Помощь в написании студенческих работ
Антистрессовый сервис

Методы и алгоритмы выделения контуров изображений в радиотехнических системах с использованием дискретной вейвлет-фильтрации

Диссертация: Методы и алгоритмы выделения контуров изображений в радиотехнических системах с использованием дискретной вейвлет-фильтрации
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Проведены исследования предложенных алгоритмов выделения контуров восьмибитных изображений размером 512*512 «Тест», «Lena», «Танк», «Cameramen», «House», с использованием вейвлетов DOG, WAVE и MATH на фоне шума для моделей с математическим ожиданием шума т0-О и СКО формирующего шума в пределах от 5 до 50 с использованием дискретного вейвлет-преобразования. При этом полученные количественные… Читать ещё >

Методы и алгоритмы выделения контуров изображений в радиотехнических системах с использованием дискретной вейвлет-фильтрации (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. СОВРЕМЕННОЕ СОСТОЯНИЕ И ПЕРСПЕКТИВЫ РАЗВИТИЯ 15 МЕТОДОВ ЦИФРОВОЙ ОБРАБОТКИ СИГНАЛОВ И ИЗОБРАЖЕНИЙ
    • 1. 1. Развитие систем цифровой обработки информации в России и за 15 рубежом
    • 1. 2. Анализ методов вейвлет-преобразования
    • 1. 3. Математическая модель дискретного изображения
    • 1. 4. Сегментация и выделение контуров в изображении на фоне 31 шума
    • 1. 5. Модели шума в изображении
    • 1. 6. Выводы по главе
  • 2. РАЗРАБОТКА МЕТОДОВ И АЛГОРИТМОВ ОБРАБОТКИ 52 СИГНАЛОВ И ИЗОБРАЖЕНИИЙ НА ОСНОВЕ ВЕЙВЛЕТ-ФИЛЬТРАЦИИ
    • 2. 1. Вейвлет-преобразования в задаче обработки сигналов и 52 изображений
    • 2. 2. Метод вейвлет-дифференцирования сигналов
    • 2. 3. Вейвлет-дифференцирование сигналов на фоне гауссовского 64 шума
    • 2. 4. Метод оптимизации числа вейвлет-коэффициентов при анализе 72 нестационарного сигнала
    • 2. 5. Метод выделения контуров на базе вейвлет-дифференцирования
    • 2. 6. Выводы по главе
  • 3. АНАЛИЗ СТАТИСТИЧЕСКИХ ХАРАКТЕРИСТИК 81 ИЗОБРАЖЕНИЙ И ЭФФЕКТИВНОСТИ ПРЕДЛОЖЕННЫХ МЕТОДОВ И АЛГОРИТМОВ
    • 3. 1. Использование кумулянтов в задаче анализа сигналов и 81 изображений
    • 3. 2. Кумулянтный метод идентификации вида закона распределения 83 сигналов и изображений
    • 3. 3. Анализ сигналов и изображений кумулянтным методом
    • 3. 4. Оценка вычислительной эффективности разработанных методов 91 и алгоритмов
    • 3. 5. Анализ точностных характеристик метода вейвлет-дифференцирования
  • Выводы по главе

ГЛАВА 4. АНАЛИЗ РЕЗУЛЬТАТОВ ЧИСЛЕННОГО 99 МОДЕЛИРОВАНИЯ И НАУЧНО-ОБОСНОВАННЫЕ РЕКОМЕНДАЦИИ ПО ПРАКТИЧЕСКОЙ РЕАЛИЗАЦИИ СИНТЕЗИРОВАННЫХ МЕТОДОВ И АЛГОРИТМОВ ВЕЙВ ЛЕТ-ДИФФЕРЕНЦИРОВАНИЯ Проверка адекватности новых методов вейвлетдифференцирования с использованием тестовых изображений Анализ эффективности выделения контуров тестового 105 изображения

Выделение контуров лиц с использованием методов вейвлет- 109 дифференцирования

Выделение контуров объектов на местности на фоне случайного 113 фона с использованием методов вейвлет-дифференцирования и пороговой обработки

Выделение контуров технических объектов на местности на 119 фоне случайного фона

Выводы по главе

Актуальность темы

В последнее время интенсивно развиваются системы идентификации различных объектов. При этом в значительной мере возрастает объем хранимой информации и ее достоверность. Одновременно возникает задача оперативной обработки и извлечения полезной информации из больших массивов изображений.

Такие задачи возникают в очень многих областях знаний: в медицине, радиолокации, исследовании Космоса и Земли, телевидении и т. д. Например, диагностика различных заболеваний по изображениям внутренних органов человека, обнаружение лесных пожаров, поиск перспективных для ловли рыбы акваторий, навигационные задачи, задачи технического зрения специальных систем и т. д. При решении задач, связанных с речевыми и другими одномерными сигналами, эти сигналы бывает полезно преобразовывать в изображения [66, 67].

Характерно, что эти задачи приходится решать при наличии различного рода мешающих факторов — помех, мешающих изображений, переменчивости условий наблюдения и т. п. Объем исходных данных обычно очень велик, они поступают с большой скоростью и требуют обработки в режиме реального времени. Оператор не в состоянии справиться с таким потоком информации.

Единственным выходом из такой ситуации является компьютерная обработка изображений [5, 52, 53]. Для этого необходимо создание соответствующих математических методов описания и обработки изображений, а также программного обеспечения применительно к конкретным задачам.

Одной из наиболее сложных и актуальных задач обработки видеоизображения является проблема выделения и распознавания объектов при наличии различного рода помех и создание на этой основе системы мониторинга. Главная задача таких систем — информировать человека о 4 ситуации, сложившейся в поле зрения камеры, и по возможности предпринять какие-либо заранее предусмотренные и программно заложенные действия.

Вопросам обработки нестационарных сигналов новым математическим аппаратом — вейвлет-анализом посвящено достаточное количество работ зарубежных авторов, таких как: Daubeshies I., Chui С.К., Coifman R., Gross M., Mallat S., Stollnitz E., Sweldens W. и др. Российскими авторами опубликовано большое число работ в области вейвлет-анализа сигналов, а также посвященным разработке новых математических методов в теории сигналов. К ним относятся: Переберин A.B., Дремин И., Воробьев В. И., Грибунин В. Г., Дьяконов В. П., Кравченко В. Ф., Рвачев В. А. [8, 9, 14, 15, 49, 54, 56, 62, 63, 64, 78, 79].

Одной из тенденций развития современных информационных технологий является разработка методов и алгоритмов анализа сигналов (результатов измерений) и их производных на фоне шумов регистрации. Такие задачи возникают при математическом моделировании различных динамических процессов и объектов, описываемых дифференциальными уравнениями, и при автоматизации управления данными процессами, а также при обработке изображений в задаче выделения контуров. Без умения достаточно эффективно решать задачи такого рода невозможно вести речь о создании соответствующих информационных систем обработки сигналов и изображений.

Общим во всех этих задачах является то, что для автоматизированной обработки результатов измерений требуется вычисление производных различного порядка (как правило, первой и второй) на фоне шума. Задача дифференцирования сигналов является некорректной, поэтому основываясь на традиционных аналоговых дифференцирующих цепочках и усилителях, оказывается, невозможно создать идеальный или достаточно близкий к нему дифференциатор.

Очень часто решение задачи выделения контуров используется в промышленности при создании автономных роботов, а также систем анализа изображений в сложных. условиях наблюдения, при воздействии различных мешающих факторов, усложняющих процесс регистрации изображения и при отсутствии априорных сведений о виде фоновых шумов. Это значит, что методы и алгоритмы обработки информации с датчиков изображения должны учитывать наличие шумов различной природы, связанных с регистрацией изображений и сигналов в реальных системах. При этом известные в настоящее время алгоритмы решения таких задач предполагают предварительную фильтрацию изображений, а затем решение задачи выделения контуров. При построении методов и алгоритмов фильтрации изображений требуется априорное знание характеристик искажающих помех. На практике, в большинстве случаев такая информация отсутствует или является приближенной.

Отмеченное выше делает вполне очевидной актуальность проведения исследований существующих и создания новых методов цифрового дифференцирования сигналов и изображений, зарегистрированных на фоне шума, а также выбора такого или таких из них, которые наиболее пригодны для реализации с применением средств современной микропроцессорной техники и позволяющие достичь требуемых характеристик и не требующих знания априорных характеристик помех и фоновых шумов.

Таким образом, научная задача разработки методов автоматизированного анализа результатов измерений для выделения контуров объектов в изображениях при наличии фонового шума в настоящее время не решена в достаточной мере, и является актуальной.

Объект исследования: системы обработки сигналов цифровых изображений в сложных условиях наблюдения, при воздействии различных мешающих факторов, усложняющих процесс регистрации и при отсутствии априорных сведений о виде фоновых шумов.

Предмет исследования: методы и алгоритмы обработки изображений при выделении контуров цифровых изображений на фоне шума.

Цель работы: повышение точности (эффективности) выделения контуров фрагментов изображений, регистрируемых на фоне шума, на базе дискретного вейвлет-дифференцирования.

Решение сформулированной выше научной задачи обуславливает необходимость постановки и решения следующих частных задач:

— разработать метод дифференцирования сигналов и изображений на фоне шума с использованием дискретного вейвлет-преобразования;

— разработать алгоритмы обработки изображений в условиях наличия шума с целью повышения эффективности выделения контура;

— разработать метод определения вида плотности распределения сигналов и изображений с использованием математического аппарата кумулянтного анализа;

— провести анализ эффективности и точностных характеристик синтезированных методов и алгоритмов;

— создать пакет прикладных программ, позволяющих моделировать и проводить исследования процессов, протекающих в системах обработки изображений при выделении контуров;

— разработать практические рекомендации по использованию синтезированных алгоритмов с целью создания перспективных систем обработки изображений.

Рамки исследований ограничены вопросами цифровой обработки сигналов в системах обработки изображений на фоне шума.

Методы исследования: в диссертационной работе теоретические исследования проведены с использованием методов теории вероятностей, а также методов вейвлет-преобразований. При проведении экспериментальных исследований использовались численные методы машинного моделирования и вычислительного эксперимента с использованием языков высокого уровня программирования.

Структура и основное содержание работы. Результаты исследований в соответствии с выбранным направлением изложены во введении, в четырех главах работы и заключении.

Во введении приведена общая характеристика работы. Рассмотрены основные результаты, достигнутые в области разработок цифровых систем к началу работы над диссертацией, сформулированы цель и задача исследования, дан краткий обзор содержания диссертации, перечислены новые научные результаты, полученные в ней, приведены сведения о практической ценности работы и апробациях результатов. Проанализированы возможности применения вейвлетов для решения частных задач, обоснована актуальность решаемой в диссертации задачи.

В первой главе проведен анализ методов цифровой обработки сигналов и изображений, сформулированы основные направления решения в общем виде научной задачи.

Исследованы возможности применения вейвлет-преобразования, которое продолжает идею частотного анализа, но при этом является частотно-временным, и позволяет оценить не только вклад какой-либо составляющей сигнала, но и ее пространственно-временную локализацию.

Вторая глава посвящена разработке методов и алгоритмов цифровой обработки сигналов и изображений на фоне «белого» гауссовского шума (БГШ) при помощи дискретного вейвлет-анализа.

Произведен анализ основных параметров и свойств вейвлет-преобразования. Исследована возможность применения вейвлет-анализа для дифференцирования результатов измерений сигналов на фоне БГШ. В результате математического моделирования выделена зависимость дисперсии дифференцированного сигнала от уровня шума.

Разработан метод и алгоритм дифференцирования при обработке нестационарного сигнала. Разработан метод оптимизации числа вейвлет коэффициентов при восстановлении сигнала. Разработан новый метод выделения контуров на базе дискретного вейвлет-преобразования.

Результаты второй главы опубликованы в работах [22, 23, 27, 32, 33, 36, 37, 38, 39, 40, 41, 44, 45, 46, 47].

В третьей главе проведен анализ статистических характеристик коэффициентов вейвлет-преобразования нестационарных сигналов. Разработан метод кумулянтного анализа сигналов и изображений. Исследованы методы и алгоритмы дифференцирования сигналов и изображений на основе вейвлет-фильтрации. Разработаны рекомендации по применению разработанных методов и алгоритмов.

Проведена оценка шумовых ошибок цифровых систем вторичной обработки информации. Выполнена оценка вычислительных затрат, обусловленных применением синтезированных алгоритмов, позволяющая наилучшим образом выбрать параметры вычислительных алгоритмов при их реализации на ЭВМ.

Результаты третьей главы опубликованы в работах [21, 24, 25, 26, 28, 29,30,31,32,35].

В четвертой главе проведен анализ результатов численного моделирования и даны научно — обоснованные рекомендации по практической реализации синтезированных алгоритмов.

Проведено исследование предложенных новых методов и алгоритмов выделения контуров с использованием математического аппарата вейвлет-дифференцирования.

Даны научно-обоснованные практические рекомендации по применению синтезированных методов и алгоритмов в системах вторичной обработки информации, позволяющие повысить достоверность результатов измерений в радиотехнических системах.

Результаты четвертой главы опубликованы в работах [18, 29, 30, 31, 32, 46, 47].

Основные результаты и положения, выдвигаемые на защиту:

1. При комплексном использовании предложных в диссертационной работе методов и алгоритмов вейвлет-дифференцирования возможно существенно повысить точность дифференцирования сигналов и изображений, а также достоверность выделения контуров изображений на фоне шума;

2. Метод восстановления первой и второй производной сигнала путем прямого и обратного дискретного вейвлет-преобразования на фоне аддитивного шума, позволяющий повысить точность вычисления соответствующих производных на фоне аддитивного шума раз по сравнению с известными.

3. Метод и алгоритмы вейвлет-дифференцирования изображений с использованием вейвлетов DOG, WAVE и MATH на базе дискретного вейвлет-преобразования, не требующие априорной информации о характеристиках фонового шума и позволяющие повысить отношение пиковый сигнал-шум и уменьшить среднеквадратическое отклонение ошибки определения контура изображения.

4. Методика оптимизации числа членов ряда вейвлет-разложений, позволяющая понизить избыточность преобразования и сократить объем вычислительных затрат на реализацию алгоритмов вейвлет-дифференцирования.

Научная новизна работы состоит в том, что в ней нашли дальнейшее развитие методы вейвлет-обработки сигналов и изображений в следующих направлениях:

1. Впервые синтезирован новый метод восстановления первой и второй производной сигнала путем прямого и обратного дискретного вейвлет-преобразования, позволяющий повысить точность вычисления соответствующих производных на фоне аддитивного шума.

2. Разработан новый метод и алгоритмы вейвлет-дифференцирования изображений на базе вейвлетов DOG, WAVE и MATH с использованием.

10 дискретного вейвлет-преобразования, позволяющие повысить эффективность выделения контуров изображений и не требующих априорной информации о характеристиках фонового шума.

3. Разработана новая методика оптимизации числа членов ряда вейвлет-разложений, применение которой позволяет понизить избыточность преобразования и сократить объем вычислительных затрат на реализацию алгоритмов вейвлет-дифференцирования.

4. Разработан новый кумулянтный метод определения вида плотности распределения выборки случайной величины, позволяющий выработать гипотезу о виде плотности распределения шумов в изображениях и сигналах.

Практическая значимость работы состоит в следующем:

1. Разработанный метод восстановления первой и второй производной сигнала путем прямого и обратного дискретного вейвлет-преобразования, позволяет повысить точность вычисления соответствующих производных на фоне аддитивного шума (уменьшить дисперсию ошибки) в 3-^-5 раз по сравнению с известными.

2. Разработанный метод и алгоритмы вейвлет-дифференцирования изображений на фоне шума с использованием дискретного вейвлет-преобразования, позволяют повысить отношение пиковый сигнал-шум на 4,8^-9,6 дБ и на 2,8^-4,2 дБ уменьшить среднеквадратическое отклонение.

3. Проведены исследования предложенных алгоритмов выделения контуров восьмибитных изображений размером 512*512 «Тест», «Lena», «Танк», «Cameramen», «House», с использованием вейвлетов DOG, WAVE и MATH на фоне шума для моделей с математическим ожиданием шума т0-О и СКО формирующего шума в пределах от 5 до 50 с использованием дискретного вейвлет-преобразования. При этом полученные количественные результаты и экспертные оценки качества выделения контуров изображений позволяют сделать вывод о преимуществах предложенных алгоритмов по сравнению с известными.

4. Выполнена оценка вычислительных затрат, обусловленных применением синтезированных методов, позволяющая наилучшим образом выбрать параметры вычислительных алгоритмов при их реализации на ЭВМ. Показано, что для восьмибитного изображения размером 512*512 выигрыш в вычислительных затратах составит 1,7 раза. При этом для изображений большего размера он уменьшается.

5. Применение разработанного кумулянтного метода для определения гипотезы о виде плотности распределения шумов позволяет получить дополнительную априорную информацию о виде искажений цифрового изображения и более эффективно организовать процесс его анализа и обработки.

6. Разработанный пакет прикладных программ (свидетельства о регистрации программы для ЭВМ № 2 010 613 246, 2 010 613 401, 2 010 613 399, 201 061 340, 2 010 613 065) на основе вейвлет-преобразования обеспечивает обработку с высокой скоростью сигналов и изображений. Данные программные продукты позволяют находить первую и вторую производные сигналов, проводить оптимизацию числа коэффициентов вейвлет-преобразования, а также проводить кумулянтный анализ негауссовских случайных величин.

Методы исследования: в диссертационной работе теоретические исследования проведены с использованием методов теории вероятностей, а также методов вейвлет-преобразований. При проведении экспериментальных исследований использовались численные методы машинного моделирования и вычислительного эксперимента с использованием языков высокого уровня программирования.

Достоверность и обоснованность результатов диссертационной работы подтверждается полнотой и корректностью исходных посылок, теоретическим обоснованием, основанным на использовании строгого математического аппарата, совпадением теоретических результатов с результатами статистического моделирования и экспертизами,.

12 проведенными при получении свидетельств об официальной регистрации программ для ЭВМ и широким обсуждением полученных результатов на научно-технических конференциях и семинарах.

Апробация, публикации результатов работы.

Основные научные и практические результаты, опубликованы в 20 научных работах, в том числе 4 — в журналах из перечня ВАК: «Вестник компьютерных и информационных технологий" — «Сервис в России и за рубежом" — «Успехи современной радиоэлектроники» (издательство «Радиотехника») — «Нелинейный мир» (издательство «Радиотехника»). По материалам диссертации получено 5 свидетельств на регистрацию программных продуктов.

По материалам диссертации получено 5 свидетельств на регистрацию программных продуктов. Материалы диссертации докладывались и обсуждались на 6 научно-технических конференциях:

— 3, 4 Международной научной конференции «Современные проблемы радиоэлектроники» 20 Юг, 2012 г, г. Ростов-на-Дону, РТИСТ ЮРГУЭС;

— Всероссийской конференции с элементами научной школы для моло-дежи «Проведение научных исследований в области обработки, хранения, передачи и защиты информации» 2009 г, г. Ульяновск, УлГТУ;

— Всероссийской научно-практической конференции «Транспорт-2010», 20 Юг, г. Ростов-на-Дону, РГУПС;

— Международной молодежной научно-практической конференции «Инфоком-2011», «Инфоком-2012», «Инфоком-2013», 2011 г, 2012 г, 2013 г, г. Ростов-на-Дону, СКФ МТУ СИ;

— II Международном научном семинаре «Системный анализ, управление и обработка информации», 2012 г. г. Ростов-на-Дону, ДГТУ;

— XI науково-техн1чно1 конференцп астрант1 В та студент1 В в м. Донецьку 17−20 травня 2011 р. Украина, г. Донецк, ДонНТУ.

Результаты диссертационной работы были использованы в отчетах по НИР Министерства образования РФ:

— грант в рамках проекта по аналитической ведомственной целевой программе «Развитие научного потенциала высшей школы (2009;2011 годы)», подраздел 2.1.2 «Проведение фундаментальных исследований в области технических наук», проект: «Теоретические основы решения задач управления — идентификации — оценивания на основе объединенного принципа максимума»;

— грант по Федеральной целевой программе «Научные и научно-педагогические кадры инновационной России» на 2009 — 2013 годы", мероприятие 1.2.1, проведение научных исследований научными группами под руководством докторов наук на тему: «Создание и исследование Бтаг!-технологий для доступа к широкополосным мультимедийным услугам»;

— грант по Федеральной целевой программе «Научные и научно-педагогические кадры инновационной России» на 2009 — 2013 годы", мероприятие 1.4, поддержка развития внутрироссийской мобильности научных и научно-педагогических кадров путем выполнения научных исследований молодыми учеными и преподавателями в научно-образовательных центрах на тему: «Основы совмещенного синтеза оптимальных информационных, управляющих и навигационных систем».

Научные результаты и практические рекомендации реализованы в ФУГП «Связь», ФКУ НПО «СТиС» МВД России г. Ростов-на-Дону, для выделения контуров изображений на фоне шума, а также в учебном процессе РТИСТ (филиал) ФГБОУ ВПО «ЮРГУЭС».

Личный вклад. Все основные научные результаты, результаты статистического моделирования на ЭВМ работы новых методов и алгоритмов, а также разработанные рекомендации по построению систем обработки сигналов и изображений, приведенные в диссертационной работе, получены автором лично.

Выводы по главе 4.

1. Предложенный метод обработки изображений на базе математического аппарата вейвлет-дифференцирования позволяет эффективно выделять контуры изображений, искаженных шумом.

2. В данном случае свойства вейвлет-преобразования позволяют отказаться от применения различных масок, то есть, по сути, отказаться от малоэффективных методов численного дифференцирования.

3. Проведены исследования предложенных алгоритмов выделения контуров восьмибитных изображений размером 512*512 Тест, Lena, Cameramen, Танк с использованием вейвлетов DOG, WAVE и MATH на фоне шума для моделей с математическим ожиданием шума т0=0 и СКО формирующего шума в пределах от 5 до 50 с использованием дискретного вейвлет-преобразования. При этом получены количественные результаты и экспертные оценки качества выделения контуров изображений позволяют сделать вывод о преимуществах предложенных алгоритмов по сравнению с известными.

4. Разработанный новый метод и алгоритмы вейвлет-дифференцирования изображений на фоне шума с использованием дискретного вейвлет-преобразования позволяет повысить отношение пиковый сигнал-шум на 4,8+9,6 дБ и на 2,8+4,2 дБ уменьшить среднеквадратическое отклонение ошибки.

5. На базе предложенного метода могут быть реализованы и другие алгоритмы выделения контуров на базе вейвлет-дифференцирования с использованием других вейвлетных базисов.

6. Предложенные методы и алгоритмы могут быть использованы при создании систем обработки сигналов цифровых изображений в промышленности при создании автономных роботов, в условиях наблюдения, усложняющих процесс регистрации и при отсутствии априорных сведений о виде фоновых шумов.

7. Программная реализация предложенных методов и алгоритмов позволяет автоматизировать процессы обработки сигналов и изображений и расширить возможности проведения исследований для создания перспективных систем обработки сигналов и изображений.

8. Разработанный пакет прикладных программ (свидетельства о регистрации программы для ЭВМ № 2 010 613 246, 2 010 613 401, 2 010 613 399, 201 061 340, 2 010 613 065) на основе вейвлет-преобразования обеспечивает обработку с высокой скоростью сигналов и изображений. Данные программные продукты позволяют находить первую и вторую производные сигналов, проводить оптимизацию числа коэффициентов вейвлет-преобразования, а также проводить кумулянтный анализ негауссовских случайных величин.

9. Таким образом, научная задача разработки методов автоматизированного анализа результатов измерений для выделения контуров объектов в изображениях при наличии фонового шума в работе решена в достаточной мере.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе решена задача разработки научно-методического аппарата цифровой обработки изображений (выделение контуров, фильтрация) на базе дискретного вейвлет-преобразования.

Цель работы: повышение точности (эффективности) выделения контуров фрагментов изображений, регистрируемых на фоне шума, на базе дискретного вейвлет-дифференцирования — достигнута.

В результате разработаны методы и алгоритмы выделения контуров изображений в радиотехнических системах с использованием дискретной вейвлет-фильтрации на фоне шума. В диссертационной работе в ходе исследований получены следующие новые научные и практические результаты:

1. Разработан метод восстановления первой и второй производной сигнала путем прямого и обратного дискретного вейвлет-преобразования, позволяющий повысить точность вычисления соответствующих производных на фоне аддитивного шума (уменьшить дисперсию ошибки) в 3−5 раз по сравнению с известными.

2. Разработан алгоритм обработки электрокардиографического сигнала на базе предложенного метода вейвлет-дифференцирования, который дает возможность провести оценку компонентов сердечного ритма в различных диапазонах частот сердечного ритма, с использованием дискретного вейвлет-преобразования.

3. Разработан новый метод и алгоритмы вейвлет-дифференцирования изображений на фоне шума с использованием дискретного вейвлет-преобразования, позволяющие повысить отношение пиковый сигнал-шум на 4,8−9,6 дБ и на 2,8−4,2 дБ уменьшить среднеквадратическое отклонение.

4. Предложенный метод обработки изображений на базе математического аппарата вейвлет-дифференцирования позволяет эффективно выделять контуры изображений, искаженных шумом.

5. В данном случае свойства вейвлет-преобразования позволяют отказаться от применения различных масок, то есть, по сути, отказаться от малоэффективных методов численного дифференцирования.

6. Проведены исследования предложенных алгоритмов выделения контуров восьмибитных изображений размером 512*512 «Тест», «Lena», «Cameramen», «House», «Танк» с использованием вейвлетов DOG, WAVE и MATH на фоне шума для моделей с математическим ожиданием шума т0=О и СКО формирующего шума в пределах от 5 до 50 с использованием дискретного вейвлет-преобразования. При этом полученные количественные результаты и экспертные оценки качества выделения контуров изображений позволяют сделать вывод о преимуществах предложенных алгоритмов по сравнению с известными.

7. На базе предложенного метода могут быть реализованы и другие алгоритмы выделения контуров на базе вейвлет-дифференцирования с использованием других вейвлетных базисов.

8. Предложенные методы и алгоритмы могут быть использованы при создании систем обработки сигналов цифровых изображений в промышленности при создании автономных роботов, в условиях наблюдения, усложняющих процесс регистрации и при отсутствии априорных сведений о виде фоновых шумов.

9. Разработана новая методика оптимизации числа членов ряда вейвлет-разложений, позволяющая понизить избыточность преобразования и сократить объем вычислительных затрат на реализацию алгоритмов вейвлет-дифференцирования на 30−40%.

10. Разработан новый кумулянтный метод определения вида плотности распределения выборки случайной величины, позволяющий выработать гипотезу о виде плотности распределения шумов в изображениях и сигналах.

11. Практическая значимость предложенного метода кумулянтного определения вида плотности распределения заключается в том, что знание вида плотности распределения позволяет получить дополнительную.

127 априорную информацию о виде искажений цифрового изображения и более эффективно организовать процесс его анализа и обработки.

12. Это связано с тем, что гауссовский шум используется в качестве естественного приближения в тех случаях, когда детекторы изображения работают на пороге чувствительности. Размеры зерен на фотоэмульсии являются случайными величинами с логарифмически нормальным распределением. Шум типа «соль и перец» возникает в устройствах с ошибочной коммутацией. Шум, распределенный по экспоненциальному закону и закону Эрланга используется при описании искажений на изображениях, полученных с помощью лазерного излучения. Шум Релея образуется при фиксации удаленных изображений. Таким образом, знание вида плотности распределения позволяет получить дополнительную априорную информацию о виде искажений цифрового изображения.

13. Правильность гипотезы может быть проверена в дальнейшем с помощью известных критериев, например Колмогорова или Стьюдента. Приведен пример реализации метода. Показаны его преимущества.

14. Выполнена оценка вычислительных затрат, обусловленных применением синтезированных методов, позволяющая наилучшим образом выбрать параметры вычислительных алгоритмов при их реализации на ЭВМ. Показано, что для восьмибитного изображения размером 512*512 выигрыш в вычислительных затратах составит 1,7 раза. При этом для изображений большего размера он уменьшается.

15. Программная реализация предложенных методов и алгоритмов позволяет автоматизировать процессы обработки сигналов и изображений и расширить возможности проведения исследований для создания перспективных систем обработки сигналов и изображений.

16. Разработанный пакет прикладных программ (свидетельства о регистрации программы для ЭВМ № 2 010 613 246, 2 010 613 401, 2 010 613 399,.

201 061 340, 2 010 613 065) на основе вейвлет-преобразования обеспечивает обработку с высокой скоростью сигналов и изображений. Данные.

128 программные продукты позволяют находить первую и вторую производные сигналов, проводить оптимизацию числа коэффициентов вейвлет-преобразования, а также проводить кумулянтный анализ негауссовских случайных величин.

Показать весь текст

Список литературы

  1. Abry P., Ondelettes et turbulence. Multiresolutions, algorithmes de decomposition, invariance d’echelles, Diderot Editeur, Paris, 1997.
  2. Calderbank A., Daubechies I., Sweldens W., Yeo B. Wavelet transforms that map integers to integers. Tech. report, Department of Mathematics, Princeton University, 1996.
  3. PolikarR. Введение в вейвлет-преобразование. Пер. Грибунина В. Г. СПб, АВТЭКС, http://www.autex.spb.ru. http://lordn.narod.ru/download/books/walla/wavelets/RobiPolikar.rar
  4. Vasilis Z. Practical estimation of correlation functions of nonststionary gaussian processes. IEEE. Transactions on information theory.
  5. A. Elgammal, D. Harwood, L. Davis. Non-parametric Model for Background Subtraction. In: Proc. European Conference on Computer Vision. Dublin, vol. 2, p. 751−761, 2000.
  6. C. Motamed. Motion Detection and Tracking Using Belief Indicators for an Automatic Visual-Surveillance System. Image and Vision Computing, vol. 24, p. 1192−1201,2006.
  7. C. Stauffer, W E. L. Grimson. Learning Patterns of Activity Using Real-time Tracking. IEEE Pattern Recognition and Machine Intelligence, v. 22, p. 747−757, 2000.
  8. H. Ardo, R. Berthilsson, K. Astrom. Real-time Viterbi Optimization of Hidden Markov Models for Multi-target Tracking. In: Proc. IEEE Workshop on Motion and Video Computing, Austin, p. 2−2, 2007.
  9. L. Fuentes, S. Velastin. From Tracking to Advanced Surveillance. In: Proc. IEEE International Conference on Image Processing, Barcelona, vol. 3, p. Ill 121−124, 2003.
  10. N. Agarwal, N. Andrisevic, K. Vuppla et al. Vehicle Detecting and Tracking in Video for Incident Detection. Report of Minnesota Dept. of Transport, USA, 2003.
  11. Q. Zang, R. Klette. Object Classification and Tracking in Video Surveillance. In: Proc. International Conference on Computer Analysis of Images and Patterns, Groningen, p. 198−205, 2003.
  12. R. Cucchiara, С Grana, M. Piccardi, A. Prati. Detecting Moving Objects, Ghosts and Shadows in Video Streams. IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 25, p. 1337−1342, 2003.
  13. S.-C. Cheung, С Klamath. Robust Background Subtraction with Foreground Validation in Urban Traffic Video. EURASIP Journal on Applied Signal Processing, № 14, p. 2330−2340, 2005.
  14. H.M. Вейвлет-анализ: Основы теории и примеры применения. Успехи физических наук, 1996, т. 166, № 11, стр. 1145−1170.
  15. Ахо А., Хопкрофт Дж., Ульман Дж. Построение и анализ вычислительных алгоритмов. М.: Мир 1979 г. 536 с.
  16. К.И. Основы численного анализа. М.: Наука, 1986.
  17. С.И. Радиотехнические цепи и сигналы: Учеб. пособие для вузов. Изд. 2-е. перераб. и доп. -М.: Высшая школа, 1988.
  18. Д. А. Кумулянтный метод оценки эффективности сегментированного зеркала адаптивной оптической системы. // Оптика атмосферы и океана. 1996. № 1. С.78−84.
  19. Д.А. Поморцев П.М Скляров А. В Обработка результатов измерений на базе аппроксимации плотности распределения сглаживающими кубическими В- сплайнами. //Измерительная техника, 2000., № 9, С. 32−36.
  20. Д.А., Рытиков С. Ю., Швидченко С.А.
  21. Дифференцирование сигналов банком вейвлет-фильтров с использованиемметода максимального правдоподобия Современные проблемы131радиоэлектроники: материалы четвертой международной научной конференции, г. Ростов -на-Дону, РТИСТ ЮРГУЭС, 2012 г., с. 196−203.
  22. Д.А., Андрющенко И. В., Швидченко С. А. Кумулянтный метод идентификации вида закона распределения результатов измерений (статья). //Сервис в России и за рубежом. № 5 (24) 2011 г. http://rguts.ru/electronicJournal/number24/contents.
  23. Д.А., Андрющенко И. В., Швидченко С. А. Кумулянтный метод идентификации вида плотности распределения. Современные проблемы радиоэлектроники: материалы третьей международной научной конференции. г. Ростов-на-Дону, РТИСТ ЮРГУЭС, 2010 г., с. 17−22.
  24. Д.А., Андрющенко И. В., Швидченко С. А. Свидетельство № 2 010 613 399 о государственной регистрации программы для ЭВМ от 21.05.2010 «Алгоритм оптимизации числа коэффициентов вейвлет-преобразования» Заявка № 2 010 611 409 от 22.03.2010.
  25. Д.А., Андрющенко И. В., Швидченко С. А. Свидетельство № 2 010 613 401 о государственной регистрации программы для ЭВМ от 21.05.2010 «Алгоритм кумулянтного анализа негауссовских величин» Заявка № 2 010 611 411 от 22.03.2010.
  26. Д.А., Андрющенко И. В., Швидченко С. А. Свидетельство2 010 613 065 о государственной регистрации программы для ЭВМ от1 321 105.2010 «Алгоритм нахождения коэффициента ряда Эджворта» Заявка № 2 010 611 348 от 17.03.2010.
  27. Д.А., Рытиков С. Ю. Дифференцирование сигналов на фоне шума банком фильтров с использованием метода максимального правдоподобия //Сервис в России и за рубежом. № 7 (24) 2011 г.
  28. Д.А., Рытиков С. Ю. Швидченко С.А. Гаврин М. С. Гаврин Д.С. Выделение контуров изображений в информационных и управляющих системах с использованием метода вейвлет-преобразования. // Нелинейный мир. № 11 2012г., с.846−852.
  29. Д.А., Рытиков С. Ю., Цугурян Н. О., Швидченко С.А. Свидетельство № 2 010 613 246 о государственной регистрации программы для
  30. ЭВМ от 17.05.2010 «Дифференцирование сигналов вейвлетом DOG» Заявка № 2 010 611 469 от 17.05.2010.
  31. Д.А., Рытиков С. Ю., Цугурян Н. О., Швидченко С. А. Свидетельство № 2 010 613 245 о государственной регистрации программы для ЭВМ от 17.05.2010 «Дифференцирование сигналов вейвлетом WAVE» Заявка № 2 010 611 468 от 24.03.2010.
  32. Д.А., Рытиков С. Ю., Швидченко С. А. Метод вейвлет-дифференцирования в задаче выделения контуров. // Современные проблемы радиоэлектроники. № 6 2012г., с.52−57.
  33. Д.А., Цугурян Н. О. Обработка результатов измерений с использованием математического аппарата вейвлет-фильтрации. // Известия ВУЗов. Северо-кавказский регион. Естественные науки. 2004 г., № 12 с. 3−11.
  34. Д.А., Швидченко С. А. Информационная технология вейвлет-дифференцирования результатов измерений на фоне шума (статья). // Вестник компьютерных и информационных технологий. № 6 (84) 2011 г., с.42−45.
  35. Д.А., Швидченко С. А., Кумулянтный анализ в задачеидентификации закона распределения. Труды Северо-кавказского филиала
  36. Московского технического университета связи и информатики: Сборник135научных работ по результатам международной молодежной научно-практической конференции СКФ МТУ СИ «Инфоком-2011», г. Ростов-на-Дону, СКФ МТУ СИ, 2011 г., с.73−78.
  37. В.И., Петрак JI.B. Аппроксимация функций, сжатие численной информации, приложения. Екатеринбург: УрО РАН, 1999.
  38. М.З., Новиков И .Я. Базисы всплесков в пространствах дифференцируемых функций анизотропной гладкости // Докл. РАН. 1992. Т. 323. С. 615−618.
  39. Ю.Г. Многократное дифференцирование информационных процессов с использованием функции-регулятора. -Известия Российской академии наук. Теория и системы управления. 1995. № 5. С. 116.
  40. П.П. Цифровые фильтры, блоки фильтров и полифазные цепи с многочастотной дискретизацией: Методический обзор //ТИИЭР, 1990, № 3. С.77−120.
  41. В.А. Минимаксные аппроксимации для задач цифровой обработки сигналов: Учебное пособие — СПб.: Изд-во СПбГПУ, 2004.
  42. Введение в цифровую фильтрацию. / Под ред. Р. Богнера и А. Константинидаса. Мир 1976 г. 216 с.
  43. В.И., Грибунин В. Г. Теория и практика вейвлет-преобразования. СПб, ВУС, 1999. 204 с.
  44. Р. Гонсалес, Р. Вудс «Цифровая обработка изображений» / М.: -Техносфера, 2005. 1072с.
  45. П., Фрик Н. Адаптивные вейвлеты (алгоритм спектрального анализа сигналов с пробелами в данных). — Математическое моделирование систем и процессов, 1996, № 6, с. 10.
  46. Гольденберг J1.M., Матюшкин Б. Д., Поляк М. Н. Цифровая обработка сигналов: Справочник. М.: Радио и связь 1985 г. 312 с.
  47. И.С. Радиотехнические цепи сигналы: учеб. пособие для вузов. 5-е изд., испр. и доп. М.: Дрофа, 2006.
  48. Гоц С. С. Основы построения и программирования автоматизированных систем цифровой обработки сигналов. Уфа, 2004, 168 с.
  49. И. Десять лекций по вейвлетам. Пер. с англ. — Ижевск, НИЦ Регулярная и хаотическая динамика, 2001.
  50. И.Л. и др. Вейвлеты и их использование. Успехи физических наук, 2001, т.171, № 5, стр. 465−501.
  51. В., Абраменкова И. MATLAB. Обработка сигналов и изображений. Специальный справочник. СПб.: Питер, 2002, 608 с.
  52. В.П. Вейвлеты. От теории к практике. М.: СОЛОН-Р, 2002, 448 с.
  53. В.А. О вейвлетах на базе периодических сплайнов //Докл. РАН, 1994, № 1. С. 9- 13.
  54. Л.А. Преобразования Фурье, Уолша, Хаара и их применение в управлении, связи и других областях. М.:Наука, 1989 496 с.
  55. , В.В., Лямшев Л. М. Фракталы и скейлинг в акустике. Акустический журнал, 1994, т.40, вып. 5, с.709 737.
  56. Ю.Б., Витязев В. В., Дворкович В. П. Цифровая обработка сигналов информатика реального времени. Цифровая обработка сигналов. № 1, 1999 г., с.5−17.
  57. М.И., Певный А. Б. Натуральные сплайны многих переменных. Л.: Наука, 1991.
  58. Илюшин. Теория и применение вейвлет-анализа. -http://atm563.phus.msu.su/Ilyushin/index.htm.
  59. Т. В., Чувыкин Б. В., Щеголев В. Е. Применение теории wavelets в задачах обработки информации. — Пенза: ИИЦ ПТУ, 2000.— 188 с.
  60. Д., Моулер К., Нэш С. Численные методы и программное обеспечение. -М.: Мир, 2001.
  61. .С., Саакян A.A. Ортогональные ряды. М.: АФЦ, 1999.
  62. Кей С. М., Марпл С. JI. Современные методы спектрального анализа: Обзор. ТИИЭР, Т. 69, № 11.
  63. В.А. Быстрый алгоритм сжатия изображений // Вестник молодых ученых. Прикл. матем. и механика. 1997. № 1. С. 4−10.
  64. Д.В., Сапонов Д. И. Вейвлет-спектры ионосферного радиосигнала. Тезисы конференции Ломоносов-99. М.:МГУ, 1999.
  65. А.Н., Фомин С. В. Элементы функционального анализа. М.:Наука, 1968.
  66. Г., Корн Т. Справочник по математике для научных работников и инженеров. Москва, «Наука», 1977.
  67. В. Ф., Рвачев В. А., Пустовойт В. И. Ортонормированные системы типа wavelet на основе атомарных функций //Докл. РАН, 1996, № 1.С. 16−18.
  68. В.Ф., Рвачев В. А. «Wavelet» системы и их применение в обработке сигналов // Зарубежная радиоэлектроника. 1996. № 4. С. 3−20.
  69. . Г. Математические методы статистики. М., ИЛ, 1948. 648с.
  70. Р., Рабинер Л. Интерполяция и децимация цифровых сигналов. ТИИЭР, 1981 г., т.69, № 3, с.14−49.
  71. С., Дзизинский А. Модели и методы анализа клинико-инструментального мониторирования. — Сборник трудов III Всероссийского симпозиума «Медленные колебательные процессы в организме человека», Новокузнецк^ 2001, с. 238−242.
  72. А. Формирование признаков для классификации объектов полутоновых изображений по их контурному представлению. — Цифровая обработка изображений. Сборник научных трудов, выпуск 4. Минск, 2000, с. 95−106.
  73. А.Г., Анютин А. П. Методы продолженных граничных условий и вейвлеты // Доклады РАН, т.385, № 3, 2002, с.309−313.
  74. . Введение в анализ данных с применением непрерывного вейвлет-преобразования / Пер. с англ- под ред. В. Г. Грибунина -СПб.: АВТЭКС, 2002.
  75. Левкович-Маслюк Л, Переберин А. Введение в вейвлет-анализ: Учебный курс. Москва, ГрафиКон'99, 1999.
  76. P.A., Саакян A.A. О подпространствах, порожденных всплеск-системами // Мат. заметки. 1998. Т. 63. № 2. С. 299−302.
  77. A.A., Шишкин А. Г. «Цифровая обработка видеоизображений» / М.: «Ай-Эс-Эс Пресс», 2009. — 518с.
  78. Дж., Рейдер Ч. Применение теории чисел в цифровой обработке сигналов. М.: Радио и связь. 1983 г. 264 с.
  79. . Методы и техника обработки сигналов при физических измерениях. В 2-х т. Т. 2. М.: Мир, 1983.
  80. Д., Рукос С., Гиш Г. Векторное квантование при кодировании речи //ТИИЭР, т.73, № 11, 1985. С. 19−61.
  81. А. Н. Кумулянтный анализ случайных негауссовых процессов и их преобразований. М., «Сов. радио», 1978. 376 с.
  82. С. Вейвлеты в обработке сигналов / Пер. с англ. Жилейкина A.M., Осипик Ю. И., Макаровой Е. А., Васильевой Л. Г., М.: Мир, 2005.
  83. В., Певный А., Третьяков А. Быстрое вейвлетное преобразование дискретных периодических сигналов и изображений. Проблемы передачи информации, 1998, т. 34, № 5, с. 465−561.
  84. Ю.В., Шакиров И. В., Шаропин Ю. Б. Применение вейвлет-преобразования при обработке изображений. // Третий международный симпозиум. PI 1−97−347. Дубна, 1997.
  85. Г. И. Методы вычислительной математики. М.: Наука, 1989.-608 с.
  86. А., Селиханович А. Алгоритмы вычисления контуров на полутоновых изображениях. — Цифровая обработка изображений. Сборник научных трудов, выпуск 4. Минск, 2000, с. 53−58.
  87. С. Обработка экспериментальных данных с использованием компьютера. —М.: Радио и связь, 1999.
  88. Г. Я. Характеристики статистической взаимосвязи и их измерения. М.: Энергоиздат.
  89. H.H. Математические задачи системного анализа. М.: Наука, 1981.-487 с.
  90. В.В., Струтынский A.B. Электрокардиография. М.: Медицина.-1991.- 288 с.
  91. X. Д., Рагувер М. П. Биспектральное оценивание применительно к цифровой обработке сигналов. ТИИЭР, Т. 75, № 7.
  92. И.Я., Стечкин С. Б. Основы конструкции всплесков // Фундаментальная и прикладная математика. 1997. — Т. 3, № 4. — С. 999−1028.
  93. И.Я., Стечкин С. Б. Основы теории всплесков// Успехи математических наук. 1998. № 6. С. 53−128.
  94. Новиков J1. Адаптивный вейвлет-анализ сигналов. — Научное приборостроение, 1998, т. 9, № 2, с. 35.
  95. Новиков J1.B. Основы вейвлет-анализа сигналов: Учебное пособие. СПб, ИАнП РАН, 1999, 152 с.
  96. Новейшие методы обработки изображений / Под ред. A.A. Потапова М.: ФИзматлит, 2008, 496 с.
  97. A.B., Шафер Р. В. «Цифровая обработка сигналов»: Пер. с англ. / Под ред. С. Я. Шаца. М.: Связь, 1979. — 416с.
  98. Э. Хаос и порядок на рынках капитала. Новый аналитический взгляд на циклы, цены и изменчивость цен.
  99. А. П. Периодические дискретные всплески //Алгебра и анализ, 1996, № 3. С. 151−183.
  100. А.П. Введение в теорию базисов всплесков. СПб.: Изд. СПбГТУ, 1999, 132 с.
  101. Ш. Поликар Р. Введение в вейвлет-преобразование. СПб.: АВТЭКС, 2001.
  102. Пэн Дж., Топиков М. В. Wavelets и их применение к линейным и нелинейным проблемам электромагнетизма. «Зарубежная радиоэлектроника. Успехи современной радиоэлектроники» 1998, вып. 12 с.71
  103. Л., Голд Б. Теория и применение цифровой обработки сигналов.- М.: Мир 1978 г. 848 с.
  104. Р., Селиханович А. Система распознавания рукописных символов с использованием дескрипторов формы. — Цифровая обработка изображений. Сборник научных трудов, выпуск 2. Минск, 1998, с. 120−129.
  105. Д., Старовойтов В. Подходы и методы распознавания людей по фотопортретам. — Минск, Институт технической кибернетики HAH Беларуси, 1998.
  106. A.A., Гулин A.B. Численные методы: Учеб. пособие для вузов. М.: Наука, 1989.
  107. А.Б. Цифровая обработка сигналов. Учебное пособие. СПб, Питер, 2003.
  108. Н.К. Основы теории вейвлетов. Вейвлеты в Matlab. М.: LVR Пресс, 2005.-304 с.
  109. А.И., Улахович Д. А. Основы цифровой обработки сигналов: Курс лекций.— СПб.: БХВ — Петербург, 2003.
  110. Д.М., Даценко Н. М., Иващенко H.H. Оценка тренда глобального потепления с помощью вейвлетного анализа // Изв. РАН. Физика атмосферы и океана. 1997. — Т.ЗЗ. — № 2. — С. 184−194.
  111. И.Р. Вейвлетный анализ временных сейсмических рядов // ДАН. 1996. — Т. 350, № 3. — С. 393−396.
  112. Jl.И., Рутткай-Недецкий И. Анализ ортогональной электрокардиограммы. М.: Наука-1990. — С. 55.
  113. В. Вейвлет-анализ угловых распределений вторичных частиц в ядро ядерных взаимодействиях при высоких энергиях. Проблемы передачи инф. 1998. Т. 34. Вып. 2. С. 77−85.
  114. В., Ососков Г., Полянский А., Соловьев А., Чернявский М., Шитов А. Часть 1. Анализ псевдобыстротных распределений. // — Сообщение ОИЯИ Р2−2001−119. Дубна, 2001.
  115. А. Волновые цифровые фильтры: Теория и применение. ТИИЭР т.74 № 2 февраль 1986 г. С.35−99.
  116. H.H. Пирамидальное кодирование. М.: Мысль, 1997.160с.
  117. Р.В. Цифровые фильтры. М.: Недра, 1987. — 224 с.
  118. И.А. Оптимальная обработка сигналов в радиотехнических системах. Учебное пособие. — JT., изд. ЛПИ, 1986.
  119. Цифровая обработка сигналов. Справочник. Гольденберг JI. М. и др.- М.: Радио и связь. 1985. — 312с.
  120. Чуй К. Введение в вейвлеты. — М.: Мир, 2001.
  121. В.В. Вычислительная электрокардиография. М.: Наука.-1981.-166с.
  122. К. Математическая теория связи // Шеннон К. Работы по теории информации и кибернетике. М.: 1963. С.243−333.
  123. С.А. Синтез алгоритмов выделения фрагментовизображений в условиях априорной неопределенности на случайном фоне.
Заполнить форму текущей работой

Сессия? Спокойно!