ЦОИ заочники / fisenki

66Латышева В.И. и др. Использование статистических характеристик телевизионного сигнала для определения количества и форм облаков на снимках, получаемых с метеорологических спутников // Труды ГМЦ, 1966, вып. II.

67Горьян И.С., Кац Б.М., Цуккерман И.И. Исследование статистики изображений с помощью цифровых вычислительных машин // Вопросы радиоэлектроники, сер «Техника телевидения», 1971. Вып. 4.

С. 3.

68Rosenfeld A., Thurston M. Edge and curve detection for visual scene analysis // IEEE Trans., 1971. V. C-20, № 5. P. 562.

69Haralick R.M. and oth. Textural features for image classification // IEEE Trans., 1973. V. SMC-3. P. 610.

70Julesz. B. Experiments in the visual perception of texture // Sci. Amer. 232, 1975. № 4. P.2.

71Caelli T. and Julesz B. On perceptual analysis underlying visual texture discrimination // Parts 1,2, Biol. Cybern. 1978. 28. P.167. 1978. 29. P.201.

72Gagalowicz A. Visual discrimination of stochastic texture fields based on their second order statistics // Proceedings 5-th Int’l. Conf. on Pattern Recognt., Florida Beach, 1980. V. 1. P.768.

73Gotlieb C. and Kreyszig H. Texture descriptors based on Co-occurence Matrices //Comput. Vision Graphics Image Processing, 1990. V. 51, №1. P. 70.

74Горьян И.С., Цуккерман И.И. Распознавание изображений по их статистическим свойствам //Техника кино и телевидения, 1966. № 2. C. 57.

75Горьян И.С., Фисенко В.Т., Янутш Д.А. Анализ неоднородных текстурных изображений // 1 Всесоюзная конференция «Статистические свойства микроструктур». Тезисы докладов. М. 1978. C. 53-55.

76Hayes K.C. Jr., Shah A.N., Rosenfeld A. Texture coarseness: further experiments // IEEE Trans. Systems, Man, and Cybernetics, 1974. SMC- 4,5. P.467-472.

77Горьян И.С., Фисенко В.Т. Классификация изображений самообучающимся автоматом //Техника средств связи, сер. “Техника телевидения”. Вып.4. Л., 1978. C. 72-78.

78Горьян И.С., Зеленцов В.Н., Фисенко В.Т. Рекурсивный логический фильтр для обнаружения протяженных связных объектов //Техника средств связи, сер «Техника телевидения», 1987. Вып. 1. С. 48.

79Weszka J. and oth. A comparative study of texture measures for terrain classification //IEEE Trans., 1976. V. SMC-26, № 4. P. 269.

80Авдеев В.П., Горьян И.С., Фисенко В.Т. Статистические свойства изображений и адаптивные методы выделения признаков объектов // Тезисы докладов Всесоюзного симпозиума «Проблемы цифрового кодирования и преобразования изображений». Тбилиси, 1980.

181

81Yhann S.R., Young T.Y. Boundary Localization in Texture Segmentation// IEEE –T-IP, V.4, №6, 1995. P. 849-856.

82Горьян И.С., Зеленцов В.Н., Фисенко В.Т. Выделение признаков для систем структурного анализа рисунков в реальном масштабе времени

//Третья Всесоюзная конференция «Математические методы распознавания образов». Тезисы докладов. Львов, 1987. C. 147-148.

83Фу К. Структурные методы в распознавании образов. М.: Мир, 1977.

84Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. 412 с.

85Shaw A.C. Parsing of graph-representable pictures // J. ACM, 17, 3. P. 453.

86Ledley R.S. High-speed automatic analysis of biomedical pictures // Science, 146, 3641, 1964. P. 216.

87Lu S.Y., Fu K.S. A syntactic approach to texture analysis // Comput. Graph. Image Proc., 1978. V. 7, № 3. P. 303.

88Ehrich R.W., Foith J.P. A view of texture topology and texture description

//Comput. Graph. Image Proc., 1978. V. 8, № 2. P. 174.

89Mandelbrot B. The fractal geometry of Nature. W.H. Freeman and Co., NY., 1982.

90Lovejoy S. Area-perimeter relation for rain and cloud areas // Science, 216, 1982. P. 185.

91Под редакцией Пьетронеро Л. и Тозитти Э. Фракталы в физике. М.:

Мир, 1988. 644 c.

92Kalle Karu, Anil K. Jain, Rund M.Bolle. Is there any texture in the image?

//Pattern Recognition, 1996. V. 29, № 9, Sept., P. 1437-1446.

93Ohlander R., Price K. and Reoldy D.R. Picture segmentation using a recursive region splitting method.//Comput. Graphics Image Process.- 1978.-Vol.8.-P.313.

94Mehment Celenk. A color clustering technique for image segmentation.// Computer Vision, Graphics, and Image Processing, 1990. V. 52. № 2. P. 145.

95Masson R.C., Bottcher P. and Leisinger V. Real-time grey-level and color image pre-processing for a vision guided biotechnology robot. // Technol. Proc. 7-th Int. Conf. Rob. Vision and Sens Contr. Zurich

96Uchiyama Toshio, Arbib Michael.A. Color image segmentation using competitive learning // IEEE T-PAMI, 1994. V. 16. № 12. P.1197-1206.

97Chellappa R., Chatterjee S., Bagdazian R. Texture synthesis and compression using Gaussian-Markov random field models // IEEE Trans. Systems, Man, and Cybernetics, 1985. V. 15, № 2. P. 298-303.

98Spath H. Cluster analysis Algorithms for data reduction and classification of objects. Chichester, England, 1980. - P.

99Фисенко В.Т., Фисенко Т.Ю. Метод автоматического анализа цветных изображений // Оптический журнал, том 70, номер 9,

сентябрь 2003. C.18-23.

182

100 Горьян И.С., Фисенко В.Т. Автоматический выбор порогов квантования при сегментации изображений // Четвертая Всесоюзная конференция «Математические методы распознавания образов». Тезисы докладов. Рига, 1989. C. 62-64.

101Lam N.S-N. Description and Measurement of Landsat TM Images Using Fractals // Photogrammetric Enginiering and Remote Sensity, 1990. № 2, P. 187-195.

102Мак-Кракен Д., Дорн У. Численные методы и программирование на Фортране. М.: Мир, 1977.584 с.

103Королюк В.С., Портенко Н.И., Скороход Ф.И., Турбин А.Ф. Справочник по теории вероятностей и математической статистике. М.: Наука. Главная редакция физико-математической литературы, 1985. 640 с.

104Jaggi S., Quattrochi D., Lam N. Multiresolution processing for fractal analysis of airborne remotely sensed data // Int. Conf. “AeroSpace 92”, USA, Orlando, April 1992.

105Yokoya N., Yamamoto K., Funakubo N. Fractal-Based Analysis and Interpolation of 3D Natural Surface Shapes and Their Application to Terrain Modeling //Comput. Vision Graphics Image Process., 1989. V. 46, P. 284-302

106Brodatz P. A Photographic Album for Artists and Designers. New York, Dover, 1966.

183

ПЕРЕЧЕНЬ ИЛЛЮСТРАЦИЙ

1Рисунок 2.1 Определение пространственных частот изображения.12

2Рисунок 3.1 Оси противоположных цветов в соответствии с оппонентной теорией Геринга.18

3Рисунок 3.2 Механизм цветного зрения в соответствии с зонной теорией Адамса.19

4Рисунок 3.3 Графики зависимости видимой насыщенности от размеров деталей и их цветов.21

5Рисунок 3.4 Элемент в цветовом координатном пространстве L*a*b* . 23

6Рисунок 3.5 Цветовое координатное пространство RGB.24

7Рисунок 3.6 Цветовое координатное пространство HLS.25

8Рисунок 3.7 Представление цветов в метрическом векторном пространстве.31

9Рисунок 4.1 Функция пространственной дискретизации изображения. 33

10Рисунок 4.2 а) Изменение спектра по строке для а) непрерывного сигнала, б) дискретизованного сигнала.35

11Рисунок 4.3 Выбор частоты дискретизации в соответствии с теоремой отсчетов.36

12Рисунок 4.4 Частотная характеристика идеального восстанавливающего прямоугольного фильтра.37

13Рисунок 4.5 Амплитудная характеристика оптимального квантователя Макса.41

14Рисунок 4.6 График зависимости вероятности квантования от отношения интервала квантования к СКО аддитивного шума β.42

15Рисунок 4.7 Идеальная НЧ фильтрация сигнала в полосе, равной полосе частотного спектра сигнала: а) спектр непрерывного сигнала; б) спектр сигнала после дискретизации; в) частотная характеристика идеального фильтра; г) спектр сигнала на выходе фильтра. Идеальная НЧ фильтрация сигнала в полосе, меньшей полосы частотного спектра сигнала: д) спектр непрерывного сигнала; е) спектр сигнала после дискретизации; ж) частотная характеристика идеального фильтра; з) спектр сигнала на выходе фильтра.44

16Рисунок 4.8 Равномерное квантование: а) число разрядов квантования L=8, б) число разрядов квантования L=4.45

184

17Рисунок 4.9 а) Изображение получено равномерным квантованием на 16 уровней изображения «Лена»; б) изображение получено наложением нормального шума при СКО=5 на исходное изображение и равномерным квантованием на 16 уровней.45

18Рисунок 4.10 Импульсная характеристика идеального восстанавливающего фильтра по x-координате.46

19Рисунок 5.1 а) Исходное изображение; б) автоматическое контрастирование (при квантилях слева и справа = 0,005).50

20Рисунок 5.2 Амплитудная передаточная характеристика преобразования при выделении диапазона значений сигнала изображения.51

21Рисунок 5.3 а) Изображение негатива яркостного сигнала изображения; б) изображение сигнала насыщенности этого же изображения.52

22Рисунок 5.4 Пример гамма-коррекции. а) исходное изображение, б) преобразованное.52

23Рисунок 5.5 Пример эквализации гистограммы изображения. а) Исходное изображение и его гистограмма в); б) преобразованное изображение и его гистограмма г).55

24Рисунок 5.6 Амплитудные характеристики для бинаризации изображений. а), б) квантование по порогу прямое и инверсное; в) формирование изофот, г) формирование инверсных изофот.56

25Рисунок 5.7 Формирование изофот изображения. Бинаризация выполнена по компоненту тона.57

26Рисунок 5.8 Тестовое изображение. а) Изображение RGB компонентов; б) гистограмма распределения RGB компонентов тестового изображения.59

27Рисунок 5.9 Гистограмма распределения ошибок преобразования цветового координатного пространства RGB в пространство HLS: a) для целочисленного преобразования Оствальда; b) для цветовой координатной системы Стрикланда.59

28Рисунок 5.10 Изображение фрагмента карты: a) исходное изображение в пространстве RGB, б) исходное изображение после повышения контраста, насыщенности и подчеркивания верхних частот.60

29Рисунок 5.11 a) Исходное изображение без накопления, б) исходное изображение с накоплением 0,5 с; в) улучшенное изображение а; г) улучшенное изображение б).61

30Рисунок 6.1 Конфигурации окрестности элемента «0» в кадре изображения в иерархической последовательности.62

185

31Рисунок 6.2 Положение отсчетов импульсной характеристики при свертке с изображением f ( x, y ) .65

32Рисунок 6.3 Корреляция изображения f (x,y) с маской h(s,t).65

33Рисунок 6.4 Применение медианного фильтра с окном 3×3 элемента. а) исходное изображение; б) выходное изображение; в) изображение разности изображений а) и б).69

34Рисунок 6.5 Пример фильтрации изображения с импульсной помехой (1%): a) исходное изображение; б) МФ 3x3; в) АМФ.71

35Рисунок 6.6 График частотной характеристики фильтра Баттерворта при r=70 и k=10: а) – центрированная характеристика; б) – нецентрированная.74

36Рисунок 7.1 Пример операций анализа цветного изображения. a) Исходное изображение. Каждая клетка является отдельным объектом. б) Бинарное изображение клеток оранжевого цвета после сегментации. в) Результат селекции связных компонентов.75

37Рисунок 7.2 а) Изображение цветка; б) цветоразностный (Cb) компонент этого изображения; в) бинарное изображение цветка.76

38Рисунок 7.3 Гистограмма значений Cb компонента.77

39Рисунок 7.4 Оценка яркостных и геометрических признаков формы клеток.78

41Рисунок 7.6 Центральное отражение множества B.79

42Рисунок 7.7 Дилатация множества B по множеству S.80

43Рисунок 7.8 Эрозия множества B по примитиву S.81

44Рисунок 7.9 Размыкание множества B по примитиву S.81

45Рисунок 7.10 Замыкание множества B по примитиву S.82

46Рисунок 7.11 Определение ориентации по собственному вектору матрицы ковариации.85

47Рисунок 8.1 Чувствительность к контрасту и порог неразличимости

I .88

48Рисунок 8.2 Эффект полос Маха.89

49Рисунок 8.3 Блок-схема алгоритма кодирования длин серий строки изображения.93

50Рисунок 8.4 Блок-схема алгоритма декодирования строки изображения по методу RLE.94

51Рисунок 8.5 Формирование кодового дерева по методу Хаффмана.100

186

52Рисунок 8.6 а) Изображение, полученное дифференцированием по строке изображения «Лена»; б) гистограмма распределения яркостей этого изображения.101

53Рисунок 8.7 Структурная схема кодера ДИКМ.103

54Рисунок 8.8 Исходное изображение а) и два восстановленных изображения б) и в). Спектры соответствующих изображений г) - е). 106

55Рисунок 8.9 Базисные функции ДКП, n-порядковый номер отсчета входной последовательности, k-номер выходного значения коэффициента ДКП.109

56Рисунок 8.10 Изображение, восстановленное по 3,8% коэффициентов: а) по алгоритму ОДПФ; б) по алгоритму ОДКП.110

57Рисунок 8.11 Схема кодера JPEG.110

58Рисунок 8.12 Положения отсчетов яркости и цветности при формировании макроблока. X- положение отсчета яркости, O – совпадающее положение отсчетов цветности Сb и Cr.111

59Рисунок 8.13 Расположение блоков в макроблоке при кодировании

JPEG.112

60Рисунок 8.14 Зигзагообразное сканирование квантованных спектральных коэффициентов.114

61Рисунок 8.15 Условная схема процесса кодирования / декодерования при вейвлетном преобразовании.116

62Рисунок 8.16 Схема вейвлет-кодирования изображения.118

63Рисунок 8.17 Пространственное расположение блоков коэффициентов в кадре изображения после вейвлетного преобразования.119

64Рисунок 8.18 Вейвлет Хаара. а) Масштабирующая функция («отцовский вейвлет»), б) материнский вейвлет, в) производные вейвлеты Хаара.121

65Рисунок 8.19 Положение коэффициентов фильтров и отсчетов сигнала входной последовательности.123

66Рисунок 8.20 Схема выполнения одномерного ВП и децимации.124

67Рисунок 8.21 Схема выполнения одномерного ОДВП при использовании фильтра D4.125

68Рисунок 8.22 Схема прямого и обратного одномерного ВП.125

69Рисунок 8.23 Фрагменты изображения "Лена". a) Фрагмент исходного

187

70Рисунок 8.24 Исходные изображения: a) “Лена”, б) тестовая таблица. в) График зависимости ПСШ от коэффициента сжатия, где J - кодирование JPEG; W - вейвлетное кодирование; L - изображение “Лена”; T - изображение таблицы.130

71Рисунок 8.25 Схема формирования предсказания движения в группе в хронологической последовательности кадров.132

72Рисунок 9.1 Определение размера фрактала на примере четырех ломаных линий.141

73Рисунок 9.2 Граф выделения на изображении текстурных областей. 144

74Рисунок 9.3 Форма кластеров при кластеризации двумерных данных а) по методу квантования многомерных гистограмм, б) по методу векторного квантования.146

75Рисунок 9.4 Примеры синтезированных текстур по статистическому методу.153

76Рисунок 9.5 Пример синтезированных текстур при H равном 0,1; 0,5 и 0,8 соответственно.155

77Рисунок 9.6 График зависимости нормированной величины внутрикластерных ошибок D/Dmax от числа итераций ntrace.159

78Рисунок 9.7 Пример классификации изображений. Кластеры представлены центрами масс. a) Исходное изображение; в) изображение получено после кластеризации по методу К-

внутригрупповых средних при числе итераций ntrace=1; г) изображение получено после кластеризации по методу К − внутригрупповых средних при числе итераций ntrace=10; б) изображение, сформированное как разность изображений в) и г).160

79Рисунок 9.8 Пример классификации: a) исходное изображение; б) изображение, представленное центрами масс кластеров после первоначального разбиения по тоновому компоненту; в) изображение, представленное центрами масс кластеров, при кластеризации по методу К-внутригрупповых средних после выполнения 1 итерации; г) изображение, представленное центрами масс кластеров, после доопределения кластеров и кластеризации по методу К − внутригрупповых средних.161

80Рисунок 9.9 Маски красно-коричневого кластера, полученные на различных шагах.162

81Рисунок 9.10 Построение пирамиды при оценке размера фрактала по методу пирамиды.168

188

82Рисунок 9.11 Пример сегментации фрактальных текстур, имеющих разные характеристики цветности. а) исходное изображение, б) изображение масок аппликативного наложения текстур, в) г) результат сегментации по тону.174

83Рисунок 9.12 Пример сегментации фрактальных текстур, имеющих одинаковые характеристики цветности. а) исходное изображение, б) результат сегментации при размере окна 16x16, в) результат сегментации при размере окна 8x8.174

84Рисунок 9.13 Пример сегментации текстур из альбома Бродатца а) исходное изображение, б) результат сегментации при размере окна

8x8.175

85Рисунок 9.14 Пример сегментации текстур а) исходное изображение; б) исходное изображение яркостного компонента; в) результат сегментации при размере окна 8x8.175

189

2.4Вероятностные модели изображений и функции

190