РЕКУРСИВНЫЙ РАЗДЕЛИМЫЙ ДВУМЕРНЫЙ ЦИФРОВЫЙ ФИЛЬТР ДЛЯ ПОВЫШЕНИЯ РЕЗКОСТИ RGB-ИЗОБРАЖЕНИЙ
Аннотация
Важную роль в восприятии качества изображения играет резкость, то есть величина
градиента яркости в областях вблизи границ объектов. Данная характеристика отвечает за
четкость и детализацию мелких элементов изображения. Расфокусировка объектива каме-
ры и недостаточная освещенность являются основными факторами, которые могут при-
вести к размытию цифрового изображения. Для увеличения резкости используют различные
методы обработки, такие как фильтрация в частотной области, например применение бы-
строго преобразования Фурье для подчеркивания границ и текстур изображения. Примене-
ние данного типа фильтрации позволяет управлять контрастом и частотным содержанием
изображения, что приводит к улучшению визуального восприятия. Однако данный метод
имеет ряд существенных недостатков, таких как логарифмическая сложность и выполнение
дополнительных вычислений, связанных с прямым и обратным преобразованием Фурье. По-
этому предпочтительным методом повышения резкости изображения является так назы-
ваемая пространственная обработка, обеспечивающая прямую фильтрацию пикселей изо-
бражения без дополнительных преобразований, а повторное использование результатов об-
работки (рекурсивной составляющей) в фильтре позволяет сократить число операций,
уменьшить вычислительную сложность. В статье описана разработка эффективного ре-
курсивного разделимого двумерного цифрового фильтра для повышения резкости
RGB-изображений большой размерности. Приведены алгоритмы его построения, спроекти-
рованы соответствующие структурные схемы. Фильтр обладает свойством более равно-
мерной детализации объектов изображения, и менее подвержен созданию импульсного шума.
Также для исходного RGB-изображения высокого разрешения смоделирован фильтр размы-
тия, матрица которого заполняется по нормальному (гауссовому) закону. Для оценки каче-
ства фильтрации разработанный фильтр сравнивается с алгоритмом классической двумер-
ной свертки с ядром фильтра высоких частот Лапласа 5x5.
Литература
Tekhnosfera, 2005, 1072 p.
2. Mishchenko N.I., Pustynskiy I.N. Metody i sredstva povysheniya tekhnicheskikh kharakteristik
aktivno-impul'snykh televizionno-vychislitel'nykh sistem nablyudeniya [Methods and means of improving
the technical characteristics of active-pulse television-computer surveillance systems],
Doklady Tomskogo gosudarstvennogo un-ta sistem upravleniya i radio-elektroniki [Reports of the
Tomsk State University of Control Systems and Radioelectronics], 2014, No. 3 (35), pp. 47-52.
3. Bezzubik V.V., Belashenkov N.R., Nikiforov V.O. Metod kolichestvennoy otsenki kontrasta
tsifrovogo izobrazheniya [Method for quantitative assessment of digital image contrast],
Nauchno-tekhnicheskiy vestnik SPbGU ITMO [Scientific and Technical Bulletin of St. Petersburg
State University ITMO], 2010, No. 6 (70), pp. 86-88.
4. Milenin N.K. Shumy v formirovatelyakh signala na PZS [Noise in CCD signal conditioners],
Tekhnika kino i televideniya [Film and television technology], 1980, No. 6, pp. 51-57.
5. Priorov A.L., Apal'kov I.V., Khryashchev V.V. Tsifrovaya obrabotka izobrazheniy: ucheb.
posobie [Digital image processing: tutorial]. Yaroslavl': YarGU, 2007, 235 p.
6. Gruzman I.S., Kirichuk V.S. i dr. Tsifrovaya obrabotka izobrazheniy v informatsionnykh
sistemakh: ucheb. posobie [Digital image processing in information systems: a tutorial]. Novosibirsk:
Izd-vo NGTU, 2002, 352 p.
7. Kandidov V.P. i dr. Diskretnoe preobrazovanie Fur'e: ucheb. posobie [Discrete Fourier transform:
tutorial.]. Moscow: fizicheskiy fakul'tet MGU, 2019, 88 p.
8. Sitdikov I.T., A. S. Krylov. Variational image deringing using varying regularization parameter,
Pattern Recognition and Image Analysis, 2015, Vol. 25, No. 1, pp. 96-100.
9. Starovoytov V.V., Golub Yu.I. Poluchenie i obrabotka izobrazheniy na EVM: uchebnometodicheskoe
posobie [Receiving and processing images on a computer: educational and
methodological manual]. Minsk: BNTU, 2018, 204 p.
10. Shapiro L., Stokman Dzh. Komp'yuternoe zrenie [Computer vision]. Moscow: BINOM.
Laboratoriya znaniy, 2006, 752 p.
11. Yane B. Tsifrovaya obrabotka izobrazheniy [Digital image processing]. Moscow: Tekhnosfera,
2007, 584 p.
12. Fisenko V.T., Fisenko T.Yu. Fraktal'nye metody segmentatsii teksturnykh izobrazheniy [Fractal
methods for segmenting texture images], Priborostroenie [Instrumentation], 2013, Vol. 56,
No. 5, pp. 63-70.
13. Shovengerdt R.A. Distantsionnoe zondirovanie. Modeli i metody obrabotki izobrazheniy [Remote
sensing. Models and methods of image processing]. Moscow: Tekhnosfera, 2010, 560 p.
14. Kamenskiy A.V., Kuryachiy M.I. Rekursivno-separabel'nye metody i algoritmy povysheniya
kachestva izobrazheniy v televizionnykh izmeritel'nykh sistemakh [Recursive-separable methods
and algorithms for improving image quality in television measurement systems]. Tomsk,
2018, 10 p.
15. Turulin I.I., Tkachenko M.G. Bystroperestraivaemye tsifrovye fil'try: monografiya [Fasttunable
digital filters: monograph]. Taganrog: Izd-vo TTI YuFU, 2008, 104 p.
16. Shlezinger M.I. Matematicheskie sredstva obrabotki izobrazheniy [Mathematical tools for
image processing]. Kiev: Naukova dumka, 1989, 200 p.
17. Turulin I.I. Osnovy teorii rekursivnykh KIKh-fil'trov: monografiya [Fundamentals of the theory
of recursive FIR filters: monograph]. Taganrog: Izd-vo YuFU, 2016, 264 p.
18. Naito Y., Miyazaki T., Kuroda I. A fast full-search motion estimation method for programmable
processors with a multiply-accumulator, IEEE International Conference on Acoustics,
Speechand Signal Processing, 1996, Vol. 6, pp. 3221-3224.
19. Selyankin V.V., Skorokhod S.V. Analiz i obrabotka izobrazheniy v zadachakh komp'yuternogo
zreniya: ucheb. posobie [Analysis and processing of images in computer vision tasks: a tutorial].
Taganrog: Izd-vo YuFU, 2015, 82 p.
20. Fabijańska A., Sankowski D. Noise adaptive switching median-based filter for impulse noise
removal from extremely corrupted images, IET Image Processing, 2011, Vol. 5, Issue 5,
pp. 472-480. DOI: 10.1049/iet-ipr.2009.0178.
21. Ng P.-E., Ma K.-K. A switching median filter with boundary discriminative noise detection for
extremely corrupted images, IEEE Transactions on Image Processing, 2006, Vol. 15, Issue 6,
pp. 1506-1516. DOI: 10.1109/TIP.2005.871129