
4. Rhouma, R. Cryptoanalysis of a new image encryption algorithm based on hyper-chaos /R. Rhouma, B. Safya// Phyiscal Letters A. – 2008. – Vol. 372. – P. 5973-5978.
5. Al-Najjar,H . Digital Image Encryption Algorithm Based on a Linear Independence Scheme and the Logistic Map / H. alNajjar// International Arab Conference on Information Technology (ACIT 2011). – 2011.
6. Holland, J. Adaptation in Natural and Artificial Systems / J. Holland // Cambridge, MA: MIT Press. – 1992. – ISBN 978- 0262581110.
7. Mitchell, M. An Introduction to Genetic Algorithms / M. Mitchell // Cambridge, MA: MIT Press. – 1996. – ISBN 9780585030944.
8. Banzhaf, W. Genetic Programming – An Introduction / W. Banzhaf, P. Nordin, R. Keller, F.Francone // San Francisco, CA: Morgan Kaufmann. –1998. –ISBN 978-1558605107.
9. G. Jacob. Genetic Algorithm based Mosaic Image Steganography for Enhanced Security /George, Jacob and Janahanlal Stephen. – 2014.
10. Evolutionary Algorithms for Feature Selection, [Електронний ресурс]. – Режим доступу до ресурсу: https://www.kdnuggets.com/2017/11/rapidminer-evolutionary-algorithms-feature-selection.html. звернення 2018-02-19).
11. Dos Santos-Paulino, A. Evolutionary algorithm for dense pixel matching in presence of distortions / A. dos Santos-Paulino, J.-C. Nebel, F.Florez-Revuelta //EvoStar Conference, Granada, Spain. – 23–25 April 2014.
12. Paulinas, Mantas. A survey of genetic algorithms applications for image enhancement and segmentation / Paulinas, Mantas and Usinskas, Andrius // Information Technology and Control. – 2007. – Vol. 36. – P. 278-284.
13. Behzadi, S. Developing a Genetic Algorithm to Solve Shortest Path Problem on a Raster Data Model / S. Behzadi, Ali A. Alesheikh, E. Poorazizi //Journal of Applied Sciences. – 2008. – N. 8. –P. 3289-3293.
14. Cagnoni, Stefano. Genetic and evolutionary computation for image processing and analysis / Cagnoni, Stefano &Lutton, Evelyne&Olague, Gustavo. – 2007.
15. Bruckstein, A.M. Holographic representation of images / A.M. Bruckstein, R.J. Holt, A.N. Netravali // IEEE Transactions on Image Processing. – 1998. – N 7. – P. 1583-1587.
16. Bruckstein, A.M. Holographic image representations: the subsampling method / A.M. Bruckstein, R.J. Holt, A.N. Net-ravali // IEEE Int. Conference on Image Processing – Santa Barbara, California, USA, October. – 1997. – Vol. 1. – P. 177-180.
17. Bruckstein, A.M. Technique for Holographic Representation of Images / A.M. Bruckstein, R.J. Holt, A.N. Netravali // US 6,091,394. – July 18, 2000. – 6 p.
18. Колесов, В.В. Псевдоголографическое кодирование цифровой информации / В.В. Колесов, Н.Н. Залогин, Г.М. Воронцов // Радиотехника и электроника. – 2002. – Т. 2, № 5. – С. 583-588.
19. Марковский, А.В. О квазиголографическом кодировании цифровых изображений / А.В. Марковский // Автоматика и телемеханика. – 2001. – № 9. – С. 163-173.
20. Кузнецов, О.П. Квазиголографический подход к кодированию графической информации / О.П. Кузнецов, А.В. Марковский // Искусственный интеллект. – 2002. – № 2. – С. 474-482.
21. Баринова, Д.А. Разработка и исследование алгоритмов обработки цифровых изображений, представленных в псевдоголографических кодах / Д.А. Баринова // Компьютерная оптика. – 2005. – № 27. – С. 149-154.
22. Воронин, В.В. Голографическое представление в задачах обработки изображений / В.В. Воронин // Тезисы конференции РОАИ – 5. – 2000. – С. 237-241.
23. Yaloveha V., Hlavcheva D., Podorozhniak A. Usage of convolutional neural network for multispectral image processing applied to the problem of detecting fire hazardous forest areas. Сучасні інформаційні системи. 2019. Т. 3, № 1. С. 116– 120. DOI: https://doi.org/10.20998/2522-9052.2019.1.19.
24. Kuchuk G., Kovalenko A., Komari I.E., Svyrydov A., Kharchenko V. Improving big data centers energy efficiency: Traffic based model and method. Studies in Systems, Decision and Control, vol 171. Kharchenko, V., Kondratenko, Y., Kacprzyk, J. (Eds.). Springer Nature Switzerland AG, 2019. Pp. 161-183. DOI: http://doi.org/10.1007/978-3-030-00253-4_8
25. Amin Salih Mohammed, Saravana Balaji B., Hiwa Abdulkarim Mawlood. Conceptual analysis of Iris Recognition Systems. Advanced Information Systems. 2019. Vol. 3, No. 2. Р. 86-90. DOI : https://doi.org/10.20998/2522-9052.2019.2.15
26. Freeman, H. .Apictorial Jigsaw Puzzles: The Computer Solution of a Problem in Pattern Recognition / H. Freeman, L. Garder // IEEE Transactions on Electronic Computers, EC-13(2): – 1964. – P. 118-127.
27. Cho, T. A Probabilistic Image Jigsaw Puzzle Solver / T. Cho, S. Avidan, W. Freeman // Int. IEEE Conference on Computer Vision and Pattern Recognition. – 2010. – P. 183-190.
28. Yang, X. Particle Filter with State Permutations for Solving Image Jigsaw Puzzles / X. Yang, N. Adluru, L. J. Latecki // Int. IEEE Conference on Computer Vision and Pattern Recognition. – 2011. –P. 2873–2880.
29. Pomeranz, D. A Fully Automated Greedy Square Jigsaw Puzzle Solver / D. Pomeranz, M. Shemesh, and O. Ben-Shahar // In IEEE Conference on Computer Vision and Pattern Recognition. – 2011. – P. 9-16.
30. Sholomon, D. A Genetic AlgorithmBased Solver for Very Large Jigsaw Puzzles / D. Sholomon, O. David, N. Netanyahu // Int. 2013 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2013. – P. 1767-1774.
31. MATLAB в імплементації функції randperm, [Електронний ресурс]. – Режим доступу до ресурсу: https://www.mathworks.com/help/matlab/ref/randstream.randperm.html. звернення 2018-04-03).
32. Li, X. An efficient two dimensional moving average model for texture analysis and synthesis / X. Li, J.A. Cadzow, D.M. Wilkes, R.A. Peters, M. Bodruzzaman //Publication Year. – 1992. – Vol. 1. –P. 392-395.
33. Красильщиков М.Н., Себряков Г.Г. (ред.). Современные информационные технологии в задачах навигации и наведения беспилотных маневренных летательных аппаратов. М.: Физматлит, 2009. – 556 с. – ISBN: 978-5-9221-1168-3.
34. MATLAB 9.4.0.813654 (R2018a) з використанням Global Optimization Toolbox Version 3.4.4, [Електронний ресурс]. – Режим доступу до ресурсу: https://www.mathworks.com/matlabcentral/answers/404947-using-syms-matlab-stopsworking. звернення 2018-04-19).
35. Adobe Acrobat Reader DC [Електронний ресурс]. – Режим доступу до ресурсу: https://www.adobe.com/. звернення 2018-05-10).
2. Salleh, M. Image Encryption Algorithm Based on Chaotic Mapping / M. Salleh, S. Ibrahim, I. FauziIsninl //JurnalTeknologi. – 2003.
3. Mitra, A. A new image encryption approach using combinational permutation techniques / A. Mitra, V. Y. SubbaRao, R. S. MahadevaPrasanna // International Journal of Electrical and Computer Engineering. – 2006.
4. Rhouma, R. Cryptoanalysis of a new image encryption algorithm based on hyper-chaos /R. Rhouma, B. Safya// Phyiscal Letters A. – 2008. – Vol. 372. – P. 5973-5978.
5. Al-Najjar,H . Digital Image Encryption Algorithm Based on a Linear Independence Scheme and the Logistic Map / H. alNajjar// International Arab Conference on Information Technology (ACIT 2011). – 2011.
6. Holland, J. Adaptation in Natural and Artificial Systems / J. Holland // Cambridge, MA: MIT Press. – 1992. – ISBN 978- 0262581110.
7. Mitchell, M. An Introduction to Genetic Algorithms / M. Mitchell // Cambridge, MA: MIT Press. – 1996. – ISBN 9780585030944.
8. Banzhaf, W. Genetic Programming – An Introduction / W. Banzhaf, P. Nordin, R. Keller, F.Francone // San Francisco, CA: Morgan Kaufmann. –1998. –ISBN 978-1558605107.
9. G. Jacob. Genetic Algorithm based Mosaic Image Steganography for Enhanced Security /George, Jacob and Janahanlal Stephen. – 2014.
10. Evolutionary Algorithms for Feature Selection, [Електронний ресурс]. – Режим доступу до ресурсу: https://www.kdnuggets.com/2017/11/rapidminer-evolutionary-algorithms-feature-selection.html. звернення 2018-02-19).
11. Dos Santos-Paulino, A. Evolutionary algorithm for dense pixel matching in presence of distortions / A. dos Santos-Paulino, J.-C. Nebel, F.Florez-Revuelta //EvoStar Conference, Granada, Spain. – 23–25 April 2014.
12. Paulinas, Mantas. A survey of genetic algorithms applications for image enhancement and segmentation / Paulinas, Mantas and Usinskas, Andrius // Information Technology and Control. – 2007. – Vol. 36. – P. 278-284.
13. Behzadi, S. Developing a Genetic Algorithm to Solve Shortest Path Problem on a Raster Data Model / S. Behzadi, Ali A. Alesheikh, E. Poorazizi //Journal of Applied Sciences. – 2008. – N. 8. –P. 3289-3293.
14. Cagnoni, Stefano. Genetic and evolutionary computation for image processing and analysis / Cagnoni, Stefano &Lutton, Evelyne&Olague, Gustavo. – 2007.
15. Bruckstein, A.M. Holographic representation of images / A.M. Bruckstein, R.J. Holt, A.N. Netravali // IEEE Transactions on Image Processing. – 1998. – N 7. – P. 1583-1587.
16. Bruckstein, A.M. Holographic image representations: the subsampling method / A.M. Bruckstein, R.J. Holt, A.N. Net-ravali // IEEE Int. Conference on Image Processing – Santa Barbara, California, USA, October. – 1997. – Vol. 1. – P. 177-180.
17. Bruckstein, A.M. Technique for Holographic Representation of Images / A.M. Bruckstein, R.J. Holt, A.N. Netravali // US 6,091,394. – July 18, 2000. – 6 p.
18. Колесов, В.В. Псевдоголографическое кодирование цифровой информации / В.В. Колесов, Н.Н. Залогин, Г.М. Воронцов // Радиотехника и электроника. – 2002. – Т. 2, № 5. – С. 583-588.
19. Марковский, А.В. О квазиголографическом кодировании цифровых изображений / А.В. Марковский // Автоматика и телемеханика. – 2001. – № 9. – С. 163-173.
20. Кузнецов, О.П. Квазиголографический подход к кодированию графической информации / О.П. Кузнецов, А.В. Марковский // Искусственный интеллект. – 2002. – № 2. – С. 474-482.
21. Баринова, Д.А. Разработка и исследование алгоритмов обработки цифровых изображений, представленных в псевдоголографических кодах / Д.А. Баринова // Компьютерная оптика. – 2005. – № 27. – С. 149-154.
22. Воронин, В.В. Голографическое представление в задачах обработки изображений / В.В. Воронин // Тезисы конференции РОАИ – 5. – 2000. – С. 237-241.
23. Yaloveha V., Hlavcheva D., Podorozhniak A. Usage of convolutional neural network for multispectral image processing applied to the problem of detecting fire hazardous forest areas. Сучасні інформаційні системи. 2019. Т. 3, № 1. С. 116– 120. DOI: https://doi.org/10.20998/2522-9052.2019.1.19.
24. Kuchuk G., Kovalenko A., Komari I.E., Svyrydov A., Kharchenko V. Improving big data centers energy efficiency: Traffic based model and method. Studies in Systems, Decision and Control, vol 171. Kharchenko, V., Kondratenko, Y., Kacprzyk, J. (Eds.). Springer Nature Switzerland AG, 2019. Pp. 161-183. DOI: http://doi.org/10.1007/978-3-030-00253-4_8
25. Amin Salih Mohammed, Saravana Balaji B., Hiwa Abdulkarim Mawlood. Conceptual analysis of Iris Recognition Systems. Advanced Information Systems. 2019. Vol. 3, No. 2. Р. 86-90. DOI : https://doi.org/10.20998/2522-9052.2019.2.15
26. Freeman, H. .Apictorial Jigsaw Puzzles: The Computer Solution of a Problem in Pattern Recognition / H. Freeman, L. Garder // IEEE Transactions on Electronic Computers, EC-13(2): – 1964. – P. 118-127.
27. Cho, T. A Probabilistic Image Jigsaw Puzzle Solver / T. Cho, S. Avidan, W. Freeman // Int. IEEE Conference on Computer Vision and Pattern Recognition. – 2010. – P. 183-190.
28. Yang, X. Particle Filter with State Permutations for Solving Image Jigsaw Puzzles / X. Yang, N. Adluru, L. J. Latecki // Int. IEEE Conference on Computer Vision and Pattern Recognition. – 2011. –P. 2873–2880.
29. Pomeranz, D. A Fully Automated Greedy Square Jigsaw Puzzle Solver / D. Pomeranz, M. Shemesh, and O. Ben-Shahar // In IEEE Conference on Computer Vision and Pattern Recognition. – 2011. – P. 9-16.
30. Sholomon, D. A Genetic AlgorithmBased Solver for Very Large Jigsaw Puzzles / D. Sholomon, O. David, N. Netanyahu // Int. 2013 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2013. – P. 1767-1774.
31. MATLAB в імплементації функції randperm, [Електронний ресурс]. – Режим доступу до ресурсу: https://www.mathworks.com/help/matlab/ref/randstream.randperm.html. звернення 2018-04-03).
32. Li, X. An efficient two dimensional moving average model for texture analysis and synthesis / X. Li, J.A. Cadzow, D.M. Wilkes, R.A. Peters, M. Bodruzzaman //Publication Year. – 1992. – Vol. 1. –P. 392-395.
33. Красильщиков М.Н., Себряков Г.Г. (ред.). Современные информационные технологии в задачах навигации и наведения беспилотных маневренных летательных аппаратов. М.: Физматлит, 2009. – 556 с. – ISBN: 978-5-9221-1168-3.
34. MATLAB 9.4.0.813654 (R2018a) з використанням Global Optimization Toolbox Version 3.4.4, [Електронний ресурс]. – Режим доступу до ресурсу: https://www.mathworks.com/matlabcentral/answers/404947-using-syms-matlab-stopsworking. звернення 2018-04-19).
35. Adobe Acrobat Reader DC [Електронний ресурс]. – Режим доступу до ресурсу: https://www.adobe.com/. звернення 2018-05-10).
Опубліковано
2019-09-11
Як цитувати
Makoviechuk O. Використання генетичних алгоритмів для знаходження інверсних псевдовипадкових блочних перестановок / O. Makoviechuk, I. Ruban, G. Hudov // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2019. – Т. 4 (56). – С. 72-81. – doi:https://doi.org/10.26906/SUNZ.2019.4.072.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
