Статья

Название статьи МОДИФИЦИРОВАННЫЙ МЕТОД РЕКОНСТРУКЦИИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ПОИСКА ПОДОБНЫХ ОБЛАСТЕЙ
Автор Р.Р. Ибадов, С.Р. Ибадов, В.В. Воронин, В.П. Федосов
Рубрика РАЗДЕЛ IV. МЕТОДЫ, МОДЕЛИ И АЛГОРИТМЫ ОБРАБОТКИ ИНФОРМАЦИИ
Месяц, год 06, 2017
Индекс УДК 621.396
DOI
Аннотация Для анализа фото- и видеоданных, получаемых с камер, устанавливаемых как на космических устройствах наблюдения, так и на подвижных летательных аппаратах, широко применяются методы текстурного анализа. С использованием методов текстурного анализа решаются задачи качественной кластеризации подстилающей поверхности и поиска целевых объектов, например, замаскированных позиций противника и т.п. Цвет и текстура являются важными характеристиками изображения. Проблема анализа цветных текстур включает в себя такие аспекты, как описание цветных текстур, их классификация, то есть формирование кластеров (при этом под кластером понимают обычно группу объектов, образующих в пространстве описания компактную в некотором смысле область), и сегментация, то есть разбиение изображения на области, которые являются однородными относительно одной или нескольких характеристик, или принадлежат некоторому кластеру. При применении методов текстурного анализа предполагается, что входное изображение имеет текстурные характеристики. Поскольку в настоящее время нет единого определения текстуры, то каждый метод текстурного анализа предполагает описание текстуры некоторым набором признаков, извлекаемых из изображения. В статье рассмотрен метод реконструкции изображений на основе поиска подобных блоков с помощью алгоритма синтеза текстуры. Показана эффективность нового подхода на нескольких примерах для различных областей с потерянными пикселями. Предметом исследования являются методы и алгоритмы обработки пространственно-временной реконструкции двумерных сигналов на основе геометрической модели изображений. Объектом исследования является набор из тестовых статических изображений. Результатом исследования является модификация метода восстановления изображений на основе поиска подобных блоков с целью уменьшения погрешности реконструкции изображений. Новизной работы является алгоритм, позволяющий повысить качество восстановления изображений. Полученные результаты позволяют уменьшить среднеквадратическую погрешность. При решении поставленных задач получены результаты, на основании которых можно сделать выводы: – разработан метод восстановления изображений на основе поиска подобных блоков, где в качестве модификации, предлагается использовать метод склейки блоков; – анализ результатов проведённого исследования показал, что предложенный метод позволяет улучшить качество реконструкции изображений.

Скачать в PDF

Ключевые слова Реконструкция; синтез текстур; сегментация; изображения; восстановление
Библиографический список 1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2005. – 1072 с.
2. Фомин А.А., Жизняков А.Л. Удаление пятен с изображений архивных фотодокументов на основе вейвлет преобразования // 8 Международная конференция: Цифровая обработка сигналов и её применение. – М., 2006.
3. Яне Б. Цифровая обработка изображений. – М.: Техносфера, 2007. – 584 с.
4. Грузман И.С., Киричук В.С., Косых В.П., Перетягин Г.И. Цифровая обработка изображений в информационных системах: учеб. пособие для студентов V курса РЭФ (специальности “Радиотехника” и “Средства связи с подвижными объектами”). – Новосибирск: Изд-во НГТУ, 2000. – 168 с.
5. Ярославский Л.П. Введение в цифровую обработку изображений. – М.: Сов. радио, 1979. – 272 с.
6. Переверткин С.М. Бортовая телеметрическая аппаратура космических летательных ап-паратов. – М.: Машиностроение, 1977. – 208 с.
7. Марчук В.И., Воронин В.В. Реконструкция значений утраченных пикселов изображений в условиях ограниченной априорной информации // Научно-технические ведомости СПбГПУ. – Санкт-Петербург, 2009. – № 1. – С. 51-55.
8. Сизякин Р.А., Воронин В.В., Марчук В.И., Ибадов С.Р., Ибадов Р.Р., Свирин И.С. Обна-ружение и реконструкция дефектов на фотографиях на основе локальных бинарных шаблонов // Научно-технический вестник Поволжья. – 2014. – № 6. – С. 333-336.
9. Марчук В.И., Воронин В.В., Франц В.А. Модифицированный метод восстановления дву-мерных сигналов // Научно-технические ведомости СПбГПУ. – 2011. – № 1. – С. 31-36.
10. Воронин В.В., Гапон Н.В., Сизякин Р.А., Ибадов Р.Р., Ибадов С.Р., Семенищев Е.А. Ис-следование метода восстановления искаженных пикселей изображений на основе тек-стурно-геометрической модели // VII Международная научно-практическая конференция: Вопросы науки: Современные технологии и технический прогресс. Т. 8. – Воронеж 2015. – С. 41-44.
11. Alkachouh, Z., Bellanger M.G. Fast DCT-based spatial domain interpolation of blocks in images // IEEE Trans. Image Process. – 2000. – P. 729-732.
12. Ballester C., Bertalmio M., Caselles V., Sapiro G., Verdera J. Filling-in by joint interpolation of vector fields and gray levers // IEEE Trans. On Image Processing. – 2001. – No. 10 (8).
– P. 1200-1211.
13. Bertalmio M.L., Vese G. Sapiro S. Osher Simultaneous texture and structure image inpainting // Proceedings of the International Conference on Computer Vision and Pattern Recognition.
– 2003. – P. 707-712.
14. Bertalmio M., Sapiro G., Caselles V., Ballester C. Image inpainting // Computer Graphics Proceedings, K. Akeley, Ed. ACM Press ACM SIGGRAPH Addison Wesley Longman.
– 2000. – P. 417-424.
15. Criminisi A., P´erez P., Toyama К. Region filling and object removal by exemplar-based image inpainting / A. Criminisi, // IEEE transactions on image processing. – 2004. – Vol. 13, No. 9. – P. 1-13.
16. DeBonet J.S. Multiresolution sampling procedure for analysis and synthesis of texture images // In Proc. of SIGGRAPH. – 1997. – P. 361-368.
17. Фраленко В.П. Анализ спектрографических текстур данных дистанционного зондирова-ния Земли // Искусственный интеллект и принятие решений. – 2010. – C. 111-118.
18. Потапов А.А. Новые информационные технологии на основе вероятностных текстурных и фрактальных признаков в радиолокационном обнаружении малоконтрастных целей // Радиотехника и электроника. – 2003. – № 9. – 906 c.
19. Рогов А.А., Спиридонов К.Н. Применение спектра фрактальных размерностей Реньи как инварианта графического изображения // Вестник Санкт-Петербургского университета. – 2008. – № 2. – C. 30-37.
20. Мокшанина Д.А. Распознавание полутоновых текстур на основе стохастической геомет-рии и функционального анализа: дис. … канд. тех. наук. – Пенза, 2010. – C. 214-221.
21. Федотов Н.Г. Теория признаков распознавания образов на основе стохастической гео-метрии и функционального анализа. – М.: Физматлит, 2009. – 804 c.
22. Федотов Н.Г., Кадыров А.А. Новые признаки изображений, инвариантные относительно группы движений и аффинных преобразований // Автометрия. – 1997. – 765 c.
23. Chan T.F., Shen J. Mathematical models of local non-texture inpaintings // SIAM J. Appl.
– Math, 2002. – Vol. 62 (3). – P. 1019-1043.
24. Ибадов Р.Р., Ибадов С.Р., Гапон Н.В., Сизякин Р.А. Исследование эффективности мето-дов синтеза текстур на основе экспериментальных данных // Научная весна. – Шахты: 2016. – С. 167-173.
25. Efros A.A., Leung T.K. Texture Synthesis by Non-parametric Sampling // Proc. ICCV. – 1999. – P. 210-218.

Comments are closed.