Помощь в написании студенческих работ
Антистрессовый сервис

Эффективные алгоритмы обработки и сжатия цифровых изображений и видеоданных на основе вейвлет-пакетного разложения

Диссертация: Эффективные алгоритмы обработки и сжатия цифровых изображений и видеоданных на основе вейвлет-пакетного разложения
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Получен оптимальный базис в классе Добеши на каждом уровне разложения по критерию максимума коэффициента сжатия при фиксированной ошибке восстановления. Показано, что применение данного базиса обеспечивает коэффициент сжатия на 18% выше по сравнению со стандартом JPEG, при одинаковом качестве восстановления и не уступает JPEG 2000. Однако за счет использования статистического кодирования… Читать ещё >

Эффективные алгоритмы обработки и сжатия цифровых изображений и видеоданных на основе вейвлет-пакетного разложения (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. РАЗРАБОТКА И ИССЛЕДОВАНИЕ СТАТИСТИЧЕСКОЙ МОДЕЛИ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА ВИЗУАЛЬНОГО ВОСПРИЯТИЯ
    • 1. 1. Вводные замечания
    • 1. 2. Разработка модели функции плотности вероятности яркости неподвижных цифровых изображений.,
      • 1. 2. 1. Классификация гистограмм распределения яркости различных неподвижных изображений
      • 1. 2. 2. Обоснование процедуры аппроксимации гистограммы изображений многокомпонентным бета-распределением
    • 1. 3. Разработка модели пространственных автокорреляционных функций неподвижных цифровых изображений
    • 1. 4. Разработка модели подвижных изображений
      • 1. 4. 1. Типы моделей подвижных цифровых изображений
      • 1. 4. 2. Первый тип модели
      • 1. 4. 3. Второй тип модели
      • 1. 4. 4. Третий тип модели
      • 1. 4. 5. Комбинированный тип модели
    • 1. 5. Разработка модели временной автокорреляционной функции подвижных изображений
    • 1. 6. Разработка модели шумов и искажений на цифровых изображениях
      • 1. 6. 1. Основные типы шумов на цифровых изображениях
      • 1. 6. 2. Обоснование модели формирования шума на цифровых изображениях
      • 1. 6. 3. Основные виды искажений на цифровых изображениях
    • 1. 7. Выводы
  • 2. РАЗРАБОТКА АЛГОРИТМОВ СЖАТИЯ НЕПОДВИЖНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ВЕЙВЛЕТ-ПАКЕТНОГО РАЗЛОЖЕНИЯ
    • 2. 1. Вводные замечания
    • 2. 2. Алгоритм сжатия изображений на основе оптимального выбора базиса из известных базисных систем
    • 2. 3. Синтез базиса вейвлет-пакетного разложения по критерию минимума ошибки восстановления исходного изображения при фиксированном коэффициенте сжатия
      • 2. 3. 1. Постановка задачи
      • 2. 3. 2. Решение задачи синтеза базисной системы
    • 2. 4. Алгоритм одновременной фильтрации и сжатия изображений на основе вейвлет-пакетного разложения
    • 2. 5. Выводы
  • 3. ПРАКТИЧЕСКИЕ АСПЕКТЫ РЕАЛИЗАЦИИ АЛГОРИТМОВ СЖАТИЯ ВИДЕОДАННЫХ С ИСПОЛЬЗОВАНИЕМ ВЕЙВЛЕТ-ПАКЕТНОГО РАЗЛОЖЕНИЯ И РАЗЛИЧНЫХ АЛГОРИТМОВ КОМПЕНСАЦИИ ДВИЖЕНИЯ
    • 3. 1. Вводные замечания
    • 3. 2. Построение функции градационного преобразования для повышения качества визуального восприятия неподвижных цифровых изображений
    • 3. 3. Алгоритм сжатия видеоданных с потерями на основе вейвлет-пакетного разложения и разностного кодирования
    • 3. 4. Алгоритм сжатия видеоданных на основе вейвлет-пакетного разложения и математической модели предсказания вектора движения
    • 3. 5. Основные критерии определения качества цифровых изображений
      • 3. 5. 1. Классические объективные критерии определения качества цифровых изображений
      • 3. 5. 2. Универсальный индекс качества цифровых изображений
      • 3. 5. 3. Субъективное измерение качества цифровых изображений
    • 3. 6. Исследование влияния формата представления чисел на эффективность практической реализации алгоритмов сжатия видеоданных
    • 3. 7. Аппаратно-программная реализация алгоритмов сжатия видеоданных
    • 3. 8. Выводы

Актуальность темы

В настоящее время значительно возрос интерес к различным методам обработки и сжатия цифровых изображений и видеоданных. Это связано с развитием таких отраслей науки и техники как исследование дальнего и ближнего космоса, компьютерная графика, правоохранительная деятельность, цифровое телевидение и др., где информация имеет характер подвижных и неподвижных изображений. При этом различные видео потоки необходимо хранить и передавать по каналам передачи информации с ограниченной пропускной способностью. Поэтому необходимо применять различные эффективные алгоритмы сжатия данных, с целью экономии места на физических носителях информации и снижения требований к используемым каналам передачи информации. Кроме этого с развитием цифрового телевидения растет интерес к стандартам сжатия, работающим в реальном масштабе времени, для передачи видеоданных в прямом эфире. Большой вклад в развитие теории обработки и сжатия цифровых изображений и видеоданных внесли отечественные и зарубежные ученые Грузман И. С., Киричук B.C., Претт У., Гонсалес Р., Вудс Р., Фриден Б., Сикорский Д. А., Воробьев В. И., Грибунин В. Г., Добеши И., Ярославский Л. П., Хуанг Т. С., Эклунд Дж.-О., Красильников H.H. и др. [1. 10].

Однако современные алгоритмы обработки цифровых изображений носят в большинстве случаев эмпирический характер и не опираются на адекватную статистическую модель амплитуды яркости точек цифровых снимков. Основное преимущество использования статистических моделей состоит в возможности синтеза различных оптимальных алгоритмов обработки цифровых изображений, а также модернизации существующих алгоритмов гис-тограммных преобразований, направленных на улучшение визуального качества снимков, получаемых с помощью различных систем регистрации. При этом исследования, посвященные статистической обработке цифровых изображений, в интересах разработки адекватных моделей цифровых изображений до настоящего времени проводились в ограниченном объеме. В свиязи с этим актуальной является задача разработки адекватной статистической модели амплитуд яркости точек цифровых изображений, которая включает функцию плотности вероятности (ФПВ), функцию распределения (ФР), корреляционную функцию (КФ) а также математическую модель подвижных изображений.

В свою очередь любая система формирования создает изображение, в котором содержится шум. Шум является неизбежным негативным фактором при решении задач обработки изображений, поэтому для борьбы с ним разработано большое количество методов и алгоритмов. Однако применение тех или иных подходов для борьбы с шумами существенно зависит от их природы и математической модели. Таким образом, необходимо построить их статистическую модель, которая позволит синтезировать оптимальные алгоритмы фильтрации различного рода шумов на цифровом изображении.

В настоящее время для сжатия цифровых изображений получил широкое распространение аппарат вейвлет-пакетного разложения (ВПР) [7]. В работах [3, 6] показано, что зрительная система человека воспринимает искажения вносимые ВПР в меньшей степени, чем искажения от дискретного косинусного преобразования (ДКП). Декоррелирующие свойства ВПР в основном зависят от выбора базисной функции разложения. В [7] разработана концепция кратномасштабного анализа, а также алгоритмы сжатия изображений и видеоинформации [3, 6]. Однако в общем случае отсутствуют практические рекомендации по выбору базисной системы для обработки заданного сигнала, а все разрабатываемые алгоритмы основаны на эмпирическом выборе системы разложения. Таким образом, актуальна задача разработки алгоритма сжатия цифровых изображений на основе ВПР с оптимальной базисной системой на каждом уровне разложения.

Известные вейвлет-базисы [7] были получены без учета априорной информации об обрабатываемом сигнале, а значит, они не могут обеспечивать минимум СКО восстановления для конкретного класса сигналов. К тому же, базисные функции не позволяют путем параметрического синтеза изменять свои свойства и тем самым повышать качественные характеристики устройств обработки изображений. Исходя из этого, необходимо синтезировать оптимальную базисную систему по критерию минимума СКО восстановления изображения при отбрасывании высокочастотных коэффициентов ВПР на каждом уровне разложения на основе разработанной статистической модели.

При аппаратно-программной реализации алгоритмов обработке и сжатия цифровых изображений, достигнутые характеристики могут значительно отличаться от полученных с помощью имитационного моделирования. Поэтому большое значение имеет исследование эффективности предложенных алгоритмов обработки и сжатия цифровых изображений при использовании различных форматов представления данных, применяемых в современных процессорах. Кроме того, необходим анализ возможности программной реализации разработанных алгоритмов на современной элементной базе в реальном масштабе времени.

Цель и задачи работы. Основной целью данной работы является разработка эффективных алгоритмов обработки и сжатия цифровых изображений на основе статистической модели яркости цифровых снимков, обеспечивающих максимальный коэффициент сжатия при заданной ошибке восстановления. Поставленная цель работы достигается решением следующих задач: ных цифровых изображений и проанализировать временные корреляционных функции подвижных цифровых изображений, а также проанализировать модель движения объектов, присутствующих на видеопоследовательности, необходимую для построения кадрового предсказателя.

2 Разработать алгоритм сжатия цифровых изображений с применением оптимальной по критерию максимума коэффициента сжатия при фиксированной ошибке восстановления базисной системы из семейства известных вейвлет функций на каждом уровне ВПР, а также синтезировать оптимальную базисную систему по критерию минимума СКО восстановления изображения при отбрасывании высокочастотных коэффициентов ВПР на каждом уровне разложения на основе статистической модели.

3 Обосновать алгоритм одновременной фильтрации и сжатия зашум-ленных цифровых изображений с использованием ВПР и оптимальной функции терешелдинга вейвлет-коэффициентов.

4 Разработать алгоритм сжатия видеоданных на основе ВПР с оптимальным выбором базиса класса Добеши на каждом уровне разложения и разностного кодирования с предсказанием.

5 Оптимизировать разработанные алгоритмы с целью уменьшения вычислительных затрат и проанализировать возможности аппаратно-программной реализации предложенных алгоритмов сжатия видеоданных на современной элементной базе.

Методы проведения исследований. В работе использовались методы статистической радиотехники, математической статистики, матричного исчисления, численные методы вычислительной математики. Данные теоретические методы сочетались с экспериментальными исследованиями.

1 Показана возможность представления аналитической статистической модели цифровых изображений в виде многокомпонентного бета-распределения. Разработана процедура аппроксимации ФПВ многомодового случайного процесса многокомпонентным бета-распределением, которая обеспечивает оценку статистики хи-квадрат в доверительном интервале 5%, с 95% доверительной вероятностью.

2 Доказана целесообразность применения комбинированного критерия для поиска параметров модели ФПВ и ФР в виде многокомпонентного распределения, который обеспечивает статистику хиквадрат в доверительном интервале 5%, с 95% доверительной вероятностью.

3 Предложены различные модели взаимного движения фоторегистри-рующего устройства и снимаемой сцены, которые возможны при проведении аэровидеосъемки подстилающей поверхности. Показано, что использование данных моделей по сравнению с известным разностным кодированием без предсказания позволит получить выигрыш порядка 5 раз по энергии разностного кадра.

4 Получен оптимальный базис в классе Добеши на каждом уровне разложения по критерию максимума коэффициента сжатия при фиксированной ошибке восстановления. Показано, что применение данного базиса обеспечивает коэффициент сжатия на 18% выше по сравнению со стандартом JPEG, при одинаковом качестве восстановления и не уступает JPEG 2000. Однако за счет использования статистического кодирования по Хаффману в предложенном алгоритме в несколько раз снижаются требования к вычислительным затратам по сравнению с JPEG 2000, который использует арифметическое сжатие. сжатия, по сравнению с базисом в классе Добеши. Показана целесообразность синтеза оптимальной базисной системы на каждом уровне разложения, и предложен алгоритм подобного синтеза на основе оценки ПАКФ коэффициентов аппроксимации ВПР. Использование данного подхода позволило дополнительно повысить коэффициент сжатия на 8.9% по сравнению с оптимальным базисом в классе Добеши на каждом уровне разложения.

6 Разработан алгоритм сжатия видеоданных на основе ВПР с синтезированной базисной системой и разностного кодирования. Произведена оптимизация данного алгоритма от количества разностных кадров между двумя опорными для достижения максимально возможного коэффициента сжатия при одинаковом визуальном качестве восстановления. Показано, что при количестве разностных кадров равном 21 данный алгоритм обеспечивает коэффициент сжатия 50 раз при хорошем визуальном качестве восстановления.

7 Предложен алгоритм сжатия видеоданных на основе ВПР и математической модели предсказания вектора движения, которая представляет собой совокупность разработанных моделей взаимного перемещения фоторе-гистрирующего устройства и снимаемой сцены. Показано, что использование кадрового предсказателя позволяет получить коэффициент сжатия 80 раз при хорошем качестве восстановления.

Достоверность. Достоверность полученных в диссертационной работе результатов и выводов обеспечивается качественным и количественным сопоставлением результатов экспериментальных исследований с известными положениями теории обработки и сжатия цифровых изображений и видеоданных.

Практическая ценность работы. Предложенные в работе алгоритмы обработки и сжатия цифровых подвижных и неподвижных изображений могут быть использованы в различных радиотехнических системах (РТС), в частности в системах передачи информации и телевидения, в системах видеоконференций, охранных системах видеонаблюдения, а также при сжатии высоко-динамичных видеоизображений. Реализация результатов исследований позволит снизить требования к пропускной способности линии передачи, а также уменьшить необходимый объем запоминающих устройств, что обеспечит улучшение показателей качества всей РТС.

Результаты диссертационной работы нашли применение в разработках ОАО «Российские космические системы» (ФГУП РНИИ «Космического приборостроения) и в учебном процессе ФГБОУ ВПО «Рязанский государственный радиотехнический университет», что подтверждено соответствующими актами.

Основные положения, выносимые на защиту.

1 Алгоритм сжатия цифровых изображений с использованием оптимальных по критерию максимума коэффициента сжатия при заданном качестве восстановления базисов класса Добеши на каждом уровне разложения ВПР, который обеспечивает коэффициент сжатия на 24% больше по сравнению с JPEG.

2 Процедура аппроксимации ФПВ и ФР яркости цифровых изображений многокомпонентным бета-распределением, по комбинированному критерию поиска параметров модели ФПВ и ФР, позволяющая при эквализации обеспечить в 1,57 раз меньшую неравномерность гистограмм анализируемых снимков.

3 Алгоритм сжатия видеоданных, работающий в реальном масштабе времени, использующий ВПР с оптимальным базисом на каждом уровне разложения и математическую модель предсказания вектора движения и обеспечивающий коэффициент сжатия до 80 раз при хорошем качестве восстановления исходной видеопоследовательности.

1) 53-СНТК, Рязань: РГРТУ, 2006 г.

2) Всероссийская НТК студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и в образовании» г. Рязань: РГРТУ 2007 г.

3) 32-я и 33-я научно-практическая конференция «Сети системы связи и телекоммуникации» г. Рязань: РВВКУС 2007, 2008 г. г.

4) Научная сессия МИФИ-2007. Москва: МИФИ, 2007 г.

5) Доклады на 9-й, 10-й и 11-й Международной конференции «Цифровая обработка сигналов и ее применение» Москва, 2007, 2008, 2009 г. г.

6) 15-я, 16-я и 17-я Всероссийская научно-техническая конференция «Современное телевидение» М.: ФГУП МКБ «Электрон» Москва, 2008, 2009, 2010 г. г.

7) 5-я МНТК К. Э Циолковский — 150 лет со дня рождения. Космонавтика. Радиоэлектроника. Геоинформатика. Рязань, 2007.

8) Материалы 15-ой Международной научно-технической конференции «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций». Рязань: РГРТУ, 13−15 февраля 2008 г.

9) 13-я Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов. НИТ, Рязань, 2008.

10) 34-я всероссийская научно-техническая конференция «Информационные и телекоммуникационные технологии. Подготовка специалистов для инфрокоммуникационной среды» Рязань, 2009.

Публикации. По теме диссертации опубликовано 21 работа, из них -4 статьи в журналах из списка ВАК, 17 тезисов докладов на международных и всероссийских конференциях.

Структура и объем работы. Диссертационная работа состоит из введения, трех глав, заключения, списка литературы из 126 наименований и 2-х приложений. Диссертация содержит 183 е., в том числе 130 с. основного текста, 7 таблиц и 85 рисунков.

Основные результаты диссертационной работы можно сформулировать в следующем виде:

1 Показана возможность представления аналитической статистической модели цифровых изображений в виде многокомпонентного бета-распределения. Разработана процедура аппроксимации ФПВ многомодового случайного процесса многокомпонентным бета-распределением, которая обеспечивает оценку статистики хи-квадрат в доверительном интервале 5% с 95% доверительной вероятностью.

2 Доказана целесообразность применения комбинированного критерия для поиска параметров модели ФПВ и ФР в виде многокомпонентного распределения, который обеспечивает статистику хи-квадрат в доверительном интервале 5% с 95%) доверительной вероятностью.

3 Обоснована возможность использования функции (1.20) для аналитической аппроксимации ПАКФ цифровых изображений с погрешностью менее 5% по среднеквадратическому критерию (1.19).

4 Предложены различные модели движения, которые возможны при проведении аэровидеосъемки подстилающей поверхности. Показано, что использование данных моделей по сравнению со стандартным разностным кодированием без предсказания позволит получить выигрыш порядка 5 раз по энергии разностного кадра (1.24).

5 Проанализирована АКФ пикселей по времени и получена корреляционная карта видеопоследовательностей рассматриваемого класса, которая позволяет провести разбиение видеопоследовательности на медленно и сильно меняющиеся области. Учитывая данные области можно производить более эффективное предсказание последующих кадров на основе многоканального корреляционного предсказателя, что позволит получить более высокое сжатие видеоданных при фиксированном качестве восстановления. Показано, что данный алгоритм проигрывает попиксельному (наилучшему) КП на 3.4%, однако требует в среднем в 6,5 раз меньших вычислительных затрат.

6 Проанализированы различные модели формирования шума на цифровом изображении и обоснована наиболее адекватная из них модель, описываемая выражением (1.46). Проанализированы основные виды искажений цифровых изображений.

7 Получен оптимальный базис в классе Добеши на каждом уровне разложения по критерию максимума коэффициента сжатия при фиксированной ошибке восстановления. Показано, что применение данного базиса обеспечивает на 18% более высокое сжатие по сравнению со стандартом JPEG, при одинаковом качестве восстановления и не уступает JPEG 2000. Однако за счет использования статистического кодирования по Хаффману в предложенном алгоритме в несколько раз снижаются требования к вычислительным затратам по сравнению с JPEG 2000, который использует арифметическое сжатие.

8 Произведен синтез оптимальной базисной системы на основе ПАКФ изображений, разработанной в первой главе, которая обеспечивает на 24% больший коэффициент сжатия, по сравнению с базисом в классе Добеши.

9 Показана целесообразность синтеза оптимальной базисной системы на каждом уровне разложения, и предложен алгоритм подобного синтеза на основе оценки ПАКФ коэффициентов аппроксимации ВПР. Использование данного подхода позволило дополнительно повысить коэффициент сжатия на 8.9% по сравнению с оптимальным базисом в классе Добеши на каждом уровне разложения.

10 Разработан алгоритм одновременной фильтрации и сжатия цифровых изображений, который позволил получить при Ксж = 10 значение ПОСШ на 4дБ выше, по сравнению со случаем фильтрации всех коэффициентов ВПР и на 13дБ выше по сравнению со случаем отсутствия фильтрации. Использование предварительного сжатия в предложенном алгоритме позволило уменьшить вычислительные затраты на 20.30%.

11 Предложена комбинированная функция трешелдинга, которая позволила осуществить сжатие и получить дополнительный выигрыш при подавлении шумов на цифровых изображениях в среднем на 2. .4 дБ.

12 Предложена модернизация алгоритма эквализации гистограммы цифровых изображений на основе многокомпонентного бета-распределения, который позволяет выполнять обратные преобразования, а также хранить информацию об исходной ФПВ в виде параметров модели, кроме этого предложенный алгоритм эквализации позволяет получить в 1,57 меньшую неравномерность, чем известный алгоритм выравнивания гистограммы.

13 Разработан алгоритм сжатия видеоданных на основе ВПР с синтезированной базисной системой и разностного кодирования. Произведена оптимизация данного алгоритма от числа разностных кадров для достижения максимального коэффициента сжатия при одинаковом качестве восстановления исходного видеоряда. Показано, что при числе разностных кадров равном 21 данный алгоритм обеспечивает коэффициент сжатия 50 раз при хорошем визуальном качестве восстановления.

14 Предложен алгоритм сжатия видеоданных на основе ВПР и математической модели предсказания вектора движения, разработанной в первой главе. Показано, что использование кадрового предсказателя позволяет получить коэффициент сжатия 80 раз при хорошем качестве восстановления.

15 Проведены исследования влияния формата представления чисел на эффективность алгоритмов сжатия специфических видеоданных. Показано, что использование более экономичного 32-битного формата представления не приводит к ухудшению характеристик указанных алгоритмов.

16 Проведен анализ современной элементной базы и выбран наиболее подходящий ЦСП, который обеспечивает достаточное быстродействие системы для работы предложенных алгоритмов в реальном масштабе времени.

Таким образом, выполнена цель работы, которая заключается в разработке эффективных алгоритмов обработки и сжатия цифровых изображений на основе статистической модели яркости цифровых снимков, обеспечивающих максимальный коэффициент сжатия при заданной ошибке восстановления.

ЗАКЛЮЧЕНИЕ

.

Разработаны эффективные алгоритмы обработки и сжатия подвижных и неподвижных цифровых изображений. В рамках работы была предложена и исследована аналитическая статистическая модель амплитуды точек яркости цифровых изображений, включающая ФПВ, ФР и ПАКФ. Обоснована возможность использования комбинированного критерия для поиска параметров модели ФПВ и ФР в виде многокомпонентного распределения, который обеспечивает статистику хи-квадрат в доверительном интервале 5% с 95% доверительной вероятностью. Предложены различные модели движения, которые возможны при проведении аэровидеосъемки подстилающей поверхности. Показано, что использование данных моделей по сравнению со стандартным разностным кодированием без предсказания позволит получить выигрыш порядка 5 раз по энергии разностного кадра.

Определен оптимальный базис ВПР в классе Добеши на каждом уровне разложения по критерию максимума коэффициента сжатия при фиксированной ошибке восстановления. Произведен синтез оптимальной базисной системы на основе ПАКФ изображений, разработанной в первой главе. Показано, что использование синтезированного базиса позволят получить дополнительный выигрыш в коэффициенте сжатия, по сравнению с базисом в классе Добеши.

На основе обоснованной в первой главе математической модели предсказания вектора движения, а также предложенных во второй главе оптимальных базисных систем ВПР разработан алгоритм сжатия видеоданных. Показано, что использование данного алгоритма сжатия видеопоследовательностей позволяет существенно увеличить коэффициент сжатия при сохранении хорошего визуального качества восстановленных видеоданных.

Кроме этого предложен алгоритм сжатия видеоинформации без использования кадрового предсказателя, который значительно снижает требования к вычислительным ресурсам.

Проведен анализ современной элементной базы и выбран наиболее подходящий ЦСП, который обеспечивает достаточное быстродействие системы для работы предложенных алгоритмов в реальном масштабе времени.

Показать весь текст

Список литературы

  1. И.С., Киричук B.C. Цифровая обработка изображений в информационных системах: учеб. пособие для вузов. Новосибирск: НГТУ. 2002. 352с.
  2. У. Цифровая обработка изображений. М.: Мир 1982. т.1 310с.-т.2 790с.
  3. Р. Вудс Р. Цифровая обработка изображений. М.: Техносфера. 2006. 600с.
  4. . Компьютеры в оптических исследованиях/ пер. с англ. под редакцией Ахманова С. А. М.: Мир. 1983. 248с.
  5. Д.А. Метод оценки уровня турбулентности атмосферы// электронный журнал «Исследовано в России» режим доступа http://zhurnal.ape.relan.ruarticles/2002/075.pdf
  6. В.И., Грибунин В. Г. Теория и практика вейвлет-преобразования. СПб.: ВУС. 1999. 204с.
  7. И. Десять лекций по вейвлетам. Ижевск: НИЦ «Регулярная и хаотическая динамика». 2001. 464с.
  8. Л.П. Введение в цифровую обработку изображений. М: Сов. радио. 1979. 412с.
  9. Т.С., Эклунд Дж.-О. Быстрые алгоритмы в цифровой обработке изображений. М.: Радио и связь. 1984. 224с.
  10. H.H. Цифровая обработка изображений. М.: Вузовская книга. 2001. 320с.Наука. 1983. 416с.
  11. В.И. Статистическая радиотехника: М.: Сов. Радио. 1983. 678 с.
  12. .Р. Теоретические основы статистической радиотехники М.: Сов. Радио. 1989. 656 с.
  13. JI.H. Смирнов Н. В. Таблицы математической статистики. М.: 1993. 416с.
  14. С. Математическая статистика М.: Наука. 1967. 400с.
  15. И.Н., Филиппова А. А. Теория вероятности и математическая статистика. М.: «Высшая школа» 1973. 368с.
  16. .В., Хинчин А. Я. Элементарное введение в теорию вероятностей. М.: Наука 1970. 322с.
  17. Гольденберг J1.M. Цифровая обработка сигналов. М.: Радио и связь. 1990. 256с.
  18. Coleman, T.F. and Y. Li, «An Interior, Trust Region Approach for Nonlinear Minimization Subject to Bounds,» SIAM Journal on Optimization, Vol. 6, pp. 418−445, 1996.
  19. A.K. Теория моментов. M.: ГИКСЛ 1933. 253с.
  20. В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука. 1979. 369с.
  21. М. Теория вероятностей. М.: ИЛ, 1962. 401с.
  22. Г. Математические методы статистики М.: Мир. 1976. 196с.
  23. С.Д., Колесник В. А. Оптико-электронное преобразование изображений. М.: Радио и связь. 1991. 208с.
  24. P.E., Манцветов A.A., Степанов H.H., Эйссенгардт Г. А. Преобразователи изображения на ПЗС. М.: Радио и связь. 1992. 184с.
  25. И.М. Краткий курс теории обработки изображений. // http://matlab.exponenta.ru/imageprocess/book2/index.php
  26. А.Н. Синтезированный одномерный закон распределения случайных процессов и величин в некоторых радиотехнических задачах // Труды Рязанского государственного радиотехнического института «Радиоэлектронные устройства». Рязань: 1975. C33−43.
  27. Д.В. Иванов, A.A. Хропов, Е. П. Кузьмин, A.C. Карпов, B.C. Лем-пицкий Алгоритмические основы растровой графики электронный ресурс, режим доступа http://www.intuit.rU/department/graphics/rastrgraph/7/7.html
  28. Л.Э. Дифференциальные уравнения и вариационное исчисление. М.: Наука. 1965.
  29. Д., Ватолин Д. Проблема подавления шума на изображениях и видео и различные подходы к ее решению. 2005. // http://www.w3.org/1999/xhtml
  30. Искажения оптического сигнала при его распространении в атмосфере.// www.openhardware.ru/optolink7atmosphere 2/optolink-10 .html
  31. Д.А. Метод оценки уровня турбулентности атмосферы. // Электронный журнал Исследовано в России. 2002. С824−838 http://zhumal.ape.relam.rn/articles/2002/075.pdf
  32. К. Практическая обработка изображений на языке С. М.: Мир. 1996. 512с.
  33. А.Ю. Методы и алгоритмы компьютерной графики в примерах на Visual С+ + . СПб.: БВХ Петербург. 2002. 400с.
  34. Г. Реконструкция изображений. М.: Мир. 1992. 636с.
  35. P.E., Фрайер Р., Иванов К. В., Манцветов A.A. Цифровое преобразование изображений: учеб. пособие для вузов. М.: Горячая линия Телеком. 2003. 228с.
  36. К. Виды аберраций (искажений) в цифровых фотоаппаратах // электронный ресурс режим доступа: http://www.mobi.ru/Articles/2266/FAO vidv aberracii iskazhenii v cifr ovvh fotoapparatah. htm
  37. A.A. Преобразования Фурье, Уолша, Xaapa и их применение в управлении связи и др. М.: Наука. 1989. 496с.
  38. Э., Дероуз Т., Салезин Д. Вейвлеты в компьютерной графике. Ижевск: НИЦ «Регулярная и хаотическая динамика». 2002. 272с.
  39. Материалы сайта http://www.kunegin.narod.ru
  40. Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных. // http://compression.graDhicon.ru/
  41. К. Вейвлет анализ. Основы теории. М.: Техносфера. 2004.280с.
  42. И.М., Иванов О. В., Нечитайло В. А. Вейвлеты и их использование.// Успехи физических наук. Том 171 № 5. 2001. С465−501.
  43. В.П. Вейвлеты. От теории к практике. М.: СОЛОН-Р. 2002. 448с.
  44. Чуй К. Введение в вейвлеты. М.: «МИР». 2001. 412с.
  45. С. Н. Косткин И.В. Алгоритм эквализации на основе многокомпонентного бета-распределения яркости изображения // Вестник РГРТА 2007 № 21 С. 50−54.
  46. И.В. Алгоритм поровой сегментации с учетом статистической модели цифровых изображений в виде многокомпонентного бета распределения // 32-я научно-практическая конференция «Сети системы связи и телекоммуникации» г. Рязань: РВВКУС 2007 г. СЛ79.
  47. Г. Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука. 1984. 833с.
  48. Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных и изображений. // http://compression.ru/
  49. Марпл-мл. С. Л. Цифровой спектральный анализ и его приложения. М.: Мир, 1990. — 584 с.
  50. A.M., Трахтман В. А. Основы теории дискретных сигналов на конечных интервалах. М.: Сов. радио, 1975. — 208 с.
  51. A.M. Введение в обобщенную спектральную теорию сигналов. М.: Сов. радио, 1972. 208 с.
  52. П.П. Цифровые фильтры, блоки фильтров и полифазные цепи с многочастотной дискретизацией: Методический обзор. // ТИИЭР, 1990. Т.78. № 3. С. 77−120.
  53. А.П. Введение в теорию базисов всплесков. СПб.: Изд-во СПбГТУ, 1999.- 132 с.
  54. Р.Гонсалес, Р. Вудс, С. Эддинс Цифровая обработка изображений в среде MATLAB. М.: Техносфера, 2006. — 616 с.
  55. В.Ф., Рвачев В. А. «Вейвлет"-системы и их применение в обработке сигналов. // Зарубежная радиоэлектроника, 1996, № 4, С. 3−20
  56. И.Я., Стечкин С. Б. Основы теории всплесков. // Успехи математических наук, 1998. т. 53, № 6(324), С. 53−128.
  57. И.В. Алгоритм вейвлет-сжатия неподвижных цифровых изображений // Вестник РГРТА 2007 № 20 С. 110−113.
  58. ПойдаВ.Н. Спектральный анализ в дискретных ортогональных базисах. Минск: Наука и техника, 1978. 136 с.
  59. , A.M. Введение в обобщенную спектральную теорию сигналов / A.M. Трахман. М.: Сов. радио, 1972 351 с.
  60. В.Ю. Адаптивное преобразование сигналов // доклады 3-й конференции ЦОС и ее применения Москва 2000.
  61. Часто задаваемые вопросы по вевлет-анализу // режим доступа http://matlab.exponenta.ru/wavelet/faq/faq.php
  62. Ван Трис Г. Теория обнаружения оценок и модуляции том 1. -М.: Советское радио, 1972. 744с.
  63. Л. Теория сигналов. М.: Советское радио, 1974. — 344с.
  64. JI.B. Основы вейвлет-анализа сигналов. Учебное пособие. СПб.: Изд-во ООО «МОДУС+», 1999. 152 с.
  65. , Ю.С. Алгоритм вейвлет-фильтрации зашумленных изображений. // Вестник РГРТА. 2004. № 15. — С.22−27.
  66. , Ю.С. Обработка зашумленных изображений на основе вейвлет-преобразований. // Вестник РГРТУ. 2006. № 18. — С. 141 144.
  67. Lim, Jae S., Two-Dimensional Signal and Image Processing, Engle-wood Cliffs, NJ, Prentice Hall, 1990, p. 548
  68. В.П. Вейвлеты. От теории к практике. М.: Солон-Р, 2002. 448 с.
  69. Н.М. Вейвлет-преобразования. Основные свойства и примеры применения. М.: ИКИ РАН, 1994. № 1891. 56 с.
  70. М.З., Новиков И. Я. Базисы всплесков в пространствах дифференцируемых функций анизотропной гладкости. М.: Докл. РАН, 1992, Т. 323, № 4, С. 615−618.
  71. В.А. О вейвлетах на базе периодических сплайнов. М.: Докл. РАН, 1994, № 1, с. 9−13.
  72. В.П., Машарский С. М. Сравнительное изучение двух вейвлетных базисов. // Проблемы передачи информации, 2000, т.36, вып. 2, с. 27−37
  73. В.Н., Машарский С. М. Хааровские спектры дискретных сверток. // Ж. вычисл. мат. и матем. физ., 2000, т.40, № 6, с.954−960
  74. И .Я. Онделеты И. Мейера оптимальный базис в С(0,1). // Матем. Заметки. М., 1992, т.52, № 5, С. 88−92.
  75. И.Я., Стечкин С. Б. Основные конструкции всплесков. // Фундаментальная и прикладная математика, 1997, т. З, № 4, с. 9 991 028.
  76. В.В. Вейвлет-анализ временных рядов: Учеб. пособие. СПб.: Изд-во С.-Петерб. ун-та, 2001. 58 с.
  77. Э.И., Кучерявенко C.B., Федосов В. П. Вейвлет-анализ для обработки радиотехнических сигналов. Учебное пособие. Таганрог: ТРТУ, 2004. 60 с.
  78. A.B. О систематизации вейвлет-преобразований // Вычислительные методы и программирование. 2001. Т. 2. С. 15−40.
  79. В.А. Основы спектральной теории распознавания сигналов. Харьков: Вища школа, 1983. 159 с.
  80. С.Н., Зорин C.B. Применение алгоритмов вейвлет-анализа для сжатия речевых сигналов в IP-телефонии. // Электросвязь. 2001. № 4. С 40−42.
  81. С.Н., Зорин C.B. Синтез оптимальных порождающих фильтров для вейвлетных разложений. // 4-я Международная конференция «Цифровая обработка сигналов и ее применение». М., 2002. Т. 1.С. 74−76.
  82. С.Н., Зорин C.B. Реализация алгоритмов вейвлет-анализа на основе рекурсивных фильтров. Радиотехника. 2002. № 3 С. 33−37.
  83. Н.М. Вейвлет-анализ: основы теории и примеры применения. // Успехи физических наук. 1998. Т. 166. № 11. С. 1145−1170.
  84. И.М., Иванов О. В., Нечитайло В. А. Вейвлеты и их использование. // Успехи физических наук. 2001. т. 171. № 5. С. 465 501.
  85. С.Н., Зорин C.B. Алгоритмы биортогонального вейв-лет-анализа на основе рекурсивных фильтров. // Цифровая обработка сигналов, 2001. № 3 с. 9−12.
  86. С.Н., Зорин C.B. Оптимальные по минимуму средне-квадратической ошибки вейвлетные представления случайных процессов. // Цифровая обработка сигналов, 2002. № 2. С. 32−35
  87. Г. И. Теория восстановления сигналов: О редукции к идеальному прибору в физике и технике. М.: Сов. радио, 1979. — 272 с.
  88. Г. И., Тараторин A.M. Восстановление изображений. -М.: Радио и связь, 1986. 304 с.
  89. А.Н. О методе регуляризации обратных задач // Кибернетика и вычислительная техника. 1985. Вып. 1. С. 87−99.
  90. P. JI. Метод восстановления сигналов по модулю спектра. // Радиотехника и электроника. 1995. Т40. Вып.1. С. 75−79.
  91. И.С. Радиотехнические цепи и сигналы. М.: Радио и связь, 1986. — 512 с.
  92. Р.У., Мерсеро P.M., Ричарде М. А. Итерационные алгоритмы восстановления сигналов при наличии ограничений // ТИИЭР. 1981. Т69. № 3. С. 34−55.
  93. Ян Ричардсон Видеокодирование. Н.264 и MPEG-4 стандарты нового поколения М.: Техносфера, 2005. — 368с.
  94. Стандарт MPEG-2 ISO/IEC 13 818 (Parti-Parti0)
  95. Стандарт MPEG-4 ISO/IEC 14 496 (Part 1 -Part22)
  96. Стандарт MPEG-4 ISO/IEC 14 496 PartlO H.264
  97. A.B., Дворкович В. П., Зубарев Ю. Б. и др. под ред. Ю. Б. Зубарева, В. П. Дворковича Цифровая обработка телевизионных и компьютерных изображений М.: Международный центр научной и технической информации, 1997. 212с.
  98. С.И. Генераторы импульсов телевизионной развертки М.: 1951 г.
  99. С.И. Электроннолучевые телевизионные трубки М.: 1936 г.
  100. Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео. М.: ДИАЛОГ-МИФИ, 2003. 3 84с.
  101. С.А., Приоров А. Л., Хрящев В. В. Модифицированный критерий оценки качества восстановленных изображений.
  102. Стандарт ISO/IEC JTC1/SC29/WG11 № 5523 Call for Proposals fpr Extended Sample Bit Depth and Chroma Format Support in Advanced Video Coding Standard, March 2003.
  103. ВальпаО.Д. Разработка устройств на основе цифровых сигнальных процессоров фирмы Analog Devices с использованием Visual DSP++. М.: Горячая Линия — Телеком, 2007. — 270 с.
  104. ВасюковВ.Н. Цифровая обработка сигналов и сигнальные процессоры в системах подвижной радиосвязи. Новосибирск: НГТУ, 2006. — 292 с.
  105. А. Основы выбора цифровых сигнальных процессоров // Электронные компоненты. № 6, 2006. С. 69−72.
  106. Kehtarnavaz N. Real-Time Digital Signal Processing Based on the TMS320C6000. Newnes, 2004. — 320 c.
  107. KuoSenM. Digital Signal Processors: Architectures, Implementations, and Applications. Prentice Hall, 2004. — 624 c.
  108. B.B. Проектирование цифровых систем на основе программируемых логических интегральных схем. М.: Горячая Линия — Телеком, 2001. — 636 с.
  109. В.Б. ПЛИС фирмы «ALTERA»: элементная база, системы проектирования и языки описания аппаратуры. М.: Додека XXI век, 2002. — 576 с.
  110. ПЛИС фирмы «Xilinx»: описание структуры основных семейств / Д. А. Кнышев, М. О. Кузелин. М.: Додэка, 2001. — 238 с.
  111. К. Проектирование на ПЛИС. Курс молодого бойца. -М.: Издательский дом «Додэка-ХХ1», 2007. 408 с.
  112. DSP or FPGA? How to choose the right device. Режим доступа: http://www.design-reuse.com/articles/! 8212/dsp-fpga.html
  113. Цифровая обработка сигналов: Справочник / JT.M. Гольденберг, Б. Д. Матюшкин, М. Н. Поляк. -М.: Радио и связь, 1985. 312 с. 116. 754−2008 IEEE Standard for Floating-Point Arithmetic. Режим доступа: http://ieeexplore.ieee.org/servlet/opac?punumber=4 610 933
  114. IEEE Standard 754 Floating Point Numbers. Режим доступа: http://steve.hollasch.net/cgindex/coding/ieeefloat.html
  115. Ануфриев И.Е. MATLAB 7 / И. Е. Ануфриев, А. Б. Смирнов, Е. Н. Смирнова. СПб.: БХВ-Петербург, 2005. — 1104 с.
  116. Сайт компании Mathworks. Режим доступа: http:// www. mathworks .com/
  117. Оценка производительности вычислительных систем. Режим доступа: http://www.citforum.ru/hardware/svk/glava3.shtml
  118. ADSP-TS201S TigerSHARC Embedded Processor. Режим доступа: http://www.analog.com/static/imported-files/datasheets/ADSPTS201 S. pdf
  119. LVDS Owner’s Manual. Режим доступа: http://www.national.com/appinfo/lvds/files/NationalLVDSOwnersMa nual4thEdition2008 .pdf
  120. TMS320C6745/6747 Floating-point Digital Signal Processor. Режим доступа: http://focus.ti.com/lit/ds/symlink/tms320c6747.pdf
  121. TMS320C6457 DSP Serial RapidIO (SRIO) User’s Guide. Режим доступа: http://focus.ti.com/lit/ug/sprugk4/sprugk4.pdf
  122. Сайт компании Texas Instruments. Режим доступа: http://www.ti.com/126. http://www.rapidio.com/
Заполнить форму текущей работой

Сессия? Спокойно!