- •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
1. Метричность:
2. Нормализованность значений:
3. Устойчивость к шуму: если изображение B1 совпадает с изображением B2 за исключением k точек, то
4. Усредненность оценки, ее независимость от небольших различий между изображениями, т.е.
5. Монотонность оценки:
означает, что изображение А больше похоже на изображение B, чем на изображение С.
6. Мера М не должна резко изменяться при небольших изменениях форм изображаемых объектов, при небольших сдвигах и вращениях.
7. Имеет место:
если B получено из A путем добавления шума, а C есть восстановленная версия В.
8. Вычисление меры должно быть достаточно быстрым.
Совокупность требований, которым удовлетворяет некоторая мера сходства М, определяет более строгую либо слабую (на качественном уровне) оценку сходства. Мера является строгой, если она удовлетворяет большинству описанных требований, и слабой, если она не удовлетворяет нескольким требованиям.
Назначение требований - попытка приблизить аналитическую оценку, выраженную одним числом, к субъективному понятию человека о схожести изображений.
38. Функции схожести корреляционного типа
Для сравнения двух изображений можно использовать
следующие типы функций схожести:
Нормированная функция корреляции:
Нормированная усредненная корреляционная функция:
Функция на основе суммы квадратов разностей:
Функция на основе взвешенной суммы квадратов разностей:
Функция на основе метрики Хаусдорфа:
Функция на основе городской метрики:
Функция на основе усредненной городской метрики:
Функция на основе среднеквадратичной погрешности:
Минимаксная функция схожести:
Минимаксная мультипликативная:
Минимаксная аддитивная:
Минимаксная аддитивная степенная:
Минимаксная усредненная аддитивная:
40. Обнаружение повернутых объектов на изображениях
При решении задачи поиска объекта на изображении входной сигнал является стохастическим, т.е. его можно оценить помощью статистических законов. Одной из наиболее употребляемых характеристик стохастического сигнала является амплитудная плотность, которая характеризует среднее значение сигнала, определяемое в результате усреднения по времени и соответствующее первому моменту плотности распределения амплитуд. Очевидно, что за равное время усреднения одинаковым моментам плотности распределения амплитуд может соответствовать
бесконечное множество форм сигналов, поэтому для растровой матрицы изображения А={аi,j} размером N×N вводятся моменты строк
r A:
и столбцов c A:
Два изображения будем считать идентичными тогда и только тогда, когда у них совпадают вектора моментов строк и столбцов. Таким образом, для определения схожести исходного изображения и повернутого необходимо оценить соответствие векторов моментов строк и столбцов.
На основе функции корреляции для моментов строк и общей функции соответствия можно получить условия сравнения моментов строк и столбцов эталона A и повернутого против часовой стрелки на угол Θ=90о изображения В.
Для определения соответствия эталона и повернутого на угол Θ=90о изображения необходимо рассчитать:
• функцию схожести для вектора моментов строк изображения В и вектора моментов столбцов изображения А.
• функцию схожести для вектора моментов столбцов c изображения В и вектора моментов строк с изображения А.
Общая функция соответствия рассчитывается с использованием формулы: