автореферат диссертации по радиотехнике и связи, 05.12.13, диссертация на тему:Интеллектуальные технологии обработки цветных графических изображений для повышения эффективности передачи их по цифровым каналам связи

На правах рукописи

ПИВОВАРОВ Илья Валерьевич

УДК 681.3.01+539.22+528.854+519.218

ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ ОБРАБОТКИ ЦВЕТНЫХ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ ДЛЯ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ПЕРЕДАЧИ ИХ ПО ЦИФРОВЫМ КАНАЛАМ СВЯЗИ

Специальности: 05.12.13 - Системы, сети и устройства телекоммуникаций 05.13.18 - Математическое моделирование, численные методы и комплексы программ

Автореферат диссертации на соискание ученой степени кандидата технических наук

Ижевск 2005

Работа выполнена в ГОУ ВПО «Ижевский государственный технический университет» (ИжГТУ).

Научные руководители:

заслуженный изобретатель Российской Федерации, доктор технических наук, профессор Лялин В.Е.

доктор технических наук, профессор Мурынов А.И.

Официальные оппоненты:

доктор технических наук, профессор Цьш А.Ю. (Центральный научно-исследовательский институт связи, г. Москва); доктор физико-математических наук, профессор Тененев В.А. (ИжГТУ).

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

Защита состоится 17 декабря 2005 г. в 10 часов

на заседании диссертационного совета Д 212.065.04

в ИжГТУ по адресу: 426069, г. Ижевск, ул. Студенческая, 7, ауд.1-4.

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

С диссертацией можно ознакомиться в библиотеке института. Автореферат разослан 17 ноября 2005 г.

Ученый секретарь диссертационного совета, доктор технических наук, профессор

Б.Я. Бендерский

тб-Ч 22/6773 ¿ЯЗЧА.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Состояние современного мирового сообщества можно определить как стадию перехода от индустриальной фазы эволюции к информационной постиндустриальной фазе, для которой характерны процессы экономической и информационной интеграции. Эти глобальные процессы стимулируют бурное развитие и внедрение инфокоммуникационных технологий во все сферы человеческой деятельности.

В настоящее время общепризнанным фактом является то, что электросвязь во всем мире находится на этапе интенсивного развития. Одним из глобальных процессов стала эволюция сетей, служб и терминального .оборудования в направлении конвергенции, определяемая, с одной стороны, прогрессом в ключевых технологиях и, с другой, - новыми требованиями и растущими ожиданиями пользователей. В связи с этим наметилась тенденция создания универсальных систем комплексного представления информации типа мультимедиа (multimedia), в которых в пределах одной технологии, технических и программных средств возможен интерактивный доступ к различным видам информации и комбинированное воспроизведение текста, иллюстраций, графики, видеоинформации и звука. При этом информация может воспроизводиться как по оригиналам или записям различных документов, так и по данным ЭВМ или компьютерных сетей различного типа: начиная от локальных сетей типа LAN, заканчивая всемирной цифровой сетью интегрированных услуг (Integrated Service Digital Network—ISDN) или Internet.

Визуальное представление данных обладает чрезвычайно высокой информативностью, поскольку подавляющая часть информации о внешнем мире, а это более 80 % объема, воспринимается с помощью зрительного аппарата. Поэтому проблема эффективного представления и кодирования видеоинформации и, в частности изображений или графических образов, остается на сегодняшний день крайне актуальной, поскольку информационная емкость изображений накладывает значительные ограничения на использование каналов связи (КС) для передачи видеоинформации.

Развитие интеллектуальных телекоммуникационных систем породило новую проблему. Вместе с наблюдающимся интенсивным ростом применения алгоритмов цифровой обработки графической информации в телекоммуникациях, актуальной остается разработка когнитивных моделей данных, позволяющих автоматически анализировать содержание этой информации с помощью современных компьютерных технологий и при этом сразу и непосредственно использовать результаты анализа при решении различных практических задач.

Масштабные исследования и разработки в области разработки эффективных моделей представления структурно-цветовой информации в графических изображениях (ГИ) и их использования в телекоммуникационных системах, выполняемые как в работах отечественных, так и зарубежных ученых и инженеров, ведутся уже на протяжении нескольких десятилетий. Однако опережающий рост потребностей не позволяет снять проблему с повестки дня.

Таким образом, актуальной является задала рбеснеяеиия.оперативной передачи по КС больших объемов эффективно е эсприММЙШР'к^формации в

s^tza» i

виде графических и динамических изображений, в наибольшей мере удовлетворяющих коммуникативным потребностям пользователей.

Объектом исследования являются ГИ, характеризующие различные реальные физические и абстрактные объекты, обладающие свойством графической определенности и отчетливо выраженным структурным характером их построения, подверженные воздействию искажающих факторов их воспроизведения, формирования и регистрации; свойства и характеристики ГИ, способы их получения, интеллектуальные платформы телекоммуникационных систем.

Предметом исследования являются формы представления и кодирования ГИ; адаптивное цветотоновое преобразование изображений (АЦП I); структурно-цветовой анализ (СЦА) изображений; кластерные модели цветовых компонент изображений; программно-инструментальные средства обработки ГИ; программно- аппаратные средства интеллектуальных платформ телекоммуникационных систем распознавания и передачи ГИ.

Цель работы состоит в проведении комплексных исследований для получения научно-обоснованных методических и технических решений, направленных на достижение более высокого быстродействия передачи по цифровым каналам связи ГИ путем построения кластерной модели цветовых компонент изображений, применения АЦГ11, стратификации изображений и выделения их элементов, что будет способствовать снижению нагрузки на телекоммуникационные системы за счет обеспечения возможности более эффективных кодирования и сжатая информации.

Для реализации поставленной цели необходимо решить следующие задачи:

- разработка алгоритма АЦТП, позволяющег о за приемлемое время выделять кластеры в цветовом пространстве изображения;

- проведение анализа, выбора и реализации оптимальной разделяющей функции критерия Байеса для АЦТП для увеличения точности преобразования; создание программного обеспечения, реализующего АЦТП; создание программно-алгоритмических средств достижения значительного понижения уровня шумов и искажений в изображении;

- определение коэффициентов детерминации, отражающих степень адекватности искомых зависимостей изменения объема экстентов кластеров в процессе обработки кластеризующим фильтром от величины порога реальным процессам;

- разработка методики СЦА изображений на основе их адаптивного цве-тотонового и центроидного преобразований, обеспечивающей высокую достоверность предварительной обработки изображений;

- построение математических моделей многомерного непрерывного и дискретного сигналов, отображающих ГИ, подверженных в процессе записи-считывания воздействию аддитивных многомерных случайных помех;

- определение количественной оценки потерь записи, считывания и записи-считывания ГИ, представляемых непрерывным и дискретным сигналами при воздействии в КС шумов, идентифицирующихся гауссовским процессом или ограниченным случайным шумом с конечным временем перемешивания;

- получение формул для среднего оценок потерь записи и считывания, определение точных и асимптотических выражений для дисперсии потерь. Установление сравнительно точных и удобных для построения доверительных ин-

тервалов экспоненциальных оценок сверху для вероятности, что оценки потерь записи и считывания превысят заданный уровень

- создание программного обеспечения, реализующего алгоритмы анализа и синтеза дискретных представлений и методов кодирования ГИ для применения в телекоммуникационных системах; разработка методики улучшения качества изображения за счет устранения помех, а также повышение степени сжатия ГИ.

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

Теоретические исследования основаны на использовании функционального анализа, теории вероятностей и математической статистки, 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 и системного программирования, методы кодирования и передачи информации по цифровым КС телекоммуникационных систем.

Достоверность и обоснованность полученных в работе результатов и выводов подтверждается результатами обеспечения широкого практического использования аппаратно-программного комплекса, методик и технологий обработки ГИ, научными трудами и апробациями созданного научно-технического продукта на представительных научных форумах. Достоверность и обоснованность полученных в работе результатов и выводов подтверждена сопоставительным анализом разработанных и существующих математических моделей и методов.

Теоретические положения, выведенные в работе, обосновываются строгостью исходных посылок и корректным применением использованного математического аппарата при выводах аналитических выражений.

Достоверность экспериментальных результатов обеспечена их хорошей согласованностью с теоретически предсказанными характеристиками, а также выбором надежных критериев при построении алгоритмов обработки информации. Исходные данные при выполнении вычислительного эксперимента были тщательно верифицированы и дали хорошую воспроизводимость результатов на больших объемах экспериментального материала.

На защиту выносятся результаты разработки методики СЦА изображений на основе их адаптивного цветотонового и центроидного преобразований, обеспечивающей высокую достоверность предварительной обработки изображений для локализации и оценки их структурных элементов (СЭ) и высокую степень сжатия изображений, в том числе:

- методика обработки ГИ алгоритмом АЦТП позволяющая снизить количество используемых цветов до минимума без потери цветоразличения, что обеспечивает редукцию тоно-цветовой шкалы с достаточной степенью точности;

- обнаружение нового эффекта работы центроидного фильтра, заключающегося в том, что при обработке исходного изображения и помещении ее результатов на чистый белый растр происходит выделение только тех точек изображения, которые удовлетворяют некоему порогу, которому дано определение;

- методика обработки ГИ фильтром, кластеризующим значения цветовых

компонент, выделение кластеров этих компонент, распознавание цвета пикселей изображения по выделенным кластерам, формирование слоев (стратификацию) изображения, соответствующих выделенным кластерам, и распознавание в этих слоях СЭ изображения с помощью центроидного преобразования;

- формулирование на математическом языке достаточных условий для случайных помех, при которых возможно удовлетворительно описать вероятностные свойства оценок потерь записи и считывания непрерывного и дискретного сигналов, отображающих ГИ;

- рассмотрение двух вполне реальных случаев стационарного процесса, а именно, когда помехи представляют собой гауссовский процесс или ограниченный случайный процесс с конечным временем перемешивания при изучении оценок распределения потерь записи и считывания;

- методика, основанная на сочетании алгоритмов АЦТП и метода Барроуза-Уилера сжатия информации, позволяющая добиваться улучшения качества ГИ за счет устранения помех, вызванных переносами документа на материальные носители с последующей повторной оцифровкой, и степени сжатия ГИ с ограниченным количеством цветов, превосходящую основные графические форматы;

- разработка модуля расширения к библиотеке для работы с растровыми изображениями Ргее1шаце, который предназначен для сохранения и загрузки изображений.

Научная новизна полученных результатов определяется проведенными комплексными исследованиями, в результате которых разработан и реализован алгоритм АЦТП, как интеллектуальная информационная технология, позволяющая автоматически выделять кластеры в цветовом пространстве изображения посредством проекционного кластерного анализа цветовых компонент изображений, обеспечивающая преимущества автоматизированного анализа перед ручным выделением цветовых кластеров по ключевым участкам исходного изображения, в ходе которых:

- установлено, что в результате обработки изображений при увеличении радиуса апертуры гауссовского фильтра кластеризующим фильтром наблюдается эффект расплывания кластеров цветовых компонент изображения с. повышением порога, поскольку в процессе гауссовского размытия цвет каждого пикселя распространяется среди соседних, что приводит к размытию границ кластеров цветового пространства и делает практически труднореализуемой задачу выделения цветовых компонент;

- определено, что наложение гауссовского шума на исходное изображение придает ему некоторую зернистость, т.е. воздействие шума в изображении приводит к случайному изменению цвета пикселей. С увеличением уровня зашумленности работа центроидного фильтра по обнаружению цветовых кластеров становится малоэффективной;

- в качестве количественной оценки потерь записи или считывания ГИ, представляемого непрерывным сигналом, принята случайная величина, представляющая собой среднее во времени значение интеграла от взвешенной суммы квадратов разностей между значениями соответствующих координат многомерного сигнала на входе и выходе КС в текущий момент времени, исчис-

ляемый от начала сигнала, и среднее по количеству отсчетов значение интеграла от суммы квадратов разностей между дискретизированными значениями соответствующих координат многомерного сигнала на входе и выходе КС в текущий отсчет времени, начиная от начала сигнала, - для дискретного КС;

- установлены сравнительно точные и удобные для построения доверительных интервалов экспоненциальные оценки сверху для вероятности, что оценки потерь записи и считывания превысят заданный уровень. Аргументами

, в этих неравенствах служат простые и наглядные характеристики случайных

помех, такие как ограничивающие их константы, интервалы корреляции, спектральная плотность и ковариационная функция; ! - из полученных оценок для вероятности видно, что оценки потерь записи

и считывания при увеличении длительности передаваемых сигналов, отображающих ГИ, с экспоненциальной скоростью сходятся по вероятности к их дисперсиям. Полученные оценки вероятностей удобны тем, что в правые части неравенства вместо дисперсий и интервалов корреляции помех можно подставлять их оценки сверху. Это обстоятельство существенно расширяет возможности применения установленных оценок;

- проведены 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 СЦА, эффективность процессов синтеза и распознавания изображений, оценивались показатели кодирования и сжатия ГИ и производительности процедур их обработки.

Практическая полезность работы. Создано программное обеспечение, реализующее алгоритмы анализа и синтеза дискретных представлений и методов кодирования ГИ для применения в телекоммуникационных системах. Разработанные для используемых процедур обработки информации программы построены таким образом, что допускают возможность их реализации как в автономном, так и в интегрированном режимах обработки данных.

Предложена технологическая схема обработки ГИ, 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 КС результатов этого анализа и выполнение процедур декодирования, синтеза изображений и их когнитивных моделей данных.

Установлены сравнительно точные и удобные для построения доверительных интервалов экспоненциальные оценки сверху для вероятности, что оценки потерь записи и считывания превысят заданный уровень. Аргументами в этих неравенствах служат простые и наглядные характеристики случайных помех, такие как ограничивающие их константы, интервалы корреляции, спектральная плотность и ковариационная функция.

Реализация работы в производственных условиях. Полученные результаты использованы и апробированы для опытно-производственной эксплуатации системы обработки ГИ в Тульском филиале ОАО «ЦентрТелеком».

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

Апробация работы. Результаты работы докладывались на российских и международных научно-технических конференциях и конгрессах: VII Всероссийской НТК «Повышение эффективности средств обработки информации на базе математического моделирования» (Тамбов, 2004); XXXI Международной конференции «Информационные технологии в науке, образовании, телекоммуникациях и бизнесе» (Украина, Крым, Ялта - Гурзуф, 2004); Международном симпозиуме «Надежность и качество» (Пенза, 2004-2005); VI Международном конгрессе по математическому моделированию (Нижний Новгород, 2004); XXXI Международной конференции «Информационные технологии в науке, социологии, экономике и бизнесе» (Украина, Крым, Ялта - Гурзуф, 2004); V Международной НТК «Проблемы техники и технологии телекоммуникаций» (Самара, 2004); VII Молодежной НТК «Наукоемкие технологии и интеллектуальные системы» (Москва, 2005); Всероссийской НТК «Компьютерные и информационные технологии в науке, инженерии и управлении» (Таганрог, 2005); Международной НТК «Искусственный интеллект-2005» (п. Дивноморское, 2005); Международной НТК «Интеллектуальные и многопроцессорные систе-мы-2005» (Таганрог, 2005).

Публикации. Основные научные результаты по теме диссертации опубликованы в 22 научных работах, в том числе: 21 статья в научно-технических журналах и сборниках; 1 тезис доклада на научно-технической конференции.

Структура диссертационной работы определяется общими замыслом и логикой проведения исследований.

Диссертация содержит введение, 4 главы и заключение, изложенные на 163 с. машинописного текста. В работу включены 58 рис., 7 табл., список литературы из 117 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 проведен анализ представления, кодирования и технологий обработки ГИ, рассмотрены структурно-графические свойства изображений, приведен обзор основных цветовых моделей и цветовых координатных систем, а также рассмотрено представление ГИ в телекоммуникационных системах и методы обработки цифровых изображений.

Во второй главе предложена интеллектуальная информационная технология для обработки цветных ГИ, в том числе описана система АЦТП, разработаны проекционный кластерный анализ цветовых компонент изображений, алгоритмы преобразования и коррекции ГИ, а также показаны возможности их структурного анализа.

АЦТГТ - непосредственное изменение каждой точки исходного изображения, согласно полученным статистическим характеристикам цветовых кластеров. Посредством АЦТП удается значительно понизить количество шумов и искажений в исходном расгре, что, помимо улучшения качества, приводит к значительному уменьшению объема изображения при сжатии.

При реализации алгоритма АЦТП используется массив информации, представляющий собой растр размера ИхМ исходного цветного изображения, представленный в виде трех матриц /!, С и В, содержащих, соответственно, красную, зеленую и синюю компоненты каждого пикселя, и статистические характеристики, получаемые в результате обработки. Результатами решения является преобразованный растр того же размера, представленный в виде одной матрицы, содержащей значение тоно-цветовой шкалы для каждого пикселя.

АЦТП является, по сути, классификацией цветов исходного изображения по статистическим классам, для чего необходимо уточнить вид разделяющей функции. Независимо от разнообразия ее форм записи, решающие правила остаются эквивалентными. Действие любого из решающих правил сводится к отнесению каждого пикселя изображения определенной области решений, после чего со значением цвета этого пикселя сопоставляется цветовой кластер.

Распределение цветов точек исходного изображения по цветовым кластерам носит нормальный характер. Простейшим приближением разделяющей функции для нормального распределения случайных величин является расстояние по Манхетгену. Оно определяется как сумма абсолютных величин отклонений по всем измерениям в масштабе среднеквадратических отклонений. В случае использования данной разделяющей функции для исходного изображения (рис.1), границы

Рис I Тестовое ГИ 1

Рис 2 Сечение цветового Рис 3 Сечение пветового про- Рис 4. Сечение цветового про-пространства при исполь- странства при использовании странства при использовании зовании метрики по Мая- мегрики квадратичною ма- метрики квадратичного ма-хеттену хаяонобисового расстояния халонобисового расстояния с

6« учета ковариаций учетом ковариаций

областей решений представляют собой прямые линии, как это показано на рис.2. При использовании в качестве разделяющей функции метрики квадратичного махалонобисового расстояния без учета ковариаций границы областей

решений представляют собой участки эллипсоидов (рис.3). В случае использования в качестве разделяющей функции метрики квадратичного махалонобисо-вого расстояния с учетом ковариаций границы областей решений представляют собой квадрики и могут принимать любую из общих форм - плоскостей, сфер, эллипсоидов, параболоидов или разного вида гиперболоидов (рис.4).

А ДТП позволяет снизить количество используемых цветов до того минимума, который был обозначен в процессе анализа цветового пространства изображений, без потери цветоразличения, т.е. происходит редукция тоно-цветовой шкалы без потерь. АЩП применяется для подготовки цветных изображений к их дальнейшему структурному анализу.

Рис. 7 Результат АЦТП исходного ГИ

Рис 6 Эллипсы рассеяния цветовых кластеров ГИ

На рис.5 приведено изображение до проведения АЦТП. Отображение эллипсов рассеяния на уровнях 1 а, 2<т и Зет приведено на рис.6. Сравнение исходного (рис.5) и изображения, полученного после АЦТП (рис.7), наглядно показывает улучшение качества восстановленного цветного изображения по сравнению с исходным. Это происходит за счет того, что пикселям изображений придаются значения «чистых» цветов без шумов и помех. Из полученных после обработки изображений следует, что АЦТП не только сохраняет информацию о цветовых различиях, но и само по себе улучшает качество изображения. Кроме того, результаты АЦТП легко подвергаются любым нелинейным преобразованиям цветотоновой шкалы, выполняемые с целью коррекции имеющихся искаже-Рис 8 Результат АЦТП исходного ГИ ний, повышения цветовой и тоновой с коррекцией цветовых компонент контрастности изображения, эквализа-ции текстур, колориметрического регулирования цветов для подавления оста-

точных шумов и помех и т.д.

На рис.8 представлен результат работы АЦТП с цветокоррекцией. При его сравнении с результатом преобразования, представленного на рис.7, цветовые и тоновые конграсты изображения существенно усилились. Оно, в целом, стало восприниматься как более яркое.

На основе рассмотрения методов представления, анализа, синтеза и кодирования изображений, базирующихся на использовании структурных моделей, была ► предложена методика структурно-цветового анализа (СЦА) изображений, основан-

ная на использовании двух преобразований - АЦТП и центроидного, объединяемых кластерным анализом результатов преобразований. Суть этой методики заключает> ся в том, что для каждого изображения производится статистический анализ распределения значений цветовых компонент (ЦК) в пространстве RGB или ином. При этом выявляются кластеры значений ЦК, которые в дальнейшем используются для распознавания значений ЦК каждого пикселя изображения. В результате формиру- ' ется набор слоев двухградационных изображений, соответствующих одному из выявленных кластеров. Этот набор может быть эффективно закодирован, а само изображение легко восстанавливается с помощью простой процедуры декодирования. При этом наблюдается эффект улучшения качества изображения, поскольку выявленные кластеры описывают искажения, имеющие характер помех и шумов. Максимально этот эффект проявляется для ГИ, характеризующихся использованием дискретных цветотоновых шкал в процессах их формирования.

Поскольку полученные бинарные слои выделяют ЦК структурных элементов (СЭ) изображений, упрощаются процедуры анализа их пространственной структуры, поскольку в каждом слое СЭ обнаруживаются и распознаются с достаточно высокой надежностью. Оверлейные операции «сшивки» слоев при восстановлении изображения не снижают достигнутые показатели надежности, что особенно характерно для ГИ, формируемых с использованием различных легенд или систем условных знаков. Ограниченность набора используемых графических форм позволяет даже повысить вероятность распознавания СЭ

Рис 9 Тестовое ГИ 3 Рис 10 Результат действия Рис./У Результат работы

кластеризующего фильтра дцтп исходного ГИ (рис.9)

На рис.9 показано ГИ для которого на рис.12 приведены проекции распределений значений его ЦК на плоскости RG, RB и GB. Для данного ГИ отчетливо проявляется эффект кластеризации значений ЦК. Кроме того, из рисунка видно, что для значительной области ripoc гранства RGB характерен низкий уровень плотности значений ЦК. Визуально это воспринимается как своеобразный диффузный «межкластерный газ». Этот эффект может снизить надежность выявления кластеров, поскольку нет четкой границы между кластерами и окружающей их межкластерной диффузной средой.

Для повышения надежности выявления кластеров была разработана методика обработки изображений с целью «сжатия» кластеров и подавления межкластерной диффузной среды. Идея обработки основана на том, что для большинства пар соседних пикселей имеет мест о их принадлежность к одному кластеру. Поэтому анализ близости значений ЦК в сочетании с анализом связности групп пикселей на растре позволяет исключить пиксели, относящиеся к межкластерной среде, а для оставшихся связанных групп пикселей произвести корректировку значений их ЦК за счет осреднения по соседним пикселям, что приближает значения ЦК к центрам соответствующих кластеров.

Реализация процедуры заключается в том, что изображение сканируется окном размером 3x3 пикселя, и в каждом положении окна вычисляются средние значения, с которыми далее сравниваются все значения ЦК всех пикселей окна. Если результат сравнения'хотя бы в од -ном случае превосходит пороговое значение, то пиксель относится к межкластерной среде и исключается из дальнейшего анализа. В противном случае значения центрального пикселя заменяются на полученные средние. Эффект действия кластеризующего фильтра показан на рис.10. При сравнении проекций распределений значений цветовых компонент исходного изображения (рис.12) и тех же распределений после обработки связно-кластерным фильтром (рис.13) можно отметить, что если до обработки кластеры ЦК слабо выделяются на фоне межкластерной диффузной среды, то после обработки наблюдается более отчетливое выделение кластеров этих компонент. Воспроизводимое после применения АЦТП изображение (рис.11) отличается от исходного (рис.9) тем, что шумы и помехи, приводящие к образованию кластеров ЦК из исходной дискретной цветотоновой шкалы, практически, полностью подавлены, а при воспроизведении цветов и тонов этой шкалы произведена цветокоррекция, которая обеспечивает максимальные цветовые контрасты изображения.

Экспериментальные зависимости, полученные при изменении величины порога, при обработке размытых и зашумленных изображений, приведены на

Рис 12 Проекции цветовых Рис.13. Проекции цветовых кластеров в пространстве кластеров в пространстве RGB ГИ (рис.9) RGB ГИ (рис.13)

рис. 14,15. Визуализация экспериментальных данных показала, что результаты обработки кластеризующим фильтром исходного изображения (рис.5) с нанесенным на него гауссовским размытием с варьируемым радиусом апертуры фильтра, непосредственно влияющего на степень размытия, и того же изображения с нанесенными на него гауссовскими шумом и размытиями, принимаемыми различные значения, обладают выраженным сходством. Этот же эффект наблюдается при сравнении результатов, полученных в ходе обработки зашум-ленных изображений с изображениями, к которым сначала применялась гаус-совская фильтрация и только после наносился шум.

В результате обработки изображений при увеличении радиуса апертуры гауссовского фильтра кластеризующим фильтром наблюдается эффект расплывания кластеров цветовых компонент изображения с повышением порога, поскольку в процессе гауссовского размытия цвет каждого пикселя распространился среди соседних, что происходит к размытию границ кластеров цветового пространства и делает труднореализуемой задачу выделения цветовых компонент. Наложение гауссовского шума на исходное изображение придает ему некоторую зернистость, т.е. шум в изображении представляет собой пиксели со случайными цветовыми значениями. С увеличением уровня зашумленности работа центроидного фильтра по обнаружению цветовых кластеров становится малоэффективной. В ходе проведения анализа данных, полученных при обработке кластеризующим фильтром исходного изображения и изображений с нанесенными размытием (его проекции, рис. 16,а), шумом (его проекции, рис.16,6) и их вариациями, были получены коэффициенты детерминации, отражающие степень адекватности найденных за-

I й И 1в 21 31 76 N11/0

II ЧоДНШ! | ¡У> МЫПР 1 I | рП '11Ы111- I ' П }11ыипр:'> Ц 1 191п.1и

Рис 14 Гистограммы изменения количества кластеризованных пикселей в процессе обработки кластеризующим фильтром ГИ в зависимости от величины порога при изменении радиуса апертуры гауссовского фильтра

2500000-)

41N П/П

и ИСХОДНЫЙ [(V*

Рис 15 Гистограммы изменения количества кластеризованных пикселей в процессе обработки кластеризующим фильтром в зависимости от величины порога при изменении доли гауссовского шума на исходном ГИ

тппип mninmnnnurominiilini llIIlliriUtllllllllHIUIIIlIUUlIIITrUUII

висимостеи юменения

объема экстентов кластеров в процессе обработки кластеризующим фильтром от величины порога реальным процессам.

Методика СЦЛ обеспечивает совместимое^ АЦТТТ с центроид-ным преобразованием изображений посредством стратификации изображения, соответствующих выделенным кластерам. При этом могут быть получены бинарные изображения, причем каждый слой окрашивается в определенный цвет на фоне подложки изображения (рис.17).

а) 6)

Рис 16 Проекции цветовых кластеров в пространстве RGB ГИ с гауссовским размытием (а) и шумом (б)

1)слойк=3

д) слой к=4 е) слой к=5

Рис 17 Цветовая стратификация ГИ (рис.5)

Бинаризованные изображения на рис.17 показывают, чго и линейные, и планарные элементы структуры выделяются достаточно отчетливо, что обеспечивает высокое качество работы центроидного фильтра. Более того, восстановленное после распознавания ГИ в его послойном представлении (за исключением отельных одиночных пикселей) не отличается от набора слоев на рис. ] 7.

В третьей главе представлены математические модели непрерывного и дискретного сигналов, отображающих ГИ, при их записи и считывании, подверженных воздействию аддитивных многомерных случайных помех. На вход регисгратора поступает сигнал (1), представляющий собой л-мерную, г = 1,2,..., <р] ([')} действительную функцию времени I.

,0 <I <Г, (1) Для случая сигналов, отображающих ГИ, размеренность сигналов имеет 5 для цветных изображений и размер-

<рМ)

ность Здля черно-белых. В обоих случаях первые две координаты определяют строчную и кадровую развертки. В случае цветных изображений 3 координаты характеризуют насыщенность красного, зеленого и синего цветов. В черно-белом изображении третьей координатой является яркость.

При записи сигнала (1) на него действуют и случайные возмущения, в результате которых зарегистрированный сигнал описывается функцией (2):

ФД0 = Ф(>)+ £('), 0<г <7\ (2), где е(1) = е(пф)), 0<Т = (3),

- случайное слагаемое, в общем случае зависящее от момента ?, и от значений прошедшего до этого момента реализации сигнала 0</<7\

г -Мерный случайный процесс (3) назовем помехами. Помехи (3), в случае установившегося режима записи, являются реализацией случайного процесса: £ (?) = «(/) + -оо < х < оо, (4), где т{1) = Г/«,(/)] ^ - некоторая неслучайная к

функция: = + У-1,2,...,/-, Х(0 = [*,(0] =Гг - сред-

неквадратически непрерывный стационарный в узком смысле действительный случайный процесс со средним = О и достаточно хорошим перемешива-

нием. Здесь , тк> О и -ж < <р]к < ж - некоторые константы; ц. -

средние, а Я]к и <р]к - амплитуды и фазы колебаний с частотой ак. На процесс записи ГИ могут оказывать влияние различные помехи. Однако для устройств отображения ГИ хорошего качества должно быть »?(/) = 0.

В качестве количественной интегральной оценки потерь записи принята 2 т случайная величина (5), представляю-

<2Т - -- Ц^а^О) +... + а,, (5) щую собой среднее во времени значе-

0 ние интеграла от взвешенной суммы

квадратов всех разностей между значениями соответствующих координат г-мерного сигнала на входе и выходе КС в текущий момент времени, исчисляемый от начала длительности сигнала, где а - весовые коэффициенты.

Принимая о,=1, у = 1,2 формула (5) принимает вид (6):

В случае передачи сигнала по дискретному КС передаваемый сигнал имеет вид: (р (иД) = [^(«Д)] п~О, 1, ..., N-1, г мерного, г = 1,2,..., дис-

кретизированного по времени X сигнала с шагом дискретизации Л, N -1 = [Г/Л] - целая часть числа.

дт=1 Л =~ |>,2(0+... +. (6)

о этом случае в каче- | * 1 ^ I

стве потерь записи следует QN =—=—^[^(иД) +... + £7;(п\)\(7) принять случайную величи- "0

ну (7), определяющую среднее по количеству отсчетов значение интеграла от суммы квадратов разностей между дискретизированными значениями соответствующих координат многомерного сигнала на входе регистратора и получен-

ным ГИ. Математическая модель потерь считывания ГИ строится аналогично.

Если си)-нал (1) сначала записывается, а затем считывается, то математическая модель сигнала, отображающего ГИ, имеет вид (рис.18): <°х (0~+ ез(*)+ €с)> 0-г-Т-Количественнойинтефальной оценкой по-

*î

терь записи в этом случае будут случайные величины:

т+ъСП

Рис 18 Примеры сигнала (p(t) и сигналов, прошедших запись qh(t) и считывание <pc(t)

Т 1 N-)

" п-0

Определим среднее оценок потерь записи для непрерывного и дискрешого КС:

mm = ^ Jm/of dt + а] и EOJN) = -]>,(иА)Г + ^, где о* = +... + 4

* 0 ^ л=0

и cr,; = EX23j(t). Аналогичные формулы справедливы и для ЕО,

В качестве исходных аргументов при анализе харак^гоистик EQ, DQ и P{Q<x} следует выбрать функции m(i), корреляционную функцию Cxx{t), спектральную плотность fxx(Л), а также различные параметры, характеризующие эти функции. Оправдать это можно тем, что часто удается выявить количественную зависимость указанных функций от конкретных параметров КС, режима его работы и математических характеристик возмущающих факторов.

При изучении распределения оценки потерь записи и считывания рассмотрены два вполне реальных случая стационарно! о процесса , а именно, когда помехи представляют собой гауссовский процесс или ограниченный случайный процесс с конечным временем перемешивания.

Рассмотрена дисперсия оценок потерь записи (или считывания) DQT в

случае n{t)= 0. Согласно (4) и (6), оценки потерь вычисляются по формуле: . т

й =-£*'(') + • + Xf(t)jdt■ Предполагая,что £Y4(/)<cc, j = 1,2,...,г, получаем

т т

(8), где covf^} = Е{4-Еф-Et?) -

1 О О J.M '

ковариация случайных величин f и т].

В силу стационарности процесса X[t) имеем: covj Z'(j),Xj(0) = cov| Xj(s-t\XÏ(0)}, поэтому, делая замену переменных в (8),

получаем DQr

èïM

£cov{x;(0,^2(0)} dt. (9)

«О

Если л соу{^(0,^(0)} <оо, },к =1,2,...,г, (10), то из (9) вытекает,

оо

что при Т -»00: =1р2 + оГ-1. где р2 = £ Тсоу{ ^(0,^(0)}Л. (11)

Т \Т ) _/,А=1 -до

Если процесс гауссовский, то соу^2 (0,^(0)} = 2С^(0, и форму-

27 ( 1*П 2

лы (9) - (11) принимают более простой вид: DQT=— $ 1-Ш |С(/)|2^ (12) и

СО 00

рг = 2 ||С(/)|2 Ж = 4ж ||/(Л)|2 . Подставляя в (9) и (12) более точные оценки

-со -со

корреляционных функций С(г), получаем более точные оценки дисперсии DQT.

Если процесс Х{{) гауссовский и имеет конечное время перемешивания, то 4 V-!

из (12) получаем: 1Х)Т < — ■ Формулы для DQN совершенно аналогичны.

Получены экспоненциальные оценки вероятности Р\0.т >Е(2Т + х], х>0, которые особенно точны при больших х и Г. Это их свойство связано с тем, что при Г->оо распределение оценок потерь записи или считывания становится нормальным. Предполагаем, что /и(0 = 0.

Рассмотрен случай гауссовских помех Х(1) с необязательно конечным временем перемешивания г. Обозначим:

« = Вт = шах \\сл/)|л, г = таха2иС(о42Г2['~1п(1 + ,)]'

В указанных выше обозначениях в случае записи сигнала с ГИ (или его считывания) для всех х>0 и Т> 0 справедливы оценки:

Если компоненты X](/) и Хк(г) при независимы, то для всех х>О и Т>0 имеем:рЬт >а2+ х}<ехр|—Ц— С(4г)1 < ехр!-----1, (15)

^ , [ 4а2Вт V ] [ Щ(о2 + х)\

I

при этом Вт - шах || Сп (о| ¿Й < 2 ту. (16)

Подставляя в (15) вместо Вт его оценку сверху, получаем новые две

оценки, но не такие точные, как (15):

Таким образом, мы указали всего 8 экспоненциальных оценок вероятности Р\()т > <т2 + х| через разные характеристики помех Х(/) - 4 оценки с

функцией (7 и 4 более простого вида. Заметим, что оценки с функцией (7 существенно точнее, поэтому в случае применения вычислительной техники надо выбирать их. С другой же стороны, оценки без функции С куда нагляднее.

Фигурирующими в оценках вероятностными характеристиками помех Х^) являются- в оценках (13) а и В,, в (14) (Т1 и г, в (15) -определяемое формулой (16) Вт, а2 ив (17) т, а2 и у. В случае применения установленных неравенств эти характеристики надо знать заранее. При этом они могут быть и завышенными, в таком случае приводимые оценки останутся справедливыми, но менее точными. Чем меньше числа а, Вт, г, а2 и у, (18) тем меньше и все приводимые экспоненты. Характеристики (18) являются весьма простыми и наглядными, и видимо более или менее завышенные их оценки всегда можно определить экспериментально или просто указать заранее, исходя из конкретных соображений о КС.

В работе также рассмотрен случай для получения оценок распределения оценок потерь записи-считывания.

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

Проведенные экспериментальные исследования показали высокую эффективность разработанных средств и методов для использования в 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 ГИ: 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.17 представлены результаты обработки изображения; при этом отчетливо проявляется эффект локализации структурных элементов изображения и достигается высокое качество результатов этой обработки.

Разработанные технология обработки ГИ 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 обрабогки данных. В интегрированным варианте обработки информации программы работают под управлением раз-

Изображение J

Кластеризация цветовых компонент (Ее vac vet, Legenda)

Изображение

Цветогоновое преобразование и кодирование (С veloton, Cvetostrat) канал передачи информации

/ : У

Графикация изображений (Graficator)

Редукция структурного описания на растр (Reductor)

Центроиднаяфильтрация и цепное кодирование (Centroid, Chaincoding)

Распознавание структурных элементов и связей (Recognition)

работанного интерпретатора CGI. Технология обработки данных обеспечивает выполнение всех процедур обработки данных: кластеризующей фильтрации (Ecvacvet), выделения цветовых кластеров (Legenda), адаптивного цветотонового преобразования (Cveto-ton) и цветовой стратификации изображения (Cvetostrat), цен-троидной фильтрации (Centroid) и последующего цепного кодирования (Chaincoding),

Рис 19 Технологическая схема обработки информации

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.

Оценка возможной степени сжатия ГИ производилась экспериментально на выборе из нескольких десяткой ГИ. После применения АЦТП полученные изображения подвергались компрессии с помощью программы RAR. Степень компрессии ГИ оценивалась коэффициентом сжатия, который колебался на данной выборке от 70 до 180. Таким образом, полученные значения превосходят соответствующие показатели для большинства упакованных форматов растровых ГИ (для которых эти значения составляют величину порядка 20-30). Исключением являются такие форматы данных, как JPEG, которые при достижении сравнимых с АЦТП показателей приводят к значительным потерям информации и чрезмерно заметному засорению изображений шумом. Применение JPEG на уровне малых потерь информации (с малыми искажениями) дает на порядок более низкий уровень сжатия сравнительно с приведенными выше показателями.

Следует отметить, что вариации коэффициента сжатия определяются степенью сложности структуры ГИ. Для простых ГИ с малым количеством СЭ этот показатель достигает максимальных значений, а для высокодетальных ГИ - принимает минимальное значение (около 70).

Однако моделирование сжатия ГИ с помощью программы-архиватора RAR далеко не исчерпывает возможностей достижения предельных значений показателя сжатия. Поэтому был разработан алгоритм на основе преобразова-

ния Барроуза-Уилера (BWT) и написана соответствующая программа обработки изображений.

Использование указанного подхода позволяет эффективно кодировать длинные повторяющиеся последовательности, характерные для ГИ

fpwc1 чър 1 gif ' tiff' ^ искусственного ха-

bzip2 bwt-кодер png bmp+rle ракгера (карт, схем,

Рис 20 Эффективность сжатия ГИ (бит/символ) диаграмм и т п ) Для

проверки результатов разработан модуль расширения к библиотеке для работы с растровыми изображениями Freelmage. Модуль производит сохранение и загрузку ГИ. На рис.20 приводится сравнение разработанной схемы BWT кодирования с некоторыми наиболее часто используемыми форматами сжатых данных (в качестве показателя используется среднее количество бит, затрачиваемое на один символ).

Как видно из рисунка, полученные результаты говорят о несомненной эффективности предложенной методики (созданный прототип уступил лишь программам, применяющим дополнительные эвристические методы сжатия).

ЗАКЛЮЧЕНИЕ

1. В результате проделанных комплексных исследований получены научно-обоснованные методические и технические решения, направленные на достижение более высокого быстродействия передачи по цифровым каналам связи ГИ путем построения кластерной модели цветовых компонент изображений, применения АД 111, стратификации изображений и выделения их элементов, что будет способствовать снижению нагрузки на телекоммуникационные системы за счет обеспечения возможности более эффективных кодирования и сжатия информации.

2. Разработан и реализован алгоритм АЦТП, как интеллектуальная информационная технология, позволяющий за приемлемое время автоматически выделять кластеры в цветовом пространстве изображения посредством проекционного кластерного анализа цветовых компонент изображений. По сравнению с ручным выделением цветовых кластеров по ключевым участкам исходного изображения предложенный алгоритм в значительной степени дает выигрыш в скорости и. удобстве обработки изображений. Получаемые статистические характеристики цветовых кластеров достаточно полно описывают изображение и позволяет провести АЦТП.

3. Обнаружен новый эффект работы центроидного фильтра, который заключается в том, что при обработке исходного изображения и помещении ее результатов на чистый белый растр происходит выделение только тех точек изображения, которые удовлетворяют некоему порогу, которому дано определение. Порог - это величина, на которую необходимо превышение хотя бы одной из компонент (R, G, В) среднего значения кодовых слов сканирующего окна (3x3) по растру цветного изображения значения кодового слова любого из 8

пикселей, расположенных по периметру этого окна. В результате выделяются непрерывные цветовые зоны.

4. Установлено, что в результате обработки изображений при увеличении радиуса апертуры гауссовского фильтра кластеризующим фильтром наблюдается эффект расплывания кластеров цветовых компонент изображения с повышением порога, поскольку в процессе гауссовского размытия цвет каждого пикселя распространяется среди соседних, что приводит к размытию границ кластеров цветового пространства и делает практически труднореализуемой задачу выделения цветовых компонент.

5. Предложены математические модели многомерного непрерывного и дискретного сигналов, отображающих ГИ, подверженных в процессе записи-считывания воздействию аддитивных многомерных случайных помех, представляющих собой сумму нескольких неслучайных и не затухающих во времени колебаний и сравнительно хорошо перемешанного во времени стационарного случайного процесса.

6. Сформулированы на математическом языке достаточные условия для случайных помех, при которых возможно удовлетворительно описать вероятностные свойства оценок потерь записи и считывания непрерывного и дискретного сигналов, отображающих ГИ. Рассмотренный в работе процесс помех идентифицируется среднеквадратически непрерывным стационарным в узком смысле действительным случайным процессом с нулевым средним и достаточно хорошим перемешиванием.

7. Получены формулы для среднего оценок потерь записи и считывания, являющегося критерием риска искажения непрерывного и дискретного сигналов, отображающих ГИ. Определены точные и асимптотические выражения для дисперсии потерь. Установлен ряд ее оценок сверху через ограничивающие помехи константы, матрицу ковариации помех, интервалы их корреляции и продолжительность передачи сигналов по КС.

8. Установлены сравнительно точные и удобные для построения доверительных интервалов экспоненциальные оценки сверху для вероятности, что оценки потерь записи и считывания превысят заданный уровень. Аргументами в этих неравенствах служат простые и наглядные характеристики случайных помех, такие как ограничивающие их константы, интервалы корреляции, спектральная плотность и ковариационная функция.

9. Из полученных оценок для вероятности видно, что оценки потерь записи и считывания при увеличении длительности передаваемых сигналов, отображающих ГИ, с экспоненциальной скоростью сходятся по вероятности к их дисперсиям. Полученные оценки вероятностей удобны тем, что в правые части неравенства вместо дисперсий и интервалов корреляции помех можно подставлять их оценки сверху. Это обстоятельство существенно расширяет возможности применения установленных оценок.

10. В качестве количественной оценки потерь записи или считывания ГИ, представляемого непрерывным сигналом, принята случайная величина, пред-С1авляющая собой среднее во времени значение интеграла от взвешенной суммы квадратов разностей между значениями соответствующих координат мно-

гомерного сигнала на входе и выходе КС в текущий момент времени, исчисляемый от начала сигнала, и среднее по количеству отсчетов значение интеграла от суммы квадратов разностей между дискретизированными значениями соответствующих координат многомерного сигнала на входе и выходе КС в текущий отсчет времени, начиная от начала сигнала, - для дискретного КС.

11. Создано программное обеспечение, реализующее алгоритмы анализа и синтеза дискретных представлений и методов кодирования ГИ для применения в телекоммуникационных системах. Разработанные для используемых процедур обработки информации программы построепы таким образом, что допускают возможность их реализации как в автономном, так и в интегрированном режимах обработки данных.

12. Предложена методика, основанная на сочетании алгоритмов АЦТП и метода Барроуза-Уилера сжатия информации, позволяющая добиваться улучшения качества изображения за счет устранения помех, вызванных переносами документа на материальные носители с последующей повторной оцифровкой, и степень сжатия ГИ с ограниченным количеством цветов, превосходящую основные графические форматы.

13. Предложена технологическая схема обработки ГИ, 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.

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

НАУЧНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ:

1. Григорьев Е.В, Елкин B.C., Пивоваров И.В. Разработка алгоритмов диакоптического анализа устройств отображения графической информации // Высокопроизводительные вычисления и технологии (ВВТ-2003): Тр. Российской науч.-техн. конф. - Ижевск: Изд. дом УдГУ, 2003. - С. 46-54.

2. Лялин В.Е., Лепихов Ю.Н., Пивоваров И.В. Понижение уровня шума в реальных изображениях путем эквализации текстуры и одновременной коррекции цветовых компонент // 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. 118-120.

3. Мурынов А.И., Телегина М.В., Пивоваров И.В. Применение адаптивного цветотонового преобразования для различных видов графических изображений. Часть II // Повышение эффективности средств обработки информации на базе математического моделирования. Труды VII Всероссийской научно-

технической конференции. Материалы докладов: в 2-х ч., Ч. I. - Тамбов: Изд-во ТОГУП «Тамбовполиграфиздат», 2004. - С. 38-45.

4. Пивоваров И.В. Метод адаптивной цветовой стратификации графических изображений // Проблемы техники и технологии телекоммуникаций: Материалы Пятой Междунар. НТК,- Самара: Изд-во ПГАТИ, 2004.- С.149-151.

5. Пивоваров И.В. Методика структурно-цветового анализа графических изображений // Информационные технологии в науке, социологии, экономике и бизнесе: Материалы 31 Междунар. конф. - Украина, Крым, Ялта - Гурзуф.: Прилож. к журн. «Открытое образование», 2004.- С.46-49.

6. Пивоваров И.В. Цвет и его измерение: обзор основных цветовых моделей и цветовых координатных систем // Математическое моделирование и интеллектуальные системы: Сб. научн. тр. - 2004. - №1. -Екатеринбург-Ижевск: Изд-во ИЭ УрО РАН, 2004. - С.72-79.

7. 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. 114-117.

8. Лепихов Ю.Н., Пивоваров И.В. Программная реализация адаптивного цветотоного преобразования изображений // 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.121-122.

9. 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. НТК.- Самара: Изд-во ПГАТИ, 2004.- С. 100-102.

10. Лепихов Ю.Н., Пивоваров И.В. Улучшение качества изображений методом адаптивной цветовой стратификации // Математическое моделирование и интеллектуальные системы: Сб. научн. тр. - 2004. - №1. -Екатеринбург-Ижевск: Изд-во ИЭ УрО РАН, 2004. - С.80-83.

11. Lepihov Y.N., Telegina M.V., Pivovarov I.V. The adaptive color and tone transformation of images // VI International congress on mathematical modeling / Сборник тезисов докладов. - Нижний Новгород: Изд-во ННГУ, 2004. -С.253.

12. 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 междунар. симпозиума. Ч. II / Под. ред. Н.К. Юркова - Пенза: Изд-во Пенз. гос. ун-та, 2004. - С.469-470.

13. Лялин В.Е., Телегина М.В., Пивоваров И.В. Применение адаптивного цветотонового преобразования для различных видов графических изображений. Часть I // Повышение эффективности средств обработки информации на базе математического моделирования. Труды VII Всероссийской научно-технической конференции. Материалы докладов: в 2-х ч., Ч. I. - Тамбов: Изд-во ТОГУП «Тамбовполиграфиздат», 2004. - С. 25-38.

ta

2UÜ6-4

»3310 22'

14. Лепихов Ю.Н., Пивоваров И.В. Адаптивное цветотоновое! вание графических изображений // Надежность и качество: Труды международного симпозиума. - Ч. II / Под. ред. Н.К. Юркова - Пенза: Изд-во Пенз. гос. унта, 2004. - С. 474-477.

15. Пивоваров И.В. Обработка изображений на основе адаптивной цветовой стратификации // Информационные технологии в науке, социологии, экономике и бизнесе: Материалы 31 Междунар. конф. - Украина, Крым, Ялта -Гурзуф.: Прилож. к журн. «Открытое образование», 2004.- С.44-45.

16. Лепихов Ю.Н., Лялин В.Е., Пивоваров И.В. Распознавание структурных элементов изображения на дискретном растре // Ж. «Инфокоммуникацион-ные технологии». - Самара: Изд-во ПГАТИ, - Том 3, № 2,2005. - С.54-64.

17. Пивоваров И.В. Способ выделения структурных элементов графических изображений // Надежность и качество: Труды междунар. симпозиума /Под. ред. Н.К. Юркова - Пенза: Изд-во Пенз. гос. ун-та, 2005. - С.213-21 б.

18. Лепихов Ю.Н., Пивоваров И.В. Структурное описание графических изображений // Радиолокация. Навигация. Связь: Материалы 11 Междунар. НТК - Воронеж: Изд-во ВГУ, 2005. - С.191-199.

19. Лялин В.Е., Титов В.А., Пивоваров И.В. Распознавание и обработка графических изображений для передачи в телекоммуникационных системах // Компьютерные и информационные технологии в науке, инженерии и управлении: Материалы Всеросс. НТК - Таганрог: Изд-во ТРТУ, 2005. - С.57-63.

20. Лялин В.Е., Титов В.А., Пивоваров И.В. Способ повышения эффективности передачи цифровой графической информации по каналам связи телекоммуникационных систем // Интеллектуальные и многопроцессорные системы - 2005 (ИМС'2005): Материалы Междунар. НТК - Таганрог: Изд-во ТРТУ, 2005.-Т.2.-С.231-236.

21. Пивоваров И.В. Алгоритм структурно-цветового анализа графических изображений И Наукоемкие технологии и интеллектуальные системы 2005: Сб. научн. тр. VII Молодежной НТК - Москва: Изд-во МГТУ им. Н.Э. Баумана, 2005.-С. 79-83.

22. Пивоваров И.В. Эффективное кодирование цветных графический изображений для передачи по каналам связи телекоммуникационных систем // Ж. АН Украины «Искусственный интеллект» - №3,2005. - Донецк: Изд-во Наука i освла, 2005. - С. 641-648.

И.В. Пивоваров

Лицензия ЛР №020764 от 29.04.98 i

Подписано в печать 16 11 2005 Формат 60x84 1/16 Отпечатано на ризографе Уч-издл 1,80 Усл. печл 1,39 Тираж 100 экз Заказ № 405/2.

Издательство Института экономики УрО РАН 620014, г Екатеринбург, ул Московская - 29

Введение.

Глава 1. Анализ представления, кодирования и технологий обработки графической информации.

1.1. Структурно-графические свойства изображений.

1.2. Обзор основных цветовых моделей и цветовых координатных систем.

1.3. Представление графической информации в телекоммуникационных системах.

1.3.1. Основные типы данных изображений.

1.3.2. Основные типы файловых изображений.

1.4. Методы обработки цифровых изображений.

1.5. Постановка цели и задач исследований.

Глава 2. Интеллектуальная информационная технология для обработки цветных графических изображений.

2.1. Описание системы адаптивного цветотонового преобразования изображений.

2.2. Проекционный кластерный анализ цветовых компонент изображений

2.2.1. Математическое описание кластеров.

2.2.2. Классификация точек изображения по кластерам

2.2.3. Выделение габаритных контейнеров цветовых кластеров по их проекциям.

2.3. Преобразование и цветокоррекция графических изображений

2.4. Возможности структурного анализа изображений.

2.4.1. Стягивание цветовых кластеров изображения с помощью центроидного фильтра.

2.4.2. Влияние стохастических искажений на характеристики кластеров цветовых компонент.

2.4.3. Возможности структурного анализа изображений

2.5. Полученные результаты и выводы.

Глава 3. Математические модели сигналов, отображающих графические изображения, и получение статистических характеристик оценок потерь их записи и считывания.

3.1. Анализ средств оценки потерь записи-считывания графических изображений.

3.2. Математические модели непрерывного и дискретного сигналов, отображающих графические изображения.

3.3. Среднее и дисперсия оценок потерь записи и считывания графических изображений.

3.4. Получение оценок распределения оценок потерь записи и считывания графических изображений.

3.5. Изучение асимптотики оценок распределения оценок потерь записи и считывания графических изображений.

3.6. Полученные результаты и выводы.

Глава 4. Программно-алгоритмические средства и интеллектуальные технологии для обработки графической информации

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

4.2. Сжатие графической информации.

4.3. Экспериментальные данные и результаты.

4.4. Полученные результаты и выводы.

Актуальность темы. Состояние современного мирового сообщества можно определить как стадию перехода от индустриальной фазы эволюции к информационной постиндустриальной фазе, для которой характерны процессы экономической и информационной интеграции. Эти глобальные процессы стимулируют бурное развитие и внедрение инфокоммуникационных технологий во все сферы человеческой деятельности.

В настоящее время общепризнанным фактом является то, что электросвязь во всем мире находится на этапе интенсивного развития. Одним из глобальных процессов стала эволюция сетей, служб и терминального оборудования в направлении конвергенции, определяемая, с одной стороны, прогрессом в ключевых технологиях и, с другой, - новыми требованиями и растущими ожиданиями пользователей. В связи с этим наметилась тенденция создания универсальных систем комплексного представления информации типа мультимедиа (multimedia), в которых в пределах одной технологии, технических и программных средств возможен интерактивный доступ к различным видам информации и комбинированное воспроизведение текста, иллюстраций, графики, видеоинформации и звука. При этом информация может воспроизводиться как по оригиналам или записям различных документов, так и по данным ЭВМ или компьютерных сетей различного типа: начиная от локальных сетей типа LAN, заканчивая всемирной цифровой сетью интегрированных услуг (Integrated Service Digital Network—ISDN) или Internet.

Визуальное представление данных обладает чрезвычайно высокой информативностью, поскольку подавляющая часть информации о внешнем мире, а это более 80 % объема, воспринимается с помощью зрительного аппарата. Поэтому проблема эффективного представления и кодирования видеоинформации и, в частности изображений или графических образов, остается на сегодняшний день крайне актуальной, поскольку информационная емкость изображений накладывает значительные ограничения на использование каналов связи (КС) для передачи видеоинформации.

Развитие интеллектуальных телекоммуникационных систем породило новую проблему. Вместе с наблюдающимся интенсивным ростом применения алгоритмов цифровой обработки графической информации в телекоммуникациях, актуальной остается разработка когнитивных моделей данных, позволяющих автоматически анализировать содержание этой информации с помощью современных компьютерных технологий и при этом сразу и непосредственно использовать результаты анализа при решении различных практических задач.

Масштабные исследования и разработки в области разработки эффективных моделей представления структурно-цветовой информации в графических изображениях (ГИ) и их использования в телекоммуникационных системах, выполняемые как в работах отечественных, так и зарубежных ученых и инженеров, ведутся уже на протяжении нескольких десятилетий. Однако опережающий рост потребностей не позволяет снять проблему с повестки дня.

Таким образом, актуальной является задача обеспечения оперативной передачи по КС больших объемов эффективно воспринимаемой информации в виде графических и динамических изображений, в наибольшей мере удовлетворяющих коммуникативным потребностям пользователей.

Объектом исследования являются ГИ, характеризующие различные реальные физические и абстрактные объекты, обладающие свойством графической определенности и отчетливо выраженным структурным характером их построения, подверженные воздействию искажающих факторов их воспроизведения, формирования и регистрации; свойства и характеристики ГИ, способы их получения, интеллектуальные платформы телекоммуникационных систем.

Предметом исследования являются формы представления и кодирования ГИ; адаптивное цветотоновое преобразование изображений (АЦТП); структурно-цветовой анализ (СЦА) изображений; кластерные модели цветовых компонент изображений; программно-инструментальные средства обработки ГИ; программно- аппаратные средства интеллектуальных платформ телекоммуникационных систем распознавания и передачи ГИ.

Цель работы состоит в проведении комплексных исследований для получения научно-обоснованных методических и технических решений, направленных на достижение более высокого быстродействия передачи по цифровым каналам связи ГИ путем построения кластерной модели цветовых компонент изображений, применения АЦП 1, стратификации изображений и выделения их элементов, что будет способствовать снижению нагрузки на телекоммуникационные системы за счет обеспечения возможности более эффективных кодирования и сжатия информации.

Для реализации поставленной цели необходимо решить следующие задачи:

- разработка алгоритма АЦТП, позволяющего за приемлемое время выделять кластеры в цветовом пространстве изображения;

- проведение анализа, выбора и реализации оптимальной разделяющей функции критерия Байеса для АЦТП для увеличения точности преобразования; создание программного обеспечения, реализующего АЦТП; создание программно-алгоритмических средств достижения значительного понижения уровня шумов и искажений в изображении;

- определение коэффициентов детерминации, отражающих степень адекватности искомых зависимостей изменения объема экстентов кластеров в процессе обработки кластеризующим фильтром от величины порога реальным процессам;

- разработка методики СЦА изображений на основе их адаптивного цве-тотонового и центроидного преобразований, обеспечивающей высокую достоверность предварительной обработки изображений;

- построение математических моделей многомерного непрерывного и дискретного сигналов, отображающих ГИ, подверженных в процессе записи-считывания воздействию аддитивных многомерных случайных помех;

- определение количественной оценки потерь записи, считывания и записи-считывания ГИ, представляемых непрерывным и дискретным сигналами при воздействии в КС шумов, идентифицирующихся гауссовским процессом или ограниченным случайным шумом с конечным временем перемешивания;

- получение формул для среднего оценок потерь записи и считывания, определение точных и асимптотических выражений для дисперсии потерь. Установление сравнительно точных и удобных для построения доверительных интервалов экспоненциальных оценок сверху для вероятности, что оценки потерь записи и считывания превысят заданный уровень

- создание программного обеспечения, реализующего алгоритмы анализа и синтеза дискретных представлений и методов кодирования ГИ для применения в телекоммуникационных системах; разработка методики улучшения качества изображения за счет устранения помех, а также повышение степени сжатия ГИ.

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

Теоретические исследования основаны на использовании функционального анализа, теории вероятностей и математической статистики, 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 и системного программирования, методы кодирования и передачи информации по цифровым КС телекоммуникационных систем.

Достоверность и обоснованность полученных в работе результатов и выводов подтверждается результатами обеспечения широкого практического использования аппаратно-программного комплекса, методик и технологий обработки ГИ, научными трудами и апробациями созданного научно-технического продукта на представительных научных форумах. Достоверность и обоснованность полученных в работе результатов и выводов подтверждена сопоставительным анализом разработанных и существующих математических моделей и методов.

Теоретические положения, выведенные в работе, обосновываются строгостью исходных посылок и корректным применением использованного математического аппарата при выводах аналитических выражений.

Достоверность экспериментальных результатов обеспечена их хорошей согласованностью с теоретически предсказанными характеристиками, а также выбором надежных критериев при построении алгоритмов обработки информации. Исходные данные при выполнении вычислительного эксперимента были тщательно верифицированы и дали хорошую воспроизводимость результатов на больших объемах экспериментального материала.

На защиту выносятся результаты разработки методики СЦА изображений на основе их адаптивного цветотонового и центроидного преобразований, обеспечивающей высокую достоверность предварительной обработки изображений для локализации и оценки их структурных элементов (СЭ) и высокую степень сжатия изображений, в том числе:

- методика обработки ГИ алгоритмом АЦТП позволяющая снизить количество используемых цветов до минимума без потери цветоразличения, что обеспечивает редукцию тоно-цветовой шкалы с достаточной степенью точности;

- обнаружение нового эффекта работы центроидного фильтра, заключающегося в том, что при обработке исходного изображения и помещении ее результатов на чистый белый растр происходит выделение только тех точек изображения, которые удовлетворяют некоему порогу, которому дано определение;

- методика обработки ГИ фильтром, кластеризующим значения цветовых компонент, выделение кластеров этих компонент, распознавание цвета пикселей изображения по выделенным кластерам, формирование слоев (стратификацию) изображения, соответствующих выделенным кластерам, и распознавание в этих слоях СЭ изображения с помощью центроидного преобразования;

- формулирование на математическом языке достаточных условий для случайных помех, при которых возможно удовлетворительно описать вероятностные свойства оценок потерь записи и считывания непрерывного и дискретного сигналов, отображающих ГИ;

- рассмотрение двух вполне реальных случаев стационарного процесса, а именно, когда помехи представляют собой гауссовский процесс или ограниченный случайный процесс с конечным временем перемешивания при изучении оценок распределения потерь записи и считывания;

- методика, основанная на сочетании алгоритмов АЦТП и метода Барроуза-Уилера сжатия информации, позволяющая добиваться улучшения качества ГИ за счет устранения помех, вызванных переносами документа на материальные носители с последующей повторной оцифровкой, и степени сжатия ГИ с ограниченным количеством цветов, превосходящую основные графические форматы;

- разработка модуля расширения к библиотеке для работы с растровыми изображениями Freelmage, который предназначен для сохранения и загрузки изображений.

Научная новизна полученных результатов определяется проведенными комплексными исследованиями, в результате которых разработан и реализован алгоритм АЦТП, как интеллектуальная информационная технология, позволяющая автоматически выделять кластеры в цветовом пространстве изображения посредством проекционного кластерного анализа цветовых компонент изображений, обеспечивающая преимущества автоматизированного анализа перед ручным выделением цветовых кластеров по ключевым участкам исходного изображения, в ходе которых:

- установлено, что в результате обработки изображений при увеличении радиуса апертуры гауссовского фильтра кластеризующим фильтром наблюдается эффект расплывания кластеров цветовых компонент изображения с повышением порога, поскольку в процессе гауссовского размытия цвет каждого пикселя распространяется среди соседних, что приводит к размытию границ кластеров цветового пространства и делает практически труднореализуемой задачу выделения цветовых компонент;

- определено, что наложение гауссовского шума на исходное изображение придает ему некоторую зернистость, т.е. воздействие шума в изображении приводит к случайному изменению цвета пикселей. С увеличением уровня зашумленности работа центроидного фильтра по обнаружению цветовых кластеров становится малоэффективной;

- в качестве количественной оценки потерь записи или считывания ГИ, представляемого непрерывным сигналом, принята случайная величина, представляющая собой среднее во времени значение интеграла от взвешенной суммы квадратов разностей между значениями соответствующих координат многомерного сигнала на входе и выходе КС в текущий момент времени, исчисляемый от начала сигнала, и среднее по количеству отсчетов значение интеграла от суммы квадратов разностей между дискретизированными значениями соответствующих координат многомерного сигнала на входе и выходе КС в текущий отсчет времени, начиная от начала сигнала, - для дискретного КС;

- из полученных оценок для вероятности видно, что оценки потерь записи к и считывания при увеличении длительности передаваемых сигналов, отображающих ГИ, с экспоненциальной скоростью сходятся по вероятности к их дисперсиям. Полученные оценки вероятностей удобны тем, что в правые части неравенства вместо дисперсий и интервалов корреляции помех можно подставлять их оценки сверху. Это обстоятельство существенно расширяет возможности применения установленных оценок;

- проведены 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 СЦА, эффективность процессов синтеза и распознавания изображений, оценивались показатели кодирования и сжатия ГИ и производительности процедур их обработки.

Практическая полезность работы. Создано программное обеспечение, реализующее алгоритмы анализа и синтеза дискретных представлений и методов кодирования ГИ для применения в телекоммуникационных системах. Разработанные для используемых процедур обработки информации программы построены таким образом, что допускают возможность их реализации как в автономном, так и в интегрированном режимах обработки данных.

Предложена технологическая схема обработки ГИ, 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 КС результатов этого анализа и выполнение процедур декодирования, синтеза изображений и их когнитивных моделей данных.

Установлены сравнительно точные и удобные для построения доверительных интервалов экспоненциальные оценки сверху для вероятности, что оценки потерь записи и считывания превысят заданный уровень. Аргументами в этих неравенствах служат простые и наглядные характеристики случайных помех, такие как ограничивающие их константы, интервалы корреляции, спектральная плотность и ковариационная функция.

Реализация работы в производственных условиях. Полученные результаты использованы и апробированы для опытно-производственной эксплуатации системы обработки ГИ в Тульском филиале ОАО «ЦентрТелеком».

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

Апробация работы. Результаты работы докладывались на российских и международных научно-технических конференциях и конгрессах: VII Всероссийской НТК «Повышение эффективности средств обработки информации на базе математического моделирования» (Тамбов, 2004); XXXI Международной конференции «Информационные технологии в науке, образовании, телекоммуникациях и бизнесе» (Украина, Крым, Ялта - Гурзуф, 2004); Международном симпозиуме «Надежность и качество» (Пенза, 2004-2005); VI Международном конгрессе по математическому моделированию (Нижний Новгород, 2004);

XXXI Международной конференции «Информационные технологии в науке, социологии, экономике и бизнесе» (Украина, Крым, Ялта — Гурзуф, 2004); V Международной НТК «Проблемы техники и технологии телекоммуникаций» (Самара, 2004); VII Молодежной НТК «Наукоемкие технологии и интеллектуальные системы» (Москва, 2005); Всероссийской НТК «Компьютерные и информационные технологии в науке, инженерии и управлении» (Таганрог, 2005); Международной НТК «Искусственный интеллект-2005» (п. Дивноморское, 2005); Международной НТК «Интеллектуальные и многопроцессорные систе-мы-2005» (Таганрог, 2005).

Публикации. Основные научные результаты по теме диссертации опубликованы в 22 научных работах, в том числе: 21 статья в научно-технических журналах и сборниках; 1 тезис доклада на научно-технической конференции.

Структура диссертационной работы определяется общими замыслом и логикой проведения исследований.

Диссертация содержит введение, 4 главы и заключение, изложенные на 163 с. машинописного текста. В работу включены 58 рис., 7 табл., список литературы из 117 наименований и приложение, в котором представлен акт об использовании результатов работы.

ЗАКЛЮЧЕНИЕ

В ходе выполнения настоящей работы получены следующие основные выводы и результаты.

1. В результате проделанных комплексных исследований получены научно-обоснованные методические и технические решения, направленные на достижение более высокого быстродействия передачи по цифровым каналам связи ГИ путем построения кластерной модели цветовых компонент изображений, применения АЩТ1, стратификации изображений и выделения их элементов, что будет способствовать снижению нагрузки на телекоммуникационные системы за счет обеспечения возможности более эффективных кодирования и сжатия информации.

2. Разработан и реализован алгоритм АЦТП, как интеллектуальная информационная технология, позволяющий за приемлемое время автоматически выделять кластеры в цветовом пространстве изображения посредством проекционного кластерного анализа цветовых компонент изображений. По сравнению с ручным выделением цветовых кластеров по ключевым участкам исходного изображения предложенный алгоритм в значительной степени дает выигрыш в скорости и удобстве обработки изображений. Получаемые статистические характеристики цветовых кластеров достаточно полно описывают изображение и позволяют провести АЦТП.

3. Обнаружен новый эффект работы центроидного фильтра, который заключается в том, что при обработке исходного изображения и помещении ее результатов на чистый белый растр происходит выделение только тех точек изображения, которые удовлетворяют некоему порогу, которому дано определение. Порог - это величина, на которую необходимо превышение хотя бы одной из компонент (R, G, В) среднего значения кодовых слов сканирующего окна (3x3) по растру цветного изображения значения кодового слова любого из 8 пикселей, расположенных по периметру этого окна. В результате выделяются непрерывные цветовые зоны.

4. Установлено, что в результате обработки изображений при увеличении радиуса апертуры гауссовского фильтра кластеризующим фильтром наблюдается эффект расплывания кластеров цветовых компонент изображения с повышением порога, поскольку в процессе гауссовского размытия цвет каждого пикселя распространяется среди соседних, что приводит к размытию границ кластеров цветового пространства и делает практически труднореализуемой задачу выделения цветовых компонент.

5. Предложены математические модели многомерного непрерывного и дискретного сигналов, отображающих ГИ, подверженных в процессе записи-считывания воздействию аддитивных многомерных случайных помех, представляющих собой сумму нескольких неслучайных и не затухающих во времени колебаний и сравнительно хорошо перемешанного во времени стационарного случайного процесса.

6. Сформулированы на математическом языке достаточные условия для случайных помех, при которых возможно удовлетворительно описать вероятностные свойства оценок потерь записи и считывания непрерывного и дискретного сигналов, отображающих ГИ. Рассмотренный в работе процесс помех идентифицируется среднеквадратически непрерывным стационарным в узком смысле действительным случайным процессом с нулевым средним и достаточно хорошим перемешиванием.

7. Получены формулы для среднего оценок потерь записи и считывания, являющегося критерием риска искажения непрерывного и дискретного сигналов, отображающих ГИ. Определены точные и асимптотические выражения для дисперсии потерь. Установлен ряд ее оценок сверху через ограничивающие помехи константы, матрицу ковариации помех, интервалы их корреляции и продолжительность передачи сигналов по КС.

8. Установлены сравнительно точные и удобные для построения доверительных интервалов экспоненциальные оценки сверху для вероятности, что оценки потерь записи и считывания превысят заданный уровень. Аргументами в этих неравенствах служат простые и наглядные характеристики случайных помех, такие как ограничивающие их константы, интервалы корреляции, спектральная плотность и ковариационная функция.

9. Из полученных оценок для вероятности видно, что оценки потерь записи и считывания при увеличении длительности передаваемых сигналов, отображающих ГИ, с экспоненциальной скоростью сходятся по вероятности к их дисперсиям. Полученные оценки вероятностей удобны тем, что в правые части неравенства вместо дисперсий и интервалов корреляции помех можно подставлять их оценки сверху. Это обстоятельство существенно расширяет возможности применения установленных оценок.

10. В качестве количественной оценки потерь записи или считывания ГИ, представляемого непрерывным сигналом, принята случайная величина, представляющая собой среднее во времени значение интеграла от взвешенной суммы квадратов разностей между значениями соответствующих координат многомерного сигнала на входе и выходе КС в текущий момент времени, исчисляемый от начала сигнала, и среднее по количеству отсчетов значение интеграла от суммы квадратов разностей между дискретизированными значениями соответствующих координат многомерного сигнала на входе и выходе КС в текущий отсчет времени, начиная от начала сигнала, - для дискретного КС.

11. Создано программное обеспечение, реализующее алгоритмы анализа и синтеза дискретных представлений и методов кодирования ГИ для применения в телекоммуникационных системах. Разработанные для используемых процедур обработки информации программы построены таким образом, что допускают возможность их реализации как в автономном, так и в интегрированном режимах обработки данных.

12. Предложена методика, основанная на сочетании алгоритмов АЦТП и метода Барроуза-Уилера сжатия информации, позволяющая добиваться улучшения качества изображения за счет устранения помех, вызванных переносами документа на материальные носители с последующей повторной оцифровкой, и степень сжатия ГИ с ограниченным количеством цветов, превосходящую основные графические форматы.

13. Предложена технологическая схема обработки ГИ, 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.

14. Проведены 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 ГИ и производительности процедур их обработки.

1. Абламейко С.В., Лагуновский Д.М. Обработка изображений: технология, методы, применение. - Минск.: Амалфея, 2000. - 304с.

2. Артюшенко В.М., Шелухин О.И., Афонин М.Ю. Цифровое сжатие видеоинформации и звука. М.: Дашков и К, 2003. - 426с.

3. Артюшенко В.М., Шелухин О.И., Афонин М.Ю. Цифровое сжатие видеоинформации и звука. М.: Дашков и К0, 2003.-426с.4. ' Ахмед Н., Рао К. Ортогональные преобразования при обработке цифровых сигналов: Пер. с англ. М.: Связь, 1980. - 248 с.

4. Большая Советская Энциклопедия, 3-е изд., 1969-1978 гг.

5. Бондаренко В.А., Дольников В.Л. Фрактальное сжатие изображений по Барнсли-Слоану // Автоматика и телемеханика. 1994. - №5. - С. 12-20.

6. Ватолин Д., Ратушняк А., Смирнов М., Юкин В. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео. М.: ДИАЛОГ-МИФИ, 2003. - 384с.

7. Вендровский К.В., Вейцман А.И. Фотографическая структуромет-рия. М.: Искусство, 1982. - 270с.

8. Гихман И.И., Скороход А.В. Введение в теорию случайных процессов. М.: Наука, 1977. - 568 с.

9. Горлов С.К., Корыстин А.В., Родин В.А. Об одной реализации метода сжатия отображений с помощью нелинейной аппроксимации сумм Фурье-Хаара // Теор. функций и прибл.: Тр. 7-й Саратов, зим. шк. (1994 г.). Ч. 2.- Саратов: Изд.-во СГУ, 1995.

10. Гуревич М.М. Цвет и его измерение, М. — Л., 1950.

11. Джеймс Т. Теория фотографического процесса. JL: Химия, 1980. - 672с.

12. Джефф Просис. Файлы растровой графики: взгляд внутрь. PC Magazine, December 3, 1996, p. 321

13. Дуда P., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.-512с.

14. Карасев А.А. Векторно-топологическое представление данных // Мир ПК, 1995, № 12. С. 3-8.

15. Корриган Дж. Компьютерная графика. М.: Энтроп, 1995. - 352с.

16. Кошкарев А.В., Сорокин А.Д. Форматы и стандарты цифровой пространственной информации // ГИС-обозрение, 1995, № 4 (весна-95). С. 40-45.

17. Кошкарев А.В., Тикунов B.C. Геоинформатика М.: Картгеоцентр -Геодезиздат, 1993. - 213с.

18. Крамер Г. Математические методы статистики. М.: Мир, 1975.- 648с.

19. Кривошеев М.И., Кустарев А.К. Световые измерения в телевидении, М., 1973.

20. Лепихов Ю.Н., Лялин В.Е., Пивоваров И.В. Распознавание структурных элементов изображения на дискретном растре // Ж. «Инфокоммуника-ционные технологии». Самара: Изд-во ПГАТИ, - Том 3, № 2, 2005. - С.54-64.

21. Лепихов Ю.Н., Пивоваров И.В. Адаптивное цветотоновое преобразование графических изображений // Надежность и качество: Труды международного симпозиума. Ч. II / Под. ред. Н.К. Юркова - Пенза: Изд-во Пенз. гос. ун-та, 2004. - С. 474-477.

22. Лепихов Ю.Н., Пивоваров И.В. Структурное описание графических изображений // Радиолокация. Навигация. Связь: Материалы 11 Междунар.

23. НТК Воронеж: Изд-во ВГУ, 2005. - С. 191 -199.

24. Лепнхов Ю.Н., Пивоваров И.В. Улучшение качества изображений методом адаптивной цветовой стратификации // Математическое моделирование и интеллектуальные системы: Сб. научн. тр. 2004. - №1. -Екатеринбург-Ижевск: Изд-во ИЭ УрО РАН, 2004. - С.80-83.

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

26. ТОГУП «Тамбовполиграфиздат», 2004. С. 25-38.

27. Мурынов А.И. Векторизация картографических изображений на основе центроидной фильтрации // Труды Международного форума по проблемам науки, техники и образования. Т. 2. М.: Академия наук о Земле, 2000. - С. 125-127.

28. Мурынов А.И., Вдовин A.M. Анализ пространственной структуры изображений методом центроидной фильтрации // Вестник ИжГТУ "Программно-аппаратные средства для анализа и обработки сигналов и изображений" Вып.З, 2002. С.3-11.

29. Мурынов А.И., Вдовин А.М., Лялин В.Е. Оценка геометрико-топологических параметров деталей изображений на основе метода центроидной фильтрации // Химическая физика и мезоскопия. Т.4,2002, №2. С. 145-160.

30. Нюберг Н.Д. Измерение цвета и цветовые стандарты.- М., 1933.

31. Обработка изображений и цифровая фильтрация. М.: Мир, 1979. - 318с.

32. Павлидис Т. Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, 1986. - 400с.

33. Пеев Е., Боянов К., Белчева О. Методи и средства за компрессия на изображения // Автоматика и информатика.-1994.-28, №3.-стр.З-14.

34. Пивоваров И.В. Метод адаптивной цветовой стратификации графических изображений // Проблемы техники и технологии телекоммуникаций: Материалы Пятой Междунар. НТК.- Самара: Изд-во ПГАТИ, 2004.- С. 149-151.

35. Пивоваров И.В. Алгоритм структурно-цветового анализа графических изображений // Наукоемкие технологии и интеллектуальные системы 2005: Сб. научн. тр. VII Молодежной НТК Москва: Изд-во МГТУ им. Н.Э. Баумана, 2005. - С. 79-83.

36. Пивоваров И.В. Способ выделения структурных элементов графических изображений // Надежность и качество: Труды междунар. симпозиума /Под. ред. Н.К. Юркова Пенза: Изд-во Пенз. гос. ун-та, 2005. - С.213-216.

37. Пивоваров И.В. Цвет и его измерение: обзор основных цветовых моделей и цветовых координатных систем // Математическое моделирование и интеллектуальные системы: Сб. научн. тр. 2004. - №1. -Екатеринбург-Ижевск: Изд-во ИЭ УрО РАН, 2004. - С.72-79.

38. Пивоваров И.В. Эффективное кодирование цветных графический изображений для передачи по каналам связи телекоммуникационных систем // Ж. АН Украины «Искусственный интеллект» №3, 2005. - Донецк: Изд-во Наука i освгга, 2005. - С. 641-648.

39. Пономаренко С.И. Пиксел и вектор. Принципы цифровой графики. СПб.: БХВ-Петербург, 2002. - 496с.

40. Применения цифровой обработки сигналов: Пер. с англ. / Под ред. Э.Оппенгейма. М: Мир, 1980. - 552 с.

41. Прэтт У. Цифровая обработка изображений. Кн. 1. - М.: Мир, 1982. - 312с. - Кн. 2. - М.: Мир, 1982. - 480с.

42. Прэтт У., Кэйн Д., Эндрюс X. Кодирование изображений посредством преобразования Адамара // ТИИЭР. 1969. - Т.57. - №1. - С. 66-77.

43. Справочник по теории вероятностей и математической статистике. / Под ред. академика УССР B.C. Королюка. Киев: Наукова думка, 1978. - 548 с.

44. Фризер X. Фотографическая регистрация информации. М.: Мир, 1978. - 670с.

45. Шикин Е.В., Боресков А.В. Компьютерная графика. Динамика, реалистические изображения. М.: ДИАЛОГ-МИФИ, 1995. - 288с.

46. Эйнджел Э. Интерактивная компьютерная графика. М.: Вильяме, 2001.-592с.

47. Эндрюс Г. Применение вычислительных машин для обработки изображений / Пер. с англ. под ред. Б.Ф.Курьянова. М.: Энергия. - 1977.- 161с.

48. Ahmed N., Natarajan Т., Rao K.R. On image processing and a discrete cosine transform // IEEE Trans. Computers. -1974. V. C-23 - №1. - P.90-93.

49. Anderson J.B., Huang T.S. Piecewise Fourier transformation for picture bandwidth compression // IEEE Trans. Commun. -1972.- V. COM-20 №3. - P.488-491.

50. Andrews H.C., Pratt W.K. Fourier transform coding of images // Hawaii International Conference on System Science, January 1968. P. 677-679.

51. Andrews H.C., Pratt W.K. Transform image coding // Proc. Computer processing in communications. New York: Polytechnic Press, 1969. - P. 63-84.

52. Antoni M. et al. Image coding using wavelet transform // IEEE Trans.1.age Proc. 1992. -V.l. -№2. - P. 205-220.

53. Barlaud M. et al. Pyramidal lattice vectior quantization for multiscale image coding // IEEE Trans. Image Proc. 1994. -V.3. -№4. - P. 367-381.

54. Beaumont J.M. Image data compression using fractal techniques // ВТ Technological Journal. 1991. - V. 9 - №4. - P. 92-109.

55. Buhman J., KUnel H. Vector quantization with complexity costs // IEEE Trans, on Information Theory. 1993. -V.39. - №4. - P. 1133-1145.

56. Chan Ch.-K., Po L.-M. A complexity reduction technique for image vector quantization //IEEE Trans. Image Proc. 1992. -V.l. -№3. - P. 312-321.

57. Cooley J.W., Tukey J.W. An algorithm for machine computation of complex Fourier series // Mach. Comput. 1965. - V.l9. - P. 297-301.

58. Cosman P.C. et al. Using vector quantization for image processing // Proc. IEEE. 1993.-V.81.-№9.-P. 1326-1341.

59. Eliott D.F., Rao K.R. Fast transforms: algorithms, analyses, applications. London: Academic Press inc., 1982. - 488 p.

60. Enomoto H., Shibata K. Orthogonal transform coding system for television signals // IEEE Trans. Electromagnetic Compatibility. 1971. - Special issue on Walsh functions. -V. EMC-13. - №3. - P. 11-17.

61. Fractal image compression: theory and application./ Ed.: Y.Fisher. New York, 1995.-XVIII, 341 p.

62. Freeman H. On the encoding of arbitrary geometric configurations // IEEE Trans. Electron. Comput., 1961, v. 10, № 2. P. 260-268.

63. Freeman H. Shape description via nhe use of critical points // Pattern recognition, 1978, v. 10, № 3. P. 159-169.

64. Gopinath R.A., Burrus C.S. On cosine-modulated wavelet orthogonal bases // IEEE Trans. Image Proc. 1995. -V.4. -№2. - P. 162-177.

65. Gray R.M. Vector Quantization // IEEE ASSP Magazine. April 1984. -P. 4-29.

66. Habibi A., Wintz P.A. Image coding by linear transformation and blockquantization // IEEE Trans. Commun. Tech. 1971. - V. COM-19. - №1. - P.50-63.83. http://support.epson.ru.84. http://www.antula.ru.85. http://www.realcolor.ru

67. Huang C.-M. et al. Fast full search equivalent encoding algorithms for image compression using vector quantization // IEEE Trans. Image Proc. 1992. -V.l.-№3.-P. 413-416.

68. Huang C.-M., Harris R.W. A comparison of several vector quantization code book generation approaches // IEEE Trans. Image Proc. 1993.- V.2.- №1.-P.108-112.

69. Hung A.C. Image compression: the emerging standard for color images // IEEE Computing Futures. 1989. - Inagural issue. - P. 20-29.

70. ISO/IEC JTC1 Committee Draft 10918-1. Digital compression and coding of continuous-tone still images. Part 1. Requirements and guidelines. 1991.

71. ISO/IEC JTC1 Committee Draft 10918-2. Digital compression and coding of continuous-tone still images. Part 2. Compliance Testing. 1991.

72. Kim T. Side match overall match vector quantizers for images // IEEE Trans. Image Proc. 1992. -V.l. -№2. - P. 170-185.

73. Kossentini F., Chung W.C., Smith M. Subband image coding using entropy-constrained residual vector quantization // Information Processing and Management. 1994. -V.30. -№6. - P. 887-896.

74. Kovacevic J. Subband coding system incorporating quantizer models // IEEE Trans. Image Proc. 1995. -V.4. -№5. - P. 543-553.

75. Kurosaki M., Waki H. A JPEG-compliant colorimage compres-sion/decompresssion LSI // Mitshubisi Elec. Adv. -1994. -V.68, Sept. P. 17-18.

76. Lepihov Y.N., Telegina M.V., Pivovarov I.V. The adaptive color and tone transformation of images // VI International congress on mathematical modeling / Сборник тезисов докладов. Нижний Новгород: Изд-во ННГУ, 2004. -С.253.

77. Lewis A.S. Knowles G. Image Compression using the 2-D wavelet transform // IEEE Trans. Image Proc. 1992. -V.l. -№2. - P. 244-250.

78. Mathews V.J. Multiplication free vector quantization using LI distortion measure and its variants // IEEE Trans. Image Proc.- 1992. -V.l. -№1. P. 11-17.

79. Nanda S., Pearlman W.A. Tree coding of image subbands // IEEE Trans. Image Proc. 1992. - V.l. - №2. - P. 133-147.

80. Nasrabadi N.M., King R.A. Image coding using vector quantization: A review // IEEE Trans, on Communication. 1988. - V. 36. - №8. - P. 957-971.

81. Ngan K.N., Koh H.C. Predictive classified vector quantization // IEEE Trans. Image Proc. 1992. -V.l. -№3. - P. 269-280.

82. Pratt W.K., Andrews H.C. Application of Fourier-Hadamard transformation to bandwidth compression // Picture bandwidth compression / Ed.: Huang T.S., Tretiak О,J. New York: Gordong and Breach, 1972. - P. 515-554.

83. Pratt W.K., Chen W.H., Welch L.R. Slant transform image coding // IEEE Trans. Commun. -1974. -V. COM-22. P.1075-1093.

84. Ramachandran K., Vetteri M. Best wavelet packet bases in a rate-distortion sense // IEEE Trans. Image Proc. 1993. -V.2. -№2. - P. 160-175.

85. Rao K.R., Narasimhan M.A., Revuluri K. Image data processing by Ha-damard-Haar transform // IEEE Trans. Computers. 1975. - V. C-23. - №9. - P. 888-896.

86. Rao K.R., Yip P. Discrete cosine transform algorithms, advantages, applications. - London: Academic Press inc., 1990.

87. Senoo Т., Giord B. Vector quantization for entropy coding of image sub-bands // IEEE Trans. Image Proc. 1992. -V.l. -№4. - P. 526-532.

88. Stefanoiu D. Introduction to signal processing with wavelets // Studies on Information and Control. -1994. V.3. - №1. - P. 97-110.

89. Tan K.H., Ghanbari M. Layered image coding using the DCT pyramid //

90. EE Trans. Image Proc. 1995. -V.4. -№4. - P. 512-516.

91. Taubman D., Zakhor A. Orientation adaptive subband coding of images // IEEE Trans. Image Proc. 1994. -V.3. -№4. - P. 421-437.

92. Wallace G.K. Overview of the JPEG (ISO/CCITT) still image compression: image processing algorithms and techniques // Proceedings of the SPIE. 1990. -V. 1244. - P. 220-233.

93. Wallace G.K. The JPEG algorithm for image compression standard // Communications of the ACM. 1991. -V.34. -№4. - P. 30-44.

94. Woods J.W. Subband image coding of images // IEEE Trans, on ASSP. -1986. -V.34. -№5. P. 1278-1288.

95. Woods J.W., Huang T.S. Picture bandwidth compression by linear transformation and block quantization // Picture bandwidth compression / Ed.: Huang T.S., Tretiak O.J. New York: Gordong and Breach, 1972. - P.555-573.

96. Wright W.D. The measurement of colour, 3 ed., L., 1964.

97. Wyszecky G., Stiles W. S. Color science, N. Y., 1967.