Дипломы, курсовые, рефераты, контрольные...
Срочная помощь в учёбе

Усовершенствование алгоритмов удаления шума из изображений на основе модифицированных критериев оценки качества

Диссертация: Усовершенствование алгоритмов удаления шума из изображений на основе модифицированных критериев оценки качества
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Предложенные алгоритмы оценки качества реализованы на языке С++ и встроены в исследовательскую среду PicLab с помощью модуля, обеспечивающего поддержку алгоритмов оценки качества. Разработана и реализована иерархия базовых классов, которая позволяет легко интегрировать новые критерии оценки качества изображений, при этом основные усилия разработчика будут направлены на реализацию алгоритма оценки… Читать ещё >

Содержание

  • 1. Оценка качества цифровых изображений
    • 1. 1. Классификация критериев оценки качества
    • 1. 2. Субъективные критерии качества
    • 1. 3. Объективные критерии качества
      • 1. 3. 1. Критерий ПОСШ
      • 1. 3. 2. Проблемы использования ПОСШ в качестве критерия оценки качества
      • 1. 3. 3. Универсальный индекс качества
      • 1. 3. 4. Коэффициент структурного подобия
    • 1. 4. Пример оценки качества изображений при различных типах искажений
    • 1. 5. Краткие
  • выводы
  • 2. Модификация критериев оценки качества изображений
    • 2. 1. Вводные замечания
    • 2. 2. Модификация критерия ПОСШ
      • 2. 2. 1. Результаты моделирования метрики ПОСШ-М
    • 2. 3. Модификация универсального индекса качества
      • 2. 3. 1. Алгоритм расчета модифицированного УИК на основе вейвлет-преобразования
      • 2. 3. 2. Результаты моделирования метрики УИК-М
    • 2. 4. Оценка качества на основе критерия информационной точности
      • 2. 4. 1. Структура критерия информационной точности
      • 2. 4. 2. Результаты моделирования метрики КИТ
    • 2. 5. Описание и статистический анализ визуального эксперимента
    • 2. 6. Краткие
  • выводы
  • 3. Оптимизация параметров нелинейных фильтров для удаления шума из изображений по критерию информационной точности
    • 3. 1. Вводные замечания
    • 3. 2. Описание генетического алгоритма
    • 3. 3. Модели шумов
      • 3. 3. 1. Аддитивный Гауссов шум
      • 3. 3. 2. Импульсный шум
    • 3. 4. Формулировка и решение задачи оптимизации для ранжирующего фильтра
      • 3. 4. 1. Определение ранжирующего фильтра
      • 3. 4. 2. Представление оптимизируемых параметров в генетическом алгоритме
      • 3. 4. 3. Результаты оптимизации параметров РФ в случае шума с фиксированными значениями импульсов
      • 3. 4. 4. Результаты оптимизации параметров РФ в случае шума со случайными значениями импульсов (равномерное распределение)
      • 3. 4. 5. Результаты оптимизации параметров РФ в случае шума со случайными значениями импульсов (Гауссово распределение)
    • 3. 5. Формулировка и решение задачи оптимизации для билатерального фильтра
      • 3. 5. 1. Определение билатерального фильтра
      • 3. 5. 2. Представление оптимизируемых параметров в генетическом алгоритме
      • 3. 5. 3. Результаты оптимизации параметров билатерального фильтра
    • 3. 6. Краткие
  • выводы
  • 4. Программная реализация алгоритмов оценки качества изображений в среде PicLab
    • 4. 1. Вводные замечания
    • 4. 2. Представление данных в среде PicLab
      • 4. 2. 1. Изображение
      • 4. 2. 2. Параметры алгоритмов
    • 4. 3. Представление алгоритмов обработки изображений в среде PicLab
      • 4. 3. 1. Классификация алгоритмов
      • 4. 3. 2. Построение иерархии классов
      • 4. 3. 3. Пример добавления алгоритма в среду PicLab. Ill
    • 4. 4. Представление алгоритмов оценки качества в среде Piclab
      • 4. 4. 1. Пример встраивания алгоритмов оценки качества в среду PicLab (СКО, ПОСШ)
    • 4. 5. Краткие
  • выводы

Усовершенствование алгоритмов удаления шума из изображений на основе модифицированных критериев оценки качества (реферат, курсовая, диплом, контрольная)

Актуальность темы

.

Цифровая обработка изображений (ЦОИ) в настоящее время широко используется в системах телекоммуникаций, радиои гидролокации, сейсмологии, робототехнике, радиоастрономии, медицине [1−3]. Переход на цифровое телерадиовещание, приобретающий особое значение в связи с присоединением России к общеевропейской системе DVB (digital video broadcasting, цифровое телевизионное вещание) (Распоряжение Правительства Российской Федерации от 25.05.04 № 706-р «О внедрении в Российской Федерации европейской системы цифрового телевизионного вещания DVB»), широкое использование сетей различного назначения, в том числе и сети Интернет, также способствуют развитию данного направления обработки сигналов [4−7].

В настоящее время для устройств ЦОИ характерно постоянное возрастание объема обрабатываемой информации, повышение требований к качеству обработки, работа в сложной сигнально-помеховой обстановке [8−10]. Все это стимулирует появление новых методов и более сложных алгоритмов, используемых в системах ЦОИ. Среди них можно выделить нелинейные алгоритмы фильтрации и восстановления изображений [11−20], вейвлет-обработку [21−30], системы, построенные на нечеткой логике [31−34], нейронные сети [35−46].

Значительный вклад в разработку теории и алгоритмов ЦОИ внесли как отечественные ученые: Ю. В. Гуляев, Ю. Б. Зубарев, М. И. Кривошеев, В. П. Дворкович, А. В. Дворкович, Л. П. Ярославский, А. А. Ланнэ, А. И. Галушкин, А. Н. Балухто, М. А. Щербаков, В. А. Сойфер, Я. А. Фурман, В. Г. Лабунец, так и зарубежные: С. Митра, Р. Гонсалес, Р. Вудс, Т. Чан, И. Питас, А. Венетсанопулус, Е. Догерти, Я. Астола, Г. Сикуранза, Ю. Неуво и др. [1−56].

Интенсивное развитие технологии производства интегральных схем и расширение возможностей современных компьютеров позволяют реализовать на практике все более сложные методы цифровой обработки изображений. С появлением цифровых сигнальных процессоров стало реальностью практическое воплощение алгоритмов, представлявших ранее лишь теоретический интерес. До последнего времени в цифровой обработке изображений в основном использовались методы линейной фильтрации, что связано с наличием подходящего математического аппарата, простотой интерпретации и расчета линейных фильтров [8, 9, 45, 47, 53, 55].

В то же время использование методов линейной фильтрации не позволяет получить приемлемое решение в ряде практически важных приложений. В этих случаях оптимальным решением будет являться нелинейный фильтр [11−15].

При разработке и оптимизации как линейных, так и нелинейных систем фильтрации/восстановления одной из важнейших составляющих процесса исследования является необходимость оценивать качество восстанавливаемого или улучшаемого изображения [57−61].

Качество изображения можно оценивать с разных позиций: либо определяя точность воспроизведения двумерного сигнала, либо оценивая семантическую (информационную) точность изображения [62−64]. Точность воспроизведения сигнала характеризует степень отклонения обработанного изображения от некоторого эталона, а информационная точность указывает на то, в какой степени человек илимашина может извлечь из изображения полезную информацию [65, 66]. Чаще всего точность сигнала связывают с небольшими отклонениями между оцениваемым и эталонным изображениями. Об информационной точности же, напротив, говорят, как правило, в связи с большими различиями между этими изображениями.

Наиболее точной мерой качества изображения на сегодняшний день является результат субъективной экспертизы [67, 68]. Однако проведение такого рода экспертиз не всегда удобно, поскольку занимает достаточно много времени и требует привлечения большого количества людей. Таким образом, практический интерес представляют численные алгоритмы определения качества изображений, позволяющие автоматически получать оценки, близкие к усредненному мнению экспертов, однако без привлечения последних.

В разработке количественных критериев качества изображений за последние десятилетия были достигнуты определенные успехи. Среди наиболее авторитетных авторов в этой области можно выделить А. Бовика, М. К. Чобану, К. Егиазаряна, Ю. С. Радченко [69−75].

Исторически сложилось так, что объективные методы для оценки качества основывались на простых математических выражениях, таких как среднеквадратичная ошибка (СКО) и пиковое отношение сигнал/шум (ПОСШ) [45, 48−56]. Это объясняется сравнительно малой изученностью вопроса о работе зрительной системы человека (ЗСЧ) и отсутствием соответствующих статистических данных [59−61]. Также широкая распространенность данных метрик объясняется простотой их вычисления. Относительно недавно были предложены более сложные алгоритмы — универсальный индекс качества (УИК) [71] и коэффициент структурного подобия (КСП) [72−75], которые в ряде приложений показывают хорошую согласованность с субъективными экспертными оценками [76−77].

Однако зачастую критерии качества не являются достаточно совершенными: можно привести примеры изображений, качество которых формально оценивается как высокое, а субъективно как низкое и наоборот. Создание более совершенных критериев оценки качества изображений связано, несомненно, с более глубоким изучением свойств и особенностей зрительной системы человека [67−68, 78−81].

Измерение визуального качества является сложным и неопределенным процессом, в котором на конечный результат влияет огромное число факторов. Визуальное качество изначально считается субъективным, поэтому весьма непросто учесть всю гамму особенностей при выявлении полной качественной картины этой характеристики.

Многие из современных алгоритмических мер качества разработаны лишь для определенного класса искажений [78, 82−83]. В результате этого' для каждого отдельно взятого случая приходится использовать конкретную метрику, что значительно усложняет сравнение различных методов улучшения или восстановления, а также усложняет сам процесс обработки. Например, один и тот же алгоритм фильтрации может оказаться эффективным для определенного класса изображений с точки зрения одних метрик и плохим с точки зрения других.

Поэтому дальнейшая разработка и тестирование объективных критериев оценки качества, а также оптимизация на их основе алгоритмов фильтрации статических изображений на сегодняшний день представляет собой актуальную научно-техническую задачу.

Основной целью работы является улучшение характеристик систем фильтрации цифровых изображений на основе количественных критериев оценки качества, приближенных к субъективному визуальному восприятию. Для достижения указанной цели в диссертационной работе решаются следующие задачи: разработка и анализ алгоритмов эталонной оценки качества цифровых изображений с учетом особенностей зрительной системы человекапроведение масштабного субъективного визуального эксперимента для оценки корреляции между объективными и субъективными критериями качестваоптимизация параметров нелинейных алгоритмов удаления шума из изображений на основе разработанных критериев.

Методы исследования. При решении поставленных задач использовались современные методы цифровой обработки изображений, математического анализа, теории вероятностей, теории информации, математической статистики, стохастической оптимизации. Для практической реализации алгоритмов применялись современные численные методы, методы объектно-ориентированного программирования на языке С++.

Достоверность полученных научных результатов. Достоверность полученных научных результатов обусловлена применением адекватного математического аппарата, подтверждается их согласованностью с результатами проведенного компьютерного моделирования и сопоставлением полученных результатов с научными данными, известными из российской и зарубежной литературы.

Научная новизна. В рамках данной работы получены следующие новые научные результаты.

1. Проведена модификация оценки ПОСШ восстановленного изображения с учетом особенностей зрительной системы человека.

2. Предложен модифицированный критерий УИК на основе вейвлет-преобразования.

3. Разработан эталонный критерий оценки качества на основе теории информации.

4. Проведена оценка корреляции предложенных метрик качества со средними оценками экспертов в рамках масштабного визуального эксперимента.

5. Проведена оптимизация параметров нелинейных алгоритмов удаления шума относительно критерия информационной точности.

Практическая ценность.

1. Разработаны три эталонных алгоритма оценки качества цифровых изображений, которые хорошо согласуются с субъективными оценками экспертов, что подтверждается результатами масштабного субъективного эксперимента.

2. Найдены оптимальные параметры нелинейных алгоритмов удаления импульсного и Гауссового шума относительно критерия информационной точности.

3. Разработанные алгоритмы оценки качества изображений и оптимизированные алгоритмы нелинейной фильтрации реализованы на языке С++ и интегрированы в исследовательскую среду PicLab. Они могут быть использованы при разработке и оптимизации систем обработки и передачи визуальной информации, распознавания образов и слежения за объектами, гранулометрического анализа и в других прикладных задачах цифровой обработки изображений.

Результаты работы внедрены в соответствующие разработки ОАО «СеверТрансКом», Яр ославской областной клинической больницы, г. Ярославль. Отдельные результаты диссертационной работы внедрены в учебный процесс ЯрГУ в рамках дисциплин «Цифровая фильтрация» и «Цифровая обработка изображений», а также в научно-исследовательские работы при выполнении исследований в рамках гранта РФФИ № 60−800 782 «Развитие теории цифровой обработки сигналов и изображений в технических системах» (2006;2008 гг.). Все результаты внедрения подтверждены соответствующими актами.

На защиту диссертации выносятся следующие основные результаты: модифицированный критерий ПОСШ на основе матрицы квантования коэффициентов дискретного косинусного преобразованиямодифицированный критерий УИК на основе разложения в вейвлет-области и учета особенностей зрительной системы человекаразработанный критерий оценки качества изображений на основе теории информацииоптимальные относительно критерия информационной точности параметры нелинейных алгоритмов удаления шума из изображений.

Апробация работы. Результаты работы обсуждались на следующих научно-технических семинарах и конференциях:

1. Шестой-десятой международных конференциях и выставках «Цифровая обработка сигналов и ее применение» (г. Москва, 2004;2008 гг.).

2. Третьей международной научно-технической конференции «Современные телевизионные технологии. Состояние и направления развития» (г. Москва, МНИТИ, 2006 г.).

3. 61 научной сессии, посвященной Дню Радио (г. Москва, 2006 г.).

4. International Conference on Artificial Neural Networks (ICANN-2005), Warsaw, Poland, 2005.

5. IEEE International Conference on Image Processing (ICIP-2005), Genoa, Italy, 2005.

6. International Conference on «Computer as a tool» (EUROCON 2005), Belgrade, Serbia and Montenegro, 2005.

7. 8-th International Conference «Pattern Recognition and Information Processing» (PRIP-2005), Minsk, Belarus, 2005.

8. 2nd IEEE International Conference on Circuits and Systems for Communications (ICCSC'04), Moscow, Russia, 2004.

9. Всероссийской научной конференции «Проектирование научных и инженерных приложений в среде MATLAB», 2004.

Публикации. По теме диссертации опубликована 21 научная работа, из них 2 статьи в журналах, рекомендованных ВАК («Вопросы радиоэлектроники», «Цифровая обработка сигналов»), 1 статья в сборнике научных трудов физического факультета ЯрГУ и 18 докладов на научных конференциях.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, списка использованных источников, содержащего 163 наименований. Она изложена на 139 страницах машинописного текста, содержит 41 рисунок и 12 таблиц.

Основные результаты диссертации можно сформулировать в следующем виде:

1. Широко используемый на практике критерий оценки качества восстановленных изображений ПОСШ не обеспечивает необходимой степени адекватности автоматического определения качества относительно средних экспертных оценок, поскольку не учитывает структурные и информационные особенности оцениваемого изображения, а также особенности зрительной системы человека. Более сложные критерии УИК и КСП также не всегда правильно оценивают визуально воспринимаемое качество.

2. За счет подсчета оценки ПОСШ в области ДКП-коэффициентов удалось учесть вклад различных искажений в пространственные частоты, а, следовательно, получать результаты, более адекватные с точки зрения субъективной экспертной оценки. Среднее значение коэффициента корреляции (Пирсон) для ПОСШ-М превосходит о аналогичное значение для ПОСШ на 27%.

3. Модификация критерия УИК на основе вейвлет-преобразования позволила учитывать вклад искажений в различные пространственные частоты, что привело к лучшей согласованности результатов автоматического оценивания с мнением экспертов. Среднее значение коэффициента корреляции (Пирсон) для УИК-М превосходит аналогичное значение для УИК на 7%.

4. Построение критерия оценки качества на основе теории информации, а именно с использованием понятия взаимной информации, которая разделяется между оригинальным и искаженным изображениями, позволило получить верхнюю оценку потенциально воспринимаемой человеком информации в искаженном изображении. В результате анализа данных визуального эксперимента показано, что критерий информационной точности превосходит все рассмотренные в работе оценки. Коэффициент корреляции (Пирсон) со средними оценками экспертов для него составляет 0,9205.

5. В результате оптимизации ранжирующего фильтра по метрике КИТ получены наборы параметров в зависимости от плотности вносимого импульсного шума. Наиболее сильно эффект от проведенной оптимизации проявляется для моделей шумов со случайными значениями импульсов. Для модели равномерного распределения амплитуд импульсов улучшение составило до 10% от исходного значения КИТ, для Гауссового распределения — до 12%.

6. Анализ результатов оптимизации параметров билатерального фильтра позволил сформировать рекомендации для выбора параметров crs и cxR в зависимости от <т шума. При этом значения КИТ для разных значений дисперсии увеличились на 12−15%.

7. Предложенные алгоритмы оценки качества реализованы на языке С++ и встроены в исследовательскую среду PicLab с помощью модуля, обеспечивающего поддержку алгоритмов оценки качества. Разработана и реализована иерархия базовых классов, которая позволяет легко интегрировать новые критерии оценки качества изображений, при этом основные усилия разработчика будут направлены на реализацию алгоритма оценки качества, а не на взаимодействие со средой. Полученный программный код может быть использован в дальнейшем в других приложениях, а также при реализации алгоритмов оценки качества изображений на цифровых сигнальных процессорах.

ЗАКЛЮЧЕНИЕ

.

Показать весь текст

Список литературы

  1. В. А., Сергеев В. В., Попов С. Б., Мясников В. В. Теоретические основы цифровой обработки изображений: учеб. пособ. // Самар. гос. аэрокосмический ун-т им. С. П. Королева -Самара, 2000.
  2. Распознавание образов и обработка изображений // ТИИЭР, 1979. Т. 67, № 10.
  3. Цифровое преобразование изображений // Под ред. Быкова Р. Е. -М.: Горячая линия Телеком, 2003.
  4. Цифровая обработка телевизионных и компьютерных изображений // Под ред. Зубарева Ю. Б., Дворковича В. П. М.: МЦНТИ, 1997.
  5. Ю.Б., Дворкович В. П., Дворкович А. В. Проблемы и перспективы внедрения информационных мультимедийных систем в России // Электросвязь, 2004. № 10. С. 11−16.
  6. Ю.И., Дворкович В. П., Зубарев Ю. Б. Технические проблемы и перспективы внедрения цифрового телевидения и радиовещания в России. Часть 1 // Broadcasting. Телевидение и радиовещание, 2007. № 1. С. 22−27.
  7. Ю.И., Дворкович В. П., Зубарев Ю. Б. Технические проблемы и перспективы внедрения цифрового телевидения и радиовещания в России. Часть 2 // Broadcasting. Телевидение и радиовещание, 2007. № 2. С. 14−18.
  8. Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео. М.: Диалог-МИФИ, 2002.
  9. Методы компьютерной обработки изображений // Под ред. Сойфера В. А. 2-е изд., испр. — М.: Физматлит, 2003.
  10. С.В., Лагуновский Д. М. Обработка изображений: технология, методы, применение. Минск: Амалфея, 2000.
  11. А.А. Синтез систем нелинейной цифровой обработки сигналов // Изв. вузов. Радиоэлектроника, 1985. Т. 28, № 8. С. 7−17.
  12. Pitas I., Venetsanopoulos A. Nonlinear Digital Filters: Principles and Applications. Boston, MA: Kluwer, 1990.
  13. Mitra S., Sicuranza G. Nonlinear Image Processing // Academic Press, 2000.
  14. M.A. Нелинейная фильтрация сигналов и изображений: учеб. пособ. Пенза: ПТУ, 1999.
  15. М.А. Цифровая полиномиальная фильтрация: теория и приложение. Пенза: ПТУ, 1997.
  16. М.А. Синтез оптимальных полиномиальных фильтров по нескольким критериям // Автоматика и вычислительная техника, 1997. С. 41−52.
  17. Scherbakov М. A Parallel Architecture for Adaptive Frequency-Domain Volterra Filterring // Proc. 1996 IEEE Digital Signal Processing Workshop. -Loen, Norway, Sept. 1996. P. 203−206.
  18. Scherbakov M. Pareto Optimal Nonlinear Filters for Image Enhancement // Proc. 1996 IEEE International Conference on Image Processing. -Lausanne, Switzerland, Sept. 1996. P. 769−772.
  19. M.A., Сорокин C.B. Увеличение изображений с помощью многофазной интерполяции // Докл. 9-й Межд. конф. «Цифровая обработка сигналов и ее применение» (DSPA-2007). М., 2007. Т. 2, С. 341−343.
  20. Е.П., Трубин И. С., Буторин E.JI. Нелинейная фильтрация последовательности цифровых полутоновых изображений // Радиотехника и электроника. 2005. Т. 10, № 10. С. 1265−1272.
  21. И. Десять лекций по вейвлетам. Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001.
  22. С. Вейвлеты в обработке сигналов: Пер. с англ. М.: Мир, 2005.
  23. Chambolle A., De Vore R., Lee N., Lucier B. Nonlinear wavelet image processing: variational problems, compression, and noise removal through wavelet shrinkage // IEEE Tran. Image Proc., 1998. V. 7, № 3. P. 319−333.
  24. Coifman R., Sowa A. Combining the calculus of variations and wavelets for image enhancement // Applied and Computational harmonic analysis, 2000. V. 9, № l.P. 1−18.
  25. Hatode P., Tchobanou M. Image denoising with contourlet transform // Тр. M ежд. конгресса Академ ии ин форматизации ITS-2004 / МЭИ (ТУ). Т. 3. М.: СТАНКИН, 2004. С. 34−37.
  26. Starck J., Candues Е., Donoho D. The curvelet transform for image denoising // IEEE Trans, on image processing, 2000. V. 11, P. 670−684.
  27. Starck J., Candues E., Donoho D. Very high quality image restoration by combining wavelets and curvelets // Wavelet and applications in signal and image processing IX, 2001. V. 4478, P. 9−19.
  28. Vrankic M., Egiazarian K., Gotchev A. Image denoising by combined quincunx and separable wavelet-domain wiener filtering // Proc. of the 6th Nordic Signal Processing Symposium, NORSIG 2004, Finland, June 2004, P. 113−116.
  29. Oktem R., Yaroslavsky L., Egiazarian K. Signal and Image Denoising in Transform Domain and Wavelet Shrinkage: A Comparative Study // Proc.124of 9th European Signal Processing Conf. (EUSIPCO-98), Rhodes, Greece, Sept. 1998, P. 2269−2272.
  30. Nikolaev N., Gotchev A. ECG Signal Denoising Using Wavelet Domain Wiener Filtering // Proc. of 10th European Signal Processing Conf. (EUSIPCO-2000), Tampere, Finland, V. 4, P. 51−54.
  31. Zhang D., Wang Z. Impulse noise detection and removal using fuzzy techniques // Electron. Letters, Feb. 1997, V. 33, P. 378−379.
  32. Schulte S., Nachtegael M., De Witte V., Van der Weken D., Kerre E. A fuzzy impulse noise detection and reduction method // IEEE Trans, on image processing, 2006. V. 15, № 5, P. 1153−1162.
  33. Chung-Bin W., Bin-Da L., Jar-Ferr Y. A fuzzy-based impulse noise detection and cancellation for real-time processing in video receivers // IEEE Trans, on instrumentation and measurement, 2003. V. 52, № 3, P. 780−784.
  34. Russo F. Impulse noise detection and filtering using fuzzy models // Proc. of the 17th IEEE Instrumentation and Measurement Technology Conference (IMTC 2000), 2000. V. 2, P. 1041−1044.
  35. Нейрокомпьютеры в системах обработки изображений / Общая редакция Галушкина А. И. М.: Радиотехника, 2003.
  36. Нейрокомпьютеры в системах обработки сигналов / Под ред. Гуляева Ю. В., Галушкина А. И. М.: Радиотехника, 2003.
  37. Нейрокомпьютеры в прикладных задачах обработки изображений / Под ред. Балухто А. Н., Галушкина А. И. М.: Радиотехника, 2007.
  38. Yin L., Astola J., Neuvo Y. A New Class of Nonlinear Filters Neural Filters // IEEE Trans, on Signal Processing, 1999. V. 41, № 3, P. 12 011 222.
  39. И.В., Хрящев B.B., Бухтояров C.C., Куйкин Д.К.,
  40. Е.Ю. Нейросетевой алгоритм восстановления сильно125зашумленных изображений // Сб. тр. 61-й науч. сессии, посвященной Дню радио, Москва, 2006. С. 98−100.
  41. Apalkov I., Khryashchev V., Priorov A., Zvonarev P. Adaptive Switching Median Filter with Neural Network Impulse Detection Step // Lecture Notes in Computer Science (LNCS 3696), Springer-Verlag, 2005. P. 537−542.
  42. Apalkov I., Khryashchev V., Reznikova I., Zvonarev P. Neural Network Adaptive Switching Median Filter for the Restoration of Impulse Noise Corrupted Images // Lecture Notes in Computer Science (LNCS 3656), Springer-Verlag, 2005. P. 223−230.
  43. Apalkov I., Khryashchev V., Zvonarev P. Neural Network Adaptive Switching Median Filter for Image Denoising // Proc. of the International Conference on «Computer as a tool» (EUROCON 2005), Belgrade, Serbia and Montenegro, 2005.
  44. Апальков И. В, Хрящев В. В., Соколенко Е. А., Куйкин Д. К. Обработка изображений алмазных порошков в MATLAB Image Processing Toolbox // Тр. Всерос. науч. конф. «Проектирование научных и инженерных приложений в среде MATLAB», Москва, 2004. С. 1671−1675.
  45. Apalkov I., Alexandrova V., Bekrenev V. Neural network expert system for diamonds powders analysis // Proc. of the 1-st International Workshop on Optimization Problems in Engineering (IWOPE-2005), Russia, Yaroslavl, V. 1, P. 64−69.
  46. Yaroslavsky L., Digital Picture Processing An Introduction // Springer Verlag, 1985.
  47. Yaroslavsky L., Eden M. Fundamentals of Digital Optics // Birkhauser, Boston, 1996.
  48. Д., Мерсеро P. Цифровая обработка многомерных сигналов. -М.: Мир, 1988.
  49. У. Цифровая обработка изображений. М.: Мир, 1982.
  50. И.С., Киричук B.C., Косых В. П., Перетягин Г. И., Спектор А. А. Цифровая обработка изображений в информационных системах: учеб. пособ. Новосибирск: НГТУ, 2000.
  51. М.К., Миронов В. Г. Состояние и перспективы развития методов цифровой обработки многомерных сигналов. Часть 1. Теория // Электричество, 2002. № 11. С. 58−69.
  52. Р., Вудс Р. Цифровая обработка изображений М.: Техносфера, 2005.
  53. Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М.: Техносфера, 2006.
  54. A.JI. Двумерные цифровые сигналы и системы: учеб. пособ. / Яросл. гос. ун-т. Ярославль, 2000.
  55. Приоров A. JL, Ганин А. Н., Хрящев В. В. Цифровая обработка изображений: учеб. пособ. / Яросл. гос. ун-т Ярославль, 2001.
  56. Wang Z., Bovik A. Modem image quality assessment / Morgan & Claypool, 2006.
  57. А.Л., Апальков И. В., Хрящев В. В. Цифровая обработка изображений: учеб. пособ. / Яросл. гос. ун-т — Ярославль, 2007.
  58. Callet P. Le, Viard-Gaudin С., Barba D. Continuous quality assessment of MPEG2 video with reduced reference // Int. Workshop on Video Processing and Quality Metrics for Consumer Electronics, Scottsdale, Arizona, 2005. № 1. P. 23−25.
  59. Wang Z., Simoncelli E.P. Reduced-reference image quality assessment using a wavelet-domain natural image statistic model // Proc. SPIE on Human Vision and Electronic Imaging X, San Jose, 2005, V. 5666, P. 149−159.
  60. Wang Z, Wu G., Sheikh H.R., Simoncelli E.P., Yang E.-H., Bovik A.C. Quality-aware images // IEEE Trans, on Image Processing, June 2006, V. 15, P. 1680- 1689.
  61. Girod B. What’s wrong with mean-squared error // Digital Images and Human Vision (A. B. Watson, ed.), the MIT press, 1993. P. 207−220.
  62. Lubin J. A visual discrimination mode for image system design and evaluation // Visual Models for Target detection and Recognition (E. Peli, ed.) Singapore: Word Scientific Publishers, 1995. P. 207−220.
  63. Watson A.B., Visual detection of spatial contrast patterns: evaluation of five simple models // Optic Express, 2000.V. 6, № 1. P. 12−33.
  64. Umbaugh S. Computer Vision and Image Processing: A Practical Approach Using CVIP tools / Prentice Hall, Upper Saddle River. N.J., 1998.
  65. Чэн Ш.-К. Принципы проектирования систем визуальной информации // Пер. с англ. М.: Мир, 1994.
  66. ITU-R Recommendation ВТ.500−11. Methodology for the subjective assessment of the quality of television pictures, 2002.
  67. VQEG. Final Report From the Video Quality Experts Group on the Validation of Objective Models of Video Quality Assessment, Mar. 2000. Online. Available: http://www.vqeg.org/
  68. Geisler W.S., Banks M.S. Visual performance In M. Bass (Ed.), Handbook of Optics. McGraw-Hill, 1995.
  69. Taylor C., Pizlo Z., Allebach J.P., Bouman C.A. Image quality assessment with a Gabor pyramid model of the human visual system // Proc. SPIE on Human Vision and Electronic Imaging, 1997, V. 3016, P. 58−69.
  70. Wang Z., Bovik A.C. A universal image quality index // IEEE Signal Processing Letters, 2002. V. 9, № 3. P. 81−84.
  71. Wang Z., Bovik A.C., Sheikh H.R., Simoncelli E.P. Image quality assessment: From error visibility to structural similarity // IEEE Trans, on Image Processing, 2004.V. 13(4), № 4. P. 600−612.
  72. Wang Z. The SSIM Index for Image Quality Assessment. Online. Available: http://www.cns.nyu.edu/~lcv/ssim/
  73. Ilushkina N., Tchobanou M. Three full reference quality measures for compressed images // Proc. of the 9th int. conf. «Digital Signal Processing and its Applications», 2007. V. 2, P. 497−499.
  74. Ю.С., Булыгин A.B., Радченко T.A. Модификация индекса структурного подобия (MS SIM) на основе методов непараметрической статистики // Докл. 10-й Межд. конф. «Цифровая обработка сигналов и ее применение», М., 2008. Т. 1, С. 505−507.
  75. Wade N., Swanston M. Visual Perception: An Introduction // The 2nd edition. L.: Psychology Press, 2001.
  76. Tan K.T., Ghanbari M. A multi-metrics objective picture quality measurement model for MPEG video // IEEE Trans. Circuits and Systems for Video Technology, 2000, № 10. P. 1208−1213.
  77. Branden Lambretch van den C.J., Verscheure O. Perceptual quality measure using spatio-temporal model of the Human Visual System. Digital Video Compression Algorithms and Technologies // Proceedings ofthe SPIE, vol. 2668, 1996, p. 450−461
  78. Cormack L.K. Computational models of early human vision // In Bovik A.C. (Ed.), Handbook of Image and Video Processing, 2nd ed. Elsevier Academic Press, April 2005.
  79. Wang Z., Sheikh H. R., Bovik A. C. No-reference perceptual quality assessment of JPEG compressed images // Proc. IEEE Int. Conf. Image Proc., (Rochester) September 2002, V. 1, P. 477−480.
  80. Marziliano P., Dufaux F., Winkler S., Ebrahimi T. Perceptual blur and ringing metrics: Application to JPEG2000 // Signal Processing: Image Communication, 2004. V. 19, № 2, P. 163−172.
  81. PicLab The Picture Laboratory, official web page www.piclab.ru.
  82. Boev A., Foi A., Egiazarian K., Katkovnik V. Adaptive scales as a structural similarity indicator for image quality assessment // Proc. of the 2nd int. workshop on video processing and quality metrics for consumer electronics, VPQM, January 2006.
  83. Karunasekera S.A., Kingsbury N.G. A distortion measure for blocking artifacts in images based on human visual sensitivity // IEEE Trans, on Image Processing, 1995. V. 4, № 6. P. 713−724.
  84. Eskicioglu A., Fisher P. Image quality measures and their performance // IEEE Trans. Communications, 1995. V. 43, № 12, P. 2959−2965.
  85. C.A., Александрова B.JI., Соколенко E.A. Новый критерий качества изображений // Матер. 14-й Междунар. науч.-техн. конф. «Проблемы передачи информации в сетях и системах телекоммуникаций». Рязань, 2005. С. 110−112.
  86. Wandell В.А. Foundations of Vision // Sinauer Associates, Inc., 1995.
  87. Daly S. The visible difference predictor: An algorithm for the assessment of image fidelity // Proc. SPIE, 1992. V. 1616, P. 2−15.
  88. Daly S. The visible difference predictor: An algorithm for the assessment of image fidelity. In Watson A.B. (Ed.), Digital images and human vision. The MIT Press, Cambridge, MA, 1993. P. 179−206.
  89. Lubin J. The use of psychophysical data and models in the analysis of display system performance. In Watson A.B. (Ed.), Digital Images and Human Vision. The MIT Press, Cambridge, MA, 1993. P. 163−178
  90. Safranek R.J., Johnston J.D. A perceptually tuned sub-band image coder with image dependent quantization and post-quantization data compression. // Proc. IEEE Int. Conf. Acoust., Speech, and Signal Processing, 1989. № 5. P. 1945−1948.
  91. Тео P.C., Heeger DJ. Perceptual image distortion // Proc. SPIE, 1994. V. 2179, P. 127−141.
  92. Simoncelli E.P., Freeman W.T., Adelson E.H., Heeger D.J. Shiftable multi-scale transforms // IEEE Trans. Information Theory, 1992. V. 38, P. 587−607.
  93. Watson A.B. DCTune: A technique for visual optimization of DCT quantization matrices for individual images // In Society for Information Display Digest of Technical Papers, 1993. V. 24, P. 946−949.
  94. Watson A.B., Yang G.Y., Solomon J.A., Villasenor J. Visibility of wavelet quantization noise // IEEE Trans. Image Processing, 1997. V. 6(8), № 8. P. 1164−1175.
  95. C.A., Приоров A.JI., Хрящев B.B. Модифицированный критерий оценки качества восстановленных изображений // Цифровая обработка сигналов, 2006. № 2. С. 27−33.
  96. В.А., Саутов Е. Ю., Куйкин Д. К. Алгоритм неэталонной оценки качества JPEG изображений // Докл. 9-й Межд. конф. «Цифровая обработка сигналов и ее применение» (DSPA-2007), М., 2007. Т. 2, С. 312−315.
  97. С.С., Арляпов С. А., Саутов Е. Ю., Хрящев В. В. Модифицированный критерий оценки качества восстановленных изображений // Докл. 8-й Межд. конф. «Цифровая обработка сигналов и ее применение», М., 2006. Т. 2, С. 413−416.
  98. Gregory K.W. The JPEG Still Picture Compression Standard // Comm. ACM, 1991. V. 34, № 4, P. 30−44.
  99. Д. Сжатие данных, изображений и звука. М.: Техносфера, 2004.
  100. Я. Видеокодирование. Н.264 и MPEG-4 стандарты нового поколения. -М.: Техносфера, 2005.
  101. Watson A., Yang G., Soloman J., Villasenor J. Visual thresholds for wavelet quantization error // Proc. of the SPIE, 1996. V. 2657, P. 382 392.
  102. И., Кернер Я. Теория информации М.: Мир, 1985.
  103. В.В. Теория информации: учеб. пособ. М.: Компания Спутник+, 2004.
  104. Andrews D., Mallows С. Scale mixtures of normal distributions // Journal of Royal Stat., 1974. V. 36, P. 99−102.
  105. Portilla J., Strela V., Wainwright M., Simoncelli E.P. Image demising using scale mixtures of Gaussians in wavelet domain // IEEE Trans. Image Processing, 2003. V. 12(11), № 11. p. 1338−1351.
  106. Torralba A., Oliva A. Statistics of natural image categories // Network: Сотр. Neural Sys., 2003. V. 14, P. 391−412.
  107. Burt P.J., Adelson E.H. The Laplacian pyramid as a com pact image code // IEEE Trans. Communications, 1983.V. 31, № 4. P. 532−540.
  108. Field D.J. Relations between the statistics of natural images and the response properties of cortical cells, J. Opt. Soc. America, 1987. V. 4, P. 2379−2394.
  109. Simoncelli E.P. Statistical modeling of photographic images. Chapter 4.7 in A.C. Bovik (Ed.), 2nd Ed., Handbook of Image and Video Processing, Academic Press, 2005.
  110. И.В., Абдуллоев A.A. Сравнительный анализ эталонных алгоритмов оценки качества изображений // Докл. 10-й Межд. конф. «Цифровая обработка сигналов и ее применение», Москва, 2008. Т. 2, С. 463−466.
  111. Apalkov I., Khryashchev V., Sokolenko E. Comparison Between Different Approach for Digital Image Restoration // Proc. of the 2nd IEEE Int. Conf. on Circuits and Systems for Communications (ICCSC'04), Moscow, Russia, 2004, in CD-Rom format.
  112. С.С. Удаление шума из изображений нелинейными цифровыми фильтрами на основе ранговой статистики // Автореф. дис. на соискание ученой степени к.т.н., Ярославль, 2007.
  113. Abreu Е., Mitra S. A signal-dependent rank ordered mean (SD-ROM) filter-a new approach for removal of impulses from highly corrupted images // Int. conf. on acoustics, speech, and signal processing (ICASSP'95), 1995. V. 4, P. 2371−2374.
  114. Chandra C., Moore M., Mitra S. An efficient method for the removal of impulse noise from speech and audio signals // Proc. of the 1998 IEEE Int. symp. on circuits and systems (ISCAS '98), 1998. V. 4, P. 206−208.
  115. Lightstone M., Abreu E., Mitra S.K., Arakawa K. State-conditioned rank-ordered filtering for removing impulse noise in images // IEEE Int. symp. on circuits and systems (ISCAS '95), 1995. V. 2, P. 957−960. -
  116. Hasan M., Marvasti E. Efficient rank-ordered mean (ROM) techniques for the recovery of isolated losses in highly corrupted images // IEEE Communications Letters, 2000. V. 4, № 10, P. 321−322.
  117. Tomasi С., Manduchi R. Bilateral filtering for gray and color images // Sixth Int conf. on computer vision, 1998. P. 839−846.
  118. Elad M. On the origin of the bilateral filter and ways to improve it // IEEE Trans, on image processing, 2002. V. 11, № 10, P. 1141−1151.
  119. Weber M., Milch M., Myszkowski K., Dmitriev K., Rokita P., Seidel H. Spatio-temporal photon density estimation using bilateral filtering // Proc. of Computer Graphics International, 2004. P. 120−127.
  120. Guarnieri G., Marsi S., Rampony G. Fast bilateral filter for edge-preserving smoothing // Elecronics Letters, 2006. V. 42, № 7, P. 396−397.
  121. Yang S., Hong K. Bilateral interpolation filters for image size conversion // Proc. of IEEE Int. Conf. on Image Processing, 2005. V. 2, P. 986−989.
  122. Lee K., Wang W. Feature-preserving mesh denoising via bilateral normal filtering // Proc. of 9th Int. Conf. Computer Aided Design and Computer Graphics, 2005, P. 275−280.
  123. Pham Т., van Vliet L. Separable bilateral filtering for fast video preprocessing // IEEE Int. conf. on multimedia and expo (ICME'05), 2005, p.454−457.
  124. Elad M. Analysis of the bilateral filter // Conference Record of the Thirty-Sixth Asilomar Conf. on signals, systems and computers, 2002. V. 1, P. 483−487.
  125. Hamarneh G., Hradsky J. Bilateral filtering of diffusion tensor MR images // IEEE Int. symp. on signal processing and information technology, 2006. P. 507−512.
  126. Apalkov I., Khryashchev V., Priorov A., Zvonarev P. Image Denoising Using Adaptive Switching Median Filter // Proc. of the IEEE Int. Conf. on Image Processing (ICIP-2005), Genoa, Italy, 2005. (in CD-Rom format), (ISBN 0−7803−9135−7). P. 1−117 -1−120.
  127. Apalkov I., Kuikin D., Sautov E., Zvonarev P. Removal of salt-and-pepper noise from highly corrupted images // Proc. of the 1-st1.ternational Workshop on Optimization Problems in Engineering (IWOPE-2005), Yaroslavl, Russia, 2005. V. 1, P. 70−76.
  128. И.В., Приоров A.JI., Хрящев B.B., Бухтояров С. С. Применение переключающихся медианных фильтров для восстановления зашумленных изображений // Вопросы радиоэлектроники. Серия общетехническая, Вып. 2, 2006. С. 137−147.
  129. И.В., Приоров A.JI., Хрящев В. В., Бухтояров С. С. Переключающийся медианный фильтр с блоком предварительного детектирования // Цифровая обработка сигналов, 2006. № 4, С. 2−8.
  130. Гладков JI. A, Курейчик В. В., Курейчик В. М. Генетические алгоритмы: учеб. пособ. Под ред. В. М. Курейчика. М.: ФИЗМАТЛИТ, 2004.
  131. JI.A. Статистические методы поиска. М.: Наука, 1968.
  132. Koza J.R. Genetic Programming. Cambridge // MA: MIT Press, 1994.
  133. Holland J.H. Adaptation in Natural and Artificial Systems: An Introductory Analysis with Application to Biology, Control, and Artificial Intelligence. USA: University of Michigan, 1975.
  134. Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning. USA: Addison-Wesley Publishing Company, Inc., 1989.
  135. Practical Handbook of Genetic Algorithms. Editor I. Chambers, Washington, USA, CRC Press, 1995. V. 1.
  136. Practical Handbook of Genetic Algorithms. Editor I. Chambers, Washington, USA, CRC Press, 1995. V. 2.
  137. Practical Handbook of Genetic Algorithms. Editor I. Chambers, Washington, USA, CRC Press, 1999. V. 3.
  138. Ч. Происхождение видов путем естественного отбора. М.: Тайдекс Ко, 2003.
  139. И.В., Хрящев В. В., Нери Ф. Синтез цифровых КИХ-фильтров без умножителей с помощью генетически алгоритмов // Докл. 7-й Межд. конф. «Цифровая обработка сигналов и ее применение», Москва, 2005. Т. 1, С. 75−77.
  140. Апальков И. В, Куйкин Д. К. Синтез цифровых КИХ-фильтров без умножителей с помощью генетических алгоритмов // Актуальные проблемы физики: Сб. науч. тр. молодых ученых, аспирантов и студентов. Вып. 5, Яросл. гос. ун-т. Ярославль: ЯрГУ, 2005. С. 7−14.
  141. R., Tang С. К., Mars P.: Genetic and Learning Automata Algorithms for Adaptive IIR Filtering // Proc. of the IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 92), 1992.
  142. Nilsson M., Dahl M., Claesson I. Digital Filter Design of IIR Filters using Real Valued Genetic Algorithm // Proc. of int. conf. WSEAS-2003, Singapore, 2003.
  143. Mitra S.K., Murthy C.A., Kundu M.K. Technique for fractal image compression using genetic algorithm // IEEE Trans, on Image Processing, 1998. V. 7, № 4, P. 586−593.
  144. Nait-Ali A. Genetic Algorithms for Blind Digital Image Stabilization Under Very Low SNR // IEEE Trans, on Consumer Electronics, 2007.V. 53, № 8, P. 857−863.
  145. Dong-Hyuk Shin, Rae-Hong Park, Seungjoon Yang, Jae-Han Jung. Block-based noise estimation using adaptive Gaussian filtering // IEEE Trans, on Consumer Electronics, 2005. V. 51, № 2, P. 218−226.
  146. Schulze H.G., Yu M.M.L., Addison C.J., Blades M.W., Turner R.F.B. Automated Estimation of White Gaussian Noise Level in a Spectrum With or Without Spike Noise Using a Spectral Shifting Technique // Appl. Spectrosc, 2006. V. 60, P. 820−825.
  147. И.В., Хрящев В. В., Бекренев В. А., Соколенко Е. А. Сравнительный анализ алгоритмов цифровой обработки изображений на базе пакета PICLAB // Докл. 8-й Межд. конф. «Цифровая обработка сигналов и ее применение», Москва, 2006. Т. 2, С. 380−382.
  148. И.В., Абдуллоев А. А., Голубев М. Н. Исследовательская среда PicLab: обзор возможностей // Докл. 9-й Межд. конф. «Цифровая обработка сигналов и ее применение», Москва, 2007. Т. 2, С. 309−311.
  149. И.В., Хрящев В. В. Исследовательская среда PicLab: текущие возможности и перспективы развития // Докл. 10-й Межд. конф. «Цифровая обработка сигналов и ее применение», Москва, 2008. Т. 2, С. 467−470.159.160. 161.162.163.
  150. К. Мартин Быстрая разработка программ: принципы, примеры, практика М.: Издательский дом «Вильяме», 2004.
  151. Г. Искусство программирования на С++ СПб.: БХВ-Петербург, 2005.
  152. Фаулер М. UML. Основы, 3-е издание СПб.: Символ-Плюс, 2004.
  153. Э., Хелм Р., Джонсон Р., Влиссидес Дж. Приемы объектно-ориентированного проектирования. Паттерны проектирования -СПб.: Питер, 2006.
  154. В.В. Технологии программирования. Компонентный подход М.: Интернет-Университет Информационных Технологий- БИНОМ. Лаборатория знаний, 2007.
  155. С. Совершенный код. Мастер-класс — М.: Издательский торговый дом «Русская Редакция" — СПб. Питер, 2005.
Заполнить форму текущей работой

Заказал и сдал!