Дискретные представления графических изображений для интеллектуальных телекоммуникационных систем

Шибаева, Ирина Васильевна

автореферат диссертации по радиотехнике и связи, 05.12.13, диссертация на тему:Дискретные представления графических изображений для интеллектуальных телекоммуникационных систем

кандидата технических наук: Шибаева, Ирина Васильевна
город: Ижевск
год: 2004
специальность ВАК РФ: 05.12.13
цена: 450 рублей

Диссертация по радиотехнике и связи на тему «Дискретные представления графических изображений для интеллектуальных телекоммуникационных систем»

Автореферат диссертации по теме "Дискретные представления графических изображений для интеллектуальных телекоммуникационных систем"

На правах рукописи

ШИБАЕВА Ирина Васильевна

УДК 681.3.01+539.22+528.854+519.218

ДИСКРЕТНЫЕ ПРЕДСТАВЛЕНИЯ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ ДЛЯ ИНТЕЛЛЕКТУАЛЬНЫХ ТЕЛЕКОММУНИКАЦИОННЫХ СИСТЕМ

Специальность: 05.12.13 - Системы, сети и устройства телекоммуникаций

Автореферат диссертации на соискание ученой степени кандидата технических наук

Ижевск 2004

Работа выполнена в ГОУ ВПО «Ижевский государственный технический университет» (ИжГТУ) и в холдинге «Группа Компаний Старт».

Научный руководитель:

Заслуженный изобретатель РФ,

доктор текнических наук, профессор Лялин В.Е.

Официальные оппоненты:

доктор технических наук, профессор Хворенков В.В. (ИжГТУ);

кандидат технических наук Вдовин А.М.

(Филиал в Удмуртской Республике ОАО «Волга Телеком»),

Ведущая организация: Поволжская государственная академия телекотгунтаций и информатики (г, Самара).

Защита состоится 17 декабря в 14 часов на заседании диссертационного совета Д 212.065.04 в ИжГТУ по адресу: 426069, г. Ижевск, ул. Студенческая, 7.

Отзыв на автореферат, заверенный гербовой печатью, просим выслать по указанному адресу.

С диссертацией можно ознакомиться в библиотеке ИжГТУ.

Автореферат разослан 15 ноября 2004 г.

Ученый секретарь диссертационного совета, доктор технических наук, профессор

Б.Я. Бендерский

п % <f 7 ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Интенсивный прогресс в области развития систем телекоммуникаций резко расширил возможности передачи, получения, хранения и обработки информации в самых различных формах ее представления. Вместе с тем, при эхом обозначились новые проблемы, а в ряде случаев, некоторые старые проблемы приобрели новую окраску. К числу таких проблем относится проблема эффективного представления и кодирования видеоинформации. С одной стороны, передача данных пользователю в виде изображений или графических образов является одной из наиболее удобных для него форм представления информации. С другой стороны, большая информационная емкость изображений существенно ограничивает возможности передачи видеоинформации по каналам связи. Увеличение ресурсов цифровой обработки информации не решает проблему в глобальном плане, т.к. рост потребностей в этой области всегда опережает достигнутые возможности.

Другой аспект проблемы обозначился в связи с возникновением и развитием интеллектуальных телекоммуникационных систем (ИТКС). Необходимым стало не только передать информацию пользователю в наглядной и образной форме, но и обеспечить такое ее представление, которое позволило бы автоматически анализировать содержание этой информации с помощью современных компьютерных технологий и при этом сразу и непосредственно использовать результаты анализа при решении различных практических задач. Это вызывает потребность разработки когнитивных моделей данных для представления изображений с целью их использования в ИТКС.

Разработке эффективных моделей изображений, методов их обработки и кодирования уделено большое внимание в работах отечественных и зарубежных ученых: Журавлева Ю.И., Лебедева Д.С., Ярославского Л.П., Ковалевского В.А., Васина Ю.Г., Бонгарда М.М., Файна B.C., Цуккермана И.И., Мучника И.Б., Розенфельда А., Прэтта У., Фу К., Стокхэма Т., Марра Д., Харалика P.M., Павлидиса Т., Нарасимхана Р. и др.

Однако достигнутые в настоящее время результаты не решают в полной мере проблему эффективного представления изображений в силу указанных выше причин. Это делает задачу поиска такого эффективного представления для использования в ИТКС актуальной. Один из путей ее решения может быть основан на анализе дискретных представлений структуры изображений, как наиболее отвечающих цифровым средствам и методам обработки информации. Формирование когнитивных моделей данных на основе анализа и синтеза дискретных представлений изображений может повысить эффективность передачи и использования видеоинформации в ИТКС.

Целью работы является разработка эффективных дискретных представлений и методов кодирования графических изображений для интеллектуальных телекоммуникационных систем, применение которых качественно повышает возможности передачи и использования видеоинформации.

Для достижения поставленной цели в работе решаются следующие задачи:

- определение свойств и характеристик графических изображений, учитывающих пространственный план их построения, степень подобия изображаемым объектам, цветотоновые шкалы и возможные искажения, и установление степени их адекватности когнитивным моделям данных в интеллектуальных телекоммуникационных системах;

- разработка методики струетурно-цветовог^радза'изображений, обеспечивающей высокую достоверность результатов предварительной обработки

• "V ...... '

изображений при локализации и оценке их структурных элементов;

- построение способа объективного выделения структурных элементов графических изображений и формирования полного и точного описания их пространственной структуры;

- построение корректных неискажающих схем редукции структурных элементов изображений на дискретный растр и представление их дифференциальными и секторными цепными кодами;

- получение нормализованных оценок геометрических характеристик редуцированных на растр структурных элементов изображений, соответствующих дискретно-планиметрическим условиям корректности операторов редукции;

- разработка метода распознавания и оценки геометрических атрибутов редуцированных на растр структурных элементов изображений;

- создание программного обеспечения средств анализа и синтеза дискретных представлений и методов кодирования графических изображений;

- проведение экспериментальных исследований разработанных средств и методов для оценки их эффективности и возможностей использования в интеллектуальных телекоммуникационных системах.

Объектом исследования являются: графические изображения, их свойства и характеристики, способы их получения, формы представления и кодирования, их когнитивные модели и дискретные представления этих моделей; адаптивное цветотоновое и центроидное преобразования изображений; интеллектуальные телекоммуникационные системы.

Предметом исследования являются: методы моделирования, анализа, синтеза и кодирования графических изображений; структурно-цветовой анализ изображений; операторы редукции изображений на дискретный растр и их кодирование на основе цепных кодов; методы распознавания структурных элементов изображений; программные средства обработки графических изображений; технологии обработки графической информации в интеллектуальных телекоммуникационных системах.

Методы исследования. В работе применялись теоретические и экспериментальные методы исследования.

Теоретические исследования основаны на использовании функционального анализа, геометрии подобий и дискретной планиметрии, методов машинной графики, методов обработки, анализа и кодирования изображений, методов распознавания образов.

В экспериментальных исследованиях разработанных моделей и алгоритмов использовались методы моделирования пространственных структур, основы цифровой обработки изображений, системного программирования, цифровые методы кодирования и передачи информации.

Достоверность изложенных положений работы подтверждается результатами практического применения разработанных программных средств, методики и технологии обработки графической информации, научными трудами и апробациями созданного научно-технического продукта на представительных научных форумах. Достоверность и обоснованность полученных в работе результатов и выводов подтверждается при их сравнительном анализе с известными результатами современных исследований и разработок.

Теоретические положения, установленные в работе, обосновываются адекватностью выбора исходных посылок и последовательным применением аппарата математических выводов для получения аналитических выражений.

Достоверность экспериментальных результатов обеспечена их хорошей

согласованностью с теоретическими выводами, выбором корректных критериев нри построении алгоритмов обработки информации, а также хорошей воспроизводимостью экспериментальных данных.

На защиту выносятся результаты разработки моделей дискретных представлений и методов кодирования графических изображений, а также создания программных средств анализа и синтеза дискретных представлений и кодирования графических изображений в интеллектуальных телекоммуникационных системах, в том числе:

- анализ свойств и характеристик графических изображений и возможностей построения их когнитивных моделей для интеллектуальных телекоммуникационных систем;

- методика структурно-цветового анализа изображений, обеспечивающая высокую достоверность результатов предварительной обработки изображений с целью локализации и оценки их структурных элементов и высокую степень сжатия видеоданных;

- способ объективного выделения структурных элементов графических изображений и формирования полного и точного описания их пространственной структуры;

- корректные неискажающие схемы редукции структурных элементов изображений на дискретный растр и представления их дифференциальными и секторными цепными кодами;

- нормализованные оценки геометрических характеристик редуцированных на растр структурных элементов изображений;

- метод распознавания и оценки геометрических атрибутов редуцированных на растр структурных элементов изображений;

- создание программного обеспечения средств анализа и синтеза дискретных представлений и методов кодирования графических изображений;

- результаты экспериментальных исследований разработанных средств и методов с целью оценки их эффективности и возможностей использования в интеллектуальных телекоммуникационных системах.

Научная новизна полученных результатов определяется впервые проведенными исследованиями, в результате которых разработаны модели дискретных представлений и основанные на них методы кодирования графических изображений, а также созданы программные средства анализа и синтеза дискретных представлений и кодирования графических изображений, что вносит существенный вклад в решение задач создания интеллектуальных телекоммуникационных систем, в ходе которых:

- определены свойства и характеристики графических изображений - пространственный план их построения, степень подобия изображаемым объектам, цве-тотоновая шкала и возможные искажения, и установлена их адекватность когнитивным моделям данных в интеллектуальных телекоммуникационных системах;

- разработана методика структурно-цветового анализа изображений на основе их адаптивного цветотонового и центроидного преобразований, обеспечивающая высокую достоверность локализации и оценки их структурных элементов и высокую степень сжатия видеоданных;

- предложен способ объективного выделения структурных элементов графических изображений и формирования полного и точного описания их пространственной структуры, основанный на анализе геометрических инвариантов двумерных пространственных структур относительно группы преобразований нерефлексных подобий и ее подгрупп;

- построены корректные неискажающие операторы редукции структурных элементов изображений на дискретный растр и установлена возможность представления результатов редукции дифференциальными и секторными цепными кодами;

- выведены нормализованные оценки геометрических характеристик редуцированных на растр структурных элементов изображений, соответствующие дискретно-планиметрическим условиям корректности операторов редукции;

- разработан метод распознавания и оценки геометрических атрибутов редуцированных на растр структурных элементов изображений, построенный на основе нормализованных оценок их геометрических характеристик;

- предложена и обоснована технологическая схема обработки графической информации, реализованная при выполнении экспериментальных исследований, результаты которых позволили определить условия эффективности и возможностей использования разработанных средств и методов в интеллектуальных системах телекоммуникаций.

Практическая ценность работы заключается в применении новых эффективных представлений и методов кодирования графических изображений.

Разработано и отлажено программное обеспечение, реализующее алгоритмы анализа и синтеза дискретных представлений и методов кодирования графических изображений для интеллектуальных телекоммуникационных систем.

Разработанный программный комплекс обеспечивает как автономное функционирование программ, так и работу их в интегрированном варианте под управлением интерпретатора CGI. Поддерживаются форматы данных растрового изображения, цепных кодов и структурных описаний изображения. Функционирование программного комплекса реализует разработанную технологию обработки графической информации для телекоммуникационных систем.

Проведен анализ возможностей и получены оценки эффективности разработанных средств и методов представления и кодирования графической информации. Установлено, что разработанные модели дискретных представлений графических изображений и методы их кодирования позволяют добиться высокой степени сжатия видеоданных, высокой производительности процедур кодирования и декодирования, и обеспечивают возможность прямого и непосредственного использования данных в их когнитивной форме.

Реализация и внедрение работы. Полученные результаты использованы и апробированы для опытно-производственной эксплуатации системы обработки графической информации в Тульском филиале ОАО «ЦентрТелеком».

Созданные программные средства обработки графической информации позволили повысить эффективность функционирования цифровых каналов связи телекоммуникационных систем при передаче этой информации, обеспечили сокращение объемов памяти для цифрового представления графических изображений и увеличение скорости передачи информации.

Апробация работы. Результаты работы докладывались на российских и международных научно-технических конференциях и конгрессах: Международном Самарском симпозиуме телекоммуникаций для руководящих работников отрасли связи (1996- 2004); LI Научной сессии, посвященной Дню Радио (Москва, 1996); L1I Научной сессии, посвященной Дню Радио (Москва, 1997); Международной конференции: Internation Conference «Intelligent Networks Services and Standards» (Москва, 1999); Международной конференции: Internation Conference «Intelligent Networks 2000: Services and Problems of Convergence» (Москва 2000); The 5th International congress on mathematical modelling (Dubna, 2002); XXXI Международной конференции «Информационные технологии в науке, образовании, телекоммуникациях и бизнесе»

(Украина, Крым, Ялта - Гурзуф, 2004); Международном симпозиуме «Надежность и качество» (Пенза, 2004); VI Международном конгрессе то математическому моделированию (Нижний Новгород, 2004); XXXI Международной конференции «Информационные технологии в науке, социологии, экономике и бизнесе» (Украина, Крым, Ялта - Гурзуф, 2004); V Международной научно-технической конференции «Проблемы техники и технологии телекоммуникаций» (Самара, 2004).

Публикации. Основные научные результаты по теме диссертации опубликованы в 22 научных работах, в том числе: 3 монографии (250с., 272с. и 266с.), 4 статьи в научно-технических журналах и сборниках; 15 тезисов докладов на научно-технических конференциях.

Объем и структура диссертационной работы. Диссертация содержит введение, 5 глав и заключение, изложенные на 156 с. машинописного текста. В работу включены 24 рис., 14 табл., список литературы из 138 наименований и приложение, в котором представлен акт об использовании результатов работы.

СОДЕРЖАНИЕ РАБОТЫ

Введение содержит обоснование актуальности темы, формулировку цели и задач работы, основные положения, выносимые на защиту, и определяет содержание и методы выполнения работы.

В первой главе рассматривается двойственная природа изображений. С одной стороны, изображение как целостный объект имеет функциональное представление - является функцией яркости или цветовых компонент от координат на плоскости изображения. С другой стороны, смысловое содержание изображения определяется его структурным представлением и состоит в наличии пространственной структуры, воспроизводящей пространственное строение изображенных объектов. Структура объектов образуется совокупностью составляющих их взаимосвязанных элементов. Несмотря на пространственный характер элементов, структура изображений не имеет простого функционального описания, а должна описываться в терминах свойств, характеристик и отношений элементов.

Из сопоставительного анализа различных способов получения изображений отчетливо выделяется графический способ, состоящий в том, что на плоскость изображения последовательно наносятся его структурные элементы. В отличие от репродукционных способов получения изображений (полиграфия, фотография) графическое изображение (ГИ) строится в соответствии с некоторым априорно определенным планом его построения (в сознании человека или в цифровых структурах данных для программ машинной графики). Использование репродукционных процессов при воспроизведении копий ГИ, изменяя характеристики изображения, не изменяет его графического характера, поскольку в основе его построения по-прежнему остается изначальный план пространственной структуры.

По степени подобия изображаемым объектам ГИ подразделяются на:

- реалистически подобные - для которых характерно такое изображение объектов, каким оно наблюдается при визуальном восприятии, с точным воспроизведением видимой светотеневой картины и отработкой всех полутонов и цветовых оттенков (портреты, пейзажи);

- геометрически подобные - точно воспроизводящие в плане построения все геометрические соотношения, но не дающие визуально наблюдаемой картины объектов (географические карты, машиностроительные чертежи);

- топологически подобные - геометрически неточные в плане построения,

но воспроизводящие взаимосвязи и соединения объектов и их элементов (радиоэлектронные схемы, схемы транспортных сетей).

Степень подобия ГИ может снижаться вынужденно (недостаток навыков рисования в детских рисунках), либо целенаправленно, для устранения информации, избыточной или затрудняющей использование изображений (карты, чертежи, схемы).

Характерным для ГИ является также относительно малое число тонов и цветов (красок), используемых при его воспроизведении. При необходимости качественной тоно- и цветопередачи могут быть использованы приемы комбинирования тонов и цветов на малых участках изображения (штриховки, растушевки, полиграфические растры), что не изменяет графического характера изображений.

Следует также различать аналоговую и цифровую формы представления изображений. Аналоговая форма воспроизведения изображения связана с созданием соответствующего распределения некоторых физических параметров (яркость, цветность, прозрачность) на поверхности некоторого материального носителя (экран дисплея, бумага, фотопленка). Для аналоговой формы изображений всегда в той или иной мере имеют место следующие искажения:

- искажения тоновых и цветовых шкал;

- пространственно-частотные искажения, ограничивающие разрешающую способность изображений;

- нанесение на изображение шумов и помех.

В цифровом представлении изображений следует различать две формы. Первая - синтетическая, полученная путем прямого синтеза изображений программами машинной графики из цифровых структур данных. Вторая - скано-метрическая, полученная путем цифрового воспроизведения (с помощью сканера) аналоговых оригиналов изображений. Сканометрические ГИ полностью наследуют свойства аналоговой их формы с возможным добавлением собственных искажений процесса цифровой регистрации изображений, в то время как синтетические ГИ могут быть идеальными с точки зрения точности воспроизведения пространственного плана и графики изображения.

Проблема передачи изображений по цифровым каналам связи телекоммуникационных систем имеет двоякий характер. Во-первых, по прежнему сохраняется потребность в повышении пропускной способности каналов связи, причем не столько в плане количества передаваемых за единицу времени бит, сколько в плане количества передаваемых за единицу времени информационных единиц (изображений). Несмотря на высокую эффективность существующих методов сжатия видеоинформации, рост потребности здесь постоянно опережает достигнутые возможности. Второй аспект проблемы связан с необходимостью оперирования изображениями в информационных системах, не только сводящемуся к их визуализации и не только как с целостными объектами, а как со структурами данных для решения различных и прикладных задач. Это предполагает определешшй уровень «понимания» изображений информационной системой, что означает возможность анализа их пространственной структуры. Такое «понимание» вызывает необходимость использования когнитивных моделей данных, передаваемых по каналам связи, и специальных средств анализа и синтеза этих данных на терминалах каналов связи, что придает телекоммуникационным системам такое качество, как интеллектуальность. Наглядный пример, акцентирующий эффективность использования когнитивных моделей данных приведен на рис. 1 и в табл. 1.

На рисунке показано изображение страницы текста и качество его распечатки на увеличенном фрагменте. Это качество обеспечивает безошибочное

чтение текста программой Fine Reader. В таблице приведены объемы памяти изображения, результата его сжатия (в скобках — показатели для двухградаци-онного изображения), результата расшифровки текста программой Fine Reader (документ Word) и преобразования документа в текстовый формат, а также результаты архивации этих данных программой RAR.

Taßjiuija 1

Ключевым ыомен явление и исследован* виде соответствующих ет отнести понятие пр венная структура явл. объектов в широком да

Рис. 1. Изображение текста

Объемы памяти текста н его изображения

Формат Объем памяти (KB)

Исходный RAR

*.bmp 2239 Г2811 690 F381

*.tif 791 773

*.doc 22 3

*.txt 2 1

(КЬ) 1000-

Результаты различных видов обработки изображения текста в наглядном виде представлены на рис. 2. Из рисунка видно, что наибольший эффект сжатия

информации достигается не за счет сжатия изображения (в 3 раза за счет устранения функциональной избыточности изображения - Ф), а за счет распознавания текста (в 100 раз) с последующим сжатием (более чем в 700 раз за счет устранения структурной избыточности текста - С). Еще больший эффект дает деграфикация документа - сжатие более чем в 1000 раз, а при архивизации -более чем в 2000 раз.

Не менее важным здесь является то, что передача распознанного документа по -

Рис.2. Сжатие объемов информации при обработке изображении текста

зволяет информационной системе использовать его сразу и непосредственно, анализируя его содержание для решения конкретных задач.

Проигрыш методов функционального сжатия изображений по сравнению с их распознаванием наглядно виден из рис. 2 - бинаризация изображения с последующим сжатием сокращает объем информации в 60 раз, но ухудшает качество изображения и приводит к ошибкам чтения текста программой Fine Reader. Это дает возможность визуализировать передаваемый документ, но не позволяет информационной системе оперировать с его содержанием.

Сопоставительный анализ различных моделей пространственной структуры изображений позволяет выделить два типа моделей. Модели первого типа разрабатывались для синтеза изображений по их структурным описаниям, а модели второго типа - для анализа и распознавания изображений, т.е. для получения этих структурных описаний. Основное различие между этими моделями определяется тем, что в моделях первого типа структурные элементы (примитивы) и их взаимосвязи заданы заранее, а в моделях второго типа - должны быть выявлены в процессе анализа. В первом случае характер модели опреде-

ляет возможности построения изображений, в то время как во втором случае -адекватность получаемых в результате анализа структурных описаний. В обоих случаях растровые модели представляют скорее само изображение, чем его структурное описание. Векторные модели в значительно большей степени проявляют когнитивный характер, т.к. описывают изображения в терминах их структурных элементов и взаимосвязей. Однако, когнитивные свойства используемых в практике векторных моделей относительно невелики. Так, объектные модели не отражают в описаниях изображений топологические взаимосвязи структурных элементов. Топологические модели, в свою очередь, не содержат в описаниях в явном виде составляющие структуру объекты как целостные образования. Кроме того, определение примитивов и взаимосвязей носит по существу субъективный и неоднозначный характер. Поэтому необходима разработка объективного способа выделения структурных элементов изображений и их взаимосвязей.

При рассмотрении методов представления, анализа, синтеза и кодирования изображений, основанных на использовании структурных, моделей, можно особо выделить метод структурно-цветового анализа (СЦА) изображений, который обеспечивает высокую достоверность их предварительной обработки с целью локализации и оценки их структурных элементов и высокую степень сжатия видеоданных. Метод основан на использовании двух преобразований изображений - адаптивного цветотонового (АЦТП) и центроидного, которые объединяются общей методикой кластерного анализа результатов преобразований.

Методика предполагает обработку изображения фильтром, кластеризующим значения цветовых компонент. Фильтр вычисляет средние значения цветовых компонент в окрестности каждого пиксела:

- !+,' -411 _ щ -¿д.1 __ (+1 •/+'

2 2 <?„= I I в,.., 2 2 V

где г, / - индексы пиксела на растре, Щ, О у, В у - его 1ЮВ-компоненты. Полученные значения сравниваются с исходными в этой же окрестности:

Кг К-К/ ~Ч~р>

где р - заданный порог сравнения.

Если все указанные условия соблюдаются, то значениям текущего пиксела преобразованного изображения присваиваются полученные средние значения - Щ = Щ, (?/' = б^, ВЦ = Щ (области выравнивания цветов); в обратном

случае - сохраняются исходные значения - Щ = ^, <7-| = йу, Ву = В1} (контурная часть изображения; см. рис. 186).

Эффект действия кластеризующего фильтра показан на рис. 3, где показаны проекции распределений значений цветовых компонент. Наблюдается отчетливое выделение кластеров этих компонент. Для выявленных кластеров определяются их центры (средние) Ек, , Вк и габаритные размеры (среднеквадратические отклонения) агк, сг?А, аьк, где к - номер выделенного кластера, которому соответствует определенный цвет из значений дискретной тоноцветовой шкалы. Эти данные позволяют произвести распознавание цвета пикселов изображения по выделенным кластерам, используя следующее решающее правило:

Лук = аг§гшп шах

К--с*]

агк ' °5к ' °~Ьк

Применение АЩП обладает отчетливо выраженными шумоподавляю-щими свойствами - формируется изображение, в котором преобладают ровные закраски областей без колебаний значений цветовых компонент. Это дает возможность произвести существенное сжатие графических данных за счет кодирования длин серий. Оценка показателя сжатия может достигать величины 0.5 бита на элемент изображения (пиксел).

Кроме того, результаты АЦТП легко подвергаются любым нелинейным преобразованиям цветотоновой шкалы, которые могут выполняться с целью коррекции имеющихся искажений, повышения цветовой и тоновой контрастности изображения, эквализации текстур, колориметрического регулирования цветов для подавления остаточных шумов и помех и т.д.

Методика СЦА предполагает для обеспечения совместимости АЩП с цен-троидным преобразованием изображений формирование слоев (стратификацию) изображения, соответствующих выделенным кластерам. При этом могут быть получены бинарные (двухградационные) изображения - каждый слой окрашивается в определенный цвет (черный) на фоне под ложки изображения (белого цвета).

Последующая обработка данных заключается в применении центроидно-го преобразования для каждого выделенного слоя изображения. Центроидное преобразование строится на основе моментов, вычисляемых на скользящем (сканирующем) интервале заданной длины п по строкам и по столбцам растра: ^ (+в где ТУ^ - момент к-то порядка на интервале длины

Щх = -—- + , 2к+1 с центром в г-ой точке строки (столбца)

+ /*=/-п растра, - значение г -го пиксела. По значениям

моментов вычисляются текущие значения производных характеристик - массы -Щ~Що> Цетроида- С^Щ^М,, диссипации- Я, - (/ОЦ) - С,2, экстента - к1 = ^12Н1.

Кроме того, по текущим значениям центроида вычисляются интегральные значения центроида С* (/)• Используется рекуррентная схема вычислений:

С'(0)=0, С/ (/+1) = С/ 0")+1 > если выполняется условий г' = j+Cj.

Эффект действия центроидного преобразования показан на рис. 4. Как видно из рисунка, при прохождении скользящим интервалом линейного элемента изображения образуется отчетливо выраженный пик значений интегрального центроида, а при прохождении интервалом контура планарного элемента имеет место эффект переноса значений центроида из области, примыкающей к элементу, во внутреннюю область, примыкающую к его контуру. На этом основано обнаружение структурных элементов. Распознавание и оценка характеристик структурных элементов производится на основании соотношений между значениями массы и экстента. Ширина линейного элемента совпадает со зна-

0 в о в

а) без фильтрации б) с фильтрацией Рис. 3. Проекции кластеров цветовых компопепт изображения

чением экстента И, а значение пиксела определяется отношением М/к .Из рисунка

видно, что наибольшую чувствительность центроидный фильтр проявляет по отношению к двух-градационным изображениям, что обеспечивает взаимную согласованность АЦТП и центро-идного преобразования в методике СЦА за счет стратификации изображений.

Во второй главе рассматривается пространственная структура графических изображений в непрерывной форме. При этом производится выделение чисто пространственной компоненты структуры - плана построения изображения, и привязка к ней графической компоненты. План изображения представляет собой рисунок из точек и линий. Точки имеют смысл компактных элементов структуры, либо узлов; линии - линейных элементов, либо границ; области, ограниченные линиями - планарных элементов, либо фона. Для смыслового различения элементов им присваиваются коды. Изображения формируется в результате процесса гра-фикации - присвоения кодам элементов графических параметров. При одном и том же плане построения возможны

¡¡ШИр;

Рис.4. Цснтроиднос преобразование

различные варианты графикации изображений (см. рис. 5).

Объективизация процесса выделения структурных элементов производится на

' | р, основе анализа инвари-

Пр,

. Шс2

а) план б) графикация

Рис. 5. Пространственный план и графикация ГИ

антов двумерных пространственных структур ц относительно группы , преобразований нерефлексных подобий, определяющей все леометри-ческие свойства, характеристики и агношения структурных элементов. Рассматриваются также

инварианты относительно всех подгрупп группы подобий (см. табл. 2).

Взаимные отношения (подгруппа - фуппа) показаны на рис. 6. Использо-

вание этих отношений позволяет определить наследуемость инвариантов - инвариант относительно любой группы является также инвариантом относительно всех ее подгрупп. При этом следует заметить, что инвариантами могут быть как свойства, так и характеристики и отношения структурных элементов.

Таблица 2

Подгруппы группы преобразовании нерефлексиых подобий_

Тождественные - С,: {х'.у'ЬмЫ-М

Трапсляции - От: (х\/)=Тг^, су)\(х,у)) = {Х + сх.у + су)

Ротации - : (л'*1р)'*)= ги(с?) [(.х, _)')]= (хссва-уэта, хзта+усова)

Центроаффинные (Ц) гомотетии - О^: (х\у')=а1(к)[(х,у)]=(Ь,ку), к> 0

Движения - йц,: (х\у') = Му(сх, су, а)1(х,у)\= Тг(с1( = (хсоэа-узнш +с;г,Х5та+су)

Гомотетии - :

Центроаффинные подобия 6С?: (х\у')-С$( а, к)[{х,у)\=СЬ(А)о гф) ~ (кх со$а - ку ¡та, кх ¡¡па+кусоза)

Подобия - (х\у)=5т(сх, су>а, к}[(х, }>)]=Тг (с,, Су)о СИ(к)о Ш(а) [(х, >■)] = = (кх сова - ку вт а+сх, кх зт а+ку сое а+су)

Гоматлн 0« Ц-подобни Диижнии йи

Ц-10ЧГ/ГСТ11Н <?а/ Трянслшиш Ог Ротации ая

Первые три топологических инварианта - характеристика размерности (2, 1 или 0), свойство связности и отношение смежности, являются наследственными для группы подобий и всех ее подгрупп. Для линий на плоскости связность эквивалентна их непрерывности. Два геометрических свойства линий на плоскости - прямолинейность и дугообразность, также инвариантны относительно группы подобий и являются наследственными для всех ее подгрупп.

Следующие пять геометрических характеристик - угол, направление, расстояние, кривизна, координаты, инвариантны относительно различных подгрупп группы подобий: величина угла -относительно группы подобий (наследственна для всех подгрупп); направление - относительно группы гомотетий (наследственна для Ц-гомотетий и трансляций); расстояние - относительно группы движений (наследственна для ротаций и трансляций); кривизна - от-Рис. 6. Подгруппы группы подобий носительно группы движений (наслед -ственна для ротаций и трансляций); координаты- только относительно группы тождественных преобразований. Выявление структурных элементов изображения производится с использованием сигнатуры - кода элемента в точке изображения и списка кодов элементов в окрестности этой точки (см. рис. 7).

Две точки изображения называются эквивалентными относительно группы преобразований (3 (¿'-эквивалентными), тогда и только тогда, когда они являются взаимно преобразуемыми преобразованиями группы <7. Совместный анализ сигнатур точек и их позволяет выделить структурные элементы как связные множества С-эквивалентных точек плоскости.

Для планарных элементов равенство сигнатур точек (код элемента или

фон при отсутствии кода) равнозначно их -эквивалентности, поэтому элементы образуются связными однокодовыми множествами точек.

Планарпыс;

Лпнейпые:

Компактные:

5„ =С,(Р2)

52 = Р,(Р1) 87=Ь2{Р2,Ь2) =ФоА) 58 = 11(Р0,Р„11)

Рыс.7. Спгаатуры различных точек изображсппя

Для линейных элементов равенство сигнатур точек (код элемента или граница при отсутствии кода) является необходимым, но не достаточным условием С-эквивалентности. Здесь определяющую роль играет кривизна линии в точке. Для группы движений выявляются структурные элементы постоянной кривизны, состоящие из Ф -эквивалентных точек, - отрезки и дуги. Остаточные участки линий представляют собой линейные сегменты переменной кривизны (ЛСПК). Для отрезков инвариантными атрибутами являются их длина и направление, для дуг - длина стягивающей хорды, ее направление и кривизна дуги, для ЛСПК - длина стягивающей хорды, ее направление и функция текущей кривизны (см. рис. 8).

Для компактных элементов равенство сигнатур точек (код элемента или узел при отсутствии кода) не имеет решающего значения, т.к. эти точки не могут объединяться в связные множества. Имеет значение лишь код самого элемента. Единственным геометрическим атрибутом компактного элемента являются его координаты. Однако следует иметь ввиду, что структура изображения в окрестности

узлов может быть достаточно сложной, т.к. к ним могут примыкать несколько линейных и планарных элементов.

При этом необходимо отразить в описании порядок их следования при обходе вокруг узла в заданном направлении (этим же обеспечивается неинверсность преобразования подобия, что позволяет различать левосто-

а) отрезок

б) дуга

в) ЛСПК

Рис. 8. Линейные структурные элементы

ронние и правосторонние структуры). Достигается это за счет декомпозиции узла -разложения на структурные элементы в окрестности узла (см. рис. 9)

В результате декомпозиции выделяются т.н. медиаторы (посредники) - со-лигоны Sg («одноуголышки» - примыкающие к узлу части планарных элементов, вырезаемые окрестностью) и аксиои-ды Ах («стрелки» - примыкающие к узлу части линейных элементов, вырезаемые окрестностью). Аксиоиды линейных элементов показаны также на рис. 8. Инвариантным геометрическим атрибутом соли-гона является величина соответствующего угла, а атрибутом аксиоида - его направление.

Рис. 9. Формирование узловых медиаторов (солшонов и акснондов Ах) при декомпозиции узла

Дня установления взаимосвязей структурных элементов необходимо использовать инвариантное относительно подобий отношение смежности между ними. При этом, каждый планарный элемент описыв'ается списком смежных с ним линейных элементов и солигонов, примыкающих к точкам стыка этих элементов. Каждый линейный элемент описывается своими геометрическими атрибутами и аксиоидами, примыкающими к концевым точкам этих элементов, а также отношениями смежности с прилегающими к нему планарными элементами. Каждый узел описывается прилегающими к нему медиаторами с их геометрическими атрибутами. Каждый компактный элемент может находиться либо в узле, которому присваивается код этого элемента, либо внутри какого-либо пла-нарного элемента; в последнем случае устанавливается отношение смежности компактного элемента с этим планарным элементом.

Как видно из схемы построения структурного описания изображения, это описание является полным и точным. Когнитивный характер описания проявляется в обеспечении возможности «понимания» системами автоматической обработки информации пространственного плана построения изображения в смысле определемости смыслового (кодового) значения, местоположения, размеров, формы и других геометрических характеристик, а также взаимосвязей пространственных объектов и их структурных элементов.

В третьей главе определяются операторы редукции на дискретный растр, рассмотренных в гл. 2 непрерывных представлений структурных элементов изображения. При этом выделяются операторы точечной и линейной редукции.

Если заданы шаги квантования координат Дх > 0 и Ау > 0, то для преобразования непрерывных координат (х,^) в целочисленные значения индексов пиксела на растре {гх,1у} необходимо определить количество шагов квантования от начала координат до значений координат преобразуемой точки х = х/Ах, у = у/Ау. Простейший оператор редукции определяет целочисленные значения ¡х = [*], 1у = [у] (см. рис. 10а).

При этом величины интервалов квантования, их направления и погрешности квантования различны. Это приводит к разнотипности ячеек растра (всего образуется 9

—ht— 3—1—у / -71-ТГ*

V / Y у

а) целочисленное

•2 -1.5

-0.5 «

2.5

Y -2

Y Y Y Y -10 12

б) с округлением

-1.5 -1

-»А—

0 о.б

1.5

Y

3

\ .

V -2

Y Y Y Y V

-10 1 2 3

(?) симметрнзовашюе

Рис. 10. Квантование координат

-i T • • ; f

s a ■ •

* lï • • •

3 • • • • •

• - -

« ? • I? t - -t

i 4 f f 'é . 4 « ! i « -e f Lw 4

• l * * X jil ТГП 4 1 I A > f 4

• i 1/- l„ t i / + t

♦ ■À y t i • ♦Il ?- Г" 4 * f

A* ■t. .1. • * h \*

а) целочисленное б) с округлением

Рис. 11. Искажения квантования координат

а) на основе точечной

б) 1-й алгоритм <?) 2-й алгоритм Брезенхама Брезенхама

Рис. 12. Линейная редукция

типов ячеек), его неоднородности и анизотропности. Вследствие этого возникают искажения структурных элементов изображения (см. рис. 11а), что означает некорректность точечного оператора редукции с целочисленным квантованием коорди-нат.Более корректной является схема квантования с округлением координат (см. рис. 106):

Несмотря на выравнивание размеров сохраняется их разнотипность (9 типов), что также приводит к искажениям элементов (см. рис. 116).

Таким образом, точечный оператор редукции с округлением также искажает элементы и является некорректным.

Корректный оператор редукции может быть получен на основе неравенства [г]-1<г, откуда следует 2-([г]-1)>0 и корректный оператор редукции имеет вид ¡х =[хЧ0.5б1£п(;с')]+|Х|-1, ¡у =[у' + 0.5з1£п(>'')]+ [у]— 1, где х' = (Зс-[х]+1), у'-(у-Щ+1) (см.рис. 11в).

Интервалы квантования в этом случае одинаковы по своей величине и направлению и по величине ошибки квантования. Поэтому все ячейки однотипны, вне зависимости от их местоположения на растре, искажения не возникают и симметризованный оператор редукции является корректным.

На интуитивном уровне оператор редукции линейных структурных элементов представляется простым образом - при прохождении линий через ячейку растра для точек этой линии в ячейке используется оператор точечной редукции - наличие линий в ячейке выделяет соответствующий пиксел растра, а вся линия представляется связной совокупностью пикселов (см. рис. 12а).

Однако, как видно из рисунка, отрезок имеет нерегулярный угловатый вид и воспринимается как ломаная. Причина в том, что в пикселах мо1ут присутствовать малые участки линии что приводит к вертикальным и горизонтальным переходам на растре, создающим угловатость. Исключение этих переходов (связность обеспечивается диагональными переходами) предает линии большее сходство с отрезком прямой. Такое построение реализовано в алгоритмах Брезенхама, в которых используются только целочисленные вычисления за счет многократного масштабирования фрагмента растра, а также ведется подсчет и минимизация инкремента (невязки) текущей точки линии относительно узлов растра. В зависимости от способа подсчета инкремента различаются два алгоритма Брезенхама. Первый алгоритм учитывает инкремент таким же способом, как и оператор точечной редукциис целочисленным квантованием. При этом возникают искажения, аналогичные действию оператора точечной редукции. Для линейных элементов этот эффект проявляется в несовпадении дискретных представлений отрезков, отрисовываемых в прямом и обратном направлениях (см. рис. 126). Более приемлемым вариантом подсчета инкремента является схема, соответствующая оператору точечной редукциис округлением, результат действия которого показан на рис. 12в. Здесь отрисовка отрезка в прямом и обратном направлениях дает идентичные результаты и дискретное представление отрезка симметрично относительно его центра. Однако, также как и при использовании оператора точечной редукции с округлением, могут возникнуть искажения в области начала координат. Это обусловлено тем, что формирование связной цепочки пикселов реализуется по восьми координатным секторам, ограничиваемым координатными осями и биссектрисами (диагоналями) квадрантных углов (см. рис. 13а) и для каждого сектора эта цепочка представляет собой последовательность диагональных и

!х =[х + 0.5з1^(х)], ¡у + 0.5б1§р(у)], где

I

осевых переходов с идентичным порядком их чередования

На рис. 14 показаны такие переходы для прямой линии, являющейся продолжением отрезка с начальной точкой в начале координат. Из рисунка видно, что в окрестности начала координат наблюдается заметное искажение линии.

Устранить указанное искажение можно, если перейти к однонаправленной системе секторов, как показано на рис. 136. При этом, отрезок отрисовывается так, что либо его начальная точка имеет значение ординаты, меньшее

а) двунаправленная б) однонаправленная значения ординаты конечной точки, ' 3 1 либо, если эти значения равны, началь-

Рис. 13. Индексация секторов направлений ная точка Имеет значение абсциссы,

меньшее значения абсциссы конечной точки. Результат действия такого линейного оператора редукции сводится к инверсии начальной и конечной шчек отрезка, если они не удовлетворяют указанным выше условиям, и становится эквивалентным действию симметризованного точечного оператора редукции. Видоизменение дискретного представления отрезка показана на рис. 14 в виде дополнительных окрашенных в более светлый тон пикселов и заштрихованного удаляемого пиксела.

Последняя модификация алгоритма Брезенхама легко обобщается на оператор линейной редукции произвольной кривой на дискретный растр так, как показано на рис. 15а. При этом необходимо сегментировать кривую на участки, для которых текущие направления целиком находится внутри одного из координатных секторов направлений (рис. 15а). Если некоторые сегменты кривой не удовлетворяют указанным выше условиям, то осуществляется их инверсия. Таким образом, формируется однонаправленная сегментация кривой по секторам направлений

Рис. ¡4. Линейная редукция в области начала координат (2-й алгоритм

а) двунаправленная

6) однонаправленная

Брезенхама)

(рис. 156) и в каждом секторе общее количество осевых и диагональных переходов определяется размеромсегмента по направлению соответствующей оси.

Линейные операторы редукции непосредственным образом связаны с цепными кодами. Простой цепной код формируется в результате кодирования координаты начального пиксела, а для каждого последующего пиксела в качестве кода используется его приращение, определяющее переход на один из смежных пикселов (см. рис. 16а). Таким образом, для кодирования каждого пиксела необходимо 3 бита информации. К недостаткам простого цепного кода относится допустимость возвратных переходов и переходов второго порядка в смежные пикселы, что приводит к эффекту образования пятен. Более гибкая схема предусматривается диффе-

J_о _1 ренциальным цепным кодом (ДЦК), в котором

кодируются координаты начального пиксела, следующий пиксел кодируется простым цепным кодом, а для всех последующих пикселов а) простой б) дифференциальный кодируются не приращения, а изменения на-Рис. 16. Цепные коды правления переходов на растре (см. рис. 166).

Если в этой схеме исключить возвратные переходы и переходы второго

Рис.15. Сегментация кривой по секторам направлений (* - инверсия направления)

!

1 *

ш

порядка в смежные пикселы, а также ортогональные переходы, то для кодирования каждого пиксела необходимо три состояния (1.5 бита на элемент).

При сопоставлении (ДЦК) с цепочками пикселов, формирующихся в результате применения линейных операторов редукции Брезенхама, становятся возможными только два типа переходов (диагональные и осевые) в каждом из координатных секторов направлений. В этом случае для каждого гладкого одно-секторного сегмента произвольной линии необходимо определить только координаты начальной точки сегмента (возможно, с учетом инверсии) и оценка информационной емкости линий на растре принимает значение 1 бит на элемент.

Таким образом, применение корректных операторов редукции структурных элементов изображений на дискретный растр позволяем4 построить эффективное представление пространственной структуры изображения и, при использовании различных разновидностей цепных кодов, получить экономную схему кодирования этой структуры, что в конечном счете повышает эффективность передачи видеоданных по цифровым каналам связи телекоммуникационных систем.

В четвертой главе разрабатывается метод распознавания структурных элементов на растре. Метод строится на основе обращения операторов редукции, рассмотренных в гл. 3. Для обращения операторов редукции необходимо рассмотреть влияние дискретизации на значения атрибутов элементов.

При квантовании координат точек структурных элементов квантуются также и характеристики этих элементов. Однако схема квантования характеристик элементов, индуцированного квантованием координат является несколько более сложной, нежели схема квантования координат. Для отрезка прямой с начальной и конечной точками (х!,^) и (х2,;'2), соответственно, оператор редукции дает следующие соответствующие индексы начального и конечного пикселов на растре. Однако, произвольность размещения этих точек внутри соответствующих ячеек растра приводит к тому, что характеристики отрезка -длина и направление, могут колебаться в широких пределах.

В табл. 3 показаны различные варианты размещения отрезков с начальной и конечной точками в соседних пикселах. Как видно, наблюдаются значительные вариации длины и направления отрезка. При большей удаленности начального и конечного пикселов вариации направления становятся незначительными, также как и относительные вариации длины отрезка. Для получения представления о характере ячеек квантования длин и направлений отрезков необходимо зафиксировать начальную точку отрезка в начале координат (*!, у1 )=(0,0), а координаты конечной точки (х2,у2) варьировать в пределах каждой ячейки растра. Результат представлен на рис.17.

Формы и размеры ячеек квантования в координатах «длина-направление» существенно различны и определяются местоположением конечной точки отрезка. С увеличением расстояния конечной точки от начала координат размеры ячеек уменьшаются и при достаточно больших расстояниях сливаются в

Таблица 3

Вариации атрибутов отрезков на растре

Расположение концевых точек Вариации длин (■АшрАГСИ) Вариации направлений

ГС ризон я тапьн ое (0,75) ( к яЛ {~2'2)

Л иагонапьное (о,2л/г) Н)

У

сплошной континуум. Эта особенность позволяет утверждать, что при больших длинах отрезка все соотношения, характерные для непрерывной планиметрии, выполняются с достаточной точностью. В то же время, при малых длинах отрезка, величины погрешностей характеристик отрезка достигают значительных величин. Поэтому необходимо переопределение этих характеристик для ближней зоны начала координат на растре, что, по сути, означает построение специфичной дискретной планиметрии.

Цепные коды предоставляют не только возможность эффективного кодирования элементов структуры изображений, но и определение геометрических характеристик этих элементов. Для корректного определения геометрических характеристик структурных элементов изображения необходимо дать определение этих характеристик в дискретно-растровом представлении, точно также как это было сделано для определения операторов редукции. Поскольку квантование координат приводит к достаточно сложному нелинейному квантованию всех прочих геометрических параметров, то одним из путей получения требуемых оценок характеристик является использование средневзвешенных значений между верхними и нижними их оценками.

Такими оценками являются средневзвешенная оценка направления между диагональным и осевым направлением отрезка: ♦ г ж-И гДе * - количество осевых ходов цепного кода; г - количество

01 = л( (о\ Диагональныхх°Д°а

4\х + гы2) Анализ точности этой оценки показал, что в пределах

ближней зоны в 250 пикселов оценка имеет погрешность в пределах одного градуса. В свою очередь средневзвешенная оценка длины отрезка имеет вид: х2 + х г (2 + 42) где хр ~ доля числа осевых ходов цепного кода; гр - доля

V = -—-, числа диагональных ходов.

хр + 2р Здесь размеры ближней зоны, в пределах которой

погрешности оценок не превосходят величины одного пиксела составляют величину 142 пиксела.

Секторный цепной код, являясь, по сути, модификацией дифференциального цепного кода, описывает переход на соседние пикселы линии путем указания типа перехода: параллельный координатной оси сектора (осевой), либо параллельный диагональному направлению сектора (диагональный), При этом, учитывая центральную симметричность, можно ограничиться лишь четырьмя из них, т.е. использовать однонаправленный .секторный цепной код (ОСЦК) взамен двунаправленного секторного цепного кода (ДСЦК). Помимо того, что ОСЦК позволяет построить достаточно экономное описание линий на растре (1 бит на элемент линии), он может быть также использован для их распознавания.

При рассмотрении схемы построения отрезков на растре по алгоритму Бре-зенхама, можно отметить, что главной его особенностью является именно способ определения одного из двух вариантов переходов (осевой или диагональный) в смежные пикселы, причем в зависимости от секторной принадлежности (направленности) отрезка.

Поэтому, для распознавания отрезков на растре достаточно контролировать сохранение направления (в пределах указанных погрешностей) при пропорциональном росте длины (также в пределах указанных погрешностей) линии при последовательном перемещении вдоль линии с помощью переходов по соседним пикселам. Это дает возможность отследить последовательные перемещения текущей точки линии по нерегулярным ячейкам в координатах «длина-направление» (рис. 17).

10 15 20 Рис.17. Квантование длин и направлений отрезков на растре

ж) слой «СШП1Й»

з) слой «черный» Рис.18. Результаты обработки изображения

ния и достигается высокое качество результатов этой обработки.

В пятой главе описаны разработанные алгоритмы, программное обеспечение и технология обработки графической информации, а также результаты экспериментальных исследований разработанных средств и методов.

Алгоритмы анализа и синтеза дискретных представлений и методов кодирования графических изображений разработаны на основе результатов, полученных в гл. 3,4. При этом построены алгоритмы быстрой редукции структурных элементов на дискретный растр, что может иметь значение для повышения эффективности систем машинной графики.

Проведенные экспериментальные исследования показали высокую эффективность разработанных средств и методов для использования в интеллектуальных телекоммуникационных системах. В экспериментах были проанализированы возможности адаптивного цветотонового и центроидного преобразований изображений для реализации методики структурно-цветового анализа. Результатом анализа явился вывод о высоком качестве обработки и распознавания графических изображений. Были выполнены также эксперименты по оценке эффективности процессов синтеза и распознавания изображений, оценивались показатели кодирования и сжатия видеоданных и производительности процедур их обработки. Полученные оценки коэффициента сжатия информации имеют величину порядка нескольких десятков или сотен, в зависимости от сложности изображения. На рис. 18 представлены результаты обработки изображения; при этом отчетливо проявляется эффект локализации структурных элементов изображе-

Разработанные технология обработки графической информации и программное обеспечение показаны на рис. 19 (в скобках указаны использованные программы). Программы построены таким образом, что допускают возможность

их использования как в автономном, так и в интегрированном режимах обработки данных. В интегрированным варианте обработки информации программы работают под управлением разработанного интерпретатора CGI. Технология обработки данных обеспечивает выполнение всех процедур обработки данных: кластеризующей фильтрации (Ес-vaevet), выделения цветовых кластеров (Legenda), адаптивного цветотонового преобразования (Cvetoton) и цветовой стратификации изображения (Cvetostrat), центроидной фильтрации (Centroíd) и последующего цепного кодирования (Chaincoding), распознавания структурных элементов и связей на растре (Recognition), редукции полученного когнитивного структурного описания на растр (Reductor) и окончательной графикации изображения (Graficator). Формирующиеся в результате обработки структуры данных - растровые изображения, их представления цепным кодом и их структурные описания подвергаются кодированию и декодированию при передаче по каналам связи.

ЗАКЛЮЧЕНИЕ

1. На основе анализа свойств и характеристик графических изображений, способов их получения и форм представления определены пространственный план их построения, степень подобия изображаемым объектам (реалистически, геометрически и топологически подобные), дискретная цветотоновая шкала и возможные искажения (искажения цветотоновой шкалы, пространственно-частотные искажения, помехи и шумы), и установлена возможность построения их когнитивных моделей данных в интеллектуальных телекоммуникационных системах.

2. Разработана методика структурно-цветового анализа изображений на основе их адаптивного цветотонового и центроидного преобразований, обеспечивающая высокую достоверность предварительной обработки изображений с целыо локализации и оценки их структурных элементов и высокую степень сжатия видеоданных. Методика предполагает обработку изображения фильтром, кластеризующим значения цветовых компонент, выделение кластеров этих компонент, распознавание цвета пикселов изображения по выделенным кластерам, формирование слоев (стратификацию) изображения, соответствующих выделенным кластерам и распознавание в этих слоях структурных элементов изображения с помощью центроидного преобразования.

3. Предложен способ объективного выделения структурных элементов

Кластеризация цветовых компонент (bcvacvcí, Legenda)

Центроидная фильтрация и цепное копирование (Centroíd. Chaincoding)

m

Paciioiimwjiiiio

CTpyKlypilblX

элементов » связей (Récognition)

« -i

I элсмс

Циеготоловос преобразование п страткфашща (Cvetoton, Cvetostrat)

Редукция структурного описания на растр (Reductor) 1

Рис. 19, Технологическая схема обработки информации

графических изображений и формирования полного и точного описания их пространственной структуры, основанный на анализе геометрических инвариантов двумерных пространственных структур относительно группы преобразований нерефлексных подобий и ее подгрупп. Выделены инварианты структурных элементов изображения (связность, размерность), их взаимосвязей (смежность), геометрические элементы (отрезок, дуга, угол, сегмент переменной кривизны, узел) и их атрибуты (длина, кривизна, координаты). Показано, что описание структуры в форме совокупности взаимосвязанных элементов с приписанными им значениями атрибутов является полным и точным.

4. Построены корректные схемы редукции структурных элементов изображений на диафетный растр, сводящие до минимума искажающие эффекты дискретизации. При этом установлена взаимосвязь корректных операторов редукции с дифференциальными и секторными цепными кодами линейных структурных элементов изображения, обеспечивающих высокую эффективность их кодирования и возможность использования в когнитивных моделях пространственной структуры изображений.

5. Получены нормализованные оценки геометрических характеристик редуцированных на растр структурных элементов изображений, соответствующие дискретно-планиметрическим условиям корректности операторов редукции. Показано, что для элементов изображений, размещаемых в ближней зоне растра, нормализованные оценки расстояния, направления, величины угла и кривизны, могут быть получены как средневзвешенные значения соответствующих характеристик для локальных переходов по смежным пикселам на растре, что отражает особенности дискретной планиметрии ближней зоны растра.

6. Разработан метод распознавания и оценки геометрических атрибутов редуцированных на растр линейных структурных элементов изображений, построенный на основе нормализованных оценок их геометрических характеристик. Метод основан на использовании трехкомпонентной секторной дискретной системы координат и предполагает вычисления нормализованных оценок характеристик при перемещении текущей точки по цепному коду элемента и контроль значений этих оценок по их размещению в ячейках их дискретизированных значений.

7. Выполнены экспериментальные исследования разработанных средств и методов, подтвердившие их эффективность и возможности использования в интеллектуальных телекоммуникационных системах. В экспериментах анализировались возможности адаптивного цветотонового и центроидного преобразований изображений для реализации методики структурно-цветового анализа, эффективность процессов синтеза и распознавания изображений, оценивались показатели кодирования и сжатия видеоданных и производительности процедур их обработки.

8. Создано программное обеспечения, реализующее алгоритмы анализа и синтеза дискретных представлений и методов кодирования графических изображений для использования в интеллектуальных телекоммуникационных системах. Разработанные для используемых процедур обработки информации программы построены таким образом, что допускают возможность их использования как в автономном, так и в интегрированном режимах обработки данных.

9. Предложена технологическая схема обработки графической информации, обеспечивающая эффективность использования разработанных средств и методов в интеллектуальных системах телекоммуникаций. Технология обработки данных предполагает выполнение всех необходимых процедур анализа изображений, кодирование и передачу по каналам связи результатов этого анализа и выполнение процедур декодирования, синтеза изображений и их когнитивных моделей данных.

НАУЧНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Шибаева И.В., Морозов А.Д., Фирстова Т.В. и др. Автоматизированная технология расчетных служб предприятий связи на базе корпоративных вычислительных сетей // LI Научная сессия, посвященная Дню Радио, тезисы докладов, часть П. - М.: Радио и связь, 1996. - С. 157-160.

2. Шибаева И.В., Морозов А.Д., Фирстова Т.В. и др. Новые информационные технологии в расчетах за услуги связи // LII Научная сессия, посвященная Дню Радио, тезисы докладов, часть 1 - М.: Радио и связь, 1997. - С. 106-108.

3. Шибаева И.В., Росляков A.B., Самсонов М.Ю. IP-телефония. - М.: Эко-Трендз, 2001.-250 с.

4. Шибаева И.В., Росляков A.B., Самсонов М.Ю. Центры обслуживания вызовов (Call centre). - IvL: Эко-Трендз, 2002. - 272 с.

5. Шибаева И.В., Мурынов А.И., Пивоваров И.В. Математические и программные средства распознавания графических изображений для передачи по цифровым каналам связи // Информационные технологии в науке, образовании, телекоммуникациях и бизнесе: Материалы 31 Междунар. конф. - Украина, Крым, Ялта-Гурзуф: Ж. «Успехи современного естествознания» №5, 2004, Прилож. №1. - М. «Академия естествознания».- С. 114-147.

6. Лялин В.Е., Мурынов А.И., Лепихов Ю.Н., Шибаева И.В. Модели представления и кодирования пространственных объектов для передачи изображений и трехмерных сцен по цифровым каналам связи // Информационные технологии в науке, образовании, телекоммуникациях и бизнесе: Материалы 31 Междунар. конф. - Украина, Крым, Ялта-Гурзуф: Ж. «Успехи современного естествознания» №5,2004, Прилож, №1. - М. «Академия естествознания»,- С. 123-125.

7. Шибаева И.В., Шеметова И.В., Чаадаев В.К. Информационные системы компаний связи. - М.: Эко-Трендз, 2004, - 266 с.

8. Лепихов Ю.Н., Шибаева И.В., Пивоваров И.В. и др. Обнаружение и распознавание структурных элементов изображения на основе центроидного преобразования // Надежность и качество: Труды международного симпозиума. Ч. П / Под. ред. Н.К. Юркова - Пенза: Изд-во Пенз. гос. ун-та, 2004. - С. 469-470.

9. Лепихов Ю.Н., Шибаева И.В. Формирование секторных цепных кодов линейных структурных элементов изображений И Надежность и качество: Труды международного симпозиума. - Ч. П / Под. ред. Н.К. Юркова - Пенза: Изд-во Пенз. гос. ун-та, 2004. - С. 470-474.

10. Lepihov Y.N., Shibaeva I.V. Representations of discrete images graphic for the intellectual systems of telecommunication // Тез. докл. - Нижний Новгород: Изд-во Нижегородского госуниверситета, 2004. - С. 254.

11. Murynov A.I., Levitskaya L.N., Shibaeva I.V. The model discretely - planimetry graphic structures of the image graphic // Тез. докл. - Нижний Новгород: Изд-во Нижегородского госуниверситета, 2004. - С. 258.

12. Лепихов Ю.Н., Шибаева И.В., Романов М.Л. Использование метода Барроуза-Уилера для сжатия малоцветных изображений // Информационные технологии в науке, социологии, экономике и бизнесе: Материалы 31 Междунар. конф. - Украина, Крым, Ялта - Гурзуф.: Прилож. к журн. «Открытое образование», 2004.- С.40-41.

13. Шибаева ИВ. Принципы эффективного представления и кодирования видеоданных для телекоммуникационных систем // Информационные технологии в науке, социологии, экономике и бизнесе: Материалы 31 Междунар. конф. - Украина, Крым, Ялта-Гурзуф: Прилож. к журн. «Открытое образование», 2004. - С.46-47.

14. Шибаева И.В., Лепихов ЮЛ., Левицкая Л.Н. Математическая модель редукции пространственной структуры изображений на дискретный растр и эффекты дискретизации // Информационные технологии в науке, социологии, экономике и бизнесе: Материалы 31 Междунар. конф. - Украина, Крым, Ялта -Гурзуф: Прилож. к журн. «Открытое образование», 2004. - C.4S-50.

15. Лепихов Ю.Н., Шибаева И.В., Тимофеев Ell. Адаптивное цветотоно-вое преобразование цветных изображений на основе кластерного анализа // Информационные технологии в науке, социологии, экономике и бизнесе: Материалы 31 Междунар. конф. - Украина, Крым, Ялта - Гурзуф: Прилож. к журн. «Открытое образование», 2004. - С.50-52.

16. Лепихов Ю.Н., Шибаева И.В. Формирование ь сетях интегрированного перцептивно-реалистичного информационного пространства // Математическое моделирование и интеллектуальные системы: Сб. научн. тр. - 2004. - №1. -Екатеринбург-Ижевск: Изд-во ИЭ УрО РАН, .2004. - С.3-4.

17. Лепихов Ю.Н., Шибаева И.В. Коррекция цветного изображения на основе методики адаптивного цветотонового преобразования изображений // Математическое моделирование и интеллектуальные системы: Сб. научн. тр. -2004. - №1. -Екатеринбург-Ижевск: Изд-во ИЭ УрО РАН, 2004. - С.20-23.

18. Шибаева И.В. Пространственный анализ изображения и его цветовых составляющих с целью преобразования изображения из системы RGB в одноком-понеятную тоновую систему // Математическое моделирование и интеллектуальные системы: Сб. научн. тр. - 2004. - №1. -Екатеринбург - Ижевск: Изд-во ИЭ УрО РАН, 2004. - С.38-39.

19. Шибаева И.В., Лепихов Ю.Н. Анализ структуры изображения посредством распознавания структурных элементов, представленных в дискретном виде // Математическое моделирование и интеллектуальные системы: Сб. научн. тр. -2004. - №1. -Екатеринбург - Ижевск: Изд-во ИЭ УрО РАН, 2004. - С.54-56.

20. Шибаева И.В., Мурынов А.И. Применение кластерного анализа для обработки и анализа графических изображений // Проблемы техники и технологии телекоммуникаций: Материалы Пятой Междунар. научн.-техн. конф,- Самара: Изд-во ПГАТИ, 2004.- С. 50-52.

21. Шибаева И.В., Пивоваров И.В. Реализация интегрированного подхода к хранению и передаче видеоданных в телекоммуникационных системах // Проблемы техники и технологии телекоммуникаций: Материалы Пятой Междунар. на-учн.-техн. конф.- Самара: Изд-во ПГАТИ, 2004.- С. 61-63,

22. Лепихов Ю.Н., Шибаева Н.В. ■ Распознавание структурных элементов графического изображения методом структурно-цветового анализа // Проблемы техники и технологии телекоммуникаций: Материалы Пятой Междунар. научн.-техи. конф.- Самара: Изд-во ПГАТИ, 2004 - С. 69-71.

_ЛицензияЛР№020764 от29.04.98г. .;

Подписано в печать 13.11.2004. Формат 60x84 1/16, Отпечатано наризографе. Уч.-изд.л. 1,62. Усл. печ.л. 2,00, Тираж 100 экз. Заказ № 186/2. 1 620014, г. Екатеринбург, ул. Московская - 29,* Издательство Института экономики УрО РАН

Оглавление автор диссертации — кандидата технических наук Шибаева, Ирина Васильевна

Список сокращений.

Введение.

Глава 1. Представление и кодирование изображений.

1.1. Способы получения и формы представления изображений

1.2. Интеллектуальные телекоммуникационные системы и когнитивные модели данных.

1.3. Модели и методы представления и кодирования изображений

1.4. Структурно-цветовой анализ изображений.

1.5. Выводы и постановка цели и задач исследований.

Глава 2. Геометрические свойства и характеристики графических изображений.

2.1. Пространственный план и графикация изображения.

2.2. Геометрические инварианты двумерных пространственных структур.

2.3. Структурные элементы изображений.

2.4. Пространственная структура изображения.

2.5. Полученные результаты и выводы.

Глава 3. Редукция структурных элементов изображения на дискретный растр.

3.1. Точечная редукция.

3.2. Линейная редукция.

3.3. Цепные коды.

3.4. Секторные цепные коды.

3.5. Полученные результаты и выводы.

Глава 4. Распознавание структурных элементов изображения на дискретном растре.

4.1. Квантование значений геометрических атрибутов структурных элементов изображения.

4.2. Секторно-косоугольная система координат.

4.3. Нормализованные оценки геометрических характеристик редуцированных на растр структурных элементов изображения

4.4. Распознавание редуцированных на растр структурных элементов

4.5. Полученные результаты и выводы.

Глава 5. Графическая информация в интеллектуальных телекоммуникационных системах.

5.1. Алгоритмы, программное обеспечение и технология обработки графической информации.

5.2. Сжатие графической информации.

5.3. Экспериментальные данные и результаты.

5.4. Полученные результаты и выводы.

Введение 2004 год, диссертация по радиотехнике и связи, Шибаева, Ирина Васильевна

Актуальность темы. Интенсивный прогресс в области развития систем телекоммуникации резко расширил возможности передачи, получения, хранения и обработки информации в самых различных формах ее представления. Вместе с тем, при этом обозначились новые проблемы, а в ряде случаев, некоторые старые проблемы приобрели новую окраску. К числу таких проблем относится проблема эффективного представления и кодирования видеоинформации. С одной стороны, передача данных пользователю в виде изображений или графических образов является одной из наиболее удобных для него форм представления информации. С другой стороны, большая информационная емкость изображений существенно ограничивает возможности передачи видеоинформации по каналам связи. Увеличение ресурсов цифровой обработки информации не решает проблему в глобальном плане, т.к. рост потребностей в этой области всегда опережает достигнутые возможности.

Другой аспект проблемы обозначился в связи с возникновением и развитием интеллектуальных телекоммуникационных систем. Необходимым стало не только передать информацию пользователю в наглядной и образной форме, но и обеспечить такое ее представление, которое позволило бы автоматически анализировать содержание этой информации с помощью современных компьютерных технологий и при этом сразу и непосредственно использовать результаты анализа при решении различных практических задач. Это вызывает потребность разработки когнитивных моделей данных для представления изображений с целью их использования в телекоммуникационных системах.

Разработке эффективных моделей изображений, методов их обработки и кодирования уделено большое внимание в работах отечественных и зарубежных ученых: Журавлева Ю.И., Лебедева Д.С., Ярославского Л.П., Ковалевского

В.А., Васина Ю.Г., Бонгарда М.М., Файна B.C., Цуккермана И.И., Мучника И.Б., Розенфельда А., Прэтта У., Фу К., Стокхэма Т., Марра Д., Харалика P.M., Павлидиса Т., Нарасимхана Р. и др.

Однако достигнутые в настоящее время результаты не решают в полной мере проблему эффективного представления изображений в силу указанных выше причин. Это делает задачу поиска такого эффективного представления для использования в ИТКС актуальной. Один из путей ее решения может быть основан на анализе дискретных представлений структуры изображений, как наиболее отвечающих цифровым средствам и методам обработки информации. Формирование когнитивных моделей данных на основе анализа и синтеза дискретных представлений изображений может повысить эффективность передачи и использования видеоинформации в ИТКС.

Целью работы является разработка эффективных дискретных представлений и методов кодирования графических изображений для интеллектуальных телекоммуникационных систем, применение которых качественно повышает возможности передачи и использования видеоинформации.

Для достижения поставленной цели в работе решаются следующие задачи:

- определение свойств и характеристик графических изображений, учитывающих пространственный план их построения, степень подобия изображаемым объектам, цветотоновые шкалы и возможные искажения, и установление степени их адекватности когнитивным моделям данных в интеллектуальных телекоммуникационных системах;

- разработка методики структурно-цветового анализа изображений, обеспечивающей высокую достоверность результатов предварительной обработки изображений при локализации и оценке их структурных элементов;

- построение способа объективного выделения структурных элементов графических изображений и формирования полного и точного описания их пространственной структуры;

- построение корректных неискажающих схем редукции структурных элементов изображений на дискретный растр и представление их дифференциальными и секторными цепными кодами;

- получение нормализованных оценок геометрических характеристик ре

Аудированных на растр структурных элементов изображений, соответствующих дискретно-планиметрическим условиям корректности операторов редукции;