Система обработки видеоизображений «Контраст» разработана на кафедре информационной безопасности МГТУ им. Н. Э. Баумана. Разработка предназначена для повышения качества изображения видеосистем, работающих в условиях сильных гармонических помех: студийная обработка видеоизображений, охранные комплексы, приёмники телевещательных сетей. А. Барсуков, журнал "ТКТ" № 12, 2004 г. (через эту ссылку можно бесплатно скачать справочник)

Тема повышения качества изображений на XII Всероссийской научно-технической конференции «Современное телевидение».
Повышение качества телевизионных изображений ориентированных текстур с использованием направленной фильтрации (НФ) в частотной области (ООО «МП «ЭЛСИС»). Ориентированные структуры встречаются часто. Многие контурные, топографические изображения, изображения отпечатков пальцев имеют подобную природу. Методы повышения качества таких изображений учитывают направления структуры объекта. Один из таких методов – НФ в частотной области; она может быть реализована как с использованием заранее сформированного поля направлений, так и без него. Направленный полосно-пропускающий фильтр оставляет частотные составляющие, совпадающие с указанным направлением, а ортогональные устанавливает в ноль.
Возможны два подхода к реализации НФ. Первый заключается в применении прямого преобразования Фурье, фильтрации, обратного преобразования для каждого отдельно взятого фрагмента (например, 16 х 16, 32 х 32 и т. п.). Второй подразумевает вычисление банка фильтрованных изображений для всего изображения. Первый подход имеет меньшую вычислительную сложность, но полученные изображения имеют артефакты, обусловленные краевыми эффектами. Наилучшее качество обеспечивает второй подход, реализация которого описана ниже.
1. Предварительная обработка изображений, включающая в себя стандартные процедуры: растягивание гистограммы, компенсационное выравнивание и нормализацию.
2. 2. Частотная обработка. Основным этапом применяемой обработки изображений в частотной области является НФ. Кроме НФ применяются дополнительные преобразования.
2.1. Прямое преобразование Фурье.
2.2. Фильтр преобладающей частоты (предназначен для усиления основных частотных составляющих изображения).
2.3. Нахождение банка изображений НФ. Объём банка V = 4, 8, 16, 32… зависит от числа используемых направлений. Результирующий фильтр строится как композиция полосового фильтра Баттеруорта и синусоидального направленного фильтра.
2.4. Полосовая фильтрация. Применяется для каждого изображения из банка изображений. На данном этапе, в частности, происходит устранение грубых структурных разрывов за счет удаления НЧ составляющих.
2.5. Обратное преобразование Фурье.
2.6. Построение отфильтрованного изображения. На этом этапе на основе V изображений банка создаётся одно результирующее изображение.
Подобное изображение может строиться на основе заранее сформированного поля направлений, когда в итоговое изображение помещаются элементы из того изображения из банка изображений, которое соответствует локальному направлению. Нахождение поля направлений является нетривиальной, зачастую не имеющей общего (для многих изображений) алгоритма, задачей. Поэтому для ряда задач может применяться подход, при котором итоговое изображений получается при помощи анализа изображений из банка изображений. Например, возможно получение итогового изображения на основе выбора участков с максимальным контрастом.
3. Постобработка. Окончательная обработка изображения после применения направленной частотной фильтрации может включать в себя компенсационное выравнивание, нормализацию, а также мероприятия по вычищению избыточного шума. А. Барсуков, журнал "ТКТ" № 10, 2004 г. (через эту ссылку можно бесплатно скачать справочник)

Тема восстановления изображений на VI Международной конференции «Цифровая обработка сигналов и её применение» (По материалам РНТОРЭС им. А. С. Попова)
Многослойный персептрон в задаче восстановления изображений по фазовому спектру (Ярославский государственный университет им. П. Г. Демидова). В общем случае процесс искажения/восстановления изображения показан на рис. 1: f(x,y) – входное изображение, g(x,y) – искаженное изображение, f1(x,y) – оценка входного изображения. Задача восстановления состоит в получении оценочного изображения f1(x,y) по искаженному изображению g(x,y) и имеющейся информации о функции искажения и аддитивном шуме.
Так как обычно мало что известно об искомом и искажающем сигналах, деконволюция двух сигналов в общем случае является сложной задачей. Однако в частном случае, когда об искажающем сигнале известно, что фаза его Фурье-образа равна нулю, спектральная фаза искомого сигнала является неискаженной. Такая ситуация встречается, по крайней мере приблизительно, при длительном экспонировании через турбулентную атмосферу или в случае, когда изображения размыты из-за сильной дефокусировки линзы с круглыми диафрагмами. Предложенный для решения данной задачи итерационный метод, построенный на алгоритме Герхберга-Закстона, прост в реализации, однако имеет ряд недостатков, что сделало актуальной задачу разработки новых алгоритмов восстановления изображений по фазовому спектру.
Нейросетевой метод основан на рассмотрении задачи восстановления изображения как задачи многомерной аппроксимации. Для решения используется двухслойный персептрон, на вход которого подаются отсчеты фазового спектра неизвестного сигнала, а с выхода снимаются отсчеты самого сигнала. Обучение производится по совокупности пар «фазовый спектр – временной сигнал» после чего нейронная сеть (НС) должна восстановить неизвестное изображение по его фазовому спектру.
При обучении ставилась задача так обучить сеть, чтобы она имела наилучшие обобщающие свойства. Наибольшая устойчивость сети к переобучению наблюдалась при использовании квазиньютоновского алгоритма Левенберга-Марквардта. Эффективность работы сети контролировалась по среднему и максимальному значениям среднеквадратичного отклонения сигнала, сгенерированного сетью по фазе ДПФ тестового сигнала от самого этого сигнала.
Для проверки устойчивости методов к присутствию в изображении шума проводилось восстановление сигнала по отсчетам фазовой характеристики, к которым добавлялся белый гауссов шум с заданным отношением «сигнал/шум». Анализ результатов показывает, что нейронная сеть гораздо более устойчива к присутствию шума во входных данных, чем алгоритм Герхберга-Закстона. Для него усиление шума иногда настолько преобладает над усилением полезного сигнала, что последний становится неразличимым на фоне шумов (отрицательное отношение «сигнал/шум» на выходе).
Был разработан и протестирован комплексный подход к проблеме восстановления амплитуды. Он работает по схеме, показанной на рис. 2. Объединение двух алгоритмов позволяет существенно уменьшить объём вычислений по сравнению с «чистым» методом Герхберга-Закстона. Используя комбинированный метод для данных, в которых отсутствует шум, можно обнаружить, что число итераций, необходимых для сходимости алгоритма, будет в среднем в 40 раз меньше, чем при инициализации метода случайным сигналом.
Из таблицы, где сравнивается время получения решения тремя методами видно, что нейросетевой метод работает значительно быстрее и при увеличении длительности сигнала затрачиваемое на получение решения время для него растёт гораздо медленнее, чем для итерационного метода. Комплексный метод позволяет объединить достоинства двух методов – скорость нейросетевого и точность итерационного. Уменьшение времени получения решения достигается за счет значительного уменьшения числа итераций, необходимых для сходимости итерационного метода.
Объём вычислений, необходимых для формирования изображения по фазовой характеристике его ДПФ при помощи НС существенно меньше, чем для итерационного метода. Если шум в данных отсутствует, то метод Герхберга-Закстона предпочтительнее, так как позволяет получить точное решение, не содержащее ошибок. В этом случае можно уменьшить время вычислений и увеличить точность, объединив оба метода. Поскольку сигнал, получаемый на выходе НС, является очень близким к точному решению, то достаточно небольшого количества итераций для получения точного решения. А. Барсуков, журнал "ТКТ" № 11, 2004 г. (через эту ссылку можно бесплатно скачать справочник)
По сборнику докладов на VI Международной конференции «Цифровая обработка сигналов и её применение». Авторы - Апальков И. В., Приоров А. Л., Соколенко Е. А., Хрящев В. В.

МКБ "Электрон". (Обзор докладов на 6-й научно-технической конференции "Современное телевидение") "Метод расщепления системы уравнений при оценивании параметров изображений". При обработке изображений наиболее распространен метод наименьших квадратов, позволяющий сглаживать шумы на изображении и решать проблему сжатия данных. Однако система уравнений метода имеет большой порядок, и для её решения требуется большой объем памяти и времени счета. В докладе предложено решение, позволяющее значительно уменьшить указанные недостатки.
"Оценка параметров изображения методом минимальных модулей". Для подавления шумов при обработке изображений используются медианные фильтры, эквивалентные методу минимальных модулей, когда полезный сигнал аппроксимируется полиномом нулевой степени. Однако при этом не исключены большие ошибки оценок искомых параметров. Предлагается обобщение медианного фильтра для полиномов от двух переменных, представимых линейными комбинациями B-сплайнов с неизвестными параметрами. Алгоритм расчета параметров полинома строится на основе метода минимальных модулей и сводится к последовательному решению системы линейных алгебраических уравнений с использованием сопряженных сплайнов.
"Минимаксный метод оценки параметров изображения". При обработке изображений, как правило, в ошибках измерений присутствуют составляющие, о которых известно только то, что они изменяются в определенных пределах. В этих случаях оценки параметров изображения предпочтительно производить по минимаксному критерию, вид которого описан в докладе. Однако при реализации минимаксного критерия необходимо находить решение системы алгебраических уравнений большой размерности, для чего требуются большие объемы памяти и времени счета на ПЭВМ. Цель доклада — в изложении для условий априорной неопределенности об ошибках измерений нового быстрореализуемого высокоэффективного метода решения на ПЭВМ задачи оценки параметров изображения как задачи обработки выборки двумерных измерений.
"Алгоритм обнаружения и оценки параметров изображений". В основе алгоритма — идея n-кратного применения окна априори фиксированным линейным размером при каждом его перемещении вдоль каждой строки прямоугольника растра, сопоставления согласно статистическому критерию размеров окна с линейными размерами выборочных отметок текущей строки с целью достоверного обнаружения отметок изображения, выделения страниц восстановленного изображения с оценкой параметров и количества его элементов и параметров изображения в целом, принятия решения об обнаружении изображения кольцевой структуры по текущей выборке двумерных измерений яркостного изображения на текущем прямоугольном растре.  А. Барсуков, журнал "ТКТ", 1998 г., № 6 (через эту ссылку можно бесплатно скачать справочник)

СГЛАЖИВАНИЕ ДЛЯ МОДЕЛИ ИМПУЛЬСНЫХ ПОМЕХ (В. В. Свиридов, Серпуховской ВИ РВ); SMOOTHING FOR A MODEL OF PULSE INTERFERENCE (V. V. Sviridov, Serpukhov military institute) По докладу на 17-й Международной научно-технической конференции «СОВРЕМЕННОЕ ТЕЛЕВИДЕНИЕ»
Модель импульсных помех предполагает, что с некоторой вероятностью элемент сигнала заменяется случайной величиной. Сглаживание импульсного шума, очевидно, требует обнаружения искаженных элементов сигнала и последующего оценивания их значений по значениям неискаженных элементов. Вообще говоря, алгоритмы сглаживания импульсных помех должны быть двухпроходовыми с разметкой искаженных элементов на первом проходе и оценкой их сглаженных значений на втором проходе. Но для упрощения можно сделать алгоритм однопроходовым, совмещая операции обнаружения и оценивания в одном проходе.
Разметка элементов изображения на искаженные шумом и не искаженные (обнаружение выбросов шума) может быть выполнена на основании проверки гипотезы о принадлежности центрального элемента некоторой локальной окрестности S той же выборке, что и заданное большинство остальных элементов окрестности, или выпадения ее из этой выборки. Это достаточно типичная задача математической статистики, для решения которой обычно рекомендуются алгоритмы, основанные на ранговых статистиках [1,2].
Наиболее простым ранговым способом проверки гипотезы о принадлежности центрального элемента ν_k,l заданной локальной окрестности S_к выборке из большинства остальных элементов окрестности является голосование, т.е. проверка попадания ранга Y_s(ν,l) в E_s – окрестность медианы, задаваемой в зависимости от вероятности появления импульсных помех на элемент изображения.
Если
|Y_s(ν_k,l) - (N + 1) / 2| < E_Y ,
то принимается решение об отсутствии помехи, в противном случае элемент (k,l) помечается как искаженный помехой. Такой способ обнаружения помехи предполагает, что импульсная помеха, как правило, принимает экстремальные значения. Отметим, что ранг как критерий проверки гипотезы о принадлежности элемента к данной выборке является частным случаем критерия Вилкоксона, проверяющего наличие сдвига между двумя выборками с одинаковым законом распределения.
Проверку гипотезы о наличии или отсутствии выброса помехи в центральном элементе S–окрестности можно производить также путем сравнения не по его рангу, а по его значению.
Порог E_Y может быть выбран сразу для всего изображения, но его можно и адаптивно подстраивать в зависимости от локального разброса значений сигнала. В качестве оценки локального разброса можно использовать, например, квазиразмах по E_Y –окрестности:
QD(S) = ν_s((N_s + 1)/2 + E_Y) - ν_s((N_s + 1)/2 - E_Y),
являющийся, как известно, устойчивой к распределению оценкой разброса значений в выборке.
После этапа обнаружения элементы изображения, отмеченные как выбросы импульсного шума, должны быть заменены их оценкой. В качестве оценки можно использовать значения, полученные тем или иным сглаживанием по окрестности этих элементов, причем из этой окрестности исключаются элементы, отмеченные при обнаружении выбросов шума.
Таким образом, алгоритм сглаживания импульсного шума может быть представлен в виде:
,
где SMTH(M) означает сглаживание по некоторой окрестности М, из которой исключены точки, подлежащие исправлению.
Характерными при сглаживании импульсных помех являются ошибки ложного обнаружения, которые приводят к нежелательному сглаживанию деталей изображения, и ошибки пропуска, из–за которых на изображении могут остаться не сглаженные выбросы помех. Доля этих ошибок зависит от порогов: с увеличением порогов доля ложных обнаружений падает, а доля пропусков возрастает. Следует учитывать, что число ложных обнаружений и пропусков возрастает также из–за возможного наличия в S–окрестности не одного, а нескольких больших выбросов помех. Поэтому для повышения качества сглаживания импульсных помех его целесообразно проводить итеративно, начиная с больших значений порогов, и, по мере удаления больших выбросов помех, понижая пороги на каждой итерации.
Литература
1. Ярославский Л. П. Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику – М.: Радио и связь. – 1987. – 296
с.: ил.
2. Беликова Т. П., Ярославский Л. П. Использование адаптивных амплитудных преобразований для препарирования изображений // Вопросы радиоэлектроники. Сер. Общетехн. – 1974. – Вып. 14.

РАБОТА ТЕЛЕВИЗИОННЫХ СИСТЕМ В УСЛОВИЯХ МАЛОГО КОНТРАСТА (В. Д. Смирнов, И. В.Кнороз, Р. В.Пронин, СПб, ФГУП НИИ Телевидения); TV-SYSTEMS OPERATION IN THE LOW CONTRASTS CONDITIONS (V. D.Smirnov, I. V.Knoros, R. V. Pronin, Russia, St. - Petersburg, SRIT) По докладу на 17-й Международной научно-технической конференции «СОВРЕМЕННОЕ ТЕЛЕВИДЕНИЕ»
Вопросы, относящиеся к решению проблемы работы аппарата человеческого зрения (а также простейших визуальных приборов) в условиях малого контраста регистрируемого объекта на большом мешающем фоне, впервые были поставлены основоположником фундаментальной теории о квантовой природе света академиком С. И. Вавиловым и последовательно в дальнейшем изучались А. А. Лебедевым и А. В. Луизовым [1]. Именно эти ученые ввели понятия контраста, порогового контраста, эффективного контраста, а также порогового контраста во времени. В космическом телевидении данная проблема изучалась А. Розе, Л. Хромовым, П. Брацлавцем [2–4].
С появлением современных приемников излучения (линейных и матричных ПЗС видимого диапазона; многоэлементных инфракрасных приемников излучения), работающих в спектральном интервале, во много раз превышающем область спектральной чувствительности человеческого глаза, значительно расширился и круг актуальных современных задач в различных отраслях науки [57], которые в целом можно объединить и определить как проблему достижения потенциальной помехоустойчивости работы оптико-электронной аппаратуры в условиях различной величины контраста регистрируемого объекта к окружающему его фону.
Целью данной работы является определение потенциальной чувствительности оптико-электронных приборов и телевизионных систем в случае ограничения ее фотонными шумами фонового тока при работе этих приборов по малоразмерным объектам в условиях малого контраста их к окружающему фону. В докладе рассмотрен случай работы оптико-электронной аппаратуры, когда фоновый поток значительно больше сигнального потока регистрируемого излучения. По определению Р. Хадсона данный вариант использования аппаратуры относится к так называемому случаю «ограничения чувствительности фоном» [5] («режим ОФ»).
Получено выражение для величины отношения сигнал/шум.
Литература
1. Луизов А. В. Инерция зрения. М.: Оборонгиз, 1961.
2. Розе А. Зрение человека и электронное зрение. М.: Мир, 1977.
3. Хромов Л. И., Смирнов В. Д. Влияние параметров оптической системы на предельную чувствительность телевизионных систем //Техника
средств телевидения. Сер. Техника телевидения. 1981. Вып.4. С.3-7.
4. Брацлавец П. Ф. и др. Космическое телевидение. М.: Связь, 1973.
5. Хадсон Р. Инфракрасные системы. М.: Мир, 1972.
6. Смирнов В. Д. Оптические и оптико–электронные системы космического технического зрения для беспилотных летательных аппаратов. – СПб.: Издательство «Петербургский институт печати», 2006.
7. Смирнов В. Д. Оптика, оптоэлектроника и лазерная техника в полиграфии.- СПб.: Издательство «Петербургский институт печати», 20

ВЫДЕЛЕНИЕ КОНТУРОВ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ФУНКЦИИ ГРИНА (Ю. Ф. Болтов, СПб ГУТ, Санкт-Петербург); EDGE DETECTION BASED ON GREEN-FUNCTION (J. F. Boltov., SUT, Saint Petersburg) По докладу на 17-й Международной научно-технической конференции «СОВРЕМЕННОЕ ТЕЛЕВИДЕНИЕ»
Введение. Одной из важных процедур при обработке телевизионного изображения является выделение контура. В предложенной работе эта задача решается на основе функции Грина.
В [1] предложена новая технология сжатия графической информации. В ней изображение представляется в виде суммы двух частей: структурированного поля (геометрической маски изображения), построенного на основе функции Грина, и остаточного поля, которое определяется как разность исходного изображения и структурированного поля. В качестве основы для формирования функции Грина пригодно любое уравнение математической физики, областью существования которого является квадратное или прямоугольное окно (размеры окна могут варьироваться на программном уровне). Функцией Грина обрабатываются источники типа диполя (для диполя характерен скачок градации цветности), совокупность которых, как правило, образует абрис изображения. Принадлежность пикселя к источнику определяется при сканировании изображения. Если в его окрестности перепад градации цветности по координате х (у) превышает заданный порог, то этот пиксель интерпретируется как особая точка в виде диполя, ориентированного по оси х (у). Если имеют место оба перепада, то данный пиксель считается соответственно двойным диполем. Для заданного размера окна, который определяет область влияния текущего диполя, компоненты матриц, соответствующих в дискретном пространстве производной функции Грина. Значения этих компонент антисимметричны относительно прямой, перпендикулярной оси диполя. Используя затем метод суперпозиции, несложно при заданном уравнении состояния вычислить суммарное поле особых точек (т. е. частное решение). Это поле имеет в особых точках разрывы, равные перепадам градаций цветности, а в других точках является непрерывным. Поле каждой особой точки на границах окна стремиться к нулю, а после смещения в диапазон 0..255 (это требуется для компьютерного представления)- к половине перепада градации цветности в окрестностях данной особой точки.
Постановка задачи. Представленная выше технология обработки изображения базируется на постулате: резкие перепады цветности целесообразнее всего обрабатывать непосредственно в плоскости рисунка. Обоснованием этого постулата может служить тот факт, что функция Дирака, с которой связаны источники (пиксели с резким перепадом цветности), в плоскости оригинала представляется координатами только одной точки, а в плоскости изображения (после соответствующего интегрального преобразования) для её точного преставления требуется существенно больший набор данных. Видимо, этот постулат может быть взят за основу также и при решении задачи, обозначенной в названии доклада, так как при выделении контура изображения приходится иметь дело с резкими скачками значений градации цветности. Для определения границ областей с различной цветностью на основе функции Грина, очевидно, следует использовать малые размеры окна.
Применение для выделения контуров указанной выше технологии изменений приводит к следующим результатам: края областей выделяются четко и с высокой степенью разрешения; фон в каждой цветовой плоскости стремится к некоторому усредненному значению градаций цветности; положительные перепады фиксируются более светлыми относительно фона полосками, а отрицательные перепады — более темными. Однако подобный способ выделения контуров не соответствует классической постановке задачи (см. [2]), в которой фон должен быть черным, а всем перепадам градаций цветности должны соответствовать полоски соответствующей светимости. Таким образом, для решения поставленной задачи требуется адекватная перестройка процедуры построения поля особых точек, связанная с переходом к ассиметричному окну.
Построение поля особых точек на основе ассиметричного окна. Для матрицы, заменяющей производную функции Грина в цифровом пространстве, характерно то, что половина компонент представляет собой положительные числа (для диполя с осью вдоль координаты х справа от оси симметрии), а другая половина компонент является отрицательными числами (слева от оси симметрии). Это обстоятельство не позволяет использовать симметричную матрицу (текущая особая точка в этом случае помещается в середину окна) для выделения контуров в классической постановке. Представим каждую из исходных матриц, соответственно предназначенных для расчета полей диполей с осью по х и с осью по у в виде суммы двух матриц. Одна из этих матриц будет содержать только положительные компоненты; другая матрица будет состоять только из компонент, имеющих отрицательные значения. Матрицей с положительными значениями будем обрабатывать только положительные перепады градаций цветности, а другой матрицей - только отрицательные перепады. В этом случае в зависимости от знака перепада градации цветности окно обработки будет находиться относительно особой точки либо слева для диполя по х (снизу для диполя по у), либо справа для диполя по х (сверху для диполя по у). После такой модификации при малых размерах окна фон буден равен нулю (черный цвет), а значения светимостей особых точек будет стремиться к модулю фактического перепада градации цветности в их окрестностях. При этом в отличие от симметричного окна значение поля не будет выходить за пределы 0..k, где k равно уменьшенному на единицу числу градаций цветности соответствующей цветовой плоскости (следует отметить, что при больших значениях окна последнее обстоятельство может не иметь места).
Размеры окон Win, соответствующие матрицам с компонентами, имеющими один знак, вычисляются по формуле:
Win = ( 2win₀ - 1 ) * win₀ ,
где win₀ - величина, которая задается пользователем.
Для диполя с осью, ориентированной вдоль координаты х (вдоль координаты у) матрица имеет число строк, равное 2win₀ - 1 ( win₀ ) и число
столбцов – win₀ (2win₀ - 1). Исключение составляет ситуация, когда win₀ =1. В этом случае число строк для диполя по х и число столбцов для диполя по у равно 3. Ниже, для примера, приведены значения компонент матриц Win2Y ( win₀ =2) и Win1Y (win₀ =1), которые используются для обработки отрицательных перепадов градаций цветности вдоль y: (2)
.(1)
Линиям разрезов соответствуют последние строчки приведенных матриц.
Аналогичные матрицы для обработки положительных перепадов цветности по у (Win2Y₊, Win1Y₊) нетрудно получить на основе матриц (1), заменив в них значения компонент на их модули с последующим зеркальным отображением строк относительно линий разрезов.
Матрицы для обработки положительных и отрицательных перепадов по координате х, формируются соответствующей заменой строк в матрицах для обработки перепадов по у на столбцы.
Очевидно, что предложенная технология выделения контуров изображения непосредственно в плоскости изображения даёт возможность построить более быстрый алгоритм, чем существующие способы ([2]). Этот алгоритм строится по следующей схеме: сканированием изображения определяются особые точки, в окрестностях которых перепады градаций цветности превышают заданный порог (число этих точек составляет, как правило, не более 5-25% от общего числа); особые точки обрабатываются одной из матриц, представленных в (1).
В существующих методах все точки изображения обрабатываются соответствующим фильтром. Более того, для улучшения результата часто приходится предварительно обрабатывать изображения фильтрами типа LoG или DoG [2].
Экспериментальные результаты и их анализ. На рис. 1а представлен рисунок Ивана Билибина. Рисунок 1б представляет собой результат выделения контура с использованием фильтра Лапласа-Гаусса [3]. После увеличения контрастности до максимума этот контур принимает вид, изображенный на рис. 1в. Результат выделения контура на основе предложенной технологии отображен на рис. 1г ( win₀ =1).
Обработка изображения, построенная на основе функции Грина, естественным образом позволяет адекватно отображать величину перепада цветности в соответствующей яркости данного отрезка контура. При обработке фильтром Лапласа-Гаусса подобное соответствие, как видно из сравнения 1а, 1б, 1г, просматривается в меньшей степени. Предложенный подход демонстрирует большую разрешающую способность, чем фильтр Лапласа-Гаусса, при обработке которым близко лежащие границы цветности (как видно на рис. 1б и 1в) сливаются в одну (предложенная технология позволяет различать контуры на расстоянии ~ win₀ ).
Рис. 1
Наличие полос слабой светимости на черном фоне (следствие дефектов сканирования), имеющее место на рис. 1г, не просматривается на рис. 1б. Увеличение контрастности до максимальной позволяет различить эти полосы (рис. 1в). Однако в результате этой процедуры нарушаются пропорции светимости между большими и малыми перепадами градациями цветности. Говоря другими словами, есть основание говорить о большей чувствительности предложенного метода. К этому выводу приводит также и наличие некоторых мелких деталей на рис. 1г, которые отсутствуют на рис. 1б и 1в.
Выводы. В работе предложен новый подход выделения абриса изображения. Этот подход базируется на основе функции Грина, что позволяет реализовать указанную операцию непосредственно в плоскости оригинала (в цветовой плоскости). По сравнению с существующими способами выделения контуров, которые, как правило, в явном или не явном виде производят эту операцию в плоскости изображения (в спектральной плоскости), обладает рядом преимуществ: не требует дополнительной обработки; в его основе лежит более быстрый алгоритм; светимость контуров адекватнее исходному изображению.
Литература
1. Болтов Ю. Ф. Сжатия изображений на основе их представления в
виде полевой структуры. /Ю. Ф. Болтов, И. Б. Волков //Труды учебных заведений связи / СПбГУТ.-СПб, 2007. № 176, стр. 98-113.
2. Яне Б. Цифровая обработка изображений/ Б. Яне. //Техносфера.-М., 2007, 584 стр.

ОДНОВРЕМЕННАЯ ВЕЙВЛЕТ ФИЛЬТРАЦИЯ И СЖАТИЕ ОПОРНОГО КАДРА С ИСПОЛЬЗОВАНИЕМ ОПТИМАЛЬНОГО БАЗИСА КЛАССА ДОБЕШИ НА КАЖДОЙ СТУПЕНИ РАЗЛОЖЕНИЯ (С. Н. Кириллов, И. В. Косткин, Рязанский государственный радиотехнический университет); SIMULTANEOUS VEYVLET FILTERING AND COMPRESSION SUPPORTING FRAME WITH USE THE OPTIMUM BASIS OF THE CLASS DOBESHI ON EACH STEP OF THE DECOMPOSITION (S. N. Kirillov, I. V. Kostkin, Ryazan state radioengineering university) По докладу на 17-й Международной научно-технической конференции «СОВРЕМЕННОЕ ТЕЛЕВИДЕНИЕ»
В ряде практических задач изображения содержат шумы, связанные как с внутренними физическими явлениями внутри аппаратуры регистрации, так и с внешним неблагоприятным воздействием. Очевидным решением в этом случае является предварительная фильтрация зашумленного изображения, но это в свою очередь ведет к дополнительным вычислительным затратам и потери части информации изображения в результате фильтрации. Поэтому необходимо применять различные эффективные алгоритмы совместной нелинейной обработки и сжатия данных, с целью снижения вычислительных затрат, а также экономии места на физических носителях информации и снижения требований к используемым каналам связи.
Кроме этого с развитием цифрового телевидения растет интерес к стандартам сжатия, работающим в реальном масштабе времени, для передачи видеоданных в прямом эфире.
Цель работы – разработка алгоритма одновременной фильтрации и сжатия опорного кадра видеопоследовательности, работающего в реальном масштабе времени, с применением вейвлет преобразования [3].
Стандарт JPEG 2000 позволяет сжимать изображения от 2 до 200 раз без заметной потери в качестве [1]. Однако указанные алгоритмы не предусматривают возможности одновременной нелинейной обработки и сжатия цифровых изображений. В связи с этим возможна модификация алгоритма стандарта JPEG 2000, когда ведется адаптивная обработка коэффициентов вейвлет-пакетного разложения (ВПР) в зависимости от зашумленности снимка. Ранее в целях увеличения коэффициента сжатия в [2] был получен вектор оптимальных базисов класса Добеши на каждой ступени разложения. Дополнительно для уменьшения влияния шума необходимо определить оптимальную функцию трешелдинга коэффициентов ВПР, обеспечивающих наибольший коэффициент сжатия при максимально возможной степени подавления шума.
Рисунок – Зависимость пикового отношения сигнал-шум от коэффициента сжатия
Исследования предлагаемого метода сжатия проводилось на изображениях в градации серого 0…255. В результате исследований был предложен алгоритм поиска оптимальной функции трешелдинга при использовании вейвлет-сжатия на основе оптимального базиса на каждом уровне ВПР [2].
Результат работы указанного алгоритма представлен на рисунке.
Данные графики представляют собой зависимости пикового отношения сигнал-шум (PSNR) восстановленного после компрессии изображения от коэффициента сжатия исходного зашумленного изображения, где зависимость 1 – результат работы предложенного алгоритма, а зависимость 2 – результат работы известного алгоритма сжатия.
Из анализа приведенной зависимости следует, что использование алгоритма одновременной фильтрации и сжатия позволяет получить более высокое значение PSNR, по сравнению с известным вейвлет-сжатием, однако при значениях коэффициента сжатия более 16 раз, алгоритмы дают приблизительно одинаковый результат, что объясняется более сильными искажениями вносимыми в результате сжатия цифрового изображения
Таким образом, показано преимущество предложеного алгоритм совместной фильтрации и сжатия неподвижных цифровых изображений с применением вейвлет преобразования на основе вектора оптимальных базисов класса Добеши на каждом уровне разложения, обеспечивающих максимальный коэффициент сжатия при наибольшем подавлении шума по сравнению с известными алгоритмами компрессии цифровых снимков.
Литература
1 Р. Гонсалес, Р. Вудс. Цифровая обработка изображений. М.: Техносфера, 2006 г. 1072 с.
2. Кириллов С. Н. Косткин И. В. Алгоритм сжатия цифровых изображений с использованием синтезированного базиса на каждой ступени вейвлет-пакетного разложения // Доклады 10-й Международной конференции «Цифровая обработка сигналов и ее применение» Москва, 2008. Т.2. С. 480-483.ЦОС.
3. Блаттер К. Вейвлет анализ. Основы теории. М.: Техносфера. 2004. 280 с

АЛГОРИТМ СУПЕРИЕРАРХИЧЕСКОГО ПОДАВЛЕНИЯ ШУМА В ВИДЕОРЯДЕ (А. В. Прокофьев, ТвГУ, Тверь; С. И. Василенко, ФГУП МКБ «Электрон», Москва); ALGORITHM OF SUPERHIERARCHICAL SUPPRESSION OF NOISE IN THE VIDEO SERIES (A. V. Prokofyev, TvGU, Tver; S. I. Vasilenko, FGUP MKB «Electron») По докладу на 17-й Международной научно-технической конференции «СОВРЕМЕННОЕ ТЕЛЕВИДЕНИЕ»
Стандартные алгоритмы подавления некореллированных шумов в сигналах основаны на методах усреднения по нескольким наблюдениям во времени одного и того же сигнала, предложенный в [1] метод подавления шума в видеоряде не является исключением. Его идея также заключается в усреднении выборок сигнала, применительно к видеоизображению – кадров. Особенность состоит в том, что соседние кадры могут меняться во времени из-за перемещения или трансформации объектов на них, и в процессе усреднения таких сигналов необходимо учитывать движение изменившихся областей. Для более качественного подавления шумов можно использовать набор из нескольких N кадров, таким образом, улучшив отношение сигнал-шум в суммированном сигнале-кадре в √N раз. Но при этом в N раз также увеличивается вычислительная сложность метода, и увеличиваются ошибки вычисления из-за большой разницы сигналов первого и последнего кадра. Описанный метод супериерархической компенсации нивелирует подобные недостатки.
Супериерархическая компенсация получила своё название из-за структуры способа поиска векторов движения и способа получения суммированного кадра видеопоследовательности, каждый из которых представляет собой иерархическую структуру.
Поиск векторов движения производится для блоков изображения кадра, имеющих равный размер mxm пикселей и основывается на минимизации значения суммы абсолютных разностей пикселей в блоках кадров:
, (1)
где x, y – положение блока в изображении, w – область (окно) поиска переместившегося блока, T¹_i,j и T²_i,j - матрицы изображений кадров, (k, l) – вектор движения блока. Операция минимизации для любого блока считается выполненной, если сумма абсолютных разностей меньше среднего уровня шума в кадрах:

где M, N – размер изображений кадров. Поиск вектора движения для блока не осуществляется в том случае, если выполняется условие (2) с нулевыми значениями k и l, то есть принимается решение о том, что блок изображения не изменился.
Рис. 1. Иерархическая схема поиска векторов движения
Для уменьшения вычислительной сложности процедура поиска векторов движения проводится не для изображений кадров, а для результатов их n-уровневого двумерного вейвлет-преобразования по схеме Мала [2]. Результаты такого преобразования на n-ном шаге представляют собой сглаженные и уменьшенные в 2ⁿ раз проекции исходных изображений кадров, которые аналогично разбиваются на блоки (размером в 2ⁿ раз меньше) и поиск векторов движения производится в соответственно уменьшенной области поиска. Таким образом, для нахождения вектора движения блока необходимо вычислить не w² сумм абсолютных разностей пикселей, а (w/2ⁿ)². Причем, согласно исследованиям в [3] отношение сигнал-шум в преобразованных кадрах больше чем в исходных. Это согласно (2) уменьшает количество блоков, для которых необходимо искать вектор движения и уменьшает ошибки вычисления векторов для переместившихся блоков.
На основе найденных векторов движения для самого нижнего n-го уровня вейвлет-преобразования кадра производится поиск значений векторов для уровня преобразования выше (n-1, n-2, …, 1) по критерию (1) с значительно более меньшими размерами области поиска. Таким образом, поиск вектора движения осуществляется на самом низком уровне разложения изображений кадров с последующим иерархическим их уточнением на восстановленных изображениях.
Суммированный кадр видеоряда формируется на основе иерархической компенсации: исходные кадры разбиваются на пары нулевого уровня, в которых осуществляется поиск векторов движения по описанному методу. Пиксели пар кадров усредняются с учетом движения:
, (3)
образуя последовательность суммированных кадров первого уровня, которые подвергаются аналогичной рекуррентной обработке: разбиение на пары, поиск векторов движения, усреднение значений с учетом движения. Для получения итогового суммированного кадра уровня n обрабатывается соответственно 2ⁿ входных кадров потока.
Рис. 2. Схема иерархической компенсации движения
У такой схемы компенсации движения отсутствует ряд недостатков, характерных последовательной компенсации:
- по мере числа обработанных кадров в суммированном кадре улучшается отношение сигнал-шум, а в видеоряде оно исходно. Поэтому для каждого нового кадра точность нахождения вектора смещения уменьшается;
- расстояние между движущимися объектами на суммированном и обрабатываемом кадрах увеличивается, что влечет увеличение размеров области поиска, которые могут превысить заданные или существенно увеличить время поиска.
Описанный алгоритм подавления шума в видеоряде был апробирован на наборе тестовых кадров, полученных добавлением шума различного уровня к «идеальному» полутоновому изображению глубиной 8 бит. Оценка улучшения отношения сигнал-шум производилась на основе вычисления пикового отношения сигнал-шум - PSNR (peak signal-to-noise ratio):
, (4)
где N, M – размеры изображения кадра, T_i,j - кадр после обработки, Ť_i,j - «идеальный» кадр без шума, который использовался в генерации тестовых кадров.
Таблица 1. Экспериментальные оценки работы алгоритма

Рис.3. Пример входного тестового кадра 13.95 дБ (слева) и суммированного 18.4 дБ (справа) при подавлении шума в видеоряде
Преимуществами предложенного метода супериерархической компенсации движения для подавления шума в видеоряде являются:
- более точное вычисление вектора смещения фрагмента изображения при его поиске на проекциях с меньшим уровнем шума;
- уменьшение количества вычислений в алгоритме поиска вектора движения блоков в 2ⁿ раз (n – уровень двумерного вейвлет-преобразования), обусловленное уменьшением размерности областей.
Литература
1. Прокофьев. А. В., Василенко С. И. «Метод обработки изображений при компенсации движения в видеоряде».// Труды 16-ой Международной научно-технической конференции «Современное телевидение», М.:, ФГУП МКБ Электрон, 2008 г.
2. Мала С. Вейвлеты в обработке сигналов. – М.: Мир, 2005.
3. Батлук А. В., Чобану М. К. «Исследование банков фильтров и применение лифтинг-схемы для декомпозиции изображений». Цифровая обработка сигналов. 2005 г. № 2.

Система обработки изображений «Охотник» Государственного рязанского приборного завода предназначена для работы в составе обзорных и обзорно-прицельных комплексов, обеспечивая:
- улучшение видения телевизионных и тепловизионных изображений картины фоноцелевой обстановки в ненормированных условиях наблюдения (низкая и неравномерная освещенность, неблагоприятные метеоусловия, искусственные помехи);
- повышение предельных дальностей обнаружения и распознавания целей;
- уменьшение времени обнаружения и распознавания целей в ненормированных условиях наблюдения.
- автоматическое сопровождение обнаруженных оператором целей с выдачей их текущих координат и сигналов управления на приводы платформы с видеодатчиками для обеспечения высокоточного слежения за целью.
Используются телевизионный (дневной, низкоуровневый) и тепловизионный видеоканалы. Дальность обнаружения и распознавания малоразмерных целей при ненормированных условиях наблюдения увеличивается в 1,3-1,7 раз. Полоса пропускания видеосигнала – не менее 6,5 МГц. Размеры обрабатываемых изображений – по всему кадру 768 х 576 элементов разложения, по зоне интереса 384 х 256 элементов разложения. В числе реализуемых функций:
- повышение глобального контраста;
- повышение локального контраста;
- подчеркивание контуров малоразмерных объектов;
- снижение флуктуационных и шумовых помех;
- плавное электронное масштабирование изображений от 1 до 4 раз.
Способы настройки – адаптация параметров и алгоритмов под тип канала, автоматическая адаптация под конкретные условия наблюдения. При автоматическом сопровождении целей захват целей – ручной или полуавтоматический. Окно слежения – адаптивная подстройка под размеры цели в диапазоне от 2 х 2 до 256 х 256 элементов разложения. Алгоритмы измерения координат – многопризнаковая статистическая сегментация с оценкой параметров сегментов и центрированием; корреляция с адаптивной подстройкой эталона. Особенности алгоритмов – работа с разноконтрастными, маневрирующими целями на неоднородных фонах. При прерывании оптической связи – сопровождение цели до 5 секунд с предсказанием на основе фильтра Калмана; автоматическое обнаружение потери сопровождения; автоматический дозахват цели. Входной и выходной сигналы – полный видео по ГОСТ 7845-92 для черно-белого телевидения на нагрузке сопротивлением 75 Ом. Масса устройства – 4-6 кг. Питание – 27 В. А. Барсуков, журнал "ТКТ" № 8, 2004 г. (через эту ссылку можно бесплатно скачать справочник, авторские материалы которого разрешено использовать для написания таких работ, как эссе, сочинение, доклад, реферат, курсовая работа, дипломная работа, бакалаврская / магистерская работа, диссертация)

АНАЛИЗ ЭФФЕКТИВНОСТИ АЛГОРИТМОВ ВЫЧИТАНИЯ ФОНА ПРИ ОБРАБОТКЕ ЗАШУМЛЕННОГО ВИДЕОСИГНАЛА. Выделение целевого объекта сигнала тепловизора с предобработкой (слева) и без (справа) алгоритмом Зивковича. Из доклада А. В. Прокофьева, С. И. Василенко на конференции "Современное телевидение"

Тема повышения качества изображения на XII Всероссийской научно-технической конференции «Современное телевидение». Двумерный онлайн-фильтр обнаружения перепадов на изображении (ФГУП МКБ «Электрон»). Предложен линейный двумерный вейвлет-фильтр подчеркивания перепадов на изображениях приаприорной неопределенности относительно свойств и вероятностных характеристик полезного сигнала и аддитивного шумового поля. В отличие от известных подходов, фильтр построен на основе В-сплайнового интегрального оператора вычисления смешанной производной p-го порядка двумерного случайного поля с устранением из спектра поля высокочастотных составляющих, то есть на выходе фильтра формируются значения производных амплитуд обрабатываемого изображения. Для обнаружения перепадов на выходе вейвлет-фильтра используется статистическое правило. Оно реализует двухканальную структуру и построено по критерию типа Неймана-Пирсона для условий контрастных и слабоконтрастных контуров на изображениях с установлением для каждого канала пороговых значений принятия решений для заданных уровней значимости.
Эффективность работы фильтра исследована моделированием на ПЭВМ при различных отношениях сигнал/шум. Результаты моделирования предложенного двухканального фильтра подтверждают, что он обеспечивает выделение контуров полезных изображений в условиях воздействия помех различной интенсивности.

КАК СДЕЛАТЬ ЗАРЮ? Что такое заря? Почему возникает чарующая игра красок при восходе и заходе солнца? Как «делают» зарю?
Это не праздные вопросы. Загадка зари кроется в оптических свойствах атмосферы, которые в основном зависят от присутствия в ней очень малой и изменчивой примеси аэрозоля — мельчайших твердых и жидких частичек самой различной природы. Первоначально предполагалось, что все эти аэрозоли состоят из пылинок земного происхождения, занесенных в верхние слои атмосферы восходящими токами воздуха. Позже к этому присоединили метеоритную пыль, попадающую на Землю из космоса. Совсем недавно американский ученый X. Юнге высказал идею, что твердые частицы аэрозоля могут также возникать в высоких слоях атмосферы в результате химической реакции.
Советский ученый профессор Георгий Розенберг исследовал фотографии, сделанные советскими космонавтами с космических кораблей, и получил веские подтверждения такой точки зрения. Розенберг пришел также к выводу, что -эта химическая реакция поддерживается газами, выделяющимися при вулканических извержениях.
Находясь достаточно высоко, космонавты видели у края планеты как бы вертикальный разрез окружающей ее атмосферы. Когда космический корабль находился в тени Земли, космонавт видел занимающуюся над краем планеты зарю — освещенный солнцем воздух больших высот. Скопления аэрозоля должны выступать на фоне зари в виде темных силуэтов. Напротив, на фоне дневного горизонта планеты они должны выглядеть как слабые светлые полосы, тем более четкие, чем выше расположены облака аэрозоля.
На фотографии, снятой Валентиной Николаевой-Терешковой с космического корабля «Восток-6», хорошо видны на фоне ореола зари две темные полосы, тянущиеся вдоль всего края планеты на протяжении нескольких сотен километров. Это и есть тени стратосферных аэрозольных слоев на высоте около 11 и 19 километров. Обнаружение аэрозольного слоя на высоте 19 километров по фотографиям Терешковой — первое геофизическое исследование с участием космонавтов.
Аналогичные, но уже цветные снимки получил космонавт Константин Феоктистов при полете на космическом корабле «Восход». На них видно, что теневых слоев может быть не только два, но и три, и один, и ни одного. Слои эти имеют на просвет голубую окраску, а на дневном горизонте кажутся белесыми. Это очень важно — по цвету слоев можно оценить размеры частиц в слое, а по интенсивности полос на снимках определить концентрацию частиц в зависимости от высоты. Профессору Розенбергу удалось доказать, что слой частиц, обнаруженный на фотографиях Терешковой и Феоктистова, тот же самый. Более того, этот слой ответствен за интересное явление аномальных зорь и его происхождение связано с вулканической деятельностью.
Итак, наблюдения из космоса выявили существование весьма протяженного и сравнительно однородного аэрозольного слоя на высоте около 19 километров. Частицы, составляющие этот слои, имеют размеры около микрона, и на каждый кубический сантиметр приходится примерно одна частичка.
Эти данные хорошо согласуются с измерениями Юнге. Юнге собирал стратосферные пылинки при помощи самолетов и баллонов-стратостатов. Оказалось, что пылинки стратосферного аэрозоля на высоте около 20 километров отчетливо разделяются на три группы. К первой относятся «гигантские» частицы размером больше одного микрона. Они встречаются очень редко. Например, на пути в 4000 километров на площадку в квадратный сантиметр было поймано всего несколько частиц с радиусом больше 10 микрон. По мнению Юнге, эти «гигантские» частицы должны иметь метеоритное происхождение, что совпадает с теоретическими расчетами, предсказывающими максимальную концентрацию метеоритной пыли на высоте от 10 до 20 километров.
Вторая группа — частицы с радиусом меньше одной десятой микрона, густота которых быстро убывает с высотой по закону, свидетельствующему об их земном происхождении. Но и их в стратосфере очень мало. 99 процентов всех встречающихся в стратосферных пробах пылинок принадлежит к третьей группе — это частицы с радиусом от одного до одной десятой микрона. Они образуют отчетливо выраженный слой с максимумом концентраций на высоте 19 километров. Химический анализ этой группы неожиданно показал, что основная составная часть аэрозольных частиц в стратосфере — сера, которая находится там в форме сульфатных солей аммония. Эти соли, полагает Юнге, могут образовываться в результате химической реакции в стратосфере.
Как же образовались эти частицы?
Исходным материалом для стратосферного аэрозоля служит не вулканический пепел, а сопровождающий его сернистый газ. При извержениях он выбрасывается в высокие слои атмосферы и вступает там в реакцию с озоном. Этим и обеспечивается постоянство высоты аэрозоля, концентрация которого отвечает динамическому равновесию между процессами образования и выпадения частиц.
С другой стороны, эти частицы служат ядрами конденсации при образовании очень редкого явления — перламутровых облаков на высоте около 25 километров, обычно появляющихся при увеличении количества атмосферного озона. Так как многие особенности «возмущенных» и обычных зорь — Пурпурный свет, пояс Венеры и другие — обязаны своим существованием именно этому слою частиц аэрозоля, ' Розенберг предлагает назвать его «Зоревым слоем».
Микроскопические частицы даже в разреженной атмосфере выпадают очень медленно, так что для поддержания слоя достаточно обновления его вещества всего несколько раз в год. И хотя общее содержание серы в «Зоревом слое» составляет около десяти тысяч тонн, газовыделение вулканов с избытком обеспечивает такое обновление.
Насколько это объяснение соответствует действительности, покажут дальнейшие исследования. Из сборника "Эврика", 1967 год

Об использовании данных приёмников глобальных спутниковых систем определения координат (систем глобального позиционирования) GPS / ГЛОНАСС, встраиваемых в видеокамеры, ноутбуки, мобильные телефоны, ИК-камеры и другую съёмочную и компьютерную технику, в качестве метаданных для структурирования видео- и аудио информации при её анализе, поиске и архивировании

N. B. Качество зрения робототехнической системы должно определяться восточной фразой: "Воняет дальше, чем видит". То есть, робот должен увидеть цель прежде, чем та обнаружит его по различным излучениям и признакам - в том числе, и по запаху.