Помощь в написании студенческих работ
Антистрессовый сервис

Разработка и исследование алгоритмов многомерной адаптивной нелинейной фильтрации изображений

Диссертация: Разработка и исследование алгоритмов многомерной адаптивной нелинейной фильтрации изображений
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

В первой главе производится краткий обзор существующих работ в области моделирования полутоновых изображений, с учётом их цифрового представления и каузальности. Для анализа разрабатываемых в последующих главах алгоритмов фильтрации выбраны математические модели (ММ) цифровых полутоновых изображений (ЦПИ), аппроксимированных марковскими цепями, уровень яркости которых представлен в цифровой форме… Читать ещё >

Разработка и исследование алгоритмов многомерной адаптивной нелинейной фильтрации изображений (реферат, курсовая, диплом, контрольная)

Содержание

  • ИСПОЛЬЗУЕМЫЕ СОКРАЩЕНИЯ
  • ГЛАВА 1. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ИЗОБРАЖЕНИЙ
    • 1. 1. Постановка задачи
    • 1. 2. Математические модели полутоновых изображений
    • 1. 3. Математические модели цифровых полутоновых изображений на основе марковских случайных процессов с дискретными элементами
    • 1. 4. Двумерная марковская модель изображения
    • 1. 5. Трехмерная марковская модель видеопоследовательности цифровых полутоновых изображений
    • 1. 6. Четырехмерная математическая модель марковского процесса с двумя состояниями
  • Выводы по главе 1
  • ГЛАВА 2. АЛГОРИТМЫ МНОГОМЕРНОЙ ФИЛЬРАЦИИ ИЗОБРАЖЕНИЙ С ИЗВЕСТНОЙ СТАТИСТИКОЙ ФИЛЬРУЕМЫХ ДАННЫХ
    • 2. 1. Постановка задачи
    • 2. 2. Алгоритм нелинейной фильтрации одной ВП ЦПИ
    • 2. 3. Алгоритм нелинейной фильтрации двух статистически связанных
    • 2. 4. Результаты моделирования трёхмерной и четырёхмерной фильтрации
  • Выводы по главе 2
  • ГЛАВА 3. АЛГОРИТМЫ МНОГОМЕРНОЙ ФИЛЬТРАЦИИ С НЕИЗВЕСТНОЙ СТАТИСТИКОЙ ФИЛЬТРУЕМЫХ ДАННЫХ (АДАПТИВНЫЕ)
    • 3. 1. Постановка задачи
    • 3. 2. Адаптивный алгоритм фильтрации коррелированных ВП ЦПИ
    • 3. 3. Результаты моделирования адаптивного алгоритма
  • Выводы по главе 3
  • ГЛАВА 4. КОМБИНИРОВАННЫЕ АЛГОРИТМЫ МНОГОМЕРНОЙ ФИЛЬТРАЦИИ
    • 4. 1. Постановка задачи
    • 4. 2. Комбинированный алгоритм нелинейной фильтрации
    • 4. 3. Результаты исследования комбинированной фильтрации
    • 4. 4. Алгоритм нелинейной фильтрации с предварительной обработкой ВП ЦПИ
  • Выводы по главе 4

Интенсивность научных исследований и возросшая сложность решаемых научно-технических задач в настоящее время требует анализа не только одномерных случайных процессов, но и многомерных, например различного рода полей, представленных в виде статических или динамических изображений. Обработка многомерных изображений вызывает большой интерес исследователей самых различных областей: от здравоохранения до различного рода технологических процессов. Для эффективного решения задач обработки динамических изображений необходимы многомерные математические модели (ММ), адекватные реальным изображениям. Наиболее близкие к полутоновым изображениям по своим статистическим свойствам являются марковские случайные процессы. К настоящему времени работ, посвященных ММ многомерных процессов на основе марковских случайных полей, немного [4−8,32]. Это в основном ММ, генерирующие многомерные гауссовские марковские поля, не всегда адекватные реальным изображениям и имеющие низкую вычислительную эффективность. Среди них можно отметить работы Спектора A.A., Васильева К. К., Бондура В. Г., Виттиха В. А., Сойфера В. А., Хуанга Т. С., Хабиби А. и др. [2,3,9−11,39].

Наибольшей вычислительной эффективностью и адекватностью реальным динамическим изображениям отвечает многомерная ММ на основе многомерных цепей Маркова, разработанная научной школой, возглавляемой Е. П. Петровым [32−35]. Многообразие методов обработки динамических изображений и их практические результаты тесно связаны с наличием в изображениях статистической избыточности. Проблема использования статистической избыточности динамических изображений с целью повышения помехоустойчивости их приема является актуальной и приводит к необходимости совершенствования известных и разработки новых методов обработки изображений на приемной стороне. При цифровой обработке изображений на передающей стороне преобразование непрерывной информации в цифровую можно максимально упростить, а на приемной стороне применять простые алгоритмы, эффективно реализующие статистическую избыточность. Разработку подобных алгоритмов и устройств обработки динамических изображений, в силу специфики их статистических характеристик и ММ, предпочтительней вести на основе теории фильтрации условных марковских процессов. При этом для сокращения количества вычислений очень важно получение рекуррентных алгоритмов фильтрации изображений. Большой вклад в теорию фильтрации одномерных случайных марковских процессов внесли Стратонович Р. Л., Тихонов В. И., Амиантов И. Н., Ярлыков М. С., Сосулин Ю. Г., Петров Е. П. и др. [45−53, 58−60].

В связи с усложнением задач, решаемых с помощью изображений (аэро-и космические съемки, видеонаблюдение и др.) в сложной помеховой обстановке, когда статистические характеристики изображения неизвестны или быстро меняются возрастает необходимость не только в многомерной, но и прежде всего адаптивной фильтрации [68−86], способной по принятым изображениям подстроить алгоритм фильтрации под изменившиеся характеристики принимаемых изображений. При ограниченной энергетике на передающей стороне, существенным резервом повышения помехоустойчивости является реализация статистической избыточности, которая может быть значительной в динамических изображениях. Актуальность исследования оптимальных и адаптивных алгоритмов многомерной фильтрации динамических изображений несомненна.

Целью диссертационной работы является исследование оптимальных и разработка адаптивных алгоритмов многомерной нелинейной фильтрации динамических ЦПИ, представленных многомерными цепями Маркова с несколькими состояниями при наличии белого гауссовского шума.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Обзор и выбор математической модели цифровых полутоновых изображений, адекватной реальным цифровым полутоновым изображениям, представленных g-paзpядными двоичными числами.

2. Исследование алгоритмов многомерной оптимальной нелинейной фильтрации на основе одной и двух коррелированных видеопоследовательностей цифровых полутоновых изображений, представленных g-paзpядными двоичными числами.

3. Разработка и исследование адаптивных алгоритмов многомерной нелинейной фильтрации динамических цифровых полутоновых изображений с малым временем адаптации.

4. Разработка и исследование комбинированных алгоритмов фильтрации динамических цифровых полутоновых изображений для уменьшения артефактов, подобных импульсным помехам, возникающим при несовпадении априорных и реальных статистических характеристик принимаемых ЦПИ.

Объектом исследования являются многомерные ММ и алгоритмы фильтрации многомерных ЦПИ.

Предметом исследования являются математические модели динамических ЦПИ на основе многомерных многозначных условных марковских процессов, а также алгоритмы нелинейной фильтрации динамических ЦПИ с априорно известными и априорно неизвестными статистическими характеристиками.

При решении поставленных задач в диссертационной работе использовались методы статистической теории связи, теории условных марковских процессов, теории оптимальной нелинейной фильтрации, теории вероятности и математической статистики, статистической теории выбора и принятия решений, линейной и булевой алгебры. При разработке программного обеспечения применялись методы объектно-ориентированного проектирования программных систем.

На защиту выносятся следующие результаты, развитые или впервые полученные в настоящей работе:

1. Многомерная математическая модель динамических цифровых полутоновых изображений, представленных §—разрядными двоичными числами.

2. Рекуррентный алгоритм и соответствующее устройство многомерной нелинейной фильтрации цифровых полутоновых коррелированных изображений на фоне белого гауссовского шума.

3. Адаптивный алгоритм многомерной нелинейной фильтрации цифровых полутоновых коррелированных изображений.

4. Комбинированные алгоритмы многомерной нелинейной фильтрации цифровых полутоновых изображений.

5. Результаты качественных и количественных исследований эффективности разработанных алгоритмов многомерной нелинейной фильтрации цифровых полутоновых изображений.

Новизна научных результатов заключается в следующем:

1. Получена многомерная ММ, адекватная реальным статическим и динамическим ЦПИ, позволившая синтезировать эффективные алгоритмы обработки многомерных ЦПИ.

2. Синтезированы алгоритмы многомерной нелинейной фильтрации цифровых полутоновых изображений, отличающиеся высокой эффективностью использования статистической избыточности для восстановления изображений, искаженных белым гауссовским шумом, а также простой реализацией.

3. Разработаны и исследованы адаптивные алгоритмы многомерной нелинейной фильтрации цифровых полутоновых изображений, отличающиеся высокой эффективностью и скоростью адаптации.

4. Предложены комбинированные алгоритмы, позволяющие увеличить эффективность фильтрации цифровых полутоновых изображений при возникновении артефактов, подобных воздействию импульсных помех.

Практическая значимость:

1. Предложен подход построения ММ ЦПИ, позволяющий получать ММ произвольной размерности.

2. Разработан адаптивный алгоритм нелинейной фильтрации динамических ЦПИ, позволяющий получить на 2−3 кадре оценки вероятностей переходов, отличающиеся от среднестатистических не более 10% по всем измерениям.

3. Разработаны комбинированные алгоритмы, позволяющие повысить качество ЦПИ по критерию Р8№ 1 на 2−5 дБ.

Практические результаты диссертационной работы могут быть использованы для фильтрации цифровых полутоновых изображений, искаженных аддитивным белым гауссовским шумом, в системах обработки изображений, работающих в режиме реального времени: телевидения, видеонаблюдения и т. д. в условиях сложной помеховой обстановки.

Результаты работы внедрены в соответствующие разработки прототипов систем обработки видеоинформации ЗАО НПП «Знак» и ФГУП «НИИ СВТ» г. Киров. Также результаты, полученные в данной работе, используются в учебном процессе по дисциплинам «Теория оптимального приема сигналов», «Телекоммуникационные технологии» .

Основные положения диссертационной работы докладывались и обсуждались на следующих НТК:

• «Радиолокация, навигация, связь» (Воронеж, 2009;2011 гг.);

• «Цифровая обработка сигналов и ее применение» (Москва, 2010,2011 гг.);

• «Наука — производство — технология — экология» (Киров, 2008 г.);

• «Системы наблюдения, мониторинга и дистанционного зондирования земли» (Адлер, 2009 г.);

• «Информационные системы и технологии» (Н.Новгород, 2009 г.);

• «Перспективные технологии в средствах передачи информации» (Владимир, 2009, 2011 гг.);

По теме диссертации опубликовано 16 работ, из них 4 статьи в журналах из списка, рекомендованных ВАК РФ, и 12 публикаций в сборниках тезисов докладов научно-технических конференций, 1 свидетельство о регистрации программного обеспечения.

Диссертационная работа состоит из четырёх глав.

В первой главе производится краткий обзор существующих работ в области моделирования полутоновых изображений, с учётом их цифрового представления и каузальности. Для анализа разрабатываемых в последующих главах алгоритмов фильтрации выбраны математические модели (ММ) цифровых полутоновых изображений (ЦПИ), аппроксимированных марковскими цепями, уровень яркости которых представлен в цифровой форме двоичными-разрядными числами. Построение ММ ЦПИ осуществляется на основе представления полутоновых изображений в виде набора из g независимых битовых сечений, в каждом из которых используется бинарная математическая модель, требующая для своей реализации минимальных вычислительных ресурсов. Исследование статистических характеристик математических моделей на ЭВМ показало их адекватность реальным ЦПИ.

Во второй главе представлены алгоритмы многомерной фильтрации изображений, в основе которых лежит математическая модель, описанная в первой главе. Приведены количественные и качественные характеристики алгоритмов, полученные путем моделирования устройств фильтрации в условиях действия белого гауссовского шума. Показана высокая эффективность при малых входных значениях сигнал/шум.

В третьей главе, на основе полученных во второй главе оптимальных алгоритмов фильтрации, разработаны адаптивные алгоритмы многомерной нелинейной фильтрации ВП ЦПИ, позволяющее в условиях отсутствия априорных данных о статистических параметрах фильтруемых изображений вычислять недостающие статистические данные в процессе приема. Приведены количественные и качественные характеристики эффективности полученных алгоритмов адаптивной нелинейной фильтрации реальных ВП ЦПИ и их цифровых моделей.

В четвертой главе исследуются методы, позволяющие улучшить визуальное качество восстановленных ВП ЦПИ. Приводятся качественные и количественные характеристики комбинированных фильтров. Показано, что применение предварительной обработки позволяет получить дополнительный выигрыш в отношении сигнал/шум и, соответственно, улучшить качество фильтрации.

4.5 Выводы по главе 4.

1. На основании результатов второй и третьей глав сделан вывод по основным причинам возникновения «импульсных» помех на кадрах ВП ЦПИ после прохождения нелинейного фильтра.

2. Для устранения «импульсных» помех предложен комбинированный алгоритм, сочетающий нелинейную фильтрацию с медианной.

3. По критерию Р8№ 1 (пиковое отношение сигнал-шум) комбинированный фильтр дает дополнительный выигрыш 2−5 дБ при диапазоне входных значений от 0 до -15 дБ.

4. Для устранения регулярных помех, вызванных наличием корреляции границ перехода яркостей между РДИ, предложена предварительная обработка кадров ВП, позволяющая получить дополнительный выигрыш 3−6 дБ при диапазоне входных значений от 0 до -12 дБ.

5. Предложенные методы улучшения визуального качества ВП позволяют получить приемлемые изображения на 1−2 кадре.

ЗАКЛЮЧЕНИЕ

.

В работе решается задача повышения помехоустойчивости систем передачи изображений при помощи разработанных и исследованных оптимальных и адаптивных алгоритмов многомерной нелинейной фильтрации динамических цифровых полутоновых изображений, аппроксимированных многомерными цепями Маркова с несколькими состояниями при наличии белого гауссовского шума. Результаты моделирования работы алгоритмов показали возможность фильтрации ВП ЦПИ при входном диапазоне отношений сигнал/шум от 3 до -12 дБ, при этом выигрыш в отношении сигнал/шум по мощности составил 15−45 дБ.

Среди результатов, полученных в работе, к наиболее значимым следует отнести следующие:

1. Проведен обзор ММ случайных полей. ММ ЦПИ, основанные на случайных марковских процессах, требуют малых вычислительных ресурсов и позволяют довольно просто перейти к ММ большей размерности.

2. Вычислительные операции на реализацию ММ в расчете на один элемент изображения не зависят от размерности модели и числа элементов по каждому измерению, а объем памяти ЭВМ определяется разрешением моделируемых изображений и числом видеопоследовательностей. Для генерации одного элемента изображения требуется 1 операция сравнения случайного числа с элементом МВП. Использование в качестве ММ ЦПИ цепей Маркова позволяет синтезировать эффективные алгоритмы обработки ЦПИ.

3. Проведены исследования эффективности многомерной (трехи четырехмерной) нелинейной фильтрации ВП ЦПИ, показавшие, что использование статистической избыточности элементов изображения позволяет обеспечить на выходе синтезированных ПУ высокое качество восстановления изображений, искаженных БГШ.

4. Выигрыш в отношении сигнал/шум по мощности для трехмерной фильтрации составил от 13 до 42 дБ в диапазоне отношений сигнал/шум на входе фильтра от 3 до -12 дБ. При четырехмерной фильтрации получен дополнительный выигрыш 2−8 дБ относительно трехмерной. При этом наибольший вклад в результирующий выигрыш вносят старшие разряды ЦПИ, поскольку в них заметно выше коэффициент корреляции (0,6−0,9) по сравнению с младшими разрядами (0,1−0,3).

5. Разработаны и исследованы адаптивные приёмные устройства нелинейной фильтрации ЦПИ, обладающие высокой эффективностью и способностью адаптироваться не только к конкретному изображению, но и к отдельным его фрагментам. Адаптивный алгоритм практически не уступает неадаптивному по критерию выигрыша по мощности при отношении сигнал/шум на входе до -9дБ. При отношении меньше -12дБ, эффективность адаптивной фильтрации заметно уменьшается вследствие высокой погрешности расчета статистических характеристик принимаемых ВП ЦПИ.

6. Усредненные значения выигрыша в отношении сигнал/шум по мощности составляет 25−45 дБ при диапазоне входных значений от 0 до -9 дБ. В диапазоне входных значений сигнал/шум от 0 до -9 дБ к 20−40 шагу адаптации оценки элементов МВП принимают значения, отличающиеся от среднестатистических не более 10%.

7. Разработаны и исследованы комбинированные алгоритмы фильтрации, повышающие эффективность фильтрации и улучшающие визуальное качество кадров ВП ЦПИ. По критерию Р8М1 (пиковое отношение сигнал-шум) комбинированный фильтр дает дополнительный выигрыш 2−5 дБ при диапазоне входных значений от 0 до -15 дБ.

8. Предварительная обработка кадров ВП позволяет получить дополнительный выигрыш 3−6 дБ, а также устранить регулярные помехи, вызванные наличием границ перехода яркостей в изображении.

Показать весь текст

Список литературы

  1. B.B. Цифровое моделирование в статистической радиотехнике. -М.: Сов. радио, 1971. -383 с.
  2. В.Г. Моделирование многоспектральных аэрокосмических изображений динамических полей яркости/В.Г.Бондур, Н. И. Аржененко, В. Н. Линник, И.Л.Титова//Исследование земли из космоса, 2003,№ 2, с. З-17
  3. Elfeki A. A Markov Chain Model for Subsuface Charakterization: Theory and Applications/Amro Elfeki and Michel Dekking//Mathematical Geology, v. 33,2001, pp. 569−589
  4. К.К. Представление и быстрая обработка многомерных изображений/К.К.Васильев, В. Р. Крашенинников, И. Н. Синицын, В.И.Синицын//Наукоемкие технологии, № 3, 2002. с.4−24.
  5. А.К. Успехи в области математических моделей для обработки изображений// ТИИЭР, т. 69, № 5, май 1981.- с. 9−39
  6. В.Р. Основы теории обработки изображений/Учеб, пособие. Ульяновск, 2003.
  7. Прикладная теория случайных процессов и полей/ Под ред. К. К. Васильева, В. А. Омельченко. Ульяновск: УлГТУ, 1995. — 255 с.
  8. В.А., Сергеев В. В., Сойфер В. А. Обработка изображений в автоматизированных системах научных исследований. М.: Наука, 1982.
  9. А.Г., Ильин С. П. Мозаичное изображение с управляемой корреляцией // Автометрия. 1987. — № 5. — С. 30−35.
  10. П.Спектор А. А. Многомерные дискретные марковские поля и их фильтрация при наличии некоррелированного шума// Радиотехника и электроника, 1985, № 5, с. 512−523.
  11. В.Н. Новые подходы к решению задач обработки и распознавания изображений/ В. Н. Васюков, И. С. Грузман, М. А. Райфельд, А.А.Спектор//Наукоемкие технологии, 2002, № 3,с.44−51
  12. Введение в контурный анализ и его приложения к обработке изображений и сигналов/ Я. А. Фурман, А. В. Кревецкий, А. К. Передреев, А. А. Роженцоы и др.- под ред. Я. А. Фурмана. М.: ФИЗМАТЛИТ, 2002. — 592 с.
  13. К.К., Спектор А. А. Статистические методы обработки многомерных изображений // Методы обработки сигналов и полей. Сб. научн. тр. Ульяновск: УлПИ, 1992, с. 3−18.
  14. К.К. Каузальное представление случайных полей на многомерных сетках // Методы обработки сигналов и полей: Сб. научн. тр. Ульяновск, 1995. — С. 4−22.
  15. О.В. Разработка и исследование алгоритмов моделирования и оценивания многомерных марковских случайных полей. Дис. канд. техн. наук. — Ульяновск, 2000. — 338 с.
  16. Woods J.W. Two-dimensional discrete Markovian fields// Inform. Theory, vol IT-22, 1972, pp. 232−240.
  17. Besag J.E. Spatial interaction and statistical analysis of lattice systems// J.Roy. Stat. Soc., Series B, vol. 36, 1974, pp.-192−236.
  18. Geman S., Graffigne C. Markov random field image models and their applications to computer vision // Proceedings of the international congress of mathematicians. 1986. pp. 1496 1517.
  19. Г. Анализ изображений, случайные поля и динамические методы Монте-Карло. Математические основы, — Новосибирск, Изд-во СО РАН, филиал «Гео», 2002.- 343 с.
  20. Modestino J.W. A Markov random field model-based approach to image interpretation/ J.W. Modestino, J. Zhang 11 IEEE transactions on pattern analysis and machine intelligence. 1992. vol. 14. № 6. pp. 606−615.
  21. R.Chellappa and A. Jain editors. Markov random fields: Theory and Applications, pp. 369−408 Academic Press, Inc., Boston, 1993.
  22. Kato Z., Pong T.-C. A Markov random field image segmentation model for color textured images // Image and Vision Computing, 2006. vol 24. pp. 1103−1114.
  23. Gary S. Weissmann, Steven F. Carle, Graham E. Fogg. Three-dimensional hydrofacies modeling based on soil surveys and transition probability geostatistics // Water resources research. 1999. vol. 35. № 6. pp. 1761−1770.
  24. Jean-Marc Laferte, Patrick Perez, Fabrice Heitz. Discrete markov image modeling and inference on the quadtree // IEEE transactions on image processing. 2000. vol. 9. № 3. pp. 390−404.
  25. Politis D.N. Markov chains in many dimensions//Adv.Appl.Prob. 1994.- pp. 756−774.
  26. B.E., Алгоритм построения одноуровневых марковских полей // Известия Томского политехнического университета: Томск: Изд-во Том. пол. ун-та, 2006. № 8. Том 309. с 32−36.
  27. Кемени Джон Дж., Снелл Дж. Лори, Кнепп Антонии У. Счетные цепи Маркова: Пер. с англ. М.-.Наука, гл. ред. физ.-мат. лит. — 1987. — 416 с.
  28. X., Келли П. Случайные процессы марковского типа с дискретными аргументами // ТИИЭР. 1989. — Т. 77, № 10. — С. 42−71.
  29. А.Б. Основы марковской теории нелинейной обработки случайных полей. М.: Изд-во МФТИ, 1998. — 208 с.
  30. А.П., Тимофеев Б. О., Медведева Е. В. Алгоритм сжатия цифровых полутоновых изображений на основе корреляции разрядныхдвоичных изображений / Всероссийская НТК «Наука-Производство-Технология Экология»: сб. матер.: Киров. 2008. т.2. С. 241−243.
  31. , Е.П. Математические модели видеопоследовательностей цифровых полутоновых изображений / Е. П. Петров, И. С. Трубин // Успехи современной радиоэлектроники. 2007, № 6. — С. 3−31.
  32. Е.П. Пространственно-временная модель цифровых марковских изображений/ Петров Е. П., Трубин И. С., Буторин Е.Л.// Радиолокация, навигация, связь: Сб.трудов. IX МНТК, т. 1.- Воронеж, 2003. с. 330−337
  33. Е. В., Харина Н. Л., Метелёв А. П. Математические модели видеоизображений на основе многомерных цепей Маркова / Сб. науч. трудов 13-й Междунар. конф. «Цифровая обработка сигналов и ее применение». М.: 2011. с. 147−151.
  34. Е. П., Медведева Е. В., Метелев А. П. Метод синтеза математических моделей видеоизображений на основе многомерных цепей Маркова / Нелинейный мир, № 8. 2011. с.
  35. В.И., Миронов М. А. Марковские процессы. М.: Сов. радио, 1977. — 488 с.
  36. К. Работы по теории информации и кибернетике. М.: ИЛ, 1963. — 829 с.
  37. Р. Передача информации. Статистическая теория связи.- М.: Мир, 1965.- 438 с.
  38. А. Двумерная байесовская оценка изображений// ТИИЭР, 1972, т. 60, № 7, с. 153 160.
  39. У. Цифровая обработка изображений: В 2 кн.: Пер. с англ. / Под ред. Д. С. Лебедева. М.: Мир, 1982.
  40. Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. -М.: Техносфера, 2005.
  41. А. А., Пахомов А. А., Никитин С. А., Гуляев Ю. В. Новейшие методы обработки изображений. — М.: Физматлит, 2008. — 496 с.
  42. В.А. Теория потенциальной помехоустойчивости.- М.: Госэнергоиздат, 1956. 152 с.
  43. .Р. Теоретические основы статистической радиотехники. М.: Радио и связь, 1989. — 656 с.
  44. Р.Л. Условные процессы Маркова // Теория вероятностей и ее применение, 1960. Т. 5. — № 11.
  45. Р.Л. Условные марковские процессы и их применение к теории оптимального управления. М.: МГУ, 1966. — 121 с.
  46. Р.Л. Принципы адаптивного приема. М.: Сов. радио, 1973. — 144 с.
  47. Р.Л. Применение теории процессов Маркова для оптимальной фильтрации сигналов // Радиотехника и электроника. 1960. — Т. 11.-С. 1751−1763.
  48. H.H. Избранные вопросы статистической теории связи. М.: Сов. радио, 1971.-416 с.
  49. В.И., Кульман Н. К. Нелинейная фильтрация и квазикогерентный прием сигналов. М.: Сов. радио, 1975. — 704 с.
  50. Ю.Г. Теория обнаружения и оценивания стохастических сигналов. М.: Сов. радио, 1978. — 320 с.
  51. М.С. Применение марковской теории нелинейной фильтрации в радиотехнике. М.: Сов. радио, 1980. — 360 с.
  52. М.С., Миронов М. А. Марковская теория оценивания случайных процессов. М.: Радио и связь, 1993. — 464 с.
  53. Li S.Z. Markov Random Field Modeling in Computer Vision // Springer, 1995.
  54. Wai-Ki Ching, Michael K. Ng. Markov Chains: Models, Algorithms and Applications // Springer, 2006.
  55. Stan Z. Li Markov Random Field Modeling in Image Analysis // Springer, 2009.
  56. Е.П. Нелинейная фильтрация последовательности цифровых полутоновых изображений/ Петров Е. П., Трубин И. С., Буторин E.JI.// Радиотехника и электроника, 2005, т. 10, № 10. с. 1265−1272
  57. Е.П. Нелинейная фильтрация видеопоследовательностей цифровых полутоновых изображений марковского типа / Петров Е. П., Трубин И. С., Частиков H.A. // Успехи современной радиоэлектроники. 2007. № 3.-С. 54−88.
  58. Е.П., Медведева Е. В., Метелев А. П. Фильтрация статистически связанных видеопоследовательностей / Информационные системы и технологии: Материалы XV МНТК / НГТУ. Нижний Новгород, 2009. С.9−10.
  59. А.И. Оптимальная нелинейная фильтрация. М.:МЭИ, 1987. -64 с.
  60. Е.В. Нелинейная многомерная фильтрация цифровых полутоновых изображений /Медведева Е.В., Метелев А. П., Петров Е. П., Трубин И. С. // Радиолокация, навигация, связь: сб. докл. XV МНТК. Воронеж, 2009. В 3 т., т.1. С. 182−192.
  61. В.И. Статистическая радиотехника. М.: Сов. радио, 1966. -679 с.
  62. В.И., Шахтарин Б. И., Сизых В. В. Случайные процессы. Примеры и задачи. Том. 3. Оптимальная фильтрация, экстартоляция и моделирование. Под ред. Сизых В. В. М.: Радио и связь, 2004. 568 с.
  63. . Цифровая связь. Теоретические основы и практическое применение: Пер. с англ. М.: Издательский дом «Вильяме», 2003. -1104 с.
  64. ., Стирнз С. Адаптивная обработка сигналов: Пер. с англ./ Под ред. В. В. Шахгильдяна. М.: Радио и связь, 1988. — 440 с.
  65. Haykin S. Adaptive filter theory (4-th edition). Prentice Hall, 2001. 936 p.
  66. Tanaka M., Kaneda Y., Makino S., Kojima J. A fast projection algorithm for adaptive filtering // IEEE Transactions. Fundamentals. 1995. V. E78A. -№ 10.-P. 1355−1361.
  67. Ozeki K., Umeda K. An adaptive filtering algorithm using orthogonal projection to an affine subspace and its properties // Trans. IEEE Japan. 1984. -Vol. J67A. № 2. — P.126−132.
  68. Gay S.L. A fast converging, low complexity adaptive filtering algorithm // Proc. of the 3-rd International Workshop on Acoustic Echo Control. Plestin les Greves, France. 1993. P. 223−226.
  69. Cioffi J.M., Kailath T. Fast, recursive-least squares transversal filters for adaptive filtering // IEEE Trans. Acoustics, Speech, and Signal Processing. 1984. -Vol. 32.-№ 2.-P. 304−337.
  70. Mathews V.J. Adaptive polynomial filters // IEEE Signal Processing Magazine. 1991.-Vol. 8.-№ 3.-P. 10−26.
  71. B.M., Сосулин Ю. Г., Лимарев A.E., Мухин Н. П. Адаптивная цифровая фильтрация шумоподобных сигналов в радиотехнических системах // Цифровая обработка сигналов. 2000. № 1. — С. 5−18.
  72. А.Б. Алгоритмы адаптивной фильтрации: особенности реализации в MATLAB // Exponenta Pro: математика в приложениях. 2003.-№ 1.-С. 18−28.
  73. Charles Kervrann, Jerome Boulanger. Local adaptivity to variable smoothness for exemplar-based image regularization and representation // Int J Comput Vis. 2008. № 79. P. 45−69.
  74. Faten B. A., Mohamed B. M., Mohamed A. Nonlinear adaptive filters based on Particle Swarm Optimization // Leonardo Journal of Sciences. 2009. № 14. P. 244−251.
  75. Е.П. Адаптивная фильтрация видеопоследовательностей цифровых полутоновых изображений / Петров Е. П., Трубин И. С., Ивонинский С. А., Булыгина О. П. // Успехи современной радиоэлектроники. 2007, № 7.- С.34−50.
  76. Е. П., Медведева Е. В., Метелев А. П. Адаптивная нелинейная фильтрация сильно зашумленных видеоизображений / Четвертый Белорусский космический конгресс // Материалы конгресса. Минск: ОИПИ НАН Беларуси, 2009. Т.1. С. 170−174.
  77. Е. П., Медведева Е. В., Метелев А. П. Адаптивная нелинейная фильтрация коррелированных видеопоследовательностей / Материалы VI НТК «Системы наблюдения, мониторинга и дистанционного зондирования земли» М.: 2009. С.194−198.
  78. Е. П., Медведева Е. В., Метелев А. П. Адаптивная нелинейная фильтрация статистически связанных видеопоследовательностей / TComm. Телекоммуникации и транспорт. № 52 009. с. 18−21.
  79. Е.В., Петров Е. П., Метелев А. П. Адаптивная нелинейная многомерная фильтрация видеоизображений / Цифровая обработка сигналов и ее применение: сб. научн. трудов 12-й Международной конференции. М.: 2010. С.97−101.
  80. Е.В., Петров Е. П., Метелев А. П. Повышение помехоустойчивости приема видеоизображений с неизвестными статистическими характеристиками / Радиолокация, навигация, связь: сб. докл. XVIМНТК. Воронеж, 2010. В 3 т., т.1. С.224−230.
  81. C.B., Петров А. И. Адаптивная фильтрация сообщений. М.: Радио и связь, 1991. 160 с.
  82. В.И. Прикладная библиотека адаптивных алгоритмов // Электроника: Наука, Технологии, Бизнес. 2006. № 1. — С. 60−65.
  83. W. Zhao Image restoration under significant additive noise / W. Zhao, A. Pope // IEEE Signal Processing Letters, Vol. 14, №. 6, June 2007, pp.401−404.
  84. A.B. Комбинированная фильтрация полутоновых изображений, искаженных при передаче по цифровому каналу связи/ Колупаев A.B., Частиков И. А., Трубин И. С., // Цифровая обработка сигналов и ее применение: Доклады 11-й МНТК. М., 2009. — с. 484−486.
  85. Е. П., Медведева Е. В., Метелев А. П. Метод комбинированной нелинейной фильтрации коррелированных видеоизображений / Нелинейный мир, № 11. 2010. с. 677−684.
  86. Заместитель директора по науке, а , — ^ / л. А. Щаб-к.т.н., доцент • / > I ^
  87. Начальник отдела к.т.н., доцент1. И. Н. Бармин1. АКТ ВНЕДРЕНИЯс1. РЭС
  88. ГОСУДАРСТВЕННАЯ КОРПОРАЦИЯ «РОСТЕХНОЛОГИИ» ОТКРЫТОЕ АКЦИОНЕРНОЕ ОБЩЕСТВО
  89. Научно-исследовательский институт средств вычислительной техники"1. ОАО «НИИ СВТ»)ул., д. 31, г. Киров, 610 025, тел, (8332) 67−99−75, факс 67−97−00, е-тг ОКПО 7 517 462 ОГРН 1 114 345 026 784 ИНН/КПП 4 345 309 407/4345010011. УТВЕРЖДАЮ
Заполнить форму текущей работой

Сессия? Спокойно!