автореферат диссертации по радиотехнике и связи, 05.12.13, диссертация на тему:Структурные представления и методы кодирования графических изображений в интеллектуальных телекоммуникационных системах

На правах рукописи

УДК 004.627+519.673+528.854

КУЗНЕЦОВ Андрей Геннадьевич

СТРУКТУРНЫЕ ПРЕДСТАВЛЕНИЯ И МЕТОДЫ КОДИРОВАНИЯ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ ТЕЛЕКОММУНИКАЦИОННЫХ СИСТЕМАХ

Специальность: 05.12.13 — Системы, сети и устройства телекоммуникаций

Автореферат диссертации на соискание ученой степени кандидата технических наук

... чйЛ

а*1"

Ижевск-2008

003456555

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

Научный руководитель:

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

Официальные оппоненты:

доктор технических наук, профессор Лихтциндер Б.Я.

(ГОУ ВПО «Поволжский государственный университет телекоммуникаций и

информатики», г. Самара);

доктор технических наук, профессор Петров Е.П.

(ГОУ ВПО «Вятский государственный университет», г. Киров).

Ведущая организация:

Центральный научно-исследовательский институт связи (г. Москва).

Защита состоится 17 декабря 2008 г. в 16.00 часов на заседании диссертационного совета Д 212.065.04 в ИжГТУ по адресу: 426069, г. Ижевск, ул. Студенческая, 7, корп. 1, ауд. 4.

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

С диссертацией можно ознакомиться в библиотеке университета. С авторефератом можно ознакомиться на официальном сайте ИжГТУ: www.istu.ru.

Автореферат разослан 10 ноября 2008 г.

Ученый секретарь диссертационного совета,

доктор технических наук, профессор

Б.Я. Бендерский

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Проблема передачи больших объемов информации по каналам связи телекоммуникационных систем (ТКС) продолжает сохранять свою актуальность. Решение этой проблемы в значительной мере осложняется тем, что передаваемая информация имеет сложную структуру и разнообразные формы организации.

В настоящее время отчетливо наметилась вполне определенная тенденция «интеллектуализации» представления информации при решении задач ее обработки, хранения и передачи (т.н. интеллектуальные ТКС - ИТКС). Эта тенденция проявляется в том, что существующие хорошо развитые методы кодирования (сжатия, упаковки) информации начинают постепенно вытесняться более сложными (но, одновременно, и более эффективными) методами, основанными на анализе содержательной стороны информации об объектах, процессах и явлениях, в отличие от формальной стороны, слабо учитывающей их специфику. Такие методы представления информации в той или иной мере воспроизводят семантику объектов соответствующей предметной области. Можно сказать, что такие информационные системы обеспечивают определенный уровень «понимания» смысла обрабатываемой, хранимой и передаваемой информации. Это позволяет им, опираясь на базы знаний, описывающие соответствующие предметные области, оперировать объектами (компонентами объектов, агрегатами объектов), что и определяет их высокую эффективность.

Эффект здесь определяется тем различием, которое существует между кодированием первичной информации об объектах и воспроизведением полезной (семантической) информации о них, подобно тому различию, которое существует между растровым изображением текста и его символьно-кодовым представлением.

Одной из наиболее актуальных на сегодняшний день задач представления сложной информации в ИТКС является задача представления графической информации, в первую очередь - изображений, ввиду их разнообразия, сложности структуры и большой информационной емкости.

Разработке эффективных представлений и моделей изображений, методов их обработки и кодирования уделено большое внимание в работах отечественных и зарубежных ученых: Бонгарда М.М., Васина Ю.Г., Журавлева Ю.И., Ковалевского В. А., Лебедева Д.С., Мучника И.Б., ФайнаВ.С., Цуккермана И.И., Ярославского Л.П., Нарасимхана Р., ПавлидисаТ., ПрэттаУ., Розенфельда А., Стокхэма Т., Фримена X., Фу К., Харалика P.M., и др.

Графические изображения (карты, схемы, планы, чертежи и т.д.), для которых характерно априорное их структурирование, образуя обширный подкласс всего многообразия изображений, не слишком эффективно обрабатываются

^^тТАЛТаЯПЛТПтш РЛТнтлпошю ТТмтттю лтлгл Т» «глч»*

UAWIW^W»» MV^^WWMAilW« AMWWj/kWilWillltl, 1 l|/il ItiilU чУ 1 V/ U 1V1UJ

что присущие им внутренние корреляции чрезвычайно сильно и избирательно связаны с их упорядоченной и организованной структурой. Поэтому отсутствие учета этой структуры приводит к существенному снижению показателей сжатия графической информации, определяющих эффективную пропускную спо-

собность каналов связи ТКС, а также к снижению производительности процедур кодирования и декодирования, либо к возрастанию их ресурсозатратности.

В связи с этим весьма актуальной становится проблема разработки таких методов представления и кодирования графической информации, которые, с одной стороны, учитывали бы специфику графических изображений, а с другой стороны, повысили бы уровень эффективности их представления в ИТКС, что, в свою очередь, обеспечило бы возможность расширения круга решаемых практических задач обработки, хранения и передачи информации.

Объектом исследования являются графические изображения, их структура, свойства и характеристики, способы их представления и их математические модели, преобразования этих представлений, возможности их передачи по цифровым каналам связи телекоммуникационных систем и использования в системах обработки графической информации.

Предметом исследования являются способы и методы моделирования, представления и кодирования структуры графических изображений, ее математические модели, основанные на этих моделях методы формирования структурных описаний изображений, реализующие эти методы алгоритмы, программы и технологии обработки графических изображений, а также оценки их эффективности и возможности практической реализации при передаче графической информации по каналам связи телекоммуникационных систем и использовании в системах обработки графической информации.

-Целью работы является разработка новых эффективных структурных представлений графических изображений, их математических моделей и методов кодирования, применение которых качественно повышает возможности передачи и использования видеоинформации в интеллектуальных телекоммуникационных системах.

Для достижения поставленной цели в работе решаются следующие задачи:

- разработка и исследование модели пространственной структуры графического изображения, обеспечивающей полноту и точность описания всех его структурных элементов и их взаимосвязей;

- разработка структур данных и форматов данных для передачи структуры графических изображений по цифровым каналам связи телекоммуникационных систем;

- разработка и исследование метода и алгоритмов распознавания цвета и тона на графических изображениях и последующего кодирования преобразованных изображений;

- разработка и исследование метода и алгоритмов эффективного препарирования графических изображений для выделения их структурных элементов и взаимосвязей этих элементов;

- разработка и исследование структурного метода и алгоритмов анализа и кодирования графических изображений, обеспечивающих полноту и точность воспроизведения их структуры;

- установление взаимосвязи между характеристиками графического изображения и достижимыми показателями сжатия графической информации;

- разработка эффективных вычислительных схем форсирования алгорит-

мов обработки графической информации;

- разработка технологии и создание программного обеспечения обработки графической информации, реализующих разработанные структурные представления и методы кодирования графических изображений;

- проведение экспериментальных исследований разработанных средств и методов структурного представления и кодирования графических изображений по оценке характеристик качества воспроизведения графических изображений и сжатия графической информации для определения их эффективности и возможностей их использования в интеллектуальных телекоммуникационных системах.

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

Теоретические исследования основаны на использовании функционального анализа, топологии, теории графов, основ машинной графики, теории обработки и анализа изображений, распознавания образов.

В экспериментальных исследованиях разработанных моделей, методов и алгоритмов использовались методы моделирования структур, системного анализа, цифровой обработки изображений и машинной графики, системного программирования .

Достоверность и обоснованность изложенных положений работы

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

Теоретические положения, установленные в работе, обосновываются последовательным и корректным применением математического аппарата при получении выводов из исходных посылок, а также аналитической проверкой этих посылок и выводов результатами систематического исследования.

Достоверность результатов экспериментального исследования подтверждается их согласованностью с результатами теоретического исследования и воспроизводимостью на больших объемах экспериментального материала, обоснованностью построения алгоритмов обработки графической информации, наглядностью интерпретации полученных практических результатов.

На защиту выносятся результаты разработки и исследования новых эффективных структурных представлений графических изображений, их математических моделей, методов и алгоритмов их кодирования, а также результаты практической реализации этих моделей, методов и алгоритмов - технология и программные средства структурного представления и кодирования графической информации для ее передачи и использования в интеллектуальных телекоммуникационных системах, в том числе:

- структурно-контурная модель пространственной структуры графического изображения, обеспечивающая полноту и точность описания всех его структурных элементов и их взаимосвязей, основанная на определении конту-

ров этих элементов, сегментации этих контуров на разделяющие элементы участки и формировании графа, вершинам которого соответствуют элементы, а ребрам - отношения транзитивной смежности между ними;

- структуры данных и форматы данных для передачи структуры графических изображений по цифровым каналам связи телекоммуникационных систем, построенные на основе структурно-контурной модели;

- результаты анализа эффективности различных схем совместного применения адаптивного цветотонового преобразования и центроидного преобразования изображений для определения оптимальных параметров преобразований при обработке изображений;

- метод и алгоритмы распознавания цвета и тона на графических изображениях на основе их адаптивного цветотонового преобразования и последующего кодирования преобразованных изображений, устраняющего их избыточность, а также результаты исследования метода и алгоритмов;

- метод и алгоритмы эффективного препарирования графических изображений на основе центроидного преобразования для выделения их структурных элементов и взаимосвязей этих элементов, а также результаты исследования метода и алгоритмов;

- структурный метод и алгоритмы анализа и кодирования графических изображений, основанные на использовании цепных кодов для описания структуры изображений, обеспечивающие полноту и точность ее воспроизведения, а также результаты исследования метода и алгоритмов;

- функциональные взаимосвязи между характеристиками плотности структурных элементов графического изображения и достижимыми показателями сжатия графической информации;

- дифференциальные вычислительные схемы форсирования алгоритмов обработки графической информации, обеспечивающие существенное повышение производительности вычислений, основанные на исключении однотипных вычислений, повторяющихся при обработке изображений, и их замене на вычисления значений корректирующих функций;

- технология и программное обеспечение обработки графической информации, реализующие разработанные структурные представления и методы кодирования графических изображений;

- результаты экспериментальных исследований разработанных средств и методов структурного представления и кодирования графических изображений по оценке характеристик качества воспроизведения графических изображений и сжатия графической информации для определения их эффективности и возможностей их использования в интеллектуальных телекоммуникационных системах.

Научная новизна полученных результатов определяется впервые проведенными исследованиями, в результате которых разработаны новые эффективные структурные представления и математические модели графических изображений, на основе которых разработаны методы, построены алгоритмы и созданы технология и программные средства структурного представления и кодирования графических изображений, что качественно повышает возможности передачи и использования видеоинформации и, тем самым, вносит существен-

ный вклад в решение задач создания интеллектуальных телекоммуникационных систем, в ходе которых:

- разработана и исследована структурно-контурная модель пространственной структуры графического изображения, обеспечивающая полноту и точность описания всех его структурных элементов и их взаимосвязей, основанная на определении контуров этих элементов, сегментации этих контуров на разделяющие элементы участки и формировании графа, вершинам которого соответствуют элементы, а ребрам - отношения транзитивной смежности между ними;

- предложены и обоснованы структуры данных и форматы данных, обеспечивающие эффективную передачу структуры графических изображений по цифровым каналам связи телекоммуникационных систем, построенные на основе структурно-контурной модели;

- выполнен анализ эффективности различных схем совместного применения адаптивного цветотонового преобразования и центроидного преобразования изображений для определения оптимальных параметров преобразований при обработке изображений; установлено, что эквализация цвета и тона на изображениях, реализуемая нелинейным пространственно-частотным фильтром, обеспечивает как повышение качества адаптивного цветотонового преобразования изображений, так и получение их контурных препаратов, обеспечивающих высокое качество последующего центроидного преобразования изображений;

- разработаны и исследованы метод и алгоритмы распознавания цвета и тона на графических изображениях на основе их адаптивного цветотонового преобразования и последующего кодирования, устраняющего избыточность преобразованных изображений, основанные на кластеризации векторов цветовых компонент в цветовом пространстве, обеспечивающие возможности существенного шумоподавления, выравнивания цветовых и тоновых контрастов, компенсации пространственно-частотных искажений, цвето- и тонокоррекции, а также возможность сжатия видеоинформации на 1-2 порядка, а сравнительно с показателями сжатия используемых графических растровых форматов изображений - как минимум на порядок выше;

- разработаны и исследованы метод и алгоритмы эффективного препарирования графических изображений на основе центроидного преобразования для выделения их структурных элементов и взаимосвязей этих элементов, обеспечивающие возможности исключение из поля изображения неинформативных областей, а также оценки границ структурных элементов изображения;

- разработаны и исследованы структурный метод и алгоритмы анализа и кодирования графических изображений, основанные на использовании модифицированных дифференциальных цепных кодов для описания структуры изображений, обеспечивающие полноту и точность ее воспроизведения, а также эффективное сжатие видеоинформации на 2-4 порядка выше относительно результатов центроидного преобразования изображений;

- установлены функциональные взаимосвязи между характеристиками плотности структурных элементов графического изображения и достижимыми показателями сжатия графической информации, что позволяет оценить степень сжатия информации при обработке и кодировании графических изображений различных видов;

- построены дифференциальные вычислительные схемы форсирования алгоритмов обработки графической информации, обеспечивающие существенное повышение производительности вычислений, основанные на коррекции значений вычисляемых на изображении локальных функционалов при сканировании изображения областью определения этих функционалов с целью исключения повторных вычислений;

- предложена и обоснована технология обработки графической информации, основанная на разработанных структурных представлениях и методах кодирования графических изображений, создано программное обеспечение, реализующее эту технологию и использованное при выполнении экспериментальных исследований, результаты которых позволили определить оценки эффективности и возможностей применения разработанных средств и методов структурного представления и кодирования графических изображений в интеллектуальных телекоммуникационных системах.

Практическая полезность работы заключается в применении новых эффективных структурных представлений и методов кодирования структуры графических изображений в телекоммуникационных системах.

Разработан комплекс программ, реализующий методы и технологию обработки графической информации на основе использования преобразований графических изображений.

Разработанный комплекс программ обеспечивает реализацию эффективных вычислительных схем и алгоритмов обработки графических изображений, эффективное их кодирование, поддержку растровых форматов графических данных, форматов данных препарированных изображений и их дифференциальных цепных кодов, что позволяет использовать комплекс в интеллектуальных телекоммуникационных системах и при совместном функционировании с другими существующими программными средствами обработки графической информации.

Результаты экспериментальных исследований разработанных средств и методов и оценки их эффективности и возможностей использования в интеллектуальных телекоммуникационных системах, а также результаты их внедрения подтверждают целесообразность их использования для качественного повышения возможностей передачи и использования видеоинформации в интеллектуальных телекоммуникационных системах.

Реализация и внедрение результатов работы.

Полученные результаты использованы и апробированы для опытно-производственной эксплуатации системы терминальной обработки данных о пространственных объектах, их представления и кодирования для повышения коммуникативных возможностей в телекоммуникационных системах в ОАО «Уралсвязьинформ».

Полученные результаты использованы в учебном процессе ГОУ ВПО ИжГТУ при изучении дисциплин «Компьютерная графика» и «Интерактивные графические системы».

Апробация работы. Основные положения и результаты диссертации докладывались на российских и международных научно-технических конференциях и конгрессах: Международном Самарском симпозиуме телекоммуни-

каций для руководящих работников отрасли связи (Самара, 1998-2003); 7-й Международной конференции «Цифровая обработка сигналов и ее применение» (Москва, 2005); Международной научно-технической конференции «Информационные технологии в инновационных проектах» (Ижевск, 2005); VI и VII Международной научно-технической конференции «Проблемы техники и технологи! телекоммуникаций» (Самара, 2006); Актуальные проблемы математики, механики, информатики: Междунар. науч.-метод. конф., посвященная 90-летию высшего математического образования на Урале (Пермь, 2006 г.); 7-й и 8-й Междунар. форум «Поддержка бизнеса и операций в телекоммуникационных компаниях. Billing and OSS Telecom Forum» (Москва, 2006, 2007 г.); 8-й Всеросс. Симпозиум «Стратегическое планирование и развитие предприятий» (Москва, 2007 г.); 35-й Международной конференции «Информационные технологии в науке, образовании, телекоммуникации и бизнесе» (Украина, Крым, Ялта-Гурзуф, 2008); IX Международной научно-технической конференции «Искусственный интеллект - 2008. Интеллектуальные системы - 2008» (пос. Кацивели, АР Крым, Украина, 2008).

Публикации. Основные научные результаты по теме диссертации опубликованы в 15 научных работах в региональных журналах, сборниках научных трудов и материалов конференций. Автор имеет 5 научных трудов в изданиях, выпускаемых в РФ и рекомендуемых ВАКом для публикации основных результатов диссертаций.

Структура диссертационной работы. Диссертация содержит введение, 4 главы и заключение, изложенные на 167 стр. машинописного текста. В работу включены 60 рис., 5 табл., список литературы из 121 наименования. В приложении 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 анализируются свойства и характеристики графических изображений (ГИ), их пространственной структуры (ПС) и ее графического воспроизведения. Проводится обзор моделей и методов кодирования ГИ, а также методов сжатия графической информации. Устанавливается различие между функциональным и структурным представлениями изображений. В первом случае изображение - целостный объект - функция координат на плоскости, в то время как смысловое содержание изображения определяется его структурным представлением — двумерной ПС - совокупностью взаимосвязанных структурных элементов (СЭ) изображения, описываемой в терминах их свойств, характеристик и отношений. Графический способ формирования изображений реализуется путем нанесения СЭ на плоскость изображения в соответствии с некоторым априорно определенным пространственным планом построения (ПП) изображения. Результатом являются разнообразные ГИ различных объектов, воспроизводящие их ПС: карты, планы, схемы, чертежи, рисунки и т.д. Таким образом, ПП ГИ определяет априорно заданную структурную ор-

ганизацию в воспроизводимых изображениях.

Особенностью ГИ является целенаправленный характер их создания в качестве средства передачи информации в графической форме. Воспроизводится только необходимая для передачи информация в графических формах, обеспечивающих однозначность ее интерпретации, В зависимости от предметной области разрабатываются системы условных обозначений изображаемых объектов, воспроизводящие их в наглядной легко воспринимаемой образно-знаковой форме. При этом используется небольшое количество хорошо различимых цветов и тонов.

В зависимости от размерности СЭ подразделяются на планарные (размерность 2), линейные (размерность 1) и точечные (размерность 0). При размещении в поле изображения совокупности их графических форм воспроизводится ПС ГИ. Графическая компонента изображений вторична и не определяет ПС ГИ, но необходима для обеспечения зрительного интерфейса человека, воспринимающего их, в то время как пространственная компонента - ПП изображений, первична и полностью определяет их ПС.

Анализ существующих цифровых представлений и моделей изображений позволяет выделить два основных первичных их класса - растровые и векторные, а также возможные их разновидности. Представления растровых изображений подразделяются на сканометрические, полученными сканированием аналогового изображения, и синтетические - синтезированными в цифровом представлении по описанию ПС изображения. Первые подвержены воздействию искажений и шумов, в то время как вторые свободны от них.

Векторные модели подразделяются на необъектные и нетопологические, топологические (необъектные), объектные (нетопологические, подразделяются на топологически корректные и некорректные) и объектно-топологические. Растеризация векторных моделей не представляет сложностей и реализуется автоматически.

Методы кодирования структуры изображений разнообразны, но основные идеи, лежащие в их основе, достаточно просты, а основные различия между методами заключаются в способах их комбинирования и технических особенностях их реализации. Этими идеями являются кодирование повторяющихся элементов путем указания числа повторений (кодирование длин серий), статистическое кодирование с переменной длиной кода (коды Хаффмана и Шеннона-Фано) и кодирование на основе преобразований, устраняющих избыточность данных и, тем самым, уменьшающих количество степеней свобода передаваемых по каналам связи сообщений.

Центральным моментом при моделировании ПС ГИ с целью ее последующего кодирования является возможность эффективного представления и воспроизведения СЭ и их взаимосвязей. Поэтому при анализе ПС изображения возникают задачи объективного выделения СЭ ГИ и формирования полного и точного описания его ПС.

При воспроизведении ГИ подвергаются нелинейным искажениям тона и цвета, пространственно-частотным искажениям, ограничивающим разрешающую способность изображения, и воздействиям шумов и помех, присущим любому физическому процессу воспроизведения изображений. Поэтому любой

метод анализа ПС изображения должен проявлять устойчивость по отношению к указанным искажающим факторам.

Одним из перспективных путей решения проблемы анализа и кодирования ПС ГИ является использование разработанных и реализованных при участии автора метода центроидной фильтрации изображений и метода их адаптивного цветотонового преобразования (АЦТП). При этом возникает задача определения оптимальных параметров этих преобразований для обеспечения эффективности их совместного применения при обработке изображений.

Отмечается такая особенность центроидной фильтрации изображений, как формирование на растре линий однопиксельной ширины для линейных СЭ ГИ. Это делает целесообразным применение методов цепного кодирования линейных СЭ и границ планарных СЭ, что потенциально может обеспечить высокую степень сжатия графической информации за счет устранения избыточности, обусловленной малоинформативными областями изображений.

Во второй главе уточняется и формализуется понятие ПС ГИ на основе выявления и определения их СЭ, свойств, характеристик и взаимосвязей этих элементов. Это позволяет построить математическую модель ПС ГИ, учитывающую их ПП и графические факторы их воспроизведения.

На интуитивном уровне ПП изображения можно представить, как разметку поля изображения областями, линиями и точками, определяющими местоположение, соответственно, планарных, линейных и точечных СЭ. Семантика ПС может быть определена приписыванием этим областям, линиям и точкам соответствующих кодов вида объектов. Процесс формирования ГИ заключается в последующей графикации ПП, которая сводится к следующим операциям:

- в точках, определяющих местоположение точечных СЭ, размещаются условные знаки точечных СЭ (символы определенной структуры);

- вдоль линий, определяющих местоположение линейных СЭ, прорисовываются условные знаки линейных СЭ (линии определенного стиля, которые могут иметь продольную и поперечную структуру);

- области, определяющие местоположение планарных СЭ, заполняются условными знаками планарных СЭ (заливки определенного цвета, штриховки определенной структуры и т.д.).

Графикационная структура ГИ вторична по отношению к первичной структуре ПП, но является необходимой для обеспечения зрительного восприятия ПС изображений. Однако, и полученная графическая структура может быть представлена в форме разметки поля изображения, аналогично ПП ГИ. Отличие состоит в том, что в такой структуре присутствуют лишь вторичные планарные СЭ, соответствующие областям определенного цвета. Линейные и точечные СЭ во вторичной графикационной структуре представлены совокупностями областей различного цвета, определенными структурами соответствующих линейных и точечных условных знаков. Линейными СЭ в такой структуре являются границы, разделяющие вторичные планарные СЭ и представляющие собой сегменты контуров этих СЭ, а точечными СЭ являются узлы -концевые точки и точки стыка границ.

Эти представления приводят к структурно-контурной модели ГИ, которая

может быть представлена в виде графа структурного описания (см. рис.1).

Вершины этого графа подразделяются на три типа: области (планарные СЭ), сегменты границ (линейные СЭ) и узлы (точечные СЭ). Ребрам графа соответствует отношение смежности между соответствующими СЭ. Планарным СЭ приписывается определенный цвет, узлам - их координаты, а для описания сегментов границ могут быть использованы различные способы их представления (см. ниже). Таким образом, структурное описание может быть представлено трехслойным графом (см. рис. 16), в котором СЭ разделены по слоям в зависимости от их размерности, а вершинам графа приписаны соответствующие атрибуты.

Анализ структурно-контурной модели ГИ позволяет установить следующие свойства структурных описаний ГИ:

- любые однотипные СЭ несмежны;

- если сегмент границы смежен с планарным СЭ и с узлом, то эти пла-нарный СЭ и узел смежны (межразмерная транзитивность);

- порядок любого узла больше или равен единице;

- порядок любого сегмента границы может принимать значения 0,1 или 2; для всякого сегмента границы существуют только два планарных СЭ, смежных с ним;

- порядок любого планарного СЭ больше или равен единице.

Кроме того, можно определить отношения примыкания (отношение транзитивной смежности) и касания двух планарных СЭ. Два планарных СЭ транзи-тивно смежны, если существует сегмент границы, смежный с ними. Два планарных СЭ находятся в отношении касания, если не существует сегмент границы, смежный с ними, но существует смежный с ними узел.

При анализе реальных ГИ необходимо также учитывать искажающие факторы их формирования, вызывающие различные эффекты, маскирующие и усложняющие структуру изображений.

Первый фактор - нелинейные искажениям тона и цвета планарных СЭ, вызывает эффекты осветления темных и потемнения светлых тонов, уменьшения яркости основного цвета и подмешивания к нему компонент другого цвета.

Второй фактор - пространственно-частотные искажениям, ограничивающие разрешающую способность изображения и приводящие к эффектам размытия на сегментах границ (плавные полосы перехода тона и образование цветовой каймы на границах).

Третий фактор - воздействие шумов и помех, нарушающее постоянство

а) вторичный ПП ГИ

б) структурное описание ГИ

Рис. 1. Структурно-контурная модель ГИ

тона и цвета планарных СЭ и приводящее к их текстурированию.

Если анализ ГИ обеспечивает компенсацию указанных факторов, то на основе структурно-контурной модели можно разработать структуры данных для передачи ГИ по цифровым каналам связи телекоммуникационных систем. Эти структуры данных характеризуются следующим образом:

- структура данных представляет собой совокупность кодовых последовательностей, каждая из которых соответствует одному определенному СЭ ГИ;

- кодовая последовательность планарного СЭ состоит из кода цвета и кодов ссылок на сегменты границ, смежные с этим планарным СЭ;

- кодовая последовательность сегмента границы состоит из кода его ко-ординатно-структурного описания (см. ниже) и кодов ссылок на узлы, смежные с этим сегментом границы;

- кодовая последовательность узла представляет собой код координат этого узла.

Эффект сжатия графической информации при использовании таких структур данных достигается за счет исключения из описания ПС ГИ неинформативных областей изображения.

В третьей главе разрабатываются методы и алгоритмы кодирования ГИ на основе использования различных преобразований - адаптивного цветотонового и центроидного преобразований и преобразования цепного кодирования.

Для оценки эффективности различных схем совместного применения АЦТП и центроидного преобразования изображений с целью определения оптимальных параметров преобразований при обработке изображений было выполнено моделирование реакций центроидного преобразователя на различные по размерам и контрастам СЭ изображений. Результаты моделирования отражены в примере на рис. 2, где показаны реакции преобразователя на вертикальные линейные СЭ на растре с поперечными размерами 3 пиксела и с различными контрастами (контрастирующие уровни разделены дробной чертой). Маска фильтра на рис. 2 представляла собой горизонтальный скользящий интервал длиной 5 пикселов.

Из рисунка видно, что максимальная чувствительность преобразователя достигается при любом контрасте СЭ относительно нулевого фона. При возрастании уровня фона чувствительность быстро снижается. При этом монотонный характер зависимости чувствительности

■мшпг

■■■ ■■

(Т)яш „

СГ) и и

СОИИ ШШЯШШ МИ

Оаиьл

№ графика Контрасты

1 0/0.1-0/1.0

2 0.1/0.3-0.1/1.0 0.2/0.6-0.2/1.0 0.3/0.9-0.3/1.0

3 0.2/0.5 , 0.4/1.0

4 0.3/0.7

5 0.3/0.8

6 0.4/0.9

Рис. 2. Чувствительность цешровдного преобразования

от абсолютной величины контраста сохраняется, хотя темп возрастания этой зависимости снижается. При достижении уровня фона величины 0.5 реакция преобразователя полностью исчезает, что исключает возможность обнаружения СЭ на изображении.

Таким образом, применение простого АЦТП не гарантирует надежное обнаружение СЭ. Поскольку максимальная чувствительность преобразования достигается при нулевом уровне фона, а с учетом помех - при максимальном контрасте, то надежное обнаружение СЭ может быть достигнуто при расслоении (стратификации) изображения по его характерным цветам, выявляемым с помощью АЦТП, преобразовании каждого слоя в отдельное бинарное изображении и последующем центроидном преобразовании каждого такого изображения. Однако при этом возникает проблема последующего совмещения результатов анализа, полученных в каждом отдельном слое, что, с учетом действия пространственно-частотных искажений, может привести к необратимым искажениям в описании структур анализируемых изображений. Поэтому необходим поиск новой схемы совместного применения АЩП и центроидного преобразования, обеспечивающей надежное обнаружение СЭ изображений.

Такая схема может быть получена путем модификации АЦТП, суть которой состоит в следующем.

Для пиксела с координатами (¡,у) задается окно размерами 3x3 пикселов, образованное совокупностью 9 пикселов в его окрестности = + ],)|, где ^ = -1, 0, 1, у,=-1, 0, 1 - величины смещений пикселов окна относительно положения центрального пиксела (г,У).

Создаются два первичных «пустых» (белый фон) цветных изображения ^.с.яО'.У')-0 и Р«,с,,в (*>./) = 0, затем цветовые компоненты 1Й (/,./) 10(г,;') 1В (г,у) исходного изображения 1Д0 в (г,у) обрабатываются квазилинейным фильтром:

Для каждого пиксела с координатами (1,7) производится сравнение с порогом р:

Если (2) при всех (г*,/) е IV(г,у) выполнено, то Ък а ь (/,_/) модифицируется:

гк{и) = гк(и), гс(/,;) = £(/,у), гв{и)=Гв{и). (3)

Если (2) не выполнено хотя бы при одном (Г, то модифицируется К,;сз (/,/):

= = = (4)

Тем самым формируется контурный препарат изображения.

Дальнейший анализ состоит в выделении в изображении с в (/,у) связных цветовых областей планарных СЭ С,, ..., <7е и определении характерных цветов:

где <7 = 1,0, Ц- количество областей, Ыч - количество пикселов в области .

Кроме того, изображение Уяай = 0 подвергается последующему цен-троидному преобразованию с целью выделения сегментов границ планарных СЭ.

Результатом АЦТП является представленное в характерным цветах изображение 2л о в(/,у') = 0, для которого характерны высокий уровень шумоподавления и более высокое качество воспроизведения по сравнению с исходным изображением за счет выравнивания цветовых (тоновых) контрастов.

При применении АЦТП также можно достичь высокой степени сжатия графической информации за счет образования повторяющихся серий пикселов при выравнивании тонов и цветов (схема В£Е).

Для реализации центроидного преобразования используются настраиваемые окна с заданными размерами и формой. Для пиксела с координатами (г,у) окно образуется совокупностью п пикселов в его окрестности и>(г,у) = | (г + 1к,]+]к)\к = 1,я|, где ¿(, ]к - величины смещений пикселов окна относительно положения центрального пиксела (/,у).

Центроидное преобразование изображения Уяав (г,/) в общем случае заключается в вычислении вектора центроида (/,/),Су (/,/)) для каждого пиксела:

2 У (Г-])у(г.Г)

с (; _ г (1 Л _

СЛ,'7)--Е У(г,Г) 'С'М--Е К(Л/) • (6)

после чего формируется производное центроидное изображение С(г',/). Дня этого создается «пустое» изображение = 0, которое затем модифицируется: С, (/,./) = г(/,./) + 1, если / = С,(0,0), у = СД0,0), Си+1 {и) = См(и) +1, если / = Г + Сх(Г, /), j = / + Су(Г,/), (7) где индекс т = г + М] нумерует пикселы изображения размера М х N, соответ-

Ы

-[и]"-

Центроидное преобразование обладает отчетливо выраженными селективными свойствами по отношению к линейным СЭ максимального контраста и обеспечивает их надежное обнаружение на изображении УЙ 0 в (г,у).

Для этого производится дальнейшая обработка центроидного изображе-

РТОвОПЛ » — ЛЛЛ _ Л/.__

------------------1м Г

^^ ¿^сЛИЯ "«СТ1» "ПСЛИ и у.

ния С (г,/), которая заключается в пороговом выделении на нем пикселов с высокой яркостью (при этом возможна смена размеров и формы окна). При ненулевых значениях яркости, меньших величины порога соответствующие области изображения маркируются как неопределенные. В этом случае перенастраиваются размеры и форма окна и'(г, /), которое затем используется для обработки областей неопределенности. Таким образом, реализуется адаптивная обработка изображения центроидным фильтром.

Результаты описанной обработки изображений представлены на рис. 3, 4.

а) исходное изображение б) контурный препарат

Рис. 3. Исходное изображение и его контурный препарат

Из рисунков видно, насколько надежно выделяется контурный препарат изображения к в какой мере улучшается качество воспроизводимого после применения модифицированного АЦШ изображения. В еще более наглядном виде качество обработки изображений показано в увеличенном виде на рис. 5. Как видно из рисунка, планарные СЭ четко разделяются в контурном препарате.

Последующая обработка изображений заключается в преобразований обработанного центроидного изображения в координатыо-структурные описания сегментов границ, представляющих собой совокупность цепных кодов линейных СЭ.

Цепные коды связаны с понятием связности на растре. Связность на растре определяется отношением смежности (соседства) пикселов; при этом по кратности связности следует различать 8-связность и 4-связность. На основе 8-связнссти и 4-связности можно построить эффективные представления линий на растре в виде простого цепного кода (ЦК - кода Фримена), описывающего переходы по смежным пикселам линии как приращения пиксельных координат, и дифференциального цепного кода (ДНК; см. рис. 6), описывающего изменения в этих переходах как приращения изменений текущего направления перехода.

точечные СЭ

линейные СЭ__

jeBaSSeSjeej

Sí» -»4-1

ФйЭавййвдй

вдвачама

Рис. 4. Результат АДТП изображения на рис. 3 а

пленарные СЭ а) на исходном б) на контурном изображении препарате

Рис. 5. Контурные препараты различных типов СЭ

При дифференциальном цепном кодировании сжатие обеспечивается естественным образом, поскольку незначащая часть растрового изображения устраняется из кода. Наиболее эффективным представляется 8-связный 3-позиционный код ДЦК-8/3, обеспечивающий 2 бита на один пиксел сегмента границы. Эффективность этого кода может быть еще более повышена за счет кодирования с переменной длиной кода, что позволяет получить в среднем 1.5 бита на один пиксел.

3(011) 1(001) 0(000) 3(011) 1(001) 1(01)

1(01) 0(00) ¡2(10)

1(001) 0(000)

ни

|Ч 2(010)

3(011) j (0Q1) j 0(000) 2(010)

яИ

е- fs

0(00)

4(100) 4(100) 2(10)

а) 8-связный б) 8-связный в) 4-связный

3-позиционный 5-шшщионный 3-ПОЗИЦИОННЫН

■ (ДЦК-8/3) (ДЦК-8/5) (ДЦК-4/3)

Рис. 6. Дифференциальные цепные коды

Для оценки показателей сжатия графической информации, достигаемых при применении описанных преобразований, можно ввести меру плотности структурных элементов изображения. Для этого необходимо рассмотреть такие характеристики изображения на материальном носителе (бумаге), как размеры изображения, минимальную, максимальную и среднюю ширину линейных условных чняк-or. графически восттрои^кояятих гтинпйные СЭ^ минимигтнутг» длина линейных условных знаков средней ширины и границ между планарны-ми условными знаками, графически воспроизводящими плакарные СЭ. IVpOmC того, для четкого различения линейных условных знаков и границ между пленарными условными знаками необходимо установить некоторое минимальное расстояние между ними. Для этого определяется сегрегат (односторонняя зона

отчуждения) линейного условного знака или границы между планарными условными знаками, ограничиваемый траекторией расположения линейного условного знака или границы между планарными условными знаками и эквиди-стантами на некотором допустимом минимальном расстоянии от них. При этом сегрегаты различных линейных СЭ не должны пересекаться. Для оценки меры плотности СЭ необходимо также задать разрешение, обеспечивающее достаточное качество воспроизведения ГИ.

При наличии указанных установок можно определить величину плотности СЭ как отношение суммарной площади на изображении, занимаемой линейными условными знаками средней ширины и границами между планарными условными знаками вместе с сегрегатами, в пикселах к общей площади изображения в пикселах:

2.361Х,

' <8>

где Ц - длины сегментов границ (в мм), М и N - ширина и высота изображения (в мм), соответственно.

Очевидно, что величина плотности структурных элементов изображения изменяется в пределах от 0 до 1.

Таким образом, при максимальной плотности структурных элементов изображения р = 1 коэффициенты сжатия информации составляют:

216Ш ог 216ЛСУ „„ с

сг,=—--= 25, сг.5=-= 22.5. (9)

2 8,6Ш 15 9.6 Ш

При этом следует заметить, что при максимальной плотности структурных элементов изображения р = 1 структура изображения может иметь вид либо плотной регулярной решетки, либо плотной текстуры при стохастическом характере размещения структурных элементов в поле изображения.

В экспериментальных исследованиях установлено, что обычные значения плотности структурных элементов изображения составляют 0.1-0.5. При этом коэффициенты сжатия информации измейяются от двух до четырех порядков, что свидетельствует о высокой эффективности использования схем дифференциального цепного кодирования.

В четвертой главе описаны разработанные схемы реализации методов, алгоритмы, программное обеспечение и технология обработки графической информации, а также результаты экспериментальных исследований разработанных средств и методов и оценки их эффективности и возможностей использования в ИТКС и в других системах с обработки графической информации.

При разработке технологии и программного обеспечения обработки изображений, основанных на использовании АЦТП и центроидного преобразований, были проработаны новые алгоритмические решения, сокращающих используемые вычислительные ресурсы - объемы потребляемой памяти и время вычислений (время кодирования/декодирования). Эти решения основывались на использовании более эффективных форм представления данных и видоизменений вычислительных процессов с целью исключения повторных вычислений.

Так, для локальной обработки изображений, основанной на использова-

нии настраиваемых окон, характерным является повторение значительного количества пикселов в окне при сдвиге его на величину одного пиксела в процессе сканирования изображения окном. Поэтому, в качестве одного из основных приемов форсирования вычислительного процесса была использована коррекция вычисляемых значений функционала в окне при перемещении окна на величину в один пиксел. При этом значение функционала корректировалось таким образом, чтобы учесть попадание в окно новых пикселов изображения, устранение из него части старых пикселов и перемещение сохранившихся в окне пикселов. Были выведены корректирующие выражения для квазилинейного и центроидного фильтров. Выигрыш во времени вычислений составил 65 %.

Использование описанных выше преобразований изображений было реализовано программно в системе обработки Ш, что позволило построить соответствующую технологию обработки графической информации (см. рис. 7). В этой технологии производится последовательная обработка информации, начиная от исходного растрового ГИ до структурного описания ПС изображения в ДЦК. При этом преобразуются форматы представления данных (растры, коды ДЦК-8/3), а также формируются вспомогательные структуры данных, сопровождающие представления изображений (цветотоновые шкалы, легенды графикации). Этим обеспечивается возможность восстановления распознанного изображения в растровой графической форме.

Созданная система позволила выполнить экспериментальные исследования по оценке качества и других характеристик результатов, получаемых при обработке графической информации с использованием преобразований.

В ходе экспериментальных исследований было использовано также около двухсот ГИ с различной сложностью структуры количеству содержащихся в них СЭ, количеству видов СЭ и разновидностей их графических форм, с различным количеством значений цветотоновой шкалы (от 2 до 28), подверженных воздействию шумов различной интенсивности, и в целом - различного качества.

В целом при визуальной оценке восстановленных изображений было установлено их удовлетворительное качество в довольно широких диапазонах сложности структуры, цветности и искаженности. Для количественной оценки использовался простейший критерий - количество дефектных пикселов на растре восстановленных изображений. При изменении изображений во всех указанных выше диапазонах количество дефектных пикселов в основном изменялось от нуля до 0.1% и в самых крайних случаях не превысило 0.18%.

Самым важным аспектом приведенных экспериментальных исследований было изучение возможностей сжатия графической информации. Согласно разработанной технологии (см. рис. 7) обработка изображений производится последовательно с использованием различных процедур, и результаты каждой процедуры дают новый тип данных. Для каждого из этого типа данных могут быть применены процедуры сжатия, основанные ия различных свойствах этих, данных.

Экспериментально полученные показатели сжатия графической информации приведены в табл. 1, в которой даны общие наиболее характерные показатели для всей выборки изображений и их конкретные показатели для двух тестовых изображений различного характера.

Рис. 7. Технология обработки графической информации

Экспериментально полученные общие наиболее характерные показатели сжатия графической информации составляют величины 3-6 порядков.

Таблица 1

Показатели степени сжатия графической информации_

Преобразование изображения Общий показатель Тестовые ГИ

монохромное (полутоновое) линейчатое, *.Ьшр Grayscale (256 градаций уровней серого), 1000x1000пикселов, 128 килобайт (33 изолированных гладких линии) цветное (6 цветов), *.bmp Truecolor (256 градаций уровней яркости в каждом из 3-х каналов RGB), 2000x2000пикселов 12 мегабайт

Адаптивное цветотоновое преобразование NxlO-NxlO2 - 150

Центроилная фильтрация и дифференциальное цепное кодирование ДЦК-8/3 2-4 порядка 53 2.8

Всего 3-6 порядков 53 420

В целом характеристики экспериментальных результатов следующие:

- адаптивное цветотоновое преобразование изображений; достигаются возможности существенного шумоподавления, выравнивания цветовых и тоновых контрастов, а также возможность сжатия видеоинформации на 1-2 порядка (сравнительно с показателями сжатия используемых графических растровых форматов изображений - как минимум на порядок выше);

- центроидная фильтрация изображений; достигаются возможности «очищения» поля изображения от незначащих (неинформативных) областей (внутренние области фона и заливок планарных структурных элементов изображения);

- дифференциальное цепное кодирование изображений; достигаются показатели сжатия видеоинформации на 2-4 порядка выше относительно результатов сжатия препаратов изображений, полученных при центроидной фильтрации.

Выполненные экспериментальные исследования разработанных средств и методов анализа пространственной структуры графических изображений подтвердили их эффективность и перспективность их использования в ИТКС; в результате экспериментов установлена высокая и возрастающая по стадиям обработки изображения степень сжатия информации, вплоть до нескольких порядков, а также высокая производительность и технологичность созданных средств обработки и кодирования графической информации.

ЗАКЛЮЧЕНИЕ

В работе получены следующие основные результаты и выводы.

1. Разработана структурно-контурная модель пространственной структуры графического изображения, обеспечивающая полноту и точность описания всех его структурных элементов и их взаимосвязей, основанная на определении контуров этих элементов, сегментации этих контуров на разделяющие элементы участки и формировании графа, вершинам которого соответствуют элементы, а ребрам - отношения транзитивной смежности между ними.

2. Предложены и обоснованы структуры данных и форматы данных, обеспечивающие эффективную передачу структуры графических изображений по цифровым каналам связи телекоммуникационных систем, построенные на основе струюурно-контурной модели.

3. Выполнен анализ эффективности различных схем совместного применения адаптивного цветотонового преобразования и центроидного преобразования изображений для определения оптимальных параметров преобразований при обработке изображений; установлено, что эквализация цвета и тона на изображениях, реализуемая нелинейным пространственно-частотным фильтром, обеспечивает как повышение качества адаптивного цветотонового преобразования изображений, так и получение их контурных препаратов, обеспечивающих высокое качество последующего центроидного преобразования изображений.

4. Разработаны и исследованы метод и алгоритмы распознавания цвета и тона на графических изображениях на основе их адаптивного цветотонового преобразования и последующего кодирования, устраняющего избыточность

преобразованных изображений, основанные на кластеризации векторов цветовых компонент в цветовом пространстве, обеспечивающие возможности существенного шумоподавления, выравнивания цветовых и тоновых контрастов, компенсации пространственно-частотных искажений, цвето- и тонокоррекции, а также возможность сжатия видеоинформации на 1 -2 порядка, а сравнительно с показателями сжатия используемых графических растровых форматов изображений - как минимум на порядок выше.

5. Разработаны и исследованы метод и алгоритмы эффективного препарирования графических изображений на основе центроидного преобразования для выделения их структурных элементов и взаимосвязей этих элементов, обеспечивающие возможности исключение из поля изображения неинформативных областей, а также оценки границ структурных элементов изображения.

6. Разработаны и исследованы структурный метод и алгоритмы анализа и кодирования графических изображений, основанные на использовании модифицированных дифференциальных цепных кодов для описания структуры изображений, обеспечивающие полноту и точность ее воспроизведения, а также эффективное сжатие видеоинформации на 2-4 порядка выше относительно результатов центроидного преобразования изображений.

7. Установлены функциональные взаимосвязи между характеристиками плотности структурных элементов графического изображения и достижимыми показателями сжатия графической информации, что позволяет оценить степень сжатия информации при обработке и кодировании графических изображений различных видов.

8. Построены дифференциальные вычислительные схемы форсирования алгоритмов обработки графической информации, обеспечивающие существенное повышение производительности вычислений, основанные на коррекции значений вычисляемых на изображении локальных функционалов при сканировании изображения областью определения этих функционалов с целью исключения повторных вычислений.

9. Предложена и обоснована технология обработки графической информации, основанная на разработанных структурных представлениях и методах кодирования графических изображений.

10. Создано программное обеспечение, реализующее разработанные модели, методы, алгоритмы и технологию обработки графической информации на основе разработанных структурных представлений и методов кодирования графических изображений.

11. Выполнены экспериментальные исследования разработанных средств и методов обработки графической информации, результаты которых подтвердили их эффективность и перспективность их использования для качественного повышения возможностей передачи и использования видеоинформации в интеллектуальных телекоммуникационных системах; в результате экспериментов установлены высокие показатели качества воспроизведения графических изображений и высокая степень сжатия графической информации.

НАУЧНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Кузнецов А.Г. Построение математических моделей структурных описаний изображений И Вестник Московской Академии рынка труда и информационных технологий.-2004.-№3 (11).-С. 103-112.

2. Кузнецов А.Г., Уфимкин АЛ. Использование преобразований для сжатия графической информации // Вестник Московской Академии рынка труда и информационных технологий. - 2004. - № 4 (12). - С. 62-73.

3. Лялин В.Е., Кузнецов А.Г. Использование цепных кодов для кодирования графических изображений // Вестник Московской Академии рынка труда и информационных технологий. - 2004. - № 4 (12). - С. 74-80.

4. Пивоваров И.В., Кузнецов А.Г. Эффективное кодирование цветных графический изображений для передачи по каналам связи телекоммуникационных систем // Ж. АН Украины «Искусственный интеллект» - №3, 2005. - Донецк: Изд-во Наука 1 освгеа, 2005. - С. 641-648.

5. Кузнецов А.Г., Телегина М.В. Обнаружение структурных элементов графических изображений на основе селективных эффектов центроидной фильтрации // Информационные технологии в инновационных проектах: Труды международной научно-технической конференции (Ижевск, 2005). - Ижевск: Изд-во Механического завода, 2005.- С. 152-157.

6. Кузнецов А.Г. О ранжировании телекоммуникационных компаний по внедрению высокотехнологичного оборудования, обеспечивающего высокий уровень сжатия передаваемой информации // Актуальные проблемы математики, механики, информатики: матер. Междунар. науч.-метод. конф., посвященной 90-летию высшего математического образования на Урале (Пермь, 9-15 октября 2006 г.). - Пермь: ПГУ, 2006. - С. 100-102.

7. Кузнецов А.Г., Кувшинов Б.М., Ширяев В.И. О ранжировании предприятий по внедрению интеллектуальных информационных технологий и сравнении эффективности их работы // Вестник Пермского университета. - 2007. -Вып. 7. Математика Механика. Информатика. - С. 108-117.

8. Кувшинов Б.М., Кузнецов А.Г., Ширяев В.И. Оценка эффективности в задачах выбора, управления и оценивания состояния объектов, действующих в неоднородных условиях // Вестник ЮУрГУ. Серия Компьютерные технологии, управление, радиоэлектроника. - 2007. - Вып. 6. - С. 42-49.

9. Кузнецов А.Г., Уфимкин АЛ., Левицкая Л.Н. Сжатие графической информации с использованием адаптивного цветотонового преобразования // Информационные технологии в науке, образовании, телекоммуникации и бизнесе. Материалы 35-й междунар. конф. - Украина, Крым, Ялта-Гурзуф: Прилож. к журн. «Открытое образование», 2008. - С. 51-52.

10. Кузнецов А.Г., Уфимкин А.Я. Использование преобразований для эф-

гКрТГПтиПГЛ ПП<»ТГС»Т011ПРиТ)10 и гппттлпитип палйллм^лиш" т» тлплт^л» и«ГТТТ?Т»АТТТ1Л»Т_

ных системах // Ж. АН Украины «Искусственный интеллект» - № 4. - Донецк: Изд-во Наука 1 освгта, 2008. - С. 366-375.

11. Кузнецов А.Г., Уфимкин А.Я. Преобразования изображений для их эффективного кодирования // Искусственный интеллект - 2008. Интеллектуаль-

щ

н

ные системы - 2008: Сборник материалов международной научно-технической конференции (пос. Кацивели, АР Крым, Украина). Часть 2: Изд-во Наука i ocBi-та, 2008. - С. 44-48.

12. Кузнецов А.Г. Сжатие изображений контурным методом с помощью цифровой интерполяции // Искусственный интеллект - 2008. Интеллектуальные системы - 2008: Сборник материалов международной научно-технической конференции (пос. Кацивели, АР Крым, Украина). Часть 2: Изд-во Наука i ocßi-та, 2008.-С. 49-53. ■

13. Кузнецов А.Г. Сжатие графической информации методом дифференциального цепного кодирования на основе оценки плотности структурных элементов изображений // Информационные технологии в науке, образовании, телекоммуникации и бизнесе. Материалы 35-й междунар. конф. - Украина, Крым, Ялта-Гурзуф: Прилож. к журн. «Открытое образование», 2008. - С. 192-195.

14. Кузнецов А.Г., Уфимкин А.Я. Цепные коды для повышения эффективности кодирования линейных структурных элементов II Информационные технологии в науке, образовании, телекоммуникации и бизнесе. Материалы 35-й междунар. конф. - Украина, Крым, Ялта-Гурзуф: Прилож. к журн. «Открытое образование», 2008.-С. 195-197.

15. Петров A.B., Кузнецов А.Г. Сжатый способ представления контуров изображения // Информационные технологии в науке, образовании, телекоммуникации и бизнесе. Материалы 35-й междунар. конф. - Украина, Крым, Ялта-Гурзуф: Прилож. к журн. «Открытое образование», 2008. - С. 203-204.

Лицензия JIP № 020764 от 29.04.98

Подписано в печать 03.11.2008. Формат 60x84 1/16. Отпечатано на ризографе. Уч.-изд. л. 1,74. Усл. печ. л. 1,38. Тираж 100 экз. Заказ № 714/1.

А.Г. Кузнецов

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

Введение.

Глава 1. ОБЗОР МОДЕЛЕЙ И МЕТОДОВ КОДИРОВАНИЯ И СЖАТИЯ ГРАФИЧЕСКОЙ ИНФОРМАЦИИ.

1.1. Структурно-графические свойства изображений.

1.2. Обработка изображений на основе центроидной фильтрации.

1.3. Основные цветовые модели и цветовые координатные системы

1.4. Представление графической информации.

1.4.1. Основные типы данных изображений.

1.5. Методы обработки цифровой графической информации.

1.6. Полученные результаты и выводы.

Глава 2. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ПРОСТРАНСТВЕННОЙ СТРУКТУРЫ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ С УЧЕТОМ ИХ ПЛАНА ПОСТРОЕНИЯ И ГРАФИЧЕСКИХ ФАКТОРОВ ИХ ВОСПРОИЗВЕДЕНИЯ.

2.1. Представление плана построения изображения.

2.2. Определение инвариантов структуры изображений относительно группы преобразований.

2.3. Пространственно-структурные свойства изображений.

2.4. Структурно-контурная модель графических изображений.

2.5. Учет искажающих факторов формирования графических изображений, маскирующие и усложняющие структуру изображений.

2.6. Полученные результаты и выводы.

Глава 3. МЕТОДЫ И АЛГОРИТМЫ ОБРАБОТКИ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ АДАПТИВНОГО ЦВЕТОТОНОВОГО

И ЦЕНТРОИДНОГО ПРЕОБРАЗОВАНИЙ И ПРЕОБРАЗОВАНИЯ

ЦЕПНОГО КОДИРОВАНИЯ.

3.1. Система адаптивного цветотонового преобразования изображений.

3.1.1. Математические характеристики кластеров.

3.1.2. Выделение габаритных экстентов, содержащих проекцию цветового кластера.

3.2. Цветокоррекция графических изображений.

3.3. Структурно-цветовой анализ изображений.

3.3.1. Сжатие цветовых кластеров изображения и подавление межкластерной диффузной среды с помощью центроидного фильтра.

3.3.2. Стохастические искажения характеристик кластеров цветовых компонент.

3.3.3. Стратификация изображений с помощью методики структурно-цветового анализа.

3.4. Эффективное представление и кодирование графических изображений с использованием преобразований.

3.5. Линейные и планарные операторы формирования растра.

3.6. Показатели степени сжатия графической информации методом дифференциального цепного кодирования на основе оценки плотности структурных элементов изображений.

3.7. Полученные результаты и выводы.

Глава 4. СХЕМЫ РЕАЛИЗАЦИИ МЕТОДОВ, АЛГОРИТМЫ, ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ И ТЕХНОЛОГИЯ ОБРАБОТКИ ГРАФИЧЕСКОЙ ИНФОРМАЦИИ.

4.1. Алгоритмы, программное обеспечение и технология.

4.2. Обработки изображений на основе использования настраиваемых окон.

4.3. Алгоритмические средства селекции структурных элементов графических изображений.

4.3.1. Программная реализация селекции структурных элементов методом центроидной фильтрации.

4.3.2. Программное обеспечение для адаптивного цветотонового преобразования изображений.

4.3.3. Перспективные направления повышения эффективности разработанных алгоритмов и программ.

4.3.4. Оценка эффективности модифицированного алгоритма обработки данных при центроидной фильтрации изображений.

4.4. Полученные результаты и выводы.

Актуальность темы. Проблема передачи больших объемов информации по каналам связи телекоммуникационных систем (ТКС) продолжает сохранять свою актуальность. Решение этой проблемы в значительной мере осложняется тем, что передаваемая информация имеет сложную структуру и разнообразные формы организации.

В настоящее время отчетливо наметилась вполне определенная тенденция «интеллектуализации» представления информации при решении задач ее обработки, хранения и передачи (т.н. интеллектуальные ТКС - ИТКС). Эта тенденция проявляется в том, что существующие хорошо развитые методы кодирования (сжатия, упаковки) информации начинают постепенно вытесняться более сложными (но, одновременно, и более эффективными) методами, основанными на анализе содержательной стороны информации об объектах, процессах и явлениях, в отличие от формальной стороны, слабо учитывающей их специфику. Такие методы представления информации в той или иной мере воспроизводят семантику объектов соответствующей предметной области. Можно сказать, что такие информационные системы обеспечивают определенный уровень «понимания» смысла обрабатываемой, хранимой и передаваемой информации. Это позволяет им, опираясь на базы знаний, описывающие соответствующие предметные области, оперировать объектами (компонентами объектов, агрегатами объектов), что и определяет их высокую эффективность.

Эффект здесь определяется тем различием, которое существует между кодированием первичной информации об объектах и воспроизведением полезной (семантической) информации о них, подобно тому различию, которое существует между растровым изображением текста и его символьно-кодовым представлением.

Одной из наиболее актуальных на сегодняшний день задач представления сложной информации в ИТКС является задача представления графической информации, в первую очередь - изображений, ввиду их разнообразия, сложности структуры и большой информационной емкости.

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

Графические изображения (карты, схемы, планы, чертежи и т.д.), для которых характерно априорное их структурирование, образуя обширный подкласс всего многообразия изображений, не слишком эффективно обрабатываются существующими методами кодирования изображений. Причина этого в том, что присущие им внутренние корреляции чрезвычайно сильно и избирательно связаны с их упорядоченной и организованной структурой. Поэтому отсутствие учета этой структуры приводит к существенному снижению показателей сжатия графической информации, определяющих эффективную пропускную способность каналов связи ТКС, а также к снижению производительности процедур кодирования и декодирования, либо к возрастанию их ресурсозатратности.

В связи с этим весьма актуальной становится проблема разработки таких методов представления и кодирования графической информации, которые, с одной стороны, учитывали бы специфику графических изображений, а с другой стороны, повысили бы уровень эффективности их представления в ИТКС, что, в свою очередь, обеспечило бы возможность расширения круга решаемых практических задач обработки, хранения и передачи информации.

Объектом исследования являются графические изображения, их структура, свойства и характеристики, способы их представления и их математические модели, преобразования этих представлений, возможности их передачи по цифровым каналам связи телекоммуникационных систем и использования в системах обработки графической информации.

Предметом исследования являются способы и методы моделирования, представления и кодирования структуры графических изображений, ее математические модели, основанные на этих моделях методы формирования структурных описаний изображений, реализующие эти методы алгоритмы, программы и технологии обработки графических изображений, а также оценки их эффективности и возможности практической реализации при передаче графической информации по каналам связи телекоммуникационных систем и использовании в системах обработки графической информации.

Целью работы является разработка новых эффективных структурных представлений графических изображений, их математических моделей и методов кодирования, применение которых качественно повышает возможности передачи и использования видеоинформации в интеллектуальных телекоммуникационных системах.

Для достижения поставленной цели в работе решаются следующие задачи: разработка и исследование модели пространственной структуры графического изображения, обеспечивающей полноту и точность описания всех его структурных элементов и их взаимосвязей; разработка структур данных и форматов данных для передачи структуры графических изображений по цифровым каналам связи телекоммуникационных систем; разработка и исследование метода и алгоритмов распознавания цвета и тона на графических изображениях и последующего кодирования преобразованных изображений; разработка и исследование метода и алгоритмов эффективного препарирования графических изображений для выделения их структурных элементов и взаимосвязей этих элементов; разработка и исследование структурного метода и алгоритмов анализа и кодирования графических изображений, обеспечивающих полноту и точность воспроизведения их структуры; установление взаимосвязи между характеристиками графического изображения и достижимыми показателями сжатия графической информации;

- разработка эффективных вычислительных схем форсирования алгоритмов обработки графической информации;

- разработка технологии и создание программного обеспечения обработки графической информации, реализующих разработанные структурные представления и методы кодирования графических изображений;

- проведение экспериментальных исследований разработанных средств и методов структурного представления и кодирования графических изображений по оценке характеристик качества воспроизведения графических изображений и сжатия графической информации для определения их эффективности и возможностей их использования в интеллектуальных телекоммуникационных системах.

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

Теоретические исследования основаны на использовании функционального анализа, топологии, теории графов, основ машинной графики, теории обработки и анализа изображений, распознавания образов.

В экспериментальных исследованиях разработанных моделей, методов и алгоритмов использовались методы моделирования структур, системного анализа, цифровой обработки изображений и машинной графики, системного программирования.

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

Теоретические положения, установленные в работе, обосновываются последовательным и корректным применением математического аппарата при получении выводов из исходных посылок, а также аналитической проверкой этих посылок и выводов результатами систематического исследования.

Достоверность результатов экспериментального исследования подтверждается их согласованностью с результатами теоретического исследования и воспроизводимостью на больших объемах экспериментального материала, обоснованностью построения алгоритмов обработки графической информации, наглядностью интерпретации полученных практических результатов.

На защиту выносятся результаты разработки и исследования новых эффективных структурных представлений графических изображений, их математических моделей, методов и алгоритмов их кодирования, а также результаты практической реализации этих моделей, методов и алгоритмов - технология и программные средства структурного представления и кодирования графической информации для ее передачи и использования в интеллектуальных телекоммуникационных системах, в том числе:

- структурно-контурная модель пространственной структуры графического изображения, обеспечивающая полноту и точность описания всех его структурных элементов и их взаимосвязей, основанная на определении контуров этих элементов, сегментации этих контуров на разделяющие элементы участки и формировании графа, вершинам которого соответствуют элементы, а ребрам - отношения транзитивной смежности между ними;

- структуры данных и форматы данных для передачи структуры графических изображений по цифровым каналам связи телекоммуникационных систем, построенные на основе структурно-контурной модели;

- результаты анализа эффективности различных схем совместного применения адаптивного цветотонового преобразования и центроидного преобразования изображений для определения оптимальных параметров преобразований при обработке изображений;

- метод и алгоритмы распознавания цвета и тона на графических изображениях на основе их адаптивного цветотонового преобразования и последующего кодирования преобразованных изображений, устраняющего их избыточность, а также результаты исследования метода и алгоритмов;

- метод и алгоритмы эффективного препарирования графических изображений на основе центроидного преобразования для выделения их структурных элементов и взаимосвязей этих элементов, а также результаты исследования метода и алгоритмов;

- структурный метод и алгоритмы анализа и кодирования графических изображений, основанные на использовании цепных кодов для описания структуры изображений, обеспечивающие полноту и точность ее воспроизведения, а также результаты исследования метода и алгоритмов;

- функциональные взаимосвязи между характеристиками плотности структурных элементов графического изображения и достижимыми показателями сжатия графической информации;

- дифференциальные вычислительные схемы форсирования алгоритмов обработки графической информации, обеспечивающие существенное повышение производительности вычислений, основанные на исключении однотипных вычислений, повторяющихся при обработке изображений, и их замене на вычисления значений корректирующих функций;

- технология и программное обеспечение обработки графической информации, реализующие разработанные структурные представления и методы кодирования графических изображений;

- результаты экспериментальных исследований разработанных средств и методов структурного представления и кодирования графических изображений по оценке характеристик качества воспроизведения графических изображений и сжатия графической информации для определения их эффективности и возможностей их использования в интеллектуальных телекоммуникационных системах.

Научная новизна полученных результатов определяется впервые проведенными исследованиями, в результате которых разработаны новые эффективные структурные представления и математические модели графических изображений, на основе которых разработаны методы, построены алгоритмы и созданы технология и программные средства структурного представления и кодирования графических изображений, что качественно повышает возможности передачи и использования видеоинформации и, тем самым, вносит существенный вклад в решение задач создания интеллектуальных телекоммуникационных систем, в ходе которых: разработана и исследована структурно-контурная модель пространственной структуры графического изображения, обеспечивающая полноту и точность описания всех его структурных элементов и их взаимосвязей, основанная на определении контуров этих элементов, сегментации этих контуров на разделяющие элементы участки и формировании графа, вершинам которого соответствуют элементы, а ребрам - отношения транзитивной смежности между ними;

- предложены и обоснованы структуры данных и форматы данных, обеспечивающие эффективную передачу структуры графических изображений по цифровым каналам связи телекоммуникационных систем, построенные на основе структурно-контурной модели; выполнен анализ эффективности различных схем совместного применения адаптивного цветотонового преобразования и центроидного преобразования изображений для определения оптимальных параметров преобразований при обработке изображений; установлено, что эквализация цвета и тона на изображениях, реализуемая нелинейным пространственно-частотным фильтром, обеспечивает как повышение качества адаптивного цветотонового преобразования изображений, так и получение их контурных препаратов, обеспечивающих высокое качество последующего центроидного преобразования изображений;

- разработаны и исследованы метод и алгоритмы распознавания цвета и тона на графических изображениях на основе их адаптивного цветотонового преобразования и последующего кодирования, устраняющего избыточность преобразованных изображений, основанные на кластеризации векторов цветовых компонент в цветовом пространстве, обеспечивающие возможности существенного шумоподавления, выравнивания цветовых и тоновых контрастов, компенсации пространственно-частотных искажений, цвето- и тонокоррекции, а также возможность сжатия видеоинформации на 1-2 порядка, а сравнительно с показателями сжатия используемых графических растровых форматов изображений - как минимум на порядок выше; разработаны и исследованы метод и алгоритмы эффективного препарирования графических изображений на основе центроидного преобразования для выделения их структурных элементов и взаимосвязей этих элементов, обеспечивающие возможности исключение из поля изображения неинформативных областей, а также оценки границ структурных элементов изображения;

- разработаны и исследованы структурный метод и алгоритмы анализа и кодирования графических изображений, основанные на использовании модифицированных дифференциальных цепных кодов для описания структуры изображений, обеспечивающие полноту и точность ее воспроизведения, а также эффективное сжатие видеоинформации на 2-4 порядка выше относительно результатов центроидного преобразования изображений;

- установлены функциональные взаимосвязи между характеристиками плотности структурных элементов графического изображения и достижимыми показателями сжатия графической информации, что позволяет оценить степень сжатия информации при обработке и кодировании графических изображений различных видов; построены дифференциальные вычислительные схемы форсирования алгоритмов обработки графической информации, обеспечивающие существенное повышение производительности вычислений, основанные на коррекции значений вычисляемых на изображении локальных функционалов при сканировании изображения областью определения этих функционалов с целью исключения повторных вычислений; предложена и обоснована технология обработки графической информации, основанная на разработанных структурных представлениях и методах кодирования графических изображений, создано программное обеспечение, реализующее эту технологию и использованное при выполнении экспериментальных исследований, результаты которых позволили определить оценки эффективности и возможностей применения разработанных средств и методов структурного представления и кодирования графических изображений в интеллектуальных телекоммуникационных системах.

Практическая полезность работы заключается в применении новых эффективных структурных представлений и методов кодирования структуры графических изображений в телекоммуникационных системах.

Разработан комплекс программ, реализующий методы и технологию обработки графической информации на основе использования преобразований графических изображений.

Разработанный комплекс программ обеспечивает реализацию эффективных вычислительных схем и алгоритмов обработки графических изображений, эффективное их кодирование, поддержку растровых форматов графических данных, форматов данных препарированных изображений и их дифференциальных цепных кодов, что позволяет использовать комплекс в интеллектуальных телекоммуникационных системах и при совместном функционировании с другими существующими программными средствами обработки графической информации.

Результаты экспериментальных исследований разработанных средств и методов и оценки их эффективности и возможностей использования в интеллектуальных телекоммуникационных системах, а также результаты их внедрения подтверждают целесообразность их использования для качественного повышения возможностей передачи и использования видеоинформации в интеллектуальных телекоммуникационных системах.

Реализация и внедрение результатов работы.

Полученные результаты использованы и апробированы для опытно-производственной эксплуатации системы терминальной обработки данных о пространственных объектах, их представления и кодирования для повышения коммуникативных возможностей в телекоммуникационных системах в ОАО «Уралсвязьинформ».

Полученные результаты использованы в учебном процессе ГОУ ВПО ИжГТУ при изучении дисциплин «Компьютерная графика» и «Интерактивные графические системы».

Апробация работы. Основные положения и результаты диссертации докладывались на российских и международных научно-технических конференциях и конгрессах: Международном Самарском симпозиуме телекоммуникаций для руководящих работников отрасли связи (Самара, 1998-2003); 7-й Международной конференции «Цифровая обработка сигналов и ее применение» (Москва, 2005); Международной научно-технической конференции «Информационные технологии в инновационных проектах» (Ижевск, 2005); VI и VII Международной научно-технической конференции «Проблемы техники и технологии телекоммуникаций» (Самара, 2006); Актуальные проблемы математики, механики, информатики: Междунар. науч.-метод. конф., посвященная 90-летию высшего математического образования на Урале (Пермь, 2006 г.); 7-й и 8-й Междунар. форум «Поддержка бизнеса и операций в телекоммуникационных компаниях. Billing and OSS Telecom Forum» (Москва, 2006, 2007 г.); 8-й Всеросс. Симпозиум «Стратегическое планирование и развитие предприятий» (Москва, 2007 г.); 35-й Международной конференции «Информационные технологии в науке, образовании, телекоммуникации и бизнесе» (Украина, Крым, Ялта-Гурзуф, 2008); IX Международной научно-технической конференции «Искусственный интеллект - 2008. Интеллектуальные системы - 2008» (пос. Кацивели, АР Крым, Украина, 2008).

Публикации. Основные научные результаты по теме диссертации опубликованы в 15 научных работах в региональных журналах, сборниках научных трудов и материалов конференций. Автор имеет 5 научных трудов в изданиях, выпускаемых в РФ и рекомендуемых ВАКом для публикации основных результатов диссертаций.

Структура диссертационной работы. Диссертация содержит введение, 4 главы и заключение, изложенные на 167 стр. машинописного текста. В работу включены 60 рис., 5 табл., список литературы из 121 наименования. В приложении представлен акт об использовании результатов работы.

ЗАКЛЮЧЕНИЕ

В результате проведенных исследований сформулированы следующие выводы.

1. Разработана структурно-контурная модель пространственной структуры графического изображения, обеспечивающая полноту и точность описания всех его структурных элементов и их взаимосвязей, основанная на определении контуров этих элементов, сегментации этих контуров на разделяющие элементы участки и формировании графа, вершинам которого соответствуют элементы, а ребрам — отношения транзитивной смежности между ними.

2. Предложены и обоснованы структуры данных и форматы данных, обеспечивающие эффективную передачу структуры графических изображений по цифровым каналам связи телекоммуникационных систем, построенные на основе структурно-контурной модели.

3. Выполнен анализ эффективности различных схем совместного применения адаптивного цветотонового преобразования и центроидного преобразования изображений для определения оптимальных параметров преобразований при обработке изображений; установлено, что эквализация цвета и тона на изображениях, реализуемая нелинейным пространственно-частотным фильтром, обеспечивает как повышение качества адаптивного цветотонового преобразования изображений, так и получение их контурных препаратов, обеспечивающих высокое качество последующего центроидного преобразования изображений.

4. Разработаны и исследованы метод и алгоритмы распознавания цвета и тона на графических изображениях на основе их адаптивного цветотонового преобразования и последующего кодирования, устраняющего избыточность преобразованных изображений, основанные на кластеризации векторов цветовых компонент в цветовом пространстве, обеспечивающие возможности существенного шумоподавления, выравнивания цветовых и тоновых контрастов, компенсации пространственно-частотных искажений, цвето- и тонокоррекции, а также возможность сжатия видеоинформации на 1-2 порядка, а сравнительно с показателями сжатия используемых графических растровых форматов изображений - как минимум на порядок выше.

5. Разработаны и исследованы метод и алгоритмы эффективного препарирования графических изображений на основе центроидного преобразования для выделения их структурных элементов и взаимосвязей этих элементов, обеспечивающие возможности исключение из поля изображения неинформативных областей, а также оценки границ структурных элементов изображения.

6. Разработаны и исследованы структурный метод и алгоритмы анализа и кодирования графических изображений, основанные на использовании модифицированных дифференциальных цепных кодов для описания структуры изображений, обеспечивающие полноту и точность ее воспроизведения, а также эффективное сжатие видеоинформации на 2-4 порядка выше относительно результатов центроидного преобразования изображений.

7. Установлены функциональные взаимосвязи между характеристиками плотности структурных элементов графического изображения и достижимыми показателями сжатия графической информации, что позволяет оценить степень сжатия информации при обработке и кодировании графических изображений различных видов.

8. Построены дифференциальные вычислительные схемы форсирования алгоритмов обработки графической информации, обеспечивающие существенное повышение производительности вычислений, основанные на коррекции значений вычисляемых на изображении локальных функционалов при сканировании изображения областью определения этих функционалов с целью исключения повторных вычислений.

9. Предложена и обоснована технология обработки графической информации, основанная на разработанных структурных представлениях и методах кодирования графических изображений.

10. Создано программное обеспечение, реализующее разработанные модели, методы, алгоритмы и технологию обработки графической информации на основе разработанных структурных представлений и методов кодирования графических изображений.

11. Выполнены экспериментальные исследования разработанных средств и методов обработки графической информации, результаты которых подтвердили их эффективность и перспективность их использования для качественного повышения возможностей передачи и использования видеоинформации в интеллектуальных телекоммуникационных системах; в результате экспериментов установлены высокие показатели качества воспроизведения графических изображений и высокая степень сжатия графической информации.

1. Айфичер Э., Джервис Б. Цифровая обработка сигналов: практический подход, 2-е издание.: Пер. с англ. — М.: Издательский дом «Вильяме», 2004. - 992 с.

2. Александров В.В., Горский Н.Д. Представление и обработка изображений: Рекурсивный подход. Л.: Наука, 1985. - 188 с.

3. Александрян P.A., Мирзаханян Э.А. Общая топология. М.: Высшая школа, 1979. - 336 с.

4. Андреев Г.А., Базарский О.В., Глауберман A.C. и др. Анализ и синтез случайных пространственных текстур // Зарубежная радиоэлектроника, 1984, №2.-С. 3-33.

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

6. Бакут П.А., Колмогоров П.С., Варновицкий И.Э. Сегментация изображений: методы пороговой обработки // Зарубежная радиоэлектроника. 1988. — № 4. - С. 6-24.

7. Белов И.А., Парамонов П.П., Сидиков В.С.Применение метода регуляризации для коррекции искаженных изображений в измерительных системах. // Датчики и системы, 2001. №8, с. 20-23.

8. Бокштейн И.М., Мерзляков С.Н., Попова Н.Р. Обнаружение и локализация малоразмерных объектов на неоднородном фоне // Цифровая оптика. Обработка изображений и полей в экспериментальных исследованиях. М.: Наука, 1990.-С. 164-173.

9. Бронштейн И.Н., Семендяев К.А. Справочник по математике. М.: Наука, Главная редакция физико-математической литературы, 1986.

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

11. Гашников С. Методы компьютерной обработки изображений. М.: ФИЗМАТЛИТ, 2004. - 784 с.

12. Горелик С.А., Кац Б.М., Киврин В.И. Телевизионные измерительные системы. -М.: Связь, 1980. 189 с.

13. Горлов С.К., Корыстен A.B., 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.

14. Горячев А.И.Некоторые методы обработки изображений в системах технического зрения. Саратовский гос. ун-т. Саратов, 1999, 9 с.

15. Грабарник П.Я., Комаров A.C. Статистический анализ пространственных структур: Методы, использующие расстояния между точками // Материалы по математическому обеспечению ЭВМ. Вып. 4. Пущино: НЦБИ АН СССР, 1980.-48с.

16. Журавлев Ю.И., Гуревич И.Б. Распознавание образов и анализ изображений // Искусственный интеллект. Кн. 2. Модели и методы. М.: Радио и связь, 1990. - 304с.

17. Золотарёв В., Овечкин Г. Помехоустойчивое кодирование. Методы и алгоритмы. Справочник. — М.: Горячая линия Телеком, 2004. — 126 с.

18. Казанский H.JL, Мясников В.В., Хмелев Р.В. Алгоритмы поиска расстояний до объектных пикселов на бинарных изображениях. //Компьютер. Оптика. 2000. №20. С. 134-139.

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

20. Кийко В.М., Шлезингер М.И. Алгоритм выделения отрезков осевых линий на графических изображениях. — Киев: АН УССР. — 1983. 117с.

21. Кобаяси ИГ, Номидзу К. Основы дифференциальной геометрии. -Т. 1.-М.: Наука, 1981.-344 с.

22. Козлов В.Н. О зрительном образе, математических подходах к определению этого понятия и о распознавании изображений // ЖВМиМФ,Т. 39, 1999, № 11, с. 1919-1936.

23. Козлов В.Н. Способ оценки похожести изображений, основанный на преобразованиях подобия // ЖВМиМФ,Т. 40, 2000, № 5, с. 797-808.

24. Колмогоров А.Н., Фомин C.B. Элементы теории функций и функционального анализа. М.: Наука, 1981. - 544 с.

25. Кондратьев В.В., Утробин В.А. Основы теории активного восприятия изображений. Н. Новгород, 1977. - 249 с.

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

27. Кошкарев A.B., Тикунов B.C. Геоинформатика М.: Картгеоцентр -Геодезиздат, 1993. - 213с.

28. Кузнецов А.Г. Построение математических моделей структурных описаний изображений // Вестник Московской Академии рынка труда и информационных технологий. 2004. - № 3 (11). - С. 103-112.

29. Кузнецов А.Г., Уфимкин А.Я. Использование преобразований для сжатия графической информации // Вестник Московской Академии рынка труда и информационных технологий. 2004. - № 4 (12). - С. 62-73.

30. Липовецкий Ю.М. Метод измерения ширины малоразмерных протяженных элементов на статистически однородном фоне // Разраб. систем тех-нич. зрения и их примен. в промышл. Тез. докл. научно-технич. конф. Ижевск, 1988. ч. 2.-С. 40-41.

31. Лурье И., Косиков А. Теория и практика цифровой обработки изображений. М. Научный Мир, 2003. — 176 с.

32. Лялин В.Е., Кузнецов А.Г. Использование цепных кодов для кодирования графических изображений // Вестник Московской Академии рынка труда и информационных технологий. 2004. - № 4 (12). - С. 74-80.

33. Мартышевский Ю.В., Гурков Ю.Ф. Метод сегментации изображений / Докл. Томского гос. унив-та систем управления и радиоэлектроники. 1997. 1, С. 25-34.

34. Миано Д. Форматы и алгоритмы сжатия изображений в дейстивии. — М.: Триумф, 2003. 336 с.

35. Морзев Ю. Зачем компьютеру зрение? // Компьютер Пресс, 2002, № 5. -С. 187-190.

36. Морзев Ю. Технологии машинного зрения Сделано в России. // Компьютер Пресс, 2002, № 7. С.50-54.

37. Мурынов А.И. Анализ растровых изображений на основе центроидной фильтрации. // Тез. докл. V Российской университетско-академической научно-практической конференции. Ч. 8. Ижевск: Изд-во УдГУ, 2001. С. 39-40.

38. 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.

39. Мурынов А.И. Конфигурационные модели изображений и оценка параметров структурных элементов их деталей // Химическая физика и мезоско-пия. Т.4, 2002, №1. с. 128-144.

40. Мурынов А.И. Математические модели и методы анализа пространственных структур для экспертных геоинформационных систем. Дисс. на соиск.уч. степ. докт. техн. наук. Ижевск: ФТИ УрО РАН, 2002. - 307 с.

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

42. 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.

43. Пивоваров И.В. Метод адаптивной цветовой стратификации графических изображений // Проблемы техники и технологии телекоммуникаций: Материалы 5-й Междунар. НТК.- Самара: Изд-во ПГАТИ, 2004.- С. 149-151.

44. Пивоваров И.В., Кузнецов А.Г. 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.

45. Пименов В.И., Козлов Ю.М. Распознавание изображений малоразмерных объектов // Проблемы создания систем обработки, анализа и распознавания изображений. Ташкент: АН УзССР, 1989. - С. 27-28.

46. Позняк Э.Г., Шикин Е.В. Дифференциальная геометрия. М.: Изд-во МГУ, 1990.-384 с.

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

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

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

50. Садыков С.С., Самандаров И.Р. Скелетизация бинарных изображений // Зарубежная радиоэлектроника. 1985. - № 11. - С. 30-37.

51. Сидорова B.C. Текстурный анализ аэрокосмических изображений на ЭВМ // Математические и технические проблемы обработки изображений.

52. Новосибирск: ВЦ СОАН СССР, 1980. С. 30-36.

53. Соболев Н. Общая теория изображений. — М.: Архитектура-С, 2004. —672 с.

54. Сэломон Д. Сжатие данных, изображений и звука. М.: Техносфера, 2004. - 368 с.

55. Тарантино К. Цифровая фотография. Компьютерная обработка изображений. -М.: Омега, 2005. 142 с.

56. Уэлстид С. Фракталы и вейвлеты для сжатия изображений. Учебное пособ. М.: Издательство «Триумф», 2003. - 320 с.

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

58. Фурман Я. Введение в контурный анализ. Приложения к обработке изображений и сигналов. М.: ФИЗМАТЛИТ, 2002. - 592 с.

59. Харалик P.M. Статистический и структурный подходы к описанию текстур // ТИИЭР, т. 67, 1979, № 5. С. 98-120.

60. Хюккель М. Оператор нахождения контуров на кодированных изображениях // Интегральные роботы. Вып. 1. М.: Мир, 1973. - С. 225-240.

61. Шикин Е.В., Боресков A.B. Компьютерная графика. Динамика, реалистические изображения. -М.: ДИАЛОГ-МИФИ, 1995. 288с.

62. Шрейдер Ю.А., Шаров A.A. Системы и модели. М.: Радио и связь, 1982.- 152 с.

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

64. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007. - 583 с.

65. Agate Graig S., Iltis Ronald A. Statistics of the RSS estimation algoritm for Gaussian measurement noise. IEEE Trans. Signal Process. 1999 47, №1, C. 22-32.

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

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

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

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

70. Cenedese A., Pocecco A. Querzoli G. Effects of image compression on PIV and PTV analysis // Opt. and Laser Technol. -1999-31. №2. C. 141-149.

71. 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.

72. Chan Tony F., Shen J. Image Processing and analysis: variational, PDE, wavelet, and stochastic methods, 2005. 402 c.

73. Corners R. W., Vasguez-Espinosa R. E. A Theory of texture measurement definition // Proc. 6th Int. Conf. Pattern Recogn., Munich, Oct. 19-22, 1982. P. 286-288.

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

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

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

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

78. Harlow C., Trivedi M., Conners R., Phillips D. Scene analysis of high resolution aerial scenes // Optical Engineering, 1986, 25, № 3. P. 347-355.

79. 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.

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

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

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

83. Jaquin A.E. Image coding based on a fractal theory of iterated contractive image transformations // IEEE Trans. Image Proc. 1992. -V.l. -№1. - P. 18-30.

84. Kim E.H., Modestino J.W. Adaptive entropy coded subband coding of images // IEEE Trans. Image Proc. 1992. -V.l. -№1. - P. 31-48.

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

86. 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.

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

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

89. Kwok P. Customising thinning algorithms // 3rt Int. Conf. Image Proc. and Appl., Warwick, 18-20 July, 1989, London, 1989. P. 633-637.

90. Kondratyev V.V., Utrobin V.A. Uncovering of indeterminacy in identification problem // Pattern Recognition and Image Analysis. 1996. - №2. - PP. 250 - 259.

91. Lam L., Lee S.-W. Thinning methodologies A comprehensive survey // IEEE Trans. Pattern Anal, and Mach. Intell, 1992, 14, № 9. - P. 869-885.

92. 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.

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

94. Luán Xin, Zhu Tiey //Gingdao haiyang daxue xuabao= J. Ocean Univ.

95. Gingdao. 1999-29, №1. С. 107-111. Кит.

96. 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.

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

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

99. Paven K., Deepak B. Pseudo one thinning algorithm // Pattern Recogn. Lett., 1991, 12, №9.-P. 543-555.

100. Pearson D.E., Methods for Scaling Television Picture Quality, in: Picture Bandwidth Compression, Huang T.S., Tretiak О .J., Eds., Gordon -and Breach, New York, 1972.

101. Pennec E.L., Mallat S. Image compression with geometrical wavelets. In Proc. Of IEEE ICIP, Volume 1, 2000, p. 661-664.

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

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

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

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

106. Scarpace F.L., Quirk B.K. Land-cover classification using digital processing of aerial imageiy // Photogramm. Eng. and Remote Sens, 1980, v. 46, № 8 P. 1059-1065.

107. Schan. H.C .Statistical filter for image feature extraction // Applied Optics, v. 19, № 13, 1 July 1980. P. 2182-2190.

108. Schulze H. G., Greek L. S., Barbosa C. J., Blades M. W., Turner R. F. B. Signal detection for data sets with a signal-to-noise ratio of 1 or less with the use of a moving product filter///Appl. Spectrosc. -1998-52. №5, C. 621-625.

109. Senoo T., Giord B. Vector quantization for entropy coding of image subbands // IEEE Trans. Image Proc. 1992. -Y.l. -№4. - P. 526-532.

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

111. Tan K.H., Ghanbari M. Layered image coding using the DCT pyramid // IEEE Trans. Image Proc. 1995. -V.4. -№4. - P. 512-516.

112. Tanimoto S., Pavlidis T. A hierarchical data structure for picture processing // Comp. Graph, and Image Proc. 1975, v. 4, № 4. P. 320-328.

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

114. Verhagen C. J. D. M. Applications of Pattern Recognition and Processing to Physical and Related Problems // Pattern Recognition in Practice, 1980. P. 189-206.

115. 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.

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

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

118. 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.

119. Zhuravlev Yu. I., Gurevitch I.B. Pattern Recognition and Image Recognition // Pattern Recognition and Image Analysis, 1991, v. 1, № 2. P. 149-181.