автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.05, диссертация на тему:Методы, высокопроизводительные алгоритмы и устройства обработки изображений с использованием нейроподобных структур

На правах рукописи

ПАНИЩЕВ ВЛАДИМИР СЛАВИЕВИЧ

Методы, высокопроизводительные алгоритмы и устройства обработки изображений с использованием нейроподобных структур

05.13.05 - Элементы и устройства вычислительной техники и систем управления

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

КУРСК-2005

Работа выполнена на кафедре «Вычислительная техника» Курского государственного технического университета

Научный руководитель: доктор технических наук, профессор,

заслуженный деятель науки РФ Титов B.C.

Официальные оппоненты: доктор технических наук, профессор

Лопин В.Н. |

кандидат технических наук 1

Рубанов А.Ф.

Ведущая организация: Воронежский государственный технический

университет

Защита состоится 26 декабря 2005 г. в 16м часов на заседании диссертационного совета Д212.105.02 при Курском государственном техническом университете по адресу: 305040, Курск, ул. 50 лет Октября, 94 (конференц-зал).

С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан 2005 г.

Отзывы на автореферат в двух экземплярах, заверенные печатью, просим направлять по адресу: 305040, Курск, ул. 50 лет Октября, 94, КГТУ, ученому секретарю диссертационного совета Д212.105.02.

Ученый секретарь диссертационного совета у —

кандидат техн. наук, доцент Титенко Е.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Устройства обработки изображений широко применяются в телевизионной технике, медицине, системах контроля технологических процессов, дорожного движения, робототехнике, машиностроении, приборостроении, космосе, передаче данных, автоматизированном проектировании, неразрушающем контроле, научных исследованиях и других областях науки и техники.

Современный этап развития вычислительных устройств характеризуется активными поисками новых принципов обработки изображений, новых архитектур ЭВМ и вычислительных систем. При этом в задачах, требующих быстрого принятия решения на основании поступающей информации (например, распознавание лиц людей в интенсивно движущемся потоке - метро, аэропорты, вокзалы - для обеспечения безопасности, анализ деталей на конвейере, анализ потока машин на трассе), важное значение имеет производительность алгоритмов и устройств обработки изображений.

Одним из основных препятствий на пути повышения производительности устройств обработки изображений является высокая вычислительная сложность алгоритмов обработки, требующая увеличения быстродействия элементной базы или аппаратной сложности устройств. В то же время скорость выполнения ряда алгоритмов обработки может быть увеличена за счет конвейерно-параллельной организации вычислений и реализации их на параллельных структурах с использованием матричной структуры изображений.

В связи с этим повышение производительности алгоритмов обработки изображений является актуальной научно-технической задачей.

Диссертационная работа выполнялась при поддержке гранта Минобразования РФ для поддержки аспирантов высших учебных заведений № АОЗ-3.16-59 «Быстродействующая система распознавания в реальном времени на базе современных специализированных процессоров и программируемых логических интегральных схем (основы теории, принципы построения и алгоритмическое обеспечение)».

Целью работы является разработка методов и высокопроизводительных алгоритмов для последующей их реализации в устройствах на основе нейроподобных структур.

В соответствии с поставленной целью в работе решаются следующие задачи:

1. Анализ существующих методов, параллельных алгоритмов и устройств ввода и обработки изображений.

2. Разработка математической модели процесса ввода и обработки изображений.

3. Разработка методов и высокопроизводительных алгоритмов обработки изображений.

4. Разработка структурно-функциональной организации устройств ввода и обработки изображений на нейроподобных, ..структурах и оценка

РОС НАЦИОНАЛЬНАЯ| БИБЛИОТЕКА {

! ¿"Здй

производительности разработанных алгоритмов и устройств обработки изображений.

Объект исследования - процесс ввода и обработки изображений.

Предмет исследования - методы, алгоритмы и устройства ввода, обработки изображений на нейроподобных структурах.

Методы исследования. В работе использованы методы цифровой обработки сигналов и изображений, математического моделирования, теория параллельных вычислений, теория проектирования ЦЭВМ.

Научная новизна:

1. Разработана математическая модель процесса ввода и обработки изображений, основанная на множестве процедур ввода и преобразования изображений и комплексе методов и алгоритмов обработки изображений, позволяющая провести анализ возможного распараллеливания процесса обработки изображения.

2. Разработан метод линейного локального контрастирования, основанный на разбиении изображения на пересекающиеся области, позволяющий параллельно выполнять вычисление коэффициентов преобразования и увеличение контрастности областей изображения.

3. Создан высокопроизводительный алгоритм обработки изображения масочными операторами, позволяющий выполнять быстрое выделение контуров объектов за счет реализации на нейроподобных структурах.

4. Разработан быстрый алгоритм ДПФ обработки изображений, основанный на БПФ Кули-Тьюки для одномерных сигналов, отличающийся преобразованием данных на промежуточном этапе вычислений в трехмерный массив, представлением размерности изображения в виде степеней двойки и предварительным вычислением параметров преобразования и позволяющий уменьшить время обработки изображения.

5. Разработана структурно-функциональная организация устройств ввода и обработки изображений на нейроподобных структурах, позволяющая повысить производительность за счет конвейерной и параллельной организации вычислений.

Практическая значимость. Математическая модель процесса ввода и обработки изображений и методы линейного локального контрастирования и бинаризации изображения, а также разработанные алгоритмы обработки изображений позволяют создавать новые высокопроизводительные устройства ввода и обработки изображений; разработанная параллельно-конвейерная организация процедур обработки изображений позволяет повысить скорость обработки изображений в системах технического зрения, системах обработки видеоинформации в реальном времени; разработанное устройство ввода изображения в ЭВМ позволяет выполнять быстрый ввод изображения в ЭВМ в системах контроля технологического процесса (устройство защищено патентом РФ).

Реализация результатов работы. Результаты, полученные в диссертационной работе, внедрены в ОКБ «Авиаавтоматика» (г. Курск) при разработке быстродействующих устройств обработки изображений, в ООО

АС •* < !

... С

«Продсахсервис» (г. Воронеж) для контроля технологического процесса очистки диффузионного сока оптическим методом, а также внедрены в учебный процесс кафедры вычислительной техники КурскГТУ и используются при проведении занятий по дисциплинам «Микропроцессорные системы в системах передачи и обработки сигналов», «Нейрокомпьютеры».

На защиту выносятся:

1. Математическая модель процесса ввода и обработки изображений, использующая матричное представление изображения и позволяющая провести распараллеливание множества операций по обработке изображения.

2. Метод и алгоритм линейного локального контрастирования, позволяющий на основе разбиения изображения на пересекающиеся области организовать параллельные вычисления при контрастировании изображения.

3. Высокопроизводительный алгоритм обработки изображения масочными операторами, позволяющий выполнять быстрое выделение контуров объектов, ориентированный на реализацию на нейроподобных структурах.

4. Быстрый алгоритм ДПФ обработки изображений, основанный на БПФ Кули-Тьюки для одномерных сигналов, преобразующий данные на промежуточном этапе вычислений в трехмерный массив и сокращающий время обработки изображения за счет представления данных в виде степеней двойки и предварительного вычисления параметров преобразования.

5. Структурно-функциональная организация устройств ввода и обработки изображений на нейроподобных структурах, обеспечивающая высокопроизводительную обработку изображений.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на: 9-й и 10-й Международных научно-технических конференциях «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2000г., 2001г.), 9-й Международной студенческой школе-семинаре «Новые информационные технологии» (Крым, 2001г.), 5-й Международной научно-технической конференции «Медико-экологические информационные технологии-2002» (Курск, 2002г.), IX Международной научно-практической конференции студентов, аспирантов и молодых ученых «Современные техника и технологии» (г. Томск, 2003 г.), XV и XVI научно-технических конференциях «Датчик-2003», «Датчик-2004» (г.Судак, 2003г., 2004г.), 6-й и 7-й Международных конференциях «Распознавание-2003», «Распознавание-2005» (г. Курск, 2003г., 2005г.), XL и XLI Всероссийских конференциях по проблемам математики, информатики, физики и химии (г. Москва, 2004г., 2005г.), Международной конференции «Information and Telecommunication Technologies in Intelligent Systems» (Испания, г. Барселона, 2004 г., г. Пальма де Майорка, 2005г.), 7-й Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, 2004г.), на научно-технических семинарах кафедры ВТ КурскГТУ в течение 2002-2005 гг.

Публикации. Результаты проведенных исследований и разработок опубликованы в 29 печатных трудах (из них основных по теме диссертации 15), в том числе в 9 статьях, 8 из которых опубликованы в изданиях, рекомендованных

ВАК, в соавторстве написано учебное пособие с грифом УМО. Получен патент РФ на изобретение.

В работах, опубликованных в соавторстве, лично соискателем предложены: в [1, 2, 7, 11, 13, 15] - методы контрастирования и бинаризации изображений, а также принципы функционирования и структурные схемы устройств ввода и обработки изображений, в [3, 5,10] - алгоритм обработки изображения масочными операторами, в [6] - предварительное вычисление коэффициентов для быстрого алгоритма ДПФ для обработки изображений в [4, 8, 9, 12, 14] - принципы функционирования и структурные схемы устройств обработки изображений на нейроподобных структурах.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, библиографического списка, включающей 95 наименований, и содержит 125 страниц машинописного текста (без приложения), 28 рисунков, 10 таблиц и 4 приложения.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цель, основные задачи исследований, выносимые на защиту положения, отмечена научная новизна и практическая ценность работы.

В первом разделе проведен анализ существующих методов, параллельных алгоритмов и устройств ввода и обработки изображений.

Повышение производительности устройств обработки изображений достигается как за счет использования быстродействующих элементов, так и главным образом за счет повышения уровня параллелизма. Одним из основных направлений совершенствования систем обработки изображений и повышения их производительности является аппаратная реализация функций программного обеспечения и создание функциональных расширителей для проведения часто используемых вычислений. Существует множество методов и алгоритмов для обработки изображений, однако не все они могут быть реализованы на параллельных вычислительных устройствах. Задача соответствия структуры вычислительных устройств структуре класса алгоритмов, реализуемой на ней, сводится к задаче синтеза структуры устройства, удовлетворяющей некоторым заданным требованиям. Рациональная архитектура высокопроизводительных устройств обработки изображений определяется не только степенью соответствия ее заданному классу задач, но и возможностями реализации при существующем уровне развития технологии. В ряде методов над всеми элементами изображения выполняются однотипные операции, что позволяет для увеличения производительности систем обработки изображений использовать однородные структуры. Повышение скорости работы устройств обработки изображений может быть достигнуто за счет распараллеливания процессов вычислений и переработки информации как на уровне вычислительной структуры устройств обработки, так и на уровне алгоритмов обработки изображений. В связи с этим существует необходимость разработки методов и алгоритмов обработки изображений, ориентированных на реализацию на однородных структурах, и устройств на их основе.

Во втором разделе представлена математическая модель процесса ввода и обработки изображений, основанная на множестве операций ввода и преобразования изображений, позволяющая провести анализ возможного распараллеливания процесса обработки изображения.

Математическая модель процесса обработки изображений зависит от операций обработки и в случае матричного представления изображения записывается следующим образом:

У = /(S( ', j), < ы >), m

(=1 я vU

J = 1 .. т

где Y - получаемый в результате обработки вектор признаков изображения; / -представляет собой сложную функциональную зависимость, которая определяется используемыми операциями обработки и порядком их следования; S - матрица обрабатываемого изображения (размерность изображения пхт, п строк на т столбцов); <М> - множество операций обработки. Множество операций обработки изображения состоит из функций контрастирования, повышения резкости, выделения контуров, пороговой обработки и ряда других. Число и вид операций зависят от решаемой задачи. Скорость выполнения преобразования изображения напрямую зависит от размера изображения и от количества и вида операций, выполняемых над каждым элементом изображения. Составление множества <М> позволяет оценить возможность параллельного выполнения операций (если операции независимы по данным, т.е. выходные данные одной операции не являются входными данными для другой операции).

Множество <М-> состоит из операций по преобразованию аналогового видеосигнала в цифровую форму, вводу изображения в устройство обработки и операций непосредственно по обработке изображения и определяется следующим образом:

М = (О,RA,Contrast,Contour,Bi,Sk,FT); (2)

где О - аналого-цифровое преобразование видеосигнала и ввод изображения в устройство обработки изображений, RA - операция по перестановке строк в матрице изображения (если есть необходимость), Contrast - операция по контрастированию изображения, Contour - операция выделения контуров на изображении, Bi - операция бинаризации изображения (пороговая обработка), Sk -операция скелетизации изображения, FT - операция выделения спектральных признаков изображения.

В результате обработки изображение представляется в виде, удобном для выделения характеристик, по которым будет идентифицироваться объект (для распознавания изображения). Описание образа в виде коэффициентов преобразования Фурье позволяет обеспечить инвариантность к перемещению, ротации и масштабированию образа. Кроме того, практическая ценность дискретного преобразования Фурье заключается в том, что для него разработаны эффективные алгоритмы вычисления, называемые алгоритмами быстрого преобразования Фурье (БПФ).

С учетом последовательности выполняемых операций по обработке изображения (операция О осуществляет формирование матрицы изображения 5, и в итоговой формуле явно не отражается):

Г = РТ(8к(ВЦСоМоиг {Соп1га&1 (1Ы (5")))))) . (3)

В данном множестве операций наблюдается зависимость по данным, поэтому для повышения производительности необходимо распараллеливание процедур обработки на уровне алгоритмов. Разработка методов и алгоритмов проводилась для наиболее часто выполняемых операций по обработке изображений.

В третьем разделе рассматриваются методы и высокопроизводительные алгоритмы обработки изображений.

Метод линейного локального контрастирования основан на разбиении изображения на пересекающиеся области. Все изображение, представляющее собой матрицу целых чисел (значение числа пропорционально яркости соответствующего элемента изображения), разбивается на пересекающиеся квадратные области (рис. 1а), размер области зависит от возможного размера малоконтрастного участка изображения, который оценивается экспертом до начала обработки, и от условий получения изображения. В каждой области производится обработка центрального участка (сторона квадрата участка г равна половине стороны квадрата области о, рис. 16) области.

а б

Рис. 1. Разбиение изображения на пересекающиеся области

Новое значение яркости для элементов центрального участка обрабатываемой области вычисляется следующим образом:

Р («.Л = «* • $0. Л + й* , (4)

где к = 1 ..Ыит - номер обрабатываемого участка; Шт - количество участков; я* и Ьк - коэффициенты преобразования, которые зависят от диапазона яркостей всей обрабатываемой области, диапазона яркостей центрального участка, одинаковы для всех элементов центрального участка и вычисляются предварительно на этапе ввода изображения. Величины диапазонов запоминаются для каждой области также на этапе ввода изображения. После ввода всего кадра вычисление Г (г,]) выполняется параллельно для нескольких участков, что позволяет сократить общее время вычислений.

Алгоритм линейного локального контрастирования (рис. 2а) реализуется на следующей нейроподобной структуре (на рис. 26 Р(1,)) - верхний левый элемент центрального участка области).

_ ^ ь

ввод аиачамм ярсоети 8(>4) I течм и »обра ж» ми

"Г

определить принадлежность I точа« и множвсгеу областей I раабиения j

срааикт» 8<д) с ы«№ и мин

ди»гта ямами ярсостсй участков и модифицировать дтпаэоны «ели нибходиио

Вычислить и сохранить в памяти а), и Ьк

ТЙод икбрмвмм! ■кончен?

вычислить )) для к** точек изображения

Т.

3(1+1,))

О

2СЧ)

о

го+1.1).

«(¡■МЛ

£ Р<1+м+т)

Входной слой

Выходной

слой

Рис. 2. Алгоритм (а) и структура (б) для реализации линейного локального контрастирования изображения

При данной организации структуры нейросети функция активации нейрона имеет следующий вид

10, если Р(/,./)< 0,

255 , если И (,,])> 255 , (5)

И (/,]) в остальных случаях .

Для обработки всего изображения количество структур, приведенных на рис. 2, равно к (по количеству областей). Таким образом, метод линейного локального контрастирования позволяет параллельно выполнять вычисление коэффициентов преобразования и увеличение контрастности областей изображения.

Алгоритм выделения контуров объектов на изображении с помощью масочных операторов, например, оператора Лапласа, происходит следующим образом. Для всех точек изображения вычисляется промежуточное значение

¡0. J) = - J 2 *•(/, ) - 1) +/• (/ + 1, ] - 1) -

- 2 •/•('- 1, ]) + 4 2-К(/ + (6)

+ Р (: - 1, У + I) - 2 ^(/,7 + 1)+/г(/ + 1,у + 1),

где - значение яркости точки обрабатываемого изображения, а затем

вычисляется новое значение яркости точки по формуле:

g(>, у) = I 1) I .

(7)

При таком подходе обращение к матрице яркостей изображения происходит довольно часто (9 вызовов для каждого элемента кроме краевых), в связи с чем

время вычисления велико. Структура нейронной сети типа персептрон удобна для реализации вычислений на основе формулы для (7).

Для выполнения операции выделения контуров с использованием оператора Лапласа разработана нейроподобная структура (рис. 3). Матрица весов связей

Г 1 -2 1

определяется маской Лапласа - _2 4 _2 • На рис. За входам хц, ... хцц

1 -2 1

соответствуют значения яркостей обрабатываемого изображения Г(1,1), ... ,\!) соответственно (на рис. За отображена вся матрица связей, однако некоторые веса равны 0, например, и>,„ , и др.). Функция активации для нейронов сети определяется выражением (7). Выходы нейросети представляют собой новые значения яркости изображения

£ 5(1 1) вычш. чение 8(1.11

к.»» л

1 " ЮД) вы числе« и е 1(1,2)

Рис. 3. Нейроподобная Структура для выделения контура на основе оператора

Лапласа

Данный подход позволяет значительно уменьшить количество обращений к матрице изображения (1 вызов для каждого элемента матрицы). Приведенная структура легко реализуется на ПЛИС. Действительно, при использовании приведенного выше лапласиана для вычисления новых значений яркости выполняются операции умножения на 2, на 4, инверсии, суммирования, вычисления функции активации g(ij), которые довольно легко реализуются на логических элементах. Аналогичным образом организуется обработка изображения и при использовании других масочных операторов. Использование операторов с масками, коэффициенты которых зависят от обрабатываемого изображения, требует предварительного вычисления этих коэффициентов для формирования матрицы связей. При увеличении размерности маски растет только количество связей в нейроподобной структуре, тогда как время вычисления остается тем же (в случае использования однотипных функций активации).

При аппаратной реализации данной структуры с каждым нейроном как отдельным элементом сложность устройства довольно велика. Для уменьшения количества элементов при аппаратной реализации разработан алгоритм построчной обработки матрицы изображения масочными операторами с использованием нейроподобных структур:

1. Выбор нейроподобной структуры, соответствующей масочному оператору: установка связей между входами и элементами структуры, запись матрицы связей; запись функции активации.

2. Ввод строки изображения.

3. Копирование текущей строки изображения в структуру.

4. Вычисление нового значения яркости для всех элементов строки.

5. Запись строки в итоговую матрицу изображения.

6. Увеличение счетчика строк на единицу.

7. Если обработано не все изображение, переход к п.2, иначе выход из алгоритма.

Масочные операторы выделения контуров выделяют перепады яркостей на всем изображении. При этом выделяются и перепады, не относящиеся к объектам на изображении, что требует дополнительной обработки по отсечению неинформативных (не относящихся к контуру объекта) контуров, что увеличивает время работы устройства предварительной обработки изображений.

Использование РСА (principal component analyze) нейросети для выделения контуров позволяет избежать выделения неинформативных перепадов яркости для изображений с ярким объектом на общем фоне. Выделение контуров объектов при помощи гибридной сети осуществляется следующим образом. Для выделения объектов заданной формы сеть обучается на данных, представляющих собой фигуры объектов. Данные представляются в виде набора цифр - эквивалентов яркости. Для выделения контуров произвольных изображений образцы для обучения представляют собой горизонтальные и вертикальные линии, которые последовательно меняют свое положение в изображении. При использование РСА нейросети для выделения контуров объектов возможно выделение некоторых отдельных ярких точек (помех), не относящихся к объекту. Этого можно избежать, если увеличить ширину линий, применяющихся в процессе обучения.

В отличии от масочных операторов данный подход к выделению контуров позволяет игнорировать незначительные перепады яркости и четко выделять объекты.

Алгоритм бинаризации изображения позволяет на основе анализа гистограммы яркостей изображения уменьшить время вычисления порога за счет сокращения интервала анализируемых яркостей. В качестве порога выбирается значение яркости, минимизирующее внутриклассовое расстояние между точками, относящимися к объекту (фону) или максимизирующее межклассовое расстояние между точками объекта и фона (критерий выбора предложен в работах Отсу). Поскольку бинаризация проводится после выделения контуров, а для контурных изображений гистограмма имеет сглаженный вид (точек фона гораздо больше контурных), то при вычислении порога анализируются не все яркости точек изображения, а лишь попадающие в интервал яркостей, имеющих плотность вероятности в диапазоне 0.01,,..,10 % от максимальной, что позволяет сократить время вычислений (выигрыш по времени в 1.1-3 раза).

Быстрый алгоритм ДПФ, основанный на БПФ Кули-Тьюки для одномерных сигналов, позволяет уменьшить время обработки изображения за счет представления данных в виде степеней двойки и предварительного вычисления параметров преобразования.

Вычисление спектральных коэффициентов осуществляется следующим образом.

ГЬ „ Й'.

Для л=о, —1,^=0, .-¡^—1,7,= о, —,-Е?—1, к = о, . т -1, вычисляется:

ГЬ ГЪ

П/, (

б) ' "■ И\ ' ''' , (9)

где/г=о, -и,«о. ,^-1;

•^иЫМ = *1'уИ/Л'* =0. ,*-иу=о, - временный массив Л* с нижним

индексом -1; х[1у\[1х], 1У, 1Х = О,..., N - 1 - входная последовательность отсчетов яркости изображения; Хг[1у][1х], 1у,1х = О,..., .V-1 - результирующая последовательность (коэффициенты Фурье); -^»ММ ,'уЛ =°. ■ ^-1 А = 0, ...,/и- 1 - двумерный массив для обработки промежуточных результатов БПФ; т - количество этапов в алгоритме БПФ двумерных сигналов; /? = (г0,ц,...,гда_)) - массив значений этапов алгоритма БПФ, гкх<гку - значение

к- го этапа алгоритма БПФ по координатам хну, соответственно. Для каждого измерения количество этапов одинаково, а их значения могут быт» расположены в другом порядке. При этом, предполагается, что размерность каждого измерения двумерного сигнала N = = Nу представима произведением натуральных чисел,

превосходящих 1; ^ - П где г, - принимает значения 2 или 4. В случае

несоответствия размерности изображения данному требованию, изображение дополняется дополнительными отсчетами с нулевыми значениями яркости. Это позволяет хранить значения фазовых множителей для операции БПФ в памяти и не вычислять их в процессе работы алгоритма. Результатом БПФ (массив данных комплексного типа Хг[пу] п}, пх = 0. ..., N -1) является результат последнего (т - 1)-го этапа БПФ:

*г1'уЛ/*Ь =о. , и - 1,1у = о, , N - I

Результат БПФ в массиве X находится в К инверсном порядке (где массив 7? = (го,..., Гщ-1))- Поэтому далее выполняется Л инверсия массива, на основе заранее вычисленных значений Я инверсных индексов. Операции умножения, деления и взятия по модулю в алгоритме Я инверсии для любых целых Гк > 1, к = 0,..., т - 1, если N является степенью двойки, выполняются с помощью операций сдвига и конъюнкции.

При обработке бинарного изображения предварительно выполняется операция сравнения значений яркостей точек с 0, что позволяет проводить вычисления только для значимых точек изображения (точек контура объекта) и значительно сокращает время вычислений.

В четвертом разделе разрабатывается структурно-функциональная организация устройств ввода и обработки изображений на нейроподобных

структурах, проводится оценка производительности разработанных алгоритмов и устройств.

В работе разработаны структурные схемы устройств для выполнения обработки изображения масочными операторами. Для ряда масочных операторов схему удается упростить - уменьшить количество используемых элементов и увеличить скорость обработки (для операторов Собела и Лапласа). В общем случае схема для обработки изображения масочными операторами выглядит следующим образом (рис. 5), где - значения яркостей точек обрабатываемого изображения, <Э(ц) - получаемые значения яркостей, БВФА - блок вычисления функции активации (определяется вычисляемой маской).

Рис.5. Структурно-функциональная организация устройства для обработки изображения масочными операторами

Даная схема обладает однородной структурой и легко реализуется на ПЛИС. Быстродействие схемы определяется используемой маской, количеством уровней сумматоров и быстродействием элементарной логической ячейки (ЭЛЯ). Для ЭЛЯ с задержкой 6 не время выполнения обработки изображения оператором Собела около 90 не, что на 4 порядка, быстрее чем при обработке на ПЭВМ,

Устройство ввода изображения в ЭВМ с перестановкой строк (рис. 6а) [15] содержит формирователь управляющих сигналов (ФУС), усилитель (У), генератор импульсов (ГИ), блок управления (БУ), блок связи с ЭВМ (БС), АЦП, регистр приема-передачи (РПП), счетчик первой строки (СПС), счетчик длины строки (СДС), первый и второй регистры приема (РП1, РП2), сумматор (Сум), первый, второй и третий буферные регистры (БР1, БР2, БРЗ), цифровой компаратор (К), счетчик строк (СС), счетчик адреса (СА), блоки буферной памяти (Б1, Б2), блоки канальных передатчиков (БП1, БП2).

Устройство способно передавать в ЭВМ по два байта исходного изображения, причем оба полукадра изображения объединены в один массив (операция строчной перестановки выполняется непосредственно в устройстве).

Устройство для ввода изображения в ЭВМ по байтам (рис. 66) содержит усилитель (У), блок управления (БУ), АЦП, регистр приема-передачи (РПП).

а б

Рис. 6. Устройства ввода изображения в ЭВМ

Структурная организация устройства обработки изображений на основе спецпроцессоров представлена на рис. 7.

Устройство ввода изображения

ОЗУ -►) цеп

¡-----1____»

^__Шина ЭВМ

Рис. 7 Структурная организация устройства обработки изображений на базе двух специализированных процессоров

Устройство содержит нейроматричный и цифровой сигнальный процессоры, аналого-цифровой преобразователь (АЦП), генератор управляющих импульсов (ГУИ), быстродействующее статическое оперативное запоминающее устройство (ОЗУ). Генератор управляющих импульсов формирует 4 управляющих импульса: нечетного и четного полукадра, строчный а тактовый. Процесс ввода видеоизображения начинается с нечетного полукадра. Процессоры выполняют предварительную обработку изображения. Нейроматричный процессор имеет в своем составе средства для выполнения векторно-матричных вычислений, что позволяет осуществлять контрастирование, выделение контуров, бинаризацию на основе разработанных алгоритмов. Цифровой сигнальный процессор выполняет скелетизацию, выделение спектральных признаков контура и передачу данных и ЭВМ. Обмен данными между процессорами осуществляется через общее статическое ОЗУ.

Используя современные специализированные процессоры с тактовой частотой 50 Мгц и обрабатывая стандартный видеосигнал с частотой не менее 12Мгц, ввод и обработка изображения (контрастировшие, выделение контуров, бинаризация) выполняется за время ввода одного кадра, т.е. 40 мс (в это время входит передача второму микропроцессору бинаризованного изображения). В

качестве ЦСП используется процессор с плавающей арифметикой. Одновременно с работой НМП цифровой сигнальный процессор выполняет скелетизацию контуров на предыдущем изображении и вычисляет спектральные коэффициенты контура. Таким образом, все процедуры выполняются одновременно с помощью 4-х ступенчатого конвейера:

1. Ввод и контрастирование кадра изображения нейроматричным процессором.

2. Выделение контуров и бинаризация нейроматричным процессором.

3. Скелетизация изображения ЦСП.

4. Вычисление спектральных коэффициентов контуров на изображении ЦСП.

Структурно-функциональная организация быстродействующих устройств ввода изображения, в том числе двухпроцессорного устройства обработки изображения, обладающих высокой производительностью обработки, и разработанная конвейерная организация процедур обработки изображения позволили выполнять аппаратно-программную обработку, что дало возможность увеличить скорость обработки в 3 раза.

Алгоритм, основанный на методе локального линейного контрастирования, при условии выполнении операции (умножение+сложение) за один такт и размерности изображения 512x512 при использовании предложенной структуры выполняется в 262144 раза быстрее, чем при последовательном вычислении (при частоте процессора 50 МГц производительность будет 13 TIPS).

Алгоритм обработки изображения масочными операторами позволяет выполнять быстрое выделение контуров объектов за счет реализации на нейроподобных структурах. При реализации построчной обработки изображения (512x512) выполнение операций обработки масками устройством с частотой 50МГц позволяет достичь производительности в 204 GIPS.

Для разработанных алгоритмов бинаризации и ДПФ сравнение с известными алгоритмами проводилось на основе программной реализации алгоритмов и выполнения их на ПЭВМ.

Алгоритм бинаризации изображений, основанный на анализе сокращенной гистограммы яркостей изображения позволяет получить бинарное изображение в 1.1-3 раза быстрее по сравнению с известными подобными методами (Таблица 1).

Таблица 1

Алгоритмы БПФ Бинаризация с жестко заданным порогом Бинаризация методом Огсу Адаптивная пороговая обработка Разработанный алгоритм бинаризации

Время выполнения (в относительных единицах) 1 3 3-4 1,03-2

Бинаризация с жестко заданным порогом выполняется за лучшее время, однако точность бинаризации в этом случае заметно падает.

Быстрый алгоритм ДПФ, основанный на БПФ Кули-Тьюки для одномерных сигналов, позволяет повысить скорость вычислений за счет представления данных в виде степеней двойки и предварительного вычисления параметров преобразования (Таблица 2).

__Таблица 2

Алгоритмы БПФ Простое вычисление ДПФ БПФ Кули-Тьюки по смешанным основаниям Алгоритм Винограда для ДПФ Разработанный алгоритм БПФ

Время выполнения (в относительных единицах) 1 0,5-0,6 0,5-0,6 0,3-0,4

Время вычисления различается в зависимости от типа изображений Чем меньше размерность изображения и количество точек контуров объектов, тем меньше время вычислений ДПФ.

В заключении сформулированы основные результаты диссертационной работы.

В приложениях приведены графические результаты обработки тестовых изображений, акты о внедрении, схемы устройств управления для устройств ввода изображения, листинги программ, реализующих разработанные алгоритмы.

Основные результаты работы

В рамках решения научно-технической задачи повышения производительности алгоритмов обработки изображений получены следующие результаты:

1. Проведен анализ существующих методов, параллельных алгоритмов и устройств ввода и обработки изображений, позволивший сделать вывод о необходимости разработки методов и высокопроизводительных алгоритмов для последующей их реализации в устройствах на основе нейроподобных структур.

2. Разработана математическая модель процесса ввода и обработки изображений, основанная на множестве процедур обработки изображений, позволяющая осуществить комплексный учет методов и алгоритмов преобразования изображений и оценить возможность распараллеливания процесса обработки.

3. Разработан метод линейного локального контрастирования, основанный на разбиении изображения на пересекающиеся области, вычислении коэффициентов преобразования и позволяющий параллельно выполнять увеличение контрастности областей изображения.

4. Разработан высокопроизводительный алгоритм обработки изображения масочными операторами, позволяющий быстро выполнять обработку изображения масками за счет реализации на нейроподобных структурах.

5. Разработан алгоритм бинаризации, основанный на анализе гистограммы яркостей изображения и позволяющий за счет сокращения интервала анализируемых яркостей сократить время вычисления порога.

6. Разработан быстрый алгоритм ДПФ, который не требует выполнения сложных операций, что позволяет уменьшить время обработки изображения.

7. Разработана структурно-функциональной организации устройств ввода и обработки изображений на нейроподобных структурах, отличительной особенностью которых является 4-х ступенчатый конвейер, позволяющий за время

одного кадра осуществлять параллельное выполнение операций обработки изображений.

8. Проведена оценка производительности разработанных алгоритмов и устройств обработки изображений. Анализ показал, что разработанные методы и алгоритмы позволяют снизить время обработки изображения в 1.1-3 раза.

Список основных публикаций

1. Дегтярев, C.B. Устройство для ввода изображения в ЭВМ с использованием интерфейса ISA [Текст] / C.B. Дегтярев, B.C. Па&нцев // Известия Тульского гос. тех. ун-та. Серия Вычислительная техника. Информационные технологии. Системы управления. Том \. Выпуск 2,-Тула, 2003. - С. 77-81.

2. Дегтярев, C.B. Оптико-электронная система выделения контура дорожного знака [Текст] / C.B. Дегтярев, B.C. Панищев, Т.А. Ширабакина // Датчики и системы. - 2003. -№ 9. - С. 22-23.

3. Дегтярев, C.B. Выделение контуров объектов на изображении операторами Собела и Лапласа на основе нейронной сети [Текст] / C.B. Дегтярев, B.C. Панищев // Датчики и системы. - 2004. - № 9. - С. 12-14.

4. Панищев, B.C. Использование нейросетей в качестве технологии обработки информации в телекоммуникационных системах [Текст] / B.C. Панищев, B.C. Полищук, B.C. Титов, Е.В. Щетинин // Телекоммуникации. - 2004. - № 6. - С. 1517.

5. Panishchev, V.S. Application of neural networks for the contour extraction in images [Text]/ V.S. Panishchev, V.S. Titov // Pattern Recognition and Image Analysis. -2005.-Vol. 15,№2.-P. 281-282.

6. Ильин, A.A. Быстрый алгоритм ДПФ для обработки изображений на основе БПФ Кули-Тьюки для одномерных сигналов [Текст] / A.A. Ильин, P.A. Ильин,

B.C. Панищев // Известия вузов. Приборостроение. - 2005. - Т. 48, № 2. - С. 18-22. 7 Архипов, А.Е. Устройство ввода, предобработки и сжатия видеоинформации [Текст] / А.Е. Архипов, C.B. Дегтярев, B.C. Панищев // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: материалы Международной научно-технической конференции. - Рязань.- 2000. - С. 39-40.

8. Панищев, B.C. Использование цифровых сигнальных процессоров в устройствах ввода аналоговой информации [Текст] / B.C. Панищев // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: материалы Международной научно-технической конференции. - Рязань - 2001. -

C. 51-52.

9. Панищев, B.C. Построение устройств распознавания на базе спецпроцессоров [Текст] / B.C. Панищев // Распознавание-2003: сб. материалов VI Международной конференции. - Курск - 2003. - С. 248-250.

10. Панищев, B.C. Использование нейросетей для предварительной обработки и распознавания изображений [Текст]' / B.C. Панищев, B.C. Титов // XL Всероссийская конференция' по проблемам математики, информатики, физики и химии. Тезисы докладов. Секции физики. - М.: Изд-во РУДН, 2004. - С. 79 - 82.

11. Архипов, А.Е. Устройства ввода видеоинформации в ЭВМ с использованием интерфейса PCI [Текст] / А.Е. Архипов, B.C. Панищев, B.C. Титов

// Датчики и преобразователи информации систем измерения, контроля и управления. Сборник материалов XVI научно-технической конференции с участием зарубежных специалистов. Под ред. проф. В.М. Азарова. - М.: МГИЭМ,

2004.-е. 119.

12. Panischev, V.S. Structural features of image recognition systems operating in real time [Text] / V.S. Panischev, T.S. Shirabakina, V.S. Yakovleva // Information and Telecommunication Technologies in Intelligent Systems: proceedings of the 2-nd International Conference. - Barcelona, Spain - 2004. - P. 111-115.

13. Panishchev, V.S. Input, preprocessing and image recognition devices [Text] / V.S. Panishchev // Information and Telecommunication Technologies in Intelligent Systems-proceedings of the Third International Conference. - Santa Ponsa/Mallorca, Spain. -

2005.-P.185 -189.

14. Коростелев, С.И. Устройство для распознавания образов, использующее векторные эталонные изображения [Текст] / С И. Коростелев, B.C. Панищев, B.C. Титов // Распознавание-2005: сб. материалов 7 Международной конференции. -Курск,- 2005. - С. 84-86.

15. Пат. 2256210 Российская Федерация, МПК7 G 06 F 3/00. Устройство для ввода изображения в ЭВМ [Текст] / Архлпов А.Е., Дегтярев С.В., Панищев В.С. Титов B.C.; заявитель и патентообладатель КурскГТУ. - № 2003114978/09; заявл 20.05.2003; опубл. 10.07.2005, Бюл. №19. -4с.

Соискатель B.C. Панищев

ИД №06430 от 10.12.01 Подписано в печать 2к.\\.2005 • Формат60x84 1/16 . Печатных листов . Тираж 100 экз. Заказ 5%

Курский государственный технический университет, 305040, Курск, ул. 50 лет Октября, 94.

»23 8 87

РНБ Русский фонд

2006-4 25206

ВВЕДЕНИЕ

1. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ, АЛГОРИТМОВ И 10 УСТРОЙСТВ ВВОДА И ОБРАБОТКИ ИЗОБРАЖЕНИЙ

1.1. Методы и алгоритмы обработки изображений

1.2. Устройства ввода и обработки изображений 28 Выводы

2. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ПРОЦЕССА ВВОДА И 39 ОБРАБОТКИ ИЗОБРАЖЕНИЙ

2.1. Оцифровка и ввод изображения

2.2. Контрастирование изображения

2.3. Выделение контуров объектов на изображении

2.4. Бинаризация и скелетизация (утончение) изображения

2.5. Преобразование Фурье. Выделение спектральных признаков 48 изображения

2.6. Обобщенная математическая модель процесса ввода и обработки 51 изображений

Выводы

3. РАЗРАБОТКА МЕТОДОВ И ВЫСОКОПРОИЗВОДИТЕЛЬНЫХ 53 АЛГОРИТМОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ

3.1. Метод повышения контрастности изображения

3.2. Выделение контуров на изображении с использованием 58 нейроподобных структур

3.3. Выделение контуров объектов на изображении с использованием 66 РСА (principal component analyze) нейросети

3.4. Бинаризация и скелетизация изображения

3.5. Быстрый алгоритм ДПФ для обработки изображений на основе 71 БПФ Кули-Тьюки для одномерных сигналов

Выводы

4. СТРУКТУРНО-ФУНКЦИОНАЛЬНАЯ ОРГАНИЗАЦИЯ 79 БЫСТРОДЕЙСТВУЮЩИХ УСТРОЙСТВ ВВОДА И ОБРАБОТКИ ИЗОБРАЖЕНИЙ НА НЕЙРОПОДОБНЫХ СТРУКТУРАХ. ОЦЕНКА ПРОИЗВОДИТЕЛЬНОСТИ РАЗРАБОТАННЫХ АЛГОРИТМОВ И УСТРОЙСТВ

4.1. Структурно-функциональная организация устройств ввода и 79 обработки изображений

4.2. Устройство ввода изображения с перестановкой строк

4.3. Устройство ввода изображения по байтам

4.4. Устройство ввода и обработки изображений на основе 91 специализированных процессоров

4.5. Анализ производительности разработанных методов, алгоритмов 99 и устройств обработки изображений

Выводы

Актуальность работы. Устройства обработки изображений широко применяются в телевизионной технике, медицине, системах контроля технологических процессов, дорожного движения, робототехнике, машиностроении, приборостроении, космосе, передаче данных, автоматизированном проектировании, неразрушающем контроле, научных исследованиях и других областях науки и техники.

Современный этап развития вычислительных устройств характеризуется активными поисками новых принципов обработки изображений, новых архитектур ЭВМ и вычислительных систем. При этом в задачах, требующих быстрого принятия решения на основании поступающей информации (например, распознавание лиц людей в интенсивно движущемся потоке -метро, аэропорты, вокзалы — для обеспечения безопасности, анализ деталей на конвейере, анализ потока машин на трассе), важное значение имеет производительность алгоритмов и устройств обработки изображений.

Одним из основных препятствий на пути повышения производительности устройств обработки изображений является высокая вычислительная сложность алгоритмов обработки, требующая увеличения быстродействия элементной базы или аппаратной сложности устройств. В то же время скорость выполнения ряда алгоритмов обработки может быть увеличена за счет конвейерно-параллельной организации вычислений и реализации их на параллельных структурах с использованием матричной структуры изображений.

В связи с этим повышение производительности алгоритмов обработки изображений является актуальной научно-технической задачей.

Диссертационная работа выполнялась при поддержке гранта Минобразования РФ для поддержки аспирантов высших учебных заведений № АОЗ-З.16-59 «Быстродействующая система распознавания в реальном времени на базе современных специализированных процессоров и программируемых логических интегральных схем (основы теории, принципы построения и алгоритмическое обеспечение)».

Целью работы является разработка методов и высокопроизводительных алгоритмов для последующей их реализации в устройствах на основе нейроподобных структур.

В соответствии с поставленной целью в работе решаются следующие задачи:

1. Анализ существующих методов, параллельных алгоритмов и устройств ввода и обработки изображений.

2. Разработка математической модели процесса ввода и обработки изображений.

3. Разработка методов и высокопроизводительных алгоритмов обработки изображений.

4. Разработка структурно-функциональной организации устройств ввода и обработки изображений на - нейроподобных структурах и оценка производительности разработанных алгоритмов и устройств обработки изображений.

Объект исследования — процесс ввода и обработки изображений. Предмет исследования - методы, алгоритмы и устройства ввода, обработки изображений на нейроподобных структурах.

Методы исследования. В работе использованы методы цифровой обработки сигналов и изображений, математического моделирования, теория параллельных вычислений, теория проектирования ЦЭВМ. Научная новизна:

1. Разработана математическая модель процесса ввода и обработки изображений, основанная на множестве процедур ввода и преобразования изображений и комплексе методов и алгоритмов обработки изображений, позволяющая провести анализ возможного распараллеливания процесса обработки изображения.

2. Разработан метод линейного локального контрастирования, основанный на разбиении изображения на пересекающиеся области, позволяющий параллельно выполнять вычисление коэффициентов преобразования и увеличение контрастности областей изображения.

3. Создан высокопроизводительный алгоритм обработки изображения масочными операторами, позволяющий выполнять быстрое выделение контуров объектов за счет реализации на нейроподобных структурах.

4. Разработан быстрый алгоритм ДПФ обработки изображений, основанный на БПФ Кули-Тьюки для одномерных сигналов, отличающийся преобразованием данных на промежуточном этапе вычислений в трехмерный массив, представлением размерности изображения в виде степеней двойки и предварительным вычислением параметров преобразования и позволяющий уменьшить время обработки изображения.

5. Разработана структурно-функциональная организация устройств ввода и обработки изображений на нейроподобных структурах, позволяющая повысить производительность за счет конвейерной и параллельной организации вычислений.

Практическая значимость. Математическая модель процесса ввода и обработки изображений и методы линейного локального контрастирования и бинаризации изображения, а также разработанные алгоритмы обработки изображений позволяют создавать новые высокопроизводительные устройства ввода и обработки изображений; разработанная параллельно-конвейерная организация процедур обработки изображений позволяет повысить скорость обработки изображений в системах технического зрения, системах обработки видеоинформации в реальном времени; разработанное устройство ввода изображения в ЭВМ позволяет выполнять быстрый ввод изображения в ЭВМ в системах контроля технологического процесса (устройство защищено патентом РФ).

Реализация результатов работы. Результаты, полученные в диссертационной работе, внедрены в ОКБ «Авиаавтоматика» (г. Курск) при разработке быстродействующих устройств обработки изображений, в ООО «Продсахсервис» (г.Воронеж) для контроля технологического процесса очистки диффузионного сока оптическим методом, а также внедрены в учебный процесс кафедры вычислительной техники КурскГТУ и используются при проведении занятий по дисциплинам «Микропроцессорные системы в системах передачи и обработки сигналов», «Нейрокомпьютеры». На защиту выносятся:

1. Математическая модель процесса ввода и обработки изображений, использующая матричное представление изображения и позволяющая провести распараллеливание множества операций по обработке изображения.

2. Метод и алгоритм линейного локального контрастирования, позволяющий на основе разбиения изображения на пересекающиеся области организовать параллельные вычисления при контрастировании изображения.

3. Высокопроизводительный алгоритм обработки изображения масочными операторами, позволяющий выполнять быстрое выделение контуров объектов, ориентированный на реализацию на нейроподобных структурах.

4. Быстрый алгоритм ДПФ обработки изображений, основанный на БПФ Кули-Тьюки для одномерных сигналов, преобразующий данные на промежуточном этапе вычислений в трехмерный массив и сокращающий время обработки изображения за счет представления данных в виде степеней двойки и предварительного вычисления параметров преобразования.

5. Структурно-функциональная организация устройств ввода и обработки изображений на нейроподобных структурах, обеспечивающая высокопроизводительную обработку изображений.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на: 9-й и 10-й Международных научно-технических конференциях «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2000г., 2001г.), 9-й Международной студенческой школе-семинаре «Новые информационные технологии» (Крым, 2001г.), 5-й Международной научно-технической конференции «Медико-экологические информационные технологии-2002» (Курск, 2002г.), IX Международной научно-практической конференции студентов, аспирантов и молодых ученых «Современные техника и технологии» (г. Томск, 2003 г.), XV и XVI научно-технических конференциях «Датчик-2003», «Датчик-2004» (г.Судак, 2003г., 2004г.), 6-й и 7-й Международных конференциях «Распознавание-2003», «Распознавание-2005» (г. Курск, 2003г., 2005г.), XL и XLI Всероссийских конференциях по проблемам математики, информатики, физики и химии (г. Москва, 2004г., 2005г.), Международной конференции «Information and Telecommunication Technologies in Intelligent Systems» (Испания, г. Барселона, 2004 г., г. Пальма де Майорка, 2005г.), 7-й Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Санкт-Петербург, 2004г.), на научно-технических семинарах кафедры ВТ КурскГТУ в течение 2002-2005 гг.

Публикации. Результаты проведенных исследований и разработок опубликованы в 29 печатных трудах (из них основных по теме диссертации 15), в том числе в 9 статьях, 8 из которых опубликованы в изданиях, рекомендованных ВАК, в соавторстве написано учебное пособие с грифом УМО. Получен патент РФ на изобретение.

В работах, опубликованных в соавторстве, лично соискателем предложены: в [1, 2, 7, 11, 13, 15] - методы контрастирования и бинаризации изображений, а также принципы функционирования и структурные схемы устройств ввода и обработки изображений, в [3, 5, 10] - алгоритм обработки изображения масочными операторами, в [6] — предварительное вычисление коэффициентов для быстрого алгоритма ДПФ для обработки изображений в [4,

8, 9, 12, 14] — принципы функционирования и структурные схемы устройств обработки изображений на нейроподобных структурах.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, библиографического списка, включающего 95 наименований, и содержит 125 страниц машинописного текста (без приложения), 28 рисунков, 10 таблиц и 4 приложения.

Выводы

1. Разработана структурно-функциональная организация ряда быстродействующих устройств ввода видеоинформации, в том числе двухпроцессорного устройства предварительной обработки видеоинформации, обладающих высокой производительностью предварительной обработки.

2. Разработанная конвейерная организация процедур обработки видеоинформации позволила совместить во времени аппаратно-программную предварительную обработку и последующее программное выполнение в ЭВМ алгоритмов распознавания, что дало возможность увеличить скорость предварительной обработки не менее, чем в 2 раза.

ЗАКЛЮЧЕНИЕ

В рамках решения научно-технической задачи повышения производительности алгоритмов обработки изображений получены следующие результаты и выводы:

1. Проведен анализ существующих методов, параллельных алгоритмов и устройств ввода и обработки изображений, позволивший сделать вывод о необходимости разработки методов и высокопроизводительных алгоритмов для последующей их реализации в устройствах на основе нейроподобных структур.

2. Разработана математическая модель процесса ввода и обработки изображений, основанная на множестве процедур обработки изображений, позволяющая осуществить комплексный учет методов и алгоритмов преобразования изображений и оценить возможность распараллеливания процесса обработки.

3. Разработан метод линейного локального контрастирования, основанный на разбиении изображения на пересекающиеся области, вычислении коэффициентов преобразования и позволяющий параллельно выполнять увеличение контрастности областей изображения.

4. Разработан высокопроизводительный алгоритм обработки изображения масочными операторами, позволяющий быстро выполнять обработку изображения масками за счет реализации на нейроподобных структурах.

5. Разработан алгоритм бинаризации, основанный на анализе гистограммы яркостей изображения и позволяющий за счет сокращения интервала анализируемых яркостей сократить время вычисления порога.

6. Разработан быстрый алгоритм ДПФ, который не требует выполнения сложных операций, что позволяет уменьшить время обработки изображения.

7. Разработана структурно-функциональная организация устройств ввода и обработки изображений на нейроподобных структурах, отличительной особенностью которых является 4-х ступенчатый конвейер, позволяющий за время одного кадра осуществлять параллельное выполнение операций обработки изображений.

8. Проведена оценка производительности разработанных алгоритмов и устройств обработки изображений. Анализ показал, что разработанные методы и алгоритмы позволяют снизить время обработки изображения в 1.1-3 раза.

1. Дегтярев, C.B. Анализ систем распознавания дорожных знаков Текст. / C.B. Дегтярев, B.C. Панищев // Известия Тульского гос. тех. ун-та. Серия Вычислительная техника. Автоматика. Управление. Том 4. Выпуск 1.-Тула,2002.-С. 96-103.

2. Дегтярев, C.B. Оптико-электронная система выделения контура дорожного знака Текст. / C.B. Дегтярев, B.C. Панищев, Т.А. Ширабакина // Датчики и системы. 2003. - № 9. - С. 22-23.

3. Дегтярев, C.B. Выделение контуров объектов на изображении операторами Собела и Лапласа на основе нейронной сети Текст. / C.B. Дегтярев, B.C. Панищев // Датчики и системы. — 2004. № 9. - С. 12-14.

4. Панищев, B.C. Использование нейросетей в качестве технологии обработки информации в телекоммуникационных системах Текст. / B.C. Панищев, B.C. Полищук, B.C. Титов, Е.В. Щетинин // Телекоммуникации.2004.-№6.-С. 15-17.

5. Панищев, B.C. Использование нейронной сети для выделения контуров объектов на изображении в системе распознавания в реальном времени Текст. / B.C. Панищев, А.П. Типикин, B.C. Яковлева // Телекоммуникации. 2004. -№8.-С. 24-28.

6. Panishchev, V.S. Application of neural networks for the contour extraction inimages Text./ V.S. Panishchev, V.S. Titov // Pattern Recognition and Image Analysis. -2005. -Vol. 15, № 2. P. 281-282.

7. Ильин, A.A. Быстрый алгоритм ДПФ для обработки изображений на основе БПФ Кули-Тьюки для одномерных сигналов Текст. / A.A. Ильин, P.A. Ильин, B.C. Панищев // Известия вузов. Приборостроение. 2005. - Т. 48, № 2. -С. 18-22.

8. Панищев, B.C. Использование ретиноподобных структур в адаптивных видеодатчиках Текст. / B.C. Панищев, B.C. Яковлева // Известия КурскГТУ. -2004.-№2(13).-С. 112-117.

9. Панищев, B.C. Преобразование аналоговых сигналов и быстрый ввод информации в ЭВМ Текст. / B.C. Панищев // Новые информационные технологии: материалы Международной студенческой школы-семинара. -Крым.-2001.-С. 67-68.

10. Панищев, B.C. Повышение быстродействия систем распознавания дорожных знаков Текст. / B.C. Панищев // Медико-информационныетехнологии-2002: материалы Международной научно-технической конференции. Курск.- 2002. - С. 88-90.

11. Панищев, B.C. Обработка изображений дорожных знаков Текст. / B.C. Панищев // Современные техника и технологии: материалы IX Международной научно-практической конференции студентов, аспирантов и молодых ученых. Т.1.-Томск, 2003.-С. 156-157.

12. Панищев, B.C. Быстродействующая система преобразования и ввода в ЭВМ аналоговой информации / B.C. Панищев // Молодежь и XXI век: Материалы XXXI научной конференции. Ч. 1. Курск, 2003. - С. 79-81.

13. Архипов, А.Е. Влияние предварительной обработки изображений на качество выделения контуров Текст. / Архипов А.Е., B.C. Панищев // Распознавание-2003: сб. материалов VI Международной конференции. -Курск.-2003.-С. 29-30.

14. Панищев, B.C. Построение устройств распознавания на базе спецпроцессоров Текст. / B.C. Панищев // Распознавание-2003: сб. материалов VI Международной конференции. Курск - 2003. - С. 248-250.

15. Панищев, B.C. Организация устройства для ввода, предварительной обработки и распознавания изображений Текст. / B.C. Панищев //

16. Распознавание-2005: сб. материалов 7 Международной конференции. Курск.-2005. - С. 45-46.

17. Коростелев, С.И. Программа для распознавания образов, использующая векторные эталонные изображения Текст. / С.И. Коростелев, B.C. Панищев, B.C. Титов // Распознавание-2005: сб. материалов 7 Международной конференции. Курск - 2005. - С. 83-84.

18. Коростелев, С.И. Устройство для распознавания образов, использующее векторные эталонные изображения Текст. / С.И. Коростелев, B.C. Панищев, B.C. Титов // Распознавание-2005: сб. материалов 7 Международной конференции. Курск - 2005. - С. 84-86.

19. Блейхут, Р. Быстрые алгоритмы цифровой обработки сигналов Текст. / Р. Блейхут: пер. с англ. М.: Мир, 1989. - 448 с.

20. Хуанг, Т.С. Быстрые алгоритмы в цифровой обработке изображений Текст. / Т.С. Хуанг, Дж. О. Эклунд. Г. Дж. Нусбаумер и др.: Под ред. Т.С. Хуанга; Пер. с англ. под ред Л.П. Ярославского. М. Радио и связь, 1984. - 221

21. Гома, X. UML. Проектирование систем реального времени, параллельных и распределенных приложений Текст. / X. Гома: Пер. с англ. — М.:ДМК Пресс, 2002. 704 с.

22. Дорогов, А.Ю. Быстрые нейронные сети Текст. / А.Ю. Дорогов. Спб.: Изд-во С.-Петерб. ун-та, 2002. - 80 с.

23. Киселев, A.B. Современные микропроцессоры Текст. / В.В. Корнеев, A.B. Киселев М.: Нолидж, 2000. - 320 с.

24. Ильин, A.A. Быстрые алгоритмы цифровой обработки сигналов Текст. / A.A. Ильин, B.C. Титов, Е.В. Евсюков; Учеб. пособие — Тула: Изд-во ТулГУ, 2004.- 125 с.

25. Методы компьютерной обработки изображений Текст. / Под ред. В.А. Сойфера. М.: Физматлит. - 2001. - 784 с.

26. Сырямкин, В.И. Системы технического зрения: Справочник Текст./ В.И. Сырямкин, B.C. Титов, Ю.Г. Якушенков и др. // Под общей редакцией В.И. Сырямкина, B.C. Титова. Томск: МГП "РАСКО". - 1993. - 367 с.

27. Нейрокомпьютеры и их применение. Книга 7: Коллективная монография Текст. / Общая редакция А.И. Галушкина. М.: Радиотехника, 2003. — 192 с.

28. Осовский С. Нейронные сети для обработки информации Текст. / С. Оссовский; Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с.

29. Обработка изображений и цифровая фильтрация Текст.: Пер. с англ. под ред. Т. Хуанга. М.: Мир. - 1979.

30. Дегтярев, C.B. Методы цифровой обработки изображений Текст.: учебное пособие 4.1. Гриф УМО / Дегтярев C.B., Садыков С.С., Тевс С.С., Ширабакина Т.А. Курск: Курск, гос. тех. ун-т., 2001. - 167 с.

31. Дегтярев, C.B. Методы цифровой обработки изображений Текст.: учебное пособие Ч.З. Гриф УМО / C.B. Дегтярев, A.A. Орлов, С.С. Садыков, И.И. Сальников, B.C. Титов, М.И. Труфанов, Т.А. Ширабакина. Курск: Курск, гос. тех. ун-т., 2004. - 216 с.

32. Дуда, Р. Распознавание образов и сцен Текст. / Р. Дуда, П.Харт; пер. с англ. Г.Г. Вайнштейна и A.M. Васьковского ; под ред. В.Л. Стефанюка, М.: Мир, 1976.- 511 с.

33. Кнышев, Д. А. ПЛИС фирмы "Xilin" :описание структуры основных семейств Текст. : Справочник / Д.А.Кнышев, М.О.Кузелин. -М.:ДОДЭКА-ХХ1. -2001.-238с.

34. Фрунзе, А. Однокристальные микроЭВМ Текст. / Фрунзе А., Хоркин С. //Радио. 1994. -№№1-12.

35. Лебедев, О.Н. Применение микросхем памяти в электронных устройствах Текст.: Справ, пособие / О.Н. Лебедев- М.: Радио и связь. 1994. - 216 с.

36. Разработка устройств сопряжения для персонального компьютера типа IBM PC Текст. / Под редакцией Ю.В. Новикова. Практ. пособие М.:ЭКОМ. -1997. - 224 с.

37. Яблонский, C.B. Введение в дискретную математику Текст. / Яблонский C.B. М.: Наука. - 1979. - 272с.

38. Мирошниченко, С.Ю. Объектно-ориентированная модель универсальной программной системы обработки изображений Текст. / С.Ю. Мирошниченко, М.И. Труфанов // Известия курского государственного технического университета. 2004. - №2(13). - С. 106-108.

39. Тихомиров, Ю. Программирование трехмерной графики Текст. / Тихомиров Ю. СПб.: BHV. - 1998. - 256 с.

40. Прэтт, У. Цифровая обработка изображений: В 2-х кн. Текст. / Прэтт У.; пер. с англ. под ред. Д.С. Лебедева. М.: Мир, 1982. - 2 кн., 790 с.

41. Тербер, К. Дж. Архитектура высокопроизводительных вычислительных систем Текст. / Пер. с англ.— М.: Наука. Главная редакция физико-математической литературы, 1985.— 272 с.

42. Шпаковский, Г.И. Архитектура параллельных ЭВМ Текст. / Г.И. Шпаковский; Учеб. пособие для вузов. — Мн.: Университетское, 1989. 192 с.

43. Кун С. Матричные процессоры на СБИС Текст. / С. Кун; пер. с англ. Ю.Г. Дадаев и др.; под ред. Ю.Г. Дадаева. М.: Мир, 1991. - 672 с.

44. Вакунов, Н.В. Вейвлет-преобразование в обработке и анализе изображений Текст. / Н.В. Вакунов, А.Л. Жизняков М.: Государственный научный центр Российской Федерации - ВНИИгеосистем, 2004. - 102 е.: ил.

45. Ирхин, В.П. Проектирование непозиционных специализированных процессоров Текст. / В.П. Ирхин. Воронеж: Изд-во Воронежского государственного университета. — 1999. - 136 с.

46. Лопин, В.Н. Многофункциональные отказоустойчивые устройства на нейроподобных элементах Текст.: монография / В.Н. Лопин, И.С. Захаров; Курск, гос. техн. ун-т. Курск, 2004. 176 с.

47. Яковлев, А.Н. Основы вейвлет-преобразования сигналов Текст.: учебное пособие / А.Н. Яковлев. М.: САЙНС-ПРЕСС, 2003. - 80 с.

48. Архангельский, А.Я. Программирование в С++ Builder 5 Текст. / А.Я. Архангельский. М.: ЗАО «Издательство БИНОМ», 2000г. - 1152 с.

49. Угрюмов, Е.П. Цифровая схемотехника: Учебное пособие для вузов Текст. / Е.П. Угрюмов. Спб.: БХВ-Петербург, 2004. - 800 с.

50. Порев, В.Н. Компьютерная графика Текст. / В.Н. Пореев. Спб.: БХВ-Петербург, 2002. - 432 с.

51. Макконел, Дж. Анализ алгоритмов. Вводный курс. Текст. / Дж. Макконел; пер. с англ. С.К. Ландо. М.: Техносфера, 2002. 304 с.

52. Горбань, А.Н. Нейроинформатика Текст. / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998.-296 с.

53. Тяжелая артиллерия Текст. / А. Попов // CHIP. 2005. - №7. - С. 62-63.

54. Попов, Э.В. Экспертные системы реального времени Электронный ресурс. / Э.В. Попов // «Открытые системы», http://kiryusliin.boom.ru/docs -2003г.

55. Developing Multithreaded Applications: A Platform Consistent Approach Text. // March 2003, Intel Corporation 2003.

56. Unsupervised approach to color video thresholding Text. / Yingzi Du, Chein-I Chang, Paul David Thouin // Optical Engineering. 2004. - V.43,№.2. - c. 282-289.

57. TMS320C6000 CPU and Instruction Set Reference Text. / Guide Literature Number: SPRU189F October 2000.

58. Ушаков, С.Ю. Распознавание образов, инвариантное к искажениям, и неокогнитрон Текст. / С.Ю. Ушаков // Известия вузов. Приборостроение., 1994. Т. 37, №3-4. - с. 36-42.

59. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика Текст. / Ф . Уоссермен. М.: Мир. - 1992. - 240 с.

60. Анил, К.Дж. Введение в искусственные нейронные сети Текст. / Анил К. Джейн, Жианчанг Мао, К.М. Моиуддин. // Открытые системы. — 1997 г., №4.

61. Однокристальный цифровой нейропроцессор с переменной разрядностью операндов Текст. / ПРИБОРОСТРОЕНИЕ. Тематический выпуск. Аппаратно-программные комплексы поддержки нейровычислений 7/1996, С. 35-40.

62. On-board optical joint transform correlator for real-time road sign recognition Электронный ресурс. // Optical Engineering. 1995, January, Vol.34 No.l

63. Piccoli G and others. Robust method for road sign detection and recognition Электронный ресурс. // Image and Vision Computing, 1996, vol. 14.

64. Priese, L.; Lakmann, R.; Rehrmann, V., Ideogram identification in a realtime traffic sign recognition system Электронный ресурс. // Proceedings of the Intelligent Vehicles '95. Symposium.

65. Stdphan Prince, M.Sc. student Robert Bergevin, advisor, Road Sign Detection and Recognition Using Perceptual Groupin Электронный ресурс. // http://euler.fd.cvut.cz/ 2001г.

66. The Road Sign Recognition System RS2 Электронный ресурс. // http://euler.fd.cvut.cz/research/rs2/rs2alaorithm.html - 2001г.

67. Recognition of Traffic Signs by Artificial Neural Network (S. Lu) Электронный ресурс. // http://euler.fd.cvut.cz/ 2001 г.

68. Estevez L, Kehtarnavaz N. A real-time histographic approach to road sign recognition // Conference Proceeding of the IEEE Southwest Symposium on Image Analysis and Interpretation, 1996.

69. Guibert L, Attia M. Optical processing at the driver's service // Conference Towards an Intelligent Transport System. Proceedings of the First World Congress on Applications of Transport Telematics and Intelligent Vehicle-Higway Systems.

70. Chiung-Yao Fang and oth. Detection and tracking of road signs. Распознавание образов и анализ изображений: новые информационные технологии — РОАИ-5-2000: Труды 5-й Международной конференции. -Самара, 2000. С. 645-650.

71. Нейрокомпьютеры архитектура и реализация. Часть 3.2. Аппаратная реализация нейровычислителей Электронный ресурс. // http://www.chipinfo.m/literature/chipnews/20010l/24.html - 2002г.

72. Новая DSP-архитектура NeuroMatrix и традиционный RISC единое вычислительное ядро процессора NM6403 Электронный ресурс. // http://www.osp.ru/os/1999/05-06/04.htm - 2002г.

73. Применение волнового алгоритма для нахождения скелета растрового изображения Электронный ресурс. // http://www.ocrai.narod.ru 2004г.

74. Пат. 6513023 США, МКИ G 06 N 3/02. Artificial neural network with hardware training and hardware refresh Text. / Tuan A. Duong. №09/412199; заявлено 01.10.99; опубл. 28.01.2003. - 13c.

75. Пат. 6434541 США, МКИ G 06 F 15/18. Automotive engine misfire detection system including a bit-serial based recurrent neuroprocessor Text. / Raoul Tawel,

76. Nazeeh Arankl, Lee A. Feldkamp, Gintaras V. Puskorius, Kenneth A. Marko, John V. James. №09/284843; заявлено 23.10.97; опубл. 13.08.2002. - 14c.

77. Пат. 6389404 США, МКИ G 06 F 15/18;G06G7/00. Neural processing module with input architectures that make maximal use of a weighted synapse array Text. / John C. Carson, Christ H. Saunders. №09/223476; заявлено 30.12.98; опубл. 14.05.2002.- 11c.

78. Пат. 6199057 США, МКИ G 06 F 15/18. Bit-serial neuroprocessor architecture Text. / Raoul Tawel. №08/956890; заявлено 23.10.97; опубл. 06.03.2001.- 11c.

79. Пат. 5999992 США, МКИ G 06 F 15/18. Neuroprocessing service Text. / Takehiko Tanaka, Masayuki Yokohono. №08/451772; заявлено 26.05.95; опубл. 07.12.1999.-49c.

80. Пат. 5504839 США, МКИ G 06 F 15/18. Processor and processing element for use in a neural network Text. / George E. Mobus. №297524; заявлено 29.08.94; опубл. 02.04.1996. - 149c.

81. Пат. 2256210 Российская Федерация, МПК7 G 06 F 3/00. Многоуровневая вычислительная система Текст. / Малютин Н.В., Спиридонов Г.В.; заявитель и патентообладатель КурскГТУ. № 2003114978/09; заявл. 20.05.2003; опубл. 10.07.2005, Бюл. №19.-4с.