На правах рукописи

БУЗЫЛЕВ ФЕДОР НИКОЛАЕВИЧ

МЕТОДЫ И АЛГОРИТМЫ ЦИФРОВОЙ ОБРАБОТКИ

И КОРРЕКЦИИ ТЕПЛОВИЗИОННЫХ ИЗОБРАЖЕНИЙ

Специальность 05.11.04 – Радиотехника,

в том числе системы и устройства телевидения

Автореферат

диссертации на соискание ученой степени

кандидата технических наук

Москва – 2010 2

Работа выполнена на кафедре радиоприборов Московского государственного института радиотехники, электроники и автоматики (технического университета)

Научный руководитель доктор технических наук, профессор Нефедов Виктор Иванович

Научный консультант доктор физико-математических наук, по вопросам моделирования чл.-корр. РАН, профессор схем обработки сигналов Сигов Александр Сергеевич

Официальные оппоненты: доктор технических наук, профессор Тумковский Сергей Ростиславович доктор технических наук, профессор Белоусов Олег Борисович

Ведущая организация: Федеральное государственное унитарное е предприятие «Московский научноисследовательский радиотехнический институт», г. Москва

Защита состоится « » 2010 г. в 14 часов на заседании диссертационного совета Д 212.133.06 в Московском государственном институте электроники и математики (техническом университете) по адресу:

109028, Москва, Б. Трехсвятительский пер., д. 3.

С диссертацией можно ознакомиться в библиотеке МИЭМ (ТУ) Автореферат разослан « 2010 г.

»

Ученый секретарь диссертационного совета к.т.н., профессор Н.Н. Грачев

1.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время обработка тепловизионных (тепловых, термографических) изображений является важным направлением применения современной вычислительной техники. Она находит применение в самых различных областях науки и техники: обработка информации со спутников, сканирующих земную поверхность с целью составления карт местности, при использовании нескольких частотных диапазонов, включающих как инфракрасные, так и видимые диапазоны, что позволяет достичь лучших результатов; обработка данных в системах обнаружения и целеуказания объектов и их идентификации; контроль соблюдения температурных параметров технологических процессов и тепловыми режимами функционирования различных электронных систем; обработка биологических параметров человека в медицинских исследованиях.

Известны такие задачи обработки изображений, как линейная и нелинейная фильтрация, восстановление и сегментация изображений, сжатие информации для передачи по каналам связи. Проблемы распознавания изображений, кроме классической задачи распознавания фигур заданной формы на изображении, ставят новые задачи распознавания линий, краев и углов на изображении. Еще один аспект проблемы связан с включением текстурного анализа и сегментации зашумленных изображений в процесс вейвлет-кодирования. Наконец, не известны результаты практического применения известных подходов в реальных системах телевидения.

Задача любой (в том числе и тепловизионной — ТПС) системы, формирующей изображение, заключается в создании резкого, чистого изображения, свободного от шумов и искажений. Это всегда представляет определенные проблемы. Во-первых, каждая реальная система формирования изображений обладает некоторыми ограниченными возможностями; импульсная характеристика реальной системы имеет конечную длительность, что приводит к неизбежному снижению разрешающей способности. Если на изображении необходимо выделять важные детали, размер которых близок к длительности импульсной характеристики, то необходимо увеличивать разрешение. Так, например, с тепловизионной системы (тепловизоров, ИК-приемников) самолетов и вертолетов приходят снимки достаточно хорошего качества, но операторы, изучающие их, всегда пытаются увидеть на них объекты (например, танки, людей), искаженные в силу ограниченного разрешения камер. Во-вторых, изображения могут быть испорчены из-за определенного стечения обстоятельств съемки. Можно принять все меры предосторожности, чтобы получить высококачественные изображений, но какая-то часть их окажется испорченной либо за счет движения объекта или камеры, либо из-за плохой фокусировки и т.д. Среди некачественных изображений всегда находятся столь важные или настолько редкие, что стоит пытаться улучшить их качество. Устранение искажений относится к задачам восстановления (повышения резкости) изображений.

В теории и практике проектирования тепловизионных систем немаловажную роль играет моделирование тепловизионных изображений. Яркость тепловизионных изображений зависит как от распределения температуры по поверхности наблюдаемого объекта, так и от коэффициента излучения и ориентации визируемых элементов его поверхности его формы. Кроме того, качество тепловизионного изображения зависит от передаточных характеристик приемника и всех звеньев тепловизора. Крупномасштабные исследования показали, что тепловизионное изображение — носитель большого количества информационных параметров. Обработка этих параметров остается до настоящего времени сложной задачей. Множество готовых решений из области обработки изображений в авиакосмической, радиоастрономической и медицинской информации не получили в тепловидении широкого распространения. Это связано с рядом специфических особенностей, характерных для тепловизионных изображений.

Главное отличие информация, заложенная в тепловизионных изображениях, носит в основном статистический (вероятностный) характер.

Среди них следует отметить следующие:

• зашумленность полезных сигналов аддитивными помехами;

• недостаточную контрастность изображений;

• наличие геометрических искажений в структуре изображения;

• нестационарный характер информационной насыщенности полезных сигналов;

• проявление специфических шумов мультипликативного характера, связанных с флуктуациями излучательно-поглощающих свойств обнаруживаемых и исследуемых объектов.

Следствием отмеченного является то, что при автоматизированной цифровой обработке тепловизионных изображений зачастую необходимо применять вероятностные методы.

Основные методы и алгоритмы автоматизированной цифровой обработки тепловизионных изображений включают в себя: низкочастотную фильтрацию шумов; нелинейную фильтрацию (кепстральную или гомоморфную обработку); выделение контура объекта с сохранением границ его внутренних областей; рекурсивное восстановление внутренней структуры объектов; сжатие изображений, элементы распознавания на основе обработки статистических параметров.

Требования к результатам цифровой обработки тепловизионного изображения, получаемого с матричных систем, очень часто аналогичны требованиям, предъявляемым к телевизионному изображению, несмотря на то, что качество изображений, получаемых с тепловизоров, хуже, чем с фотоприемных матриц, работающих в видимом диапазоне.

Разработке эффективных представлений и моделей изображений и методов их цифровой обработки уделено большое внимание в работах зарубежных и отечественных ученых и специалистов: Прэтта У., Павлидиса Т., Бонгарда М.М., Вудса Р.Е., Гонсалеса Р.С., Файна В.С., Нарасимхана Р., Сойфера В.А., Розенфельда А., Стокхэма Т., Сэломона Д., Фримена Х., Фу К., Харалика Р.М., Фурмана Я.А., Журавлева Ю.И., Цуккермана И.И., Ярославского Л.П., Ковалевского В.А., Лебедева Д.С. и многих других. Тем не менее, развитые сегодня методы цифровой обработки изображений, используемые в телевидении, видеотехнике, применительно к тепловизионным системам нуждаются в существенном совершенствовании, что связано со сравнительно большой неоднородностью параметров и характеристик тепловизоров, нелинейностью их характеристик, высоким уровнем шумов и низким контрастом изображения. При этом практически отсутствуют данные при сжатии тепловизионных изображений, искаженных мультипликативным шумом. Необходимость коррекции и ослабления влияния этих факторов на тепловизионное изображение, сжатие при их передаче по каналам связи и определяет актуальность темы диссертации.

В качестве исходной информации используется сигнал полутонового изображения, преобразованного в цифровую форму. Обработка таких изображений (земной поверхности, медицинских объектов и др.) сейчас выполняется в основном в интерактивном режиме. Разработан большой спектр методов, применение которых для конкретной задачи определяется оператором на базе различных эвристических предпосылок и интуиции.

Из-за сложности исходной информации представляется трудным проведение какой-либо формализации обработки изображений данного типа.

Итак, можно выделить следующие перспективные направления исследований в области цифровой обработки тепловизионных изображений:

• создание новых оптимальных методов низкочастотной и нелинейной (кепстральная или гомоморфная обработка) фильтрации шумов;

• фильтрация шумов и сегментирование с использованием математического аппарата нечеткой логики;

• разработка высокоэффективных (по скорости и качеству) методов предварительной обработки и сегментации изображений;

• создание методов выделения контура объекта с сохранением границ областей и рекурсивным восстановлением внутренней структуры;

• разработка эффективных методов сжатия изображений;

• разработка методов выделения и распознавания объектов изображений.

В последние годы быстро развиваются системы передачи и обработки тепловизионной информации. На этом фоне важным является решение вопросов устранения информационной избыточности, улучшения алгоритмов сжатия и восстановления изображений и разработки эффективных вычислительных процедур для реализации этих алгоритмов. Сжатие актуально для повышения как скорости передачи, так и эффективности хранения изображений.

Развитие современной микроэлектроники позволяет успешно внедрять методы коррекции и улучшения изображения электронными средствами, в первую очередь, цифровые, основанные на использовании матричных приемников излучения и цифровых компонентов, осуществляющие обработку тепловизионного изображения, полученного в реальном масштабе времени. Наибольшие успехи в этой области связаны с широким распространением цифровой аппаратуры в структуре тепловизоров, а также с развитием алгоритмов обнаружения, выделения и сжатия для передачи в сетях связи. Возможность хранения цифрового изображения позволяет производить совмещение двух изображений, стабилизацию, построение панорамного изображения и другие операции.

Решение этой серьезной научной проблемы определяет актуальность диссертационной работы, направленной на создание новых методов низкочастотной и нелинейной фильтрации; разработку высокоэффективных (по скорости и качеству) методов предварительной обработки; создание методов выделения контура объекта с сохранением границ его внутренних областей и последующим рекурсивным восстановлением внутренней структуры; выделения и распознавания объектов; проектирование сигнальных процессоров для обработки изображений, а также с развитием алгоритмов обнаружения, выделения, сжатия для систем передачи и хранения видеоданных, что послужит интересам всех отраслей экономики страны.

Целью работы является усовершенствование существующих и разработка новых методов, алгоритмов и методик цифровой обработки, позволяющих улучшить качество передаваемого по каналам связи тепловизионного изображения.

В соответствии с поставленной целью в диссертационной работе рассмотрены и предложены:

• существующие методы обработки тепловизионных изображений, включая способы обнаружения объектов, выделения границ и областей изображения;

• создание новых методов низкочастотной (включая использование математического аппарата нечеткой логики) и нелинейной фильтрации шумов;

• разработка высокоэффективных (по скорости и качеству) методов повышения контрастности и сегментации изображений;

• новые методики сегментации зашумленных изображений в процессе вейвлет-обработки;

• программный продукт, реализующий представленные разработки;

• разработка эффективных методов сжатия изображений;

• разработка методов выделения и распознавания объектов изображений.

Методы исследования. В работе использованы методы системного анализа, сегментации изображений, морфологической обработки, методы сжатия изображений, дифференциальных и интегральных преобразований, теории вероятности и математической статистики, математического моделирования и аппарат нечеткой логики, основы системного программирования.

Научной новизной обладают следующие результаты:

• способы обнаружения объектов, выделения границ и областей тепловизионного изображения;

• созданные новые оптимальные методы вейвлетной, низкочастотной и нелинейной фильтрации шумов;

• новые методики сегментации зашумленных изображений;

• новые методы сжатия зашумленных изображений;

• программный продукт, реализующий представленные разработки;

• система алгоритмов (компенсации шумов, повышения контраста, сегментации), использующая результаты применения общего для всех них фильтра, что позволяет оптимизировать вычислительный процесс.

Практическая ценность работы состоит в улучшении качества изображения на выходе тепловизионных систем, в разработке и реализации целостной системы новых эффективных методик и алгоритмов цифровой обработки тепловизионного изображения. Эффективность предложенной методики заключается в сокращении на целый порядок количества вычислительных операций и увеличения качества восстановленного после сжатия изображения по сравнению с традиционными алгоритмами.

Структура разработанных алгоритмов сжатия предоставляет разработчикам возможность эффективной программно-аппаратной реализации на различных типах вычислительных систем. Предложенные способы обработки изображений могут быть использованы в системах передачи, обработки и хранения графической информации, а результаты диссертационного исследования можно рекомендовать для внедрения в учебный процесс.

Разработанные алгоритмы допускают относительно легкую модификацию и могут широко использоваться в практических приложениях как для задач сжатия, так и задач передачи данных по каналам связи.

Основные научные положения, выносимые на защиту:

1. Новые методы и алгоритмы обнаружения объектов, выделения границ и областей слабоконтрастного тепловизионного изображения;

2. Оптимальные методы вейвлетной, низкочастотной линейной (включая использование математического аппарата нечеткой логики) и нелинейной фильтрации шумов;

3. Новые методики сегментации зашумленных изображений;

4. Алгоритмы сжатия тепловизионных изображений, учитывающие специфику искажений и позволяющие построенным на их основе цифровым устройствам функционировать в реальном масштабе времени.

5. Программные продукты, реализующие разработанные методы и алгоритмы в реальном масштабе времени.

Научной новизной обладают следующие результаты.

• методы и алгоритмы обнаружения объектов, выделения границ и областей тепловизионного изображения;

• оптимальные методы низкочастотной линейной (включая использование математического аппарата нечеткой логики) и нелинейной фильтрации шумов;

• новые методики сегментации зашумленных изображений;

• новые методы сжатия зашумленных изображений;

• программные продукты, реализующие разработанные методы и алгоритмы в реальном масштабе времени.

Внедрение результатов работы. Результаты работы внедрены в учебном процессе в МИРЭА и использованы в ОАО «Концерн радиостроения «Вега», НИИКС филиале ГКНПЦ им. М.В. Хруничева, институте общей физики им. А.М. Прохорова Российской академии наук.

Достоверность основных теоретических положений и выводов, полученных в работе, подтверждается сопоставительным анализом разработанных и существующих методик и алгоритмов, а также итогами проведения вычислительного эксперимента и компьютерного моделирования, совпадением результатов работы с данными, полученными другими авторами, а также актами о внедрении и использовании научных и практических результатов диссертации. Теоретические положения, полученные в работе, обосновываются последовательным и корректным применением математического аппарата при выводе аналитических выражений. Достоверность результатов экспериментального исследования обеспечена большим объемом экспериментального материала, который соответствует прогнозируемым данным, а также выбором надежных критериев при построении алгоритмов обработки информации и наглядностью интерпретации полученных практических результатов.

Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались с 2006-го по 2010 год на научно-технических конференциях и семинарах в Московском государственном институте радиотехники, электроники и автоматики (техническом университете), Московском энергетическом институте (техническом университете), на конференциях и заседаниях НТОРЭС им. А.С. Попова, на международных и Всероссийских научно-технических конференциях.

Публикации. Результаты проведенных в диссертации теоретических исследований и экспериментов опубликованы автором более чем в 20 работах: 2 статьях в ведущих научных журналах и изданиях, выпускаемых в Российской Федерации и рекомендуемых ВАК для публикация основных материалов диссертаций, представляемых на соискание ученой степени кандидата технических наук; 11 статьях в сборниках трудов международных научно-технических конференций; 7 статьях в научнотехнических сборниках издательств МИРЭА и других высших учебных заведений и научно-исследовательских институтов.

Структура и объем диссертации. Работа состоит из введения, четырех разделов, заключения, 3 приложений, списка литературы, включающего 125 наименований; содержит 158 страниц текста, 46 рисунков и 9 таблиц.

2. СОДЕРЖАНИЕ РАБОТЫ

Во введении дана общая характеристика решаемой проблемы, обоснована актуальность темы, определена цель исследований, показаны методы исследования, отмечена научная новизна и практическая ценность работы, сформулированы основные положения, выносимые на защиту, приведены сведения по апробации работы, внедрении результатов, публикациях, структуре и объеме диссертации.

В первой главе дан обзор принципов получения тепловизионных изображений, известных методов, алгоритмов и устройств цифровой обработки, применяемых в тепловизионных системах, в том числе предназначенных для совместного шумоподавления методами временнй и пространственной фильтрации, а также приводятся оценки эффективности методов и алгоритмов фильтрации и сжатия изображений, искаженных мультипликативным шумом. Ряд изображений, формируемых тепловизионными системами, приведен на рис.1.

Рис.1. Изображения, формируемые тепловизионными системами Анализ этих методов применительно к матричным тепловизионным системам показывает, что они нуждаются в существенной доработке. Так при шумоподавлении при помощи пространственной фильтрации происходит размытие контрастных границ объектов, что снижает пространственное разрешение, а как следствие, снижает расстояние обнаружения и распознавания. Применение линейного фильтра дифференцирования позволяет повысить контраст границ объектов, что приводит к повышению дальности обнаружения и распознавания. Однако при этом повышается уровень шума и изменяется внешний вид изображения. Линейный метод автоматической регулировки уровней яркости, применяемый в тепловизорах, нуждается в доработке с целью увеличения контраста изображений.

На рис. 2 приведена обобщенная структурная схема современной тепловизионной системы на твердотельных матричных приемниках.

Параметры работы матрицы (уровень сигнала, чувствительность, внутренняя температура) задаются набором входных напряжений, поступающих с блока управления матрицей. Составной частью тепловизионной системы с матричным приемником является модуль цифровой обработки, содержащий сигнальный процессор с блоками АЦП и ЦАП, цифровой интерфейс, блок управления объективом и фокусировкой. Матрица формирует аналоговый сигнал, который оцифровывается в АЦП.

Рис.2. Обобщенная структурная схема современной тепловизионной системы с матричным приемником Модуль цифровой обработки обеспечивает обработку в реальном масштабе времени потока информации от приемника, формирование тепловизионного растра заданного формата и получения качественного изображения. Также этот модуль осуществляет отработку команд оператора, формирование и передачу сигналов управления. Под цифровой обработкой изображения в реальном масштабе времени подразумевают обработку очередного накопленного кадра за время накопления следующего кадра. При формировании стандартного изображения 25 кадров в секунду располагаемое время обработки кадра составляет 40 мс.

Во второй главе рассматриваются пути совершенствования методов цифровой обработки тепловизионных изображений на основе матричных приемников. Кроме того в этой главе разработаны методы, модели, алгоритмы и технология обработки тепловизионных изображений и объектов с целью их обнаружения, идентификации и измерения их характеристик, а также представлены авторские методики по их реализации.

Эффективность обработки тепловизионного изображения зависит от его адекватности модели, которая представляет систему функций, описывающих характеристики изображения: яркость, пространственные спектры и спектральные интенсивности изображений, функцию автокорреляции. В общем случае непрерывное изображение можно представить функцией пяти аргументов: пространственных координат, времени и длины волны излучения. Упрощение модели пространственно-временных сигналов в некотором диапазоне длин волн f(x, y, z, t, ) приводит к моделям пространственно-временнго сигнала f(x, y, z, t), пространственного сигнала f(x, y, z) и временнго сигнала f(t). Здесь x, y, z пространственные координаты.

В общем случае обнаружение объекта в аддитивных шумах в тепловизионном изображении описывается вероятностными методами. При этом качественными и количественными показателями могут служить условные вероятности правильного обнаружения D и ложной тревоги F. Решение о наличии или отсутствии объекта в изображении принимается с помощью порогового устройства, которое ориентировано на напряжение порога U0.

Вероятность правильного обнаружения D сигнала объекта и вероятность ложной тревоги F в зависимости от текущего значения напряжения u(t) определяются соответственно по формулам где рсш(u) плотность вероятности суммы сигнала и шума; рш(u) плотность вероятности шума на входе ИК-приемника.

Анализ показал, что на входе ИК-приемника плотности вероятностей рсш(u) и рш(u) определяются нормальным законом распределения. На его выходе рсшв(u) и ршв(u) будут описываться известным законом Рэлея где q2 = S/N отношение сигнал/шум по мощности (q – параметр обнаружения), а I0(qи) модифицированная функция Бесселя нулевого порядка.

Подставив в (1) для вероятности F значение ршв(u), получим:

Из (3) получаем формулу для вычисления напряжения U0 порогового уровня, которое надо установить в системе цифровой обработки Используя формулы (1) и (4) определяют вероятность правильного обнаружения сигнала тепловизионного объекта на фоне шумов Задавая порог U0 для требуемой вероятности ложной тревоги F, по выражению (5) вычисляют вероятность правильного обнаружения объекта при конкретных значениях отношения сигнал/шум на входе приемника.

Фильтрация шумов в тепловизионных изображениях с движущимися объектами актуально для многих практических задач, например для систем видеонаблюдения и кодирования изображений. В настоящее время имеются алгоритмы для обработки таких изображений с пространственновременным подавлением шума. В диссертации необходимо было апробировать уже известные алгоритмы и создать быстрый алгоритм шумоподавления для обработки видеопоследовательностей тепловизионных изображений перед кодированием. Разработанный и затем усовершенствованный алгоритм с пространственно-временным подавлением удаляет шум сначала во временнй, а затем в пространственной областях. Подобный метод позволяет получить результат лучше, чем при удалении шума только во временнй или в пространственной области. Предложенный быстрый алгоритм временнго шумоподавления осуществляет смешивание соседних пикселей во временнй области:

где Lf(i,j,k) — пиксель k-го кадра сигнальной видеопоследовательности в местоположении i,j после шумоподавления; f(i,j,k) — пиксель k-го кадра сигнальной видеопоследовательности в местоположении i,j после шумоподавления; N — количество неподвижных кадров.

а — исходное; б — после простого временнго шумоподавления;

б — после временнго шумоподавления на движущемся объекте Было выявлено, что при простом смешивании соседних пикселей во временнй области без адаптации к движению (рис.3,а), могут возникнуть серьезные осложнения. Они заключаются в появлении ореола границ быстро движущегося объекта (рис.3,б). Данный алгоритм временнго шумоподавления адаптируется к движению в отдельных областях кадра и не производит в них смешивания, чтобы избежать появления вышеописанных осложнений. Для этого следует ввести параметр фильтра T значения временнго шумоподавления и формула (6) примет вид:

где DF функция, определяющая движение в локальной области пикселя f(i,j,k); экспериментально подобранная константа ( = 0,25…0,75).

После преобразования сигнала по такому алгоритму шумы на изображении подавляются с одновременной адаптацией к движению (рис.3,в).

В работе предложен метод замещения дефектного пикселя, основанный на применении пространственного линейного фильтра размытия, выполняющий операцию F над элементами изображения qij:

где параметры N1, N 2, M 1, M 2 задают размеры «окна» фильтра с независимыми от qij весовыми коэффициентами матрицы Fij.

Для сохранения общего уровня сигнала накладывается условие:

Была разработана следующая маска:

Дефектные пиксели исключаются, а коэффициенты Fij присваивают нуль:

при этом сумма элементов равна 1, для чего проводится нормировка:

В диссертации был рассмотрен и усовершенствован метод нелинейной фильтрации, гарантирующий отсутствие отрицательных значений яркости в восстановленном изображении, которое определяется путем решения системы нелинейных уравнений:

g(j, k) = h(j, k )* * ехр[- 1+ h(i, j)* * (i,j)+ µ] + exp [-1 + (i, j)], а исправленное изображение описывается равенством где символ ** обозначает двумерную дискретную свертку, а Р — полная энергия исходного изображения. Таким образом, решение оказывается положительным и ограниченным по значению (рис.4).

а — исходное изображение парусника; б — после обработки При фильтрации и сжатии сигналов предложено использовать быстрое вейвлет-преобразование (БВП). При этом надо учитывать, что если полный размер сигнала составляет М-отсчетов, а максимальный уровень разложения N, то для обеспечения нормальной работы БВП отношение M/2N должно быть целым числом, что обеспечивает целое число коэффициентов на последнем уровне разложения. Применив одномерное преобразование последовательно к строкам и столбцам исходного изображения, получим двумерное БВП. В результате мы получаем одну низкочастотную полосу и три высокочастотных, причем ВЧ-коэффициенты каждой полосы отвечают за конкретное направление — вертикальное, горизонтальное, либо диагональное (рис.5).

Рис.5. Схема двумерного вейвлет-преобразования После преобразования мелкие детали изображения наряду с шумом содержатся в высокочастотных вейвлет-коэффициентах, поэтому шумоподавление производится уменьшением вейвлет-коэффициентов небольшой амплитуды. Коэффициенты уменьшаются на значение, зависящее от общего уровня шума и от вероятности того, что данный коэффициент представляет собой шум. Вероятность можно оценить по-разному. Главное при этом как можно меньше затронуть коэффициенты, соответствующие деталям изображения. Сегментация изображений по параметрам яркости учитывает, что каждый сегмент отделяется от соседних. Для этого устанавливается порог. После квантования потока функция изображения G(i, j) = k при Tk > G(i, j) Tk-1, k (0, kmax), где Tk значение k-го порогового уровня. В случае kmax = 1 оцифрованное изображение называют бинарным.

Элементы изображения с уровнем яркости больше порогового принимают значение 1, меньшее порогового 0.

Базовым элементом в данном методе сегментации является элемент процессора (ЭП). Каждый ЭП устанавливается в «1» или «0» в зависимости от входного значения пороговой интенсивности. Передача формирования сигнала сегментации происходит сразу во всех восьми направлениях.

Во время встречи двух сигналов формирования генерируется сигнал края сегмента. Межсегментное кодирование края обеспечивается при помощи дополнительного ЭП. Структурная схема расположения дополнительных ЭП (ДЭП) и информационных ЭП (ИЭП) показано на рис.6.

Схема содержит два входа управления: установка адаптивного порога УАП и установка предельного порога УПП. ДЭП находятся напротив границы соответствующих ИЭП. Каждый ДЭП имеет 2 входа от соседних ИЭП. Кроме того, каждый ИЭП имеет по 2 входа от соседних ИЭП и от одного ДЭП. Соседство определяется электрическими связями.

Данная структура выполняет комбинированное кодирование границ каждого сегмента. Границы (контур) самого изображения кодируют только ИЭП. Пример сегментации объекта на тепловизионном изображении, использующий предложенный метод, показан на рис.7.

Разработанный метод позволяет построить высокопродуктивную среду, которая без внешнего управления позволяет разбивать исходное тепловизионное изображение на отдельные сегменты по параметрам яркости и цвета для дальнейшей их обработки.

В третьей главе представлены методы и алгоритмы сжатия тепловизионных изображений.

Избыточность тепловизионных изображений может быть описана функцией корреляции между отсчетами видеоинформации; она проявляетРис.7. Пример сегментации тепловизионного объекта:

а исходное изображение; б сегментированное ся в высокой степени взаимной статистической прогнозируемости близко лежащих цифровой отсчетов видеоинформации, взятых из изображения.

Таким образом, конечной целью операции сжатия изображений является необходимо в максимально возможной степени уменьшить коррелированность отсчетов. Эффективность сжатия существенно зависит от корреляционных свойств сжимаемого изображения. При этом основную сложность представляет задача выделить и оценить по отдельности влияние каждого из этих факторов на эффективность сжатия.

Если отсчеты изображения образуют сетку точек размером NN и любой отсчет представлен m-разрядным двойным числом, то при записи и передаче изображения с помощью обычной импульсно-кодовой модуляции (ИКМ) потребуется N2m двоичных разрядов. Один из способов, позволяющих оценить избыточность и сравнить ее с номинальным числом N 2m разрядов, заключается в построении гистограммы яркости изображения и вычислении соответствующей энтропии. С помощью m-разрядных чисел можно описать квантование по 2m уровням. Для этого надо проанализировать все N2 отсчетов и подсчитать сколько раз встречается каждый уровень квантования. Затем следует построить гистограмму яркости изображения, т.е. для каждого уровня квантования указать число его появлений в изображении. Разделив эти числа на общее число точек N2, можно получить аппроксимацию плотности вероятности процесса, порождающего изображение. Если обозначить нормированные частоты через pi (i = 1, 2,..., 2m), то энтропия изображения по определению выражается суммой и равна средней информации, содержащейся в каждом элементе изображения. Анализ изображений показал, что типичное значение H меньше числа разрядов т, необходимого для стандартного представления с помощью ИКМ. Можно отметить, что энтропия в данном случае составляет около бит/точку. Это означает, что разрядность массива, описывающего изображение, можно сократить без потерь информации в среднем до 1 бит/точку.

В данной главе также рассмотрено сжатие тепловизионных изображений методом их обработки в пространственной области с использованием модифицированной дифференциальной импульсно-кодовой модуляции (ДИКМ). Характеристики системы сокращения избыточности изображений модифицированным методом ДИКМ определяются порядком предсказывающего устройства п, значениями коэффициентов прогнозирования а(k), числом уровней квантования и их расположением. Порядок предсказывающего устройства зависит от статистических характеристик изображения. Коэффициенты предсказания а(k) можно определить с помощью анализа средних квадратических ошибок (СКО). Экспериментальная исследования модифицированной системы сжатия на тепловизионных изображениях показала, что коэффициент сжатия увеличился в 1,25 раза. На рис.8 представлены исходное и сжатое тепловизионное изображения, обработанные алгоритмом JPEG2000 и модифицированным методом ДИКМ при одинаковом коэффициенте сжатия. С точки зрения визуального качества изображения, сжатые стандартом JPEG2000, имеют очень сильное размытие контуров. Изображения, сжатые модифицированным методом ДИКМ с предсказанием, имеют достаточно четкие контуры.

а исходное; б JPEG2000; в модифицированным методом ДИКМ Также в главе 3 предложено сжатие тепловизионных изображений методом ковариационной матрицы и использующее контурное кодирование и билинейную интерполяцию изображения. В предложенной модифицированной модели билинейной интерполяции значение яркости интерполируемого пикселя, окруженного в точке Р опорными пикселями 1, 2, 3, вычисляется следующим образом:

где f(1)=f(1,yP) — значение яркости опорного пикселя 1, f(2)=f(xP, n) — значение яркости опорного пикселя 2, f(3)=f(т, yP) — значение яркости опорного пикселя 3, f(4)=f(х, 1) — значение яркости опорного пикселя 4; qi — весовой коэффициент i-го опорного пикселя из всех nm пикселей кадра.

Очень эффективным оказалось вейвлет-сжатие изображений модифицированным методом коррекции вейвлет-коэффициентов. Вейвлеткоэффициенты в этом случае вычисляются как разность между истинным значением элемента изображения и его оценкой:

где 0, 2l, l = 1, N - множество наблюдений; N — число наблюдений.

Используя вычисленные вейвлет-коэффициенты, осуществляем операцию обновления множества наблюдений:

Если коэффициенты интерполирующего фильтра р =[1/2;1/2], а коэффициенты оператора обновления и =[1/4;1/4]Т, то получаем биортогональное ВП Коэна-Добеши-Фово с вейвлет-коэффициентами НЧ-фильтра анализа h = [–1/8; 1/4; 3/4; 1/4; –1/8]Т и ВЧ-фильтра g = [–1/2; –1/2]Т, которое считается лучшим при выполнении целочисленного ВП, применяемое в алгоритмах сжатия без потерь. Лучший сглаживающий фильтр можно получить при коэффициентах р = [–1; –1]Т и и =[–1/3; –1/3]Т. Коэффициенты НЧ фильтра полученного ВП h = – [1/6; 1/3; –1/3; 1/3; 1/6]Т, высокочастотного g = [–1; 1; –1/2]Т.

В четвертой главе описаны технология обработки тепловизионных изображений, разработанные алгоритмы, использующие математический аппарат нечеткой логики, программное обеспечение, а также результаты экспериментальных исследований предложенных средств и методов. Глава посвящена вопросам практической реализации предложенных алгоритмов сжатия. Приведено описание разработанных программных пакетов для алгоритмов на основе вейвлетов. Рассмотрены алгоритмы обработки границ изображений при разных методах сжатия. Приведены результаты обработки реальных изображений описанными алгоритмами кодирования.

В заключении перечисляются основные результаты работы, и отражается их полезность для практического использования.

В приложениях приведены разработанные в диссертации программы.

Основные результаты диссертации изложены более чем в 20 работах, из которых наиболее весомые:

1. Бузылёв Ф.Н. Балагур А.А., Михалин О.А., Нефедов В.И. Нелинейный метод полного восстановления зашумленного сигнала в информационноизмерительных системах. Наукоемкие технологии. №12. 2008 г. С. 75-77.

2. Бузылёв Ф.Н., Нефедов В.И., Егорова Е.В., Пугачев О.И., Герасимов А.В. Применение цифровой обработки для фильтрации шума в звуковых сигналах. «Нелинейный мир», 2009, т.7, №11, с. 869-871.

3. Выров В.Б., Бузылёв Ф.Н., Герасимов А.В., Железнова С.Е., Мороз А.Н.

Современные методы обработки сигналов. «Нелинейный мир», 2010, т. 8, №5, с. 432-435.

Публикации в журналах и материалы научно-технических конференций 1. Бузылёв Ф.Н. Цифровое представление и сжатие изображений. 10-я Международная научно-техническая конференция и выставка “Цифровая обработка сигналов. 16 – 18 марта 2008 г., Москва, Россия. Т. 2, с. 164-165.

2.Бузылёв Ф.Н., Нефедов В.И., Попов Е.А. Цифровая обработка термографических изображений. Труды Научно-практической конференции «Инновации в условиях информационно-коммуникационных технологий», 1-10 октября 2008 г., г. Сочи.

3. Бузылёв Ф.Н., Сигов А.С., Нефедов В.И. Алгоритм обработки изображений. INTERMATIC-2009, ч. 4. Материалы Международной научнотехнической конференции «Фундаментальные проблемы радиоэлектронного приборостроения», 7-11 декабря 2009 г. Москва, с. 138-139.

4. Бузылёв Ф.Н. Алгоритм цифрового сжатия информации. Применение в системах связи сигналов с широтно-импульсной модуляцией. Труды 63-й научной сессии, посвященной Дню радио. 7-9 мая 2008 г., Москва, Россия.

5. Buzylyov F.N., Egorova E.V., Plastovkij, Stukas A.V. Digital pictures Representation and Compression. DSPA’ 2008, 10-th International Conference:

Digital Signal Processing And Its Applications. Moscow. Russia. v. II. 2008.

Proceedings – 2, p. 258 – 259.

6. Егорова Е.В., Нефедов В.И., Бузылёв Ф.Н., Сигов А.С. Вейвлетный алгоритм сжатия изображений. Труды Научно-практической конференции "Инновации в условиях информационно-коммуникационных технологий" 1-10 октября 2008 г., г. Сочи.

7. Бузылёв Ф.Н., Пугачев О.И., Нефедов В.И., Попов Е.А. Алгоритмы обработки изображений. Труды Научно-практической конференции "Инновации в условиях информационно-коммуникационных технологий" 1- октября 2008 г., г. Сочи.

8. Buzylyov F.N. The program of processing of thermal images. DSPA’ 2009, 11-th International Conference: Digital Signal Processing And Its Applications. Moscow. Russia. v. II. 2008. Proceedings – 2, p. 258 – 259.

9. Бузылёв Ф.Н. Программа обработки тепловых изображений. 11-я Международная научно-техническая конференция и выставка “Цифровая обработка сигналов и ее применение”. 16 – 18 марта 2009 г., Москва, Россия. Т. 2, с. 162-163.

10. Бузылёв Ф.Н. Цифровая обработка термографических изображений.

Труды 63-й научной сессии, посвященной Дню радио. 7-9 мая 2008 г., Москва, Россия.

11.Buzylyov F.N., Popov Е.А., Malygina O.A., Zheleznova S.E, Oganjan A.B. Digital pictures Representation and Compression. 2008, 10-th International Conference: Digital Signal Processing And Its Applications. Moscow. Russia. v.

II. 2008. Proceedings – 2, p. 253 – 255.

12. Бузылёв Ф.Н., Егорова Е.В., Стукас А.В. Цифровое представление и сжатие изображений. 10-я Международная конференция и выставка «Цифровая обработка сигналов и ее применение». 26-28 марта, 2008 г., Москва.

13. Нефедов В.И., Бузылёв Ф.Н., Белявский Д.С., Железнова С.Е. Ослабление интермодуляционных искажений в нелинейных СВЧ-усилителях.

Научные труды VIII Международной научно-практической конференции “Фундаментальные и прикладные проблемы приборостроения, информатики и экономики”. Доп. Сб. Москва 2005 г. С. 5-7.

14. Бузылёв Ф.Н., Нефедов В.И. Линейные транзисторные усилители. 61я научная сессия, посвященная Дню радио. 17-18 мая 2006 г., Москва, Россия.

15. Бузылёв Ф.Н. Усилители для систем подвижной связи. 61-я научная сессия, посвященная Дню радио. 17-18 мая 2006 г., Москва, Россия.

16. Егорова Е.В., Бузылёв Ф.Н., Оганян А.Б., Есин С.В. Теория и практика вейвлетов в радиотехнике и связи. Материалы V Международной научно-технической школы-конференции, 10-13 ноября 2008 г., Москва.

Таким образом, из общего числа представленных публикаций, в которых отражены основные результаты диссертационной работы, 20% материалов принадлежат лично автору, а остальные написаны им совместно с его руководителем, научным консультантом, сотрудниками и аспирантами кафедры радиоприборов, причем вклад автора в этих материалах составляет 30 %.