- •Обобщенная схема цифровой обработки сигналов
- •3. Основные типы сигналов и их математическое описание
- •2. Типовые дискретные сигналы
- •4. Дискретные экспоненциальные функции
- •Основные свойства дэф
- •5. Дискретное преобразование Фурье и его свойства
- •Свойства дпф[8]:
- •19. Линейная свертка
- •6. Циклическая свертка
- •22. Вычисление сверток при помощи дискретных преобразований
- •10. Корреляция и ее вычисление прямым методом и с помощью дискретных преобразований
- •Вычисление с помощью дискретных преобразований.
- •11. Алгоритм бпф с прореживанием по времени
- •13. Алгоритм бпф с прореживанием по частоте
- •14. Преобразование Уолша-Адамара и его свойства
- •2. Инвариантность к диадному сдвигу.
- •3. Теорема о свертке и корреляции.
- •28. Быстрое преобразование Уолша-Адамара
- •8. Преобразование Хаара
- •9. Вейвлет – преобразование
- •34. Рекурсивные и нерекурсивные цф
- •12. Передаточная функция цф
- •39. Структуры рцф
- •41. Структуры нцф
- •43. Частотные характеристики ких-фильтров и бих-фильтров
- •45. Параметры анализаторов спектра
- •33. Базовая структура анализатора спектра на основе дпф и бпф
- •36. Частотная характеристика анализатора спектра на основе дпф
- •35. Основные параметры весовых функций при спектральном анализе
- •21. Улучшение качества бинарных изображений
- •23. Утоньшение бинарных изображений
- •25. Связность в изображениях
- •26. Бинаризация полутоновых изображений
- •46. Логарифмическое и степенное преобразования для обработки полутоновых и цветных изображений
- •37. Кусочно-линейные функции преобразования для обработки полутоновых изображений
- •18. Принципы и особенности пространственной фильтрации изображений
- •15. Низкочастотная фильтрация изображений в пространственной области
- •48. Подчеркивание границ на полутоновых изображениях
- •16. Глобальные методы улучшения контраста полутоновых изображений
- •17. Линейные методы контрастирования изображений
- •47. Нелинейные методы контрастирования изображений
- •24. Обработка бинарных изображений на основе математической морфологии
- •27. Обработка полутоновых изображений на основе математической морфологии
- •31. Фильтрация изображений в частотной области
- •32. Требования к алгоритмам компрессии
- •2. Высокое качество изображений.
- •4. Высокая скорость декомпрессии.
- •44. Основные шаги стандарта сжатия jpeg
- •Квантование
- •Преобразование 8×8 матрицы дкп-спектра в линейную последовательность.
- •Получившиеся цепочки нулей подвергаются кодированию длин повторений.
- •Кодирование получившейся последовательности алгоритм Хаффмена.
- •49. Требования к мерам, вычисляющим сходство изображений
- •1. Метричность:
- •2. Нормализованность значений:
- •38. Функции схожести корреляционного типа
- •40. Обнаружение повернутых объектов на изображениях
- •50. Методы обнаружения движения в динамических изображениях
- •29. Классификация методов распознавания объектов изображений
- •30. Структурные методы распознавания объектов изображений
- •42. Нейронные сети и распознавание изображений на основе нейронных сетей
- •20. Сегментация изображений с помощью преобразования Хафа
44. Основные шаги стандарта сжатия jpeg
JPEG – сжатие с потерей информации.
разбиения изображения на квадратные блоки размером 8х8 = 64 пиксела. При меньшем размере блока эффект кодирования будет небольшим, а при большом - свойства изображения в пределах блока будут сильно изменяться при
увеличении степени сжатия и эффективность кодирования снова снизится.
применение ко всем блокам дискретного косинусного преобразования. Путем умножения матрицы пикселей на матрицу коэффициентов) получим двумерный спектр, также имеющий размер 8х8 отсчетов.
Таким образом, 64 числа, представляющие отсчеты изображения, превратятся в 64 числа, представляющие отсчеты его ДКП-спектра.
Спектр сигнала – величины коэффициентов, с которыми соответствующие спектральные составляющие в сумме формируют сигнал.
Для того, чтобы получить исходное изображение по его ДКП -спектру (выполнить обратное преобразование), нужно теперь базисные функции умножить на спектральные коэффициенты.
Квантование
Квантование заключается в делении каждого коэффициента ДКП на некоторое число в соответствии с матрицей квантования. Эта матрица может быть фиксированной либо, для более качественного и эффективного сжатия, получена в результате анализа характера исходной картинки. Чем больше числа, на которые происходит деление, тем больше в результате деления будет нулевых значений, а значит, сильнее сжатие и заметнее потери.
От выбора таблицы квантования будет в значительной степени зависеть как эффективность сжатия, так и качество восстановленной картинки.
Преобразование 8×8 матрицы дкп-спектра в линейную последовательность.
Делается это таким образом, чтобы сгруппировать по возможности вместе все большие значения и все нулевые значения спектра. Для этого нужно прочесть элементы матрицы коэффициентов ДКП зигзагообразно. Эта процедура называется зигзаг-сканированием.
В результате такого преобразования квадратная матрица 8×8 квантованных коэффициентов ДКП превратится в линейную последовательность из 64 чисел
Получившиеся цепочки нулей подвергаются кодированию длин повторений.
Кодирование получившейся последовательности алгоритм Хаффмена.
В результате получается новая последовательность, размер которой существенно меньше размера массива исходных данных.
Последние два этапа кодирования обычно называют вторичным сжатием, и именно здесь происходит неразрушающее статистическое кодирование, и с учетом характерной структуры данных - существенное уменьшение их объема.
Декодирование данных сжатых согласно алгоритму JPEG производится точно так же, как и кодирование, но все операции следуют в обратном порядке.
49. Требования к мерам, вычисляющим сходство изображений
Чтобы быть уверенным в том, что полученная оценка сходства изображений отражает реальное сходство изображаемых сцен, выбранная функция схожести должна удовлетворять некоторым требованиям и ее свойства должны быть известны. В качестве функции схожести может использоваться мера расстояния либо
функция схожести. Если два изображения абсолютно идентичны, то мера расстояния M между ними равна 0, а нормализованная функция схожести R равна 1, следовательно: M=1-R или R=1-M.
Пусть A = {aij}, B = {bij} и C = {cij} обозначают полутоновые изображения. Желательно, чтобы мера М обладала следующими свойствами: