- •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
50. Методы обнаружения движения в динамических изображениях
Развитие таких систем предполагает автоматическое выделение, отслеживание и распознавание движущихся объектов в условиях действия различного рода шумов и возмущений.
Для обнаружения движущихся объектов в видеопоследовательности может использоваться алгоритм, требующий выполнения следующих шагов: формирование кадра фона, используя итеративный алгоритм; вычитание фона и получение бинарной маски движения; морфологическая обработка бинарной маски движения с целью снижения шума и получения более четкой формы движущихся объектов; локализация движущихся объектов.
Для построения фонового кадра выполняется разбиение изображения динамической сцены на два класса: элементы (пиксели) заднего плана, описывающие фон, и элементы (пиксели) переднего плана, принадлежащие движущимся объектам. Алгоритм, использующий N кадров входной видеопоследовательности требует выполнения следующих шагов:
1. Захват N исходных базовых кадров видеоряда и формирование вектора w базовых кадров:
2. Проверка условия:
2.1 Вычисление вектора, состоящего из l бинарных масок (матриц) движения.
2.2. Фильтрация бинарного изображения путем применения процедуры морфологического отмыкания
2.3. Иначе, формируется вектор, состоящий из l вспомогательных опорных кадров.
3. Обновление опорного кадра следующим образом:
3.1 Удаление первого базового кадра из w и циклический сдвиг влево кадров в векторе на одну позицию.
3.2 Захват кадра из видеопоследовательности и добавление его в вектор w.
3.3 Переход к пункту 2 алгоритма.
Для обнаружения движения требуется определить функцию схожести для обрабатываемых фрагментов фонового и текущего кадров на основе функции схожести и сравнить с пороговым значением на основе чего и принимается решение о принадлежности к движущемуся объекту.
29. Классификация методов распознавания объектов изображений
В зависимости от формы представления обрабатываемой информации, в процессе развития области обработки изображений сложились три подхода к распознаванию дискретных знаков:
• распознавание по контурному представлению;
• распознавание по скелетизированному представлению;
• распознавание по растровому представлению.
Использование контурного представления обусловлено тем, что в случае низкого уровня зашумленности границы, контур объекта содержит наиболее полную объективную информацию.
По виду анализа алгоритмы распознавания объектов по контуру принято делить, на три группы:
• статистические,
• структурные,
• синтаксические.
Использование скелетизированного представления объектов для решения задачи распознавания обусловлено не только сокращением хранимой информации об объектах, но в существенной мере тем, что такое представление позволяет выявлять некоторые геометрические свойства, характеризующие форму образа, упрощая процедуру его описания и распознавания.
Существуют два основных способа использования особенностей структуры образов объектов для распознавания:
1. Описание распознаваемого объекта строится на языке признаков, а распознавание осуществляется путем проверки условий близости в эталонном признаковом пространстве.
2. Использование формальной грамматики как средства описания образов и процедуры грамматического разбора как средства анализа описаний с целью распознавания.
Учитывая выделение двух этих способов, принято говорить соответственно о структурных и лингвистических методах. Главным преимуществом структурных методов является простота реализации непосредственно процесса распознавания и классификации. Фактически задача сводится к геометрическому поиску в многомерном пространстве признаков некоторой области, представляющей класс образов, в которую попадает вектор признаков анализируемого объекта.
Вопрос выбора множества признаков включает в себя три основных аспекта:
1. Наличие априорной информации о связи выбираемого признака с тем классом объектов, для распознавания которого он будет использоваться.
2. Необходимость учета информативности при выборе признака, т.е. количество информации о структуре распознаваемого образа.
3. Для каждого класса часто нет необходимости использовать все множество выбранных признаков и можно обойтись его подмножеством.
Лингвистические методы возникли как аппарат решения задачи обработки графических изображений, не являющихся неделимыми с общечеловеческой точки зрения, но представляющих собой некоторым образом организованные сцены. При использовании лингвистических методов распознавания основными этапами их реализации являются следующие:
• выбор и выделение непроизводных элементов (НЭ);
• построение описаний объектов или сцен в терминах отношений соответственно НЭ или объектов;
• анализ описания (грамматический разбор).
Анализ методов структурно-лингвистического подхода показывает целесообразность использования структурных методов для распознавания дискретных объектов, а лингвистических - для описания более сложных пространственно-логических отношений между объектами и распознавания определенным образом организованных сцен.
Распознавание по растровому представлению осуществляется с помощью так называемых корреляционных методов и заключается в том, что растровое представление объекта сравнивается с фрагментом изображения, содержащим этот объект. Данный подход является относительно простым, однако очень чувствителен к шуму, масштабу и повороту объекта, и требует значительных вычислительных затрат, что препятствует его широкому распространению.