Применение многомасштабных моделей в задачах восстановления изображений




Скачать 278.95 Kb.
НазваниеПрименение многомасштабных моделей в задачах восстановления изображений
страница1/4
Дата публикации06.06.2013
Размер278.95 Kb.
ТипЗадача
litcey.ru > Информатика > Задача
  1   2   3   4

Обработка и передача изображений




Применение многомасштабных моделей в задачах восстановления изображений

Жизняков А.Л., Гай В.Е., Фомин А.А.

Муромский институт (филиал) Владимирского государственного университета

Введение

В процессе оцифровки и передачи изображение подвергается действию различного рода помех [1, 2]. Процесс искажения изображения может быть записан в виде: g[x,y]=DEG[f[x,y]] (1), где f[x,y] - идеальное изображение, g[x,y] - искажённое изображение, DEG[•] - искажающий оператор в пространственной области. Когда искажение изображения обусловлено исключительно наличием аддитивного шума (1) записывается следующим образом: g[x,y]=f[x,y]+e[x,y] (2), где e[x,y] - аддитивный шум. Операция восстановления изображения может быть записана следующим образом: , где REC[•] - оператор восстановления изображения.

^ Многомасштабный алгоритм восстановления изображений

В [3] для восстановления изображения предложено использовать модель марковского случайного поля с фиксированной локальной областью. Модель задаётся множеством точек g={g[x,y]}, множеством локальных областей точек N={nx,y} и множеством областей Z={zx,y}, каждая из которых для рассматриваемой точки (x,y) включает саму точку и её локальную область. Принцип восстановления состоит в снижении энтропии условной плотности распределения вероятностей h(g|N=n) для каждой пары: "точка – локальная область". Это достигается изменением интенсивности каждой точки g[x,y] на основе алгоритма градиентного спуска. Алгоритм, описанный в [3] состоит из следующей последовательности шагов:

1) Для каждой области исходного изображения {zx,y} вычисляется величина ;

2) На основе метода градиентного спуска формируется восстановленное изображение : ;

3) Полученное на предыдущем шаге изображение рассматривается как исходное , выполняются шаги 1 и 2 до тех пор, пока по некоторому показателю не будет достигнуто приемлемое качество восстановленного изображения.

Предлагается для описания изображения вместо модели марковского случайного поля использовать адаптивную модель многомасштабного марковского случайного поля. Эта модель основывается на следующих принципах:

1) Использование в качестве исходных данных адаптивной последовательности приближений La;

2) Использование адаптивной структуры локальной области na при описании связей между рассматриваемым коэффициентом последовательности La и набором соседних коэффициентов.

Предполагается, что использование описанной выше модификации позволит повысить качество восстановления изображений.

Предлагаемый алгоритм восстановления изображений состоит из следующих шагов:

1) Построение адаптивной последовательности приближений La исходного изображения [4].

2) Восстановление последнего элемента последовательности приближений, находящегося на самом грубом масштабе на основе адаптивной модели марковского случайного поля (с использованием адаптивной локальной области [5], этап инициализации): ;

3) Последовательное восстановление остальных элементов последовательности приближений с применением адаптивной модели многомасштабного марковского случайного поля и описанного выше алгоритма: , .

^ Вычислительный эксперимент

В качестве тестового изображения используем изображение, показанное на Рис. 1, дисперсия исходного изображения составляет σ=0.2445. Для искажения изображения используется гауссов шум с дисперсией σe. Оценка качества восстановленного изображения проводится на основе показателя "Отношение сигнал/шум" ("ОСШ") [6, 7] и "Индекс структурного подобия" ("ИСП") [8]. При проведении вычислительного эксперимента оценивается качество работы следующих подходов к фильтрации:

1) подход, на основе модели марковского случайного поля, предложенный в [3] (при проведении эксперимента используется локальная область 5x5 элементов);

2) подход на основе адаптивной модели многомасштабного марковского случайного поля.

В Табл. 1 приведена оценка качества искажённых изображений.
Табл. 1. Оценка качества искажённых изображений

Метод оценки качества / Уровень шума

σe=0,01

σe=0,04

σe=0,07

σe=0,1

ОСШ

7,153971

2,444184

1,792052

1,510459

ИСП

0,3435660

0,1881140

0,1422230

0,1173050


На Рис. 1 и в Табл. 2 показаны результаты восстановления изображений.
Табл. 2. Результаты восстановления изображений на основе подхода № 1

(используется локальная область 5x5 элементов)

Метод оценки качества / Уровень шума

σe=0,01

σe=0,04

σe=0,07

σe=0,1

ОСШ (подход № 1)

30,130077

12,786979

7,984558

5,750045

ИСП (подход № 1)

0,760394

0,676539

0,585482

0,529169

ОСШ (подход № 2)

32,507815

15,129014

9,474965

7,043615

ИСП (подход № 2)

0,814480

0,725960

0,635920

0,562389






а.



б.



в.

Рис. 1. Результаты восстановления изображения (σe=0,04) а. исходное изображение; б. искажённое изображение; в. восстановленное изображение на основе подхода № 2


^ Выводы по результатам экспериментов

На основе приведённых выше результатов экспериментов можно сделать следующие выводы:

1) При сравнении результатов восстановления изображений на основе модели марковского случайного поля с использованием фиксированной и адаптивной локальных областей с одинаковым количеством элементов можно отметить, что использование адаптивной локальной области, по сравнению с фиксированной, приводит к более лучшим результатам;

2) Использование адаптивного многомасштабного разложения в качестве исходных данных для многомасштабной модели марковского случайного поля при решении задачи восстановления изображений позволяет получить лучшие результаты по сравнению с фиксированным многомасштабным разложением;

3) Качество восстановления изображений на основе предложенного метода с использованием модели адаптивного многомасштабного марковского случайного поля, оцененное по ряду показателей, не хуже классических методов восстановления изображений, а в ряде случаев - лучше.

Заключение

В работе была рассмотрена адаптивная модель многомасштабного марковского случайного поля для решения задачи восстановления изображений. Основное её отличие от базовой модели заключается в использовании в качестве исходных данных адаптивной последовательности приближений, а для описания связей между коэффициентом последовательности и его соседями - локальной области с адаптивной структурой. Повышение точности фильтрации обусловлено тем, что предложенная модель позволяет более точно математически описать исходное изображение. Результаты эксперименты показали возможность использования предложенной модели для решения задачи восстановления изображений.

Литература

1. Цифровая обработка изображений в информационных системах: Учебное пособие / И.С. Грузман, В.С. Киричук и др. – Новосибирск.: НГТУ, 2002. – 352 с.

2. (1.1) Вудс, Р. Цифровая обработка изображений / Р. Вудс, Р. Гонсалес. – М.: Техносфера, 2005. – 1072 с.

3. Awate, S.P. Unsupervised, information-theoretic, adaptive image filtering for image restoration / S.P. Awate, R.T. Whitaker//IEEE Transactions on pattern analysis and machine intelligence. – 2006.– Vol. 28. – №. 3. – P. 1-13.

4. Гай, В.Е. Адаптивный многомасштабный подход к представлению изображения / В. Е. Гай // Материалы XII Всероссийской научно-технической конференции студентов: Новые информационные технологии в научных исследованиях и образовании. – Рязань: РГРУ , 2007. – С. 161-163.

5. Гай, В.Е. Выбор структуры локальной области в вейвлет алгоритмах обработки изображений / В.Е. Гай, А.Л. Жизняков // Системы управления и информационные технологии. – 2007. – № 2(28). – С. 82-86.

6. Heeger, D.J. A model of perceptual image fidelity / D. J. Heeger, P.C. Teo // Proc. IEEE Int. Conf. Image Processing, 1995. – P. 343–345.

7. Eskicioglu, A.M. Image quality measures and their performance / A.M. Eskicioglu, P. S. Fisher // IEEE Transaction on Communications. – 1995. – Vol. 43. – P. 2959-2965.

8. Bovik, A.C. Image quality assessment: from error visibility to structural similarity / A.C. Bovik, H.R. Sheikh, E.P. Simoncelli, Z. Wang // IEEE Transactions on image processing. – 2004. – Vol. 13. – №. 4. – P.600-612.


The multiscale models using in images reconstruction tasks

Zhiznyakov A., Gai V., Fomin A.

Murom institute (branch) of the Vladimir state university

During digitization and transmitting an image can be exposure to different types of noise. To image reconstruction the model of markov random filed with fixed local area can be used.

The model determined by the set of pixels , set of pixels local areas and set of areas , which for current pixel include this pixel and its local area.

Reconstruction algorithm decrease entropy of conditional probability density for every pair: "pixel – local area". It arrives by modification of intensity of every pixel using gradient descent algorithm. Algorithm consists of the next sequence of steps:

1) For every area of source image value calculated;

2) Using gradient descent algorithm a reconstructed image are forming: ;

3) Acquired at the previous step image reviewed as source , steps 1 and 2 are performed till, by some characteristic will not be achieved admissible quality of reconstructed image.

To perform image reconstruction operation supposed instead of markov random field model using an adaptive model of markov random field. This model is based on next main principles:

1) Using as source data of adaptive sequence of approximations ;

2) Using adaptive structure of local area to description links between current coefficient of sequence and the set of neighbor coefficients.

Supposed, that using a reviewed modification of markov random field model allows raising a quality of reconstructed images.

Supposed algorithm to digital image reconstruction consists of the next steps:

1) Building adaptive sequence of approximations of source image.

2) Reconstruction of the last element of the adaptive sequence of approximations, which are place at more coarse level of resolution, using adaptive model of markov random field (based on adaptive structure of local area, initialization step): ;

3) Sequential reconstruction of other elements of adaptive sequence of approximations using adaptive model of markov random field and reviewed algorithm: , .

In the work was reviewed an adaptive model of markov random field to solving the task of image reconstruction. The main difference of supposed model from base model consists of using as source data adaptive sequence of approximations, and to description links between coefficients of sequence - local area with adaptive structure.

When the results of reconstruction of degraded image using model of markov random field with fixed structure of local area and model of adaptive model of markov random field with adaptive structure of local area can see that using of adaptive local area can increase the quality of reconstructed image.

The quality of image reconstruction, using supposed algorithm in comparison with classic algorithm, by some criterion are better. Using adaptive multiscale decomposition of source image for markov random field model of digital image allows to get better result in comparison with using of fixed multiscale decomposition.

Quality of image reconstruction condition on ability of supposed model more precisely to describe source image. The experimental results show a possibility of using of supposed model in the tasks of digital image reconstruction.


^ ОЦЕНКА КОЭФФИЦИЕНТА КОНТРАСТА ПРИ СЕЛЕКЦИИ ПОДПОВЕРХНОСТНЫХ ОБЪЕКТОВ НА ФОНЕ МЕШАЮЩИХ ОТРАЖЕНИЙ ОТ ЗЕМНОЙ ПОВЕРХНОСТИ

Волосюк В.К.¹, Кравченко В.Ф.², Павликов В.В.³

¹Национальный аэрокосмический университет им. Н.Е. Жуковского (ХАИ)

²Институт радиотехники и электроники РАН

³ Харьковский университет Воздушных Сил имени И.Н. Кожедуба
  1   2   3   4

Похожие:

Применение многомасштабных моделей в задачах восстановления изображений icon«Компьютерная анимация»
Она подразумевает только тип движущихся изображений. На сегодня получила широкое применение как в области развлечений, так и в производственной,...
Применение многомасштабных моделей в задачах восстановления изображений iconТри эталонных критерия оценки качества сжатия изображений
Так же следует заметить, что величина mse в отдельных случаях может незначительно изменяться при существенном ухудшении качества...
Применение многомасштабных моделей в задачах восстановления изображений iconЭкспериментальный кодек чебышевского сжатия/восстановления изображений...
Чебышева (алгоритм gdct) [1,2]. Он обладает рядом новых сервисных функций, допускает реализацию в виде “быстрых” алгоритмов преобразования...
Применение многомасштабных моделей в задачах восстановления изображений iconА. О. Зверев Научный руководитель к т. н., доцент Б. Д. Тимченко...
В работе анализируется состояние вопроса и особенно состояние инструментальных средств создания моделей. Обобщается опыт развертывания...
Применение многомасштабных моделей в задачах восстановления изображений iconЗадача восстановления архитектуры системы (получение модели, применение sdm)
Аналитический обзор инструментальных средств (case-средства) применительно к этапам жизненного цикла
Применение многомасштабных моделей в задачах восстановления изображений iconКонспект лекций Математические методы и модели в экономике
Большая заслуга в разработке новых балансовых моделей и внедрении их в практику принадлежит академикам В. С. Немчинову и А. Н. Ефимову....
Применение многомасштабных моделей в задачах восстановления изображений iconТема: Построение изображений в линзах
Цель урока: сформировать практические умения применять знания о свойствах линз для нахождения изображений графическим методом
Применение многомасштабных моделей в задачах восстановления изображений iconПрограмма докладов (11 апреля 2011 г., Ауд. 14-13) 16: 45-17: 00...
«О методах решения обыкновенных нелинейных дифференциальных уравнений гиперболического типа»
Применение многомасштабных моделей в задачах восстановления изображений iconA modified method of minimum dispersion in the fsk signal parameters estimation task
Применение дискриминирующей функции в задачах оценивания порядка марковской цепи и контекстной функции марковской цепи переменного...
Применение многомасштабных моделей в задачах восстановления изображений iconОбработка изображений в системах распознавания рукописного текста
Для приведения изображения к бинарному виду используется метод пороговой бинаризации в силу его быстродействия, при этом для высоко...
Вы можете разместить ссылку на наш сайт:
Школьные материалы


При копировании материала укажите ссылку © 2013
контакты
litcey.ru
Главная страница