Устойчивые методы восстановления изображений во встроенных системах для повышения точности измерений механических величин на объектах тема диссертации и автореферата по ВАК РФ 05.11.01, кандидат технических наук Кирьянов, Константин Александрович

  • Кирьянов, Константин Александрович
  • кандидат технических науккандидат технических наук
  • 2013, Санкт-Петербург
  • Специальность ВАК РФ05.11.01
  • Количество страниц 180
Кирьянов, Константин Александрович. Устойчивые методы восстановления изображений во встроенных системах для повышения точности измерений механических величин на объектах: дис. кандидат технических наук: 05.11.01 - Приборы и методы измерения по видам измерений. Санкт-Петербург. 2013. 180 с.

Оглавление диссертации кандидат технических наук Кирьянов, Константин Александрович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

Актуальность темы (5). Объект исследования работы (12). Предмет исследования (12). Цель диссертационной работы (12). Задачи исследования (13). Основные положения, выносимые на защиту (13). Методы исследования (14). Научная новизна (14). Достоверность научных результатов (15). Теоретическая и практическая ценность работы (15). Реализация работы (15). Апробация работы (16). Публикации (16). Структура и объем диссертации (16).

Глава 1. ОСНОВЫ ОБРАБОТКИ ИСКАЖЕННЫХ ИЗОБРАЖЕНИЙ

1.1. Объекты, устройства регистрации их изображений, искажения

Снимаемые объекты (17). Устройства регистрации изображений (17). Основные типы искажений изображений (18).

1.2. Основные типы изображений, соглашение о координатах

Типы изображений (19). Соглашение о координатах (20).

1.3. Примеры искаженных изображений

1.4. Прямая и обратная задачи обработки изображений

Обработка смазанных изображений (21). Прямая задача (22). Обратная задача устранения смаза (24). Вывод интегрального уравнения (26). Преобразование уравнения (1.8) к уравнению типа свертки (28). Обработка де-фокусированных изображений (31). Постановка задачи дефокусирования

(31). Вывод основного соотношения в простейшем случае (32). Приведение основного уравнения к стандартной форме (34). Численные алгоритмы решения прямой задачи дефокусирования (37).

1.5. «Граничные условия», способы доопределения, приемы усечения и раз-

мытия изображений

О «граничных условиях» (38). Прием усечения смазанного изображения (38). Схема для понижения эффекта Гиббса (41). Прием усечения дефоку-сированного изображения (44). Прием размытия краев дефокусированного изображения (48).

1.6. Формулировка требований к встроенной системе восстановления изображений и формирование ее функциональной схемы

Функции ББР-процессора (50). О масштабе времени (51). Из истории разработки процессоров (52). Основные группы СБИС процессоров (53). Об алгоритмах обработки изображений (54). ОБР-приложения (55).

1.7. Выводы

Глава 2. МЕТОДЫ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ (ОБРАТНАЯ

ЗАДАЧА)

2.1. Обратная задача устранения смазывания изображения

Метод преобразования Фурье (инверсной фильтрации) (60). Метод псевдоинверсной фильтрации (61). Метод преобразования Фурье с регуляри-

зацией Тихонова (63). Метод конечных сумм с регуляризацией Тихонова (68). Метод фильтрации Винера (72).

2.2. Обратная задача устранения дефокусирования изображения

Методы инверсной и псевдоинверсной фильтрации (74). Метод фильтрации Винера (75). Метод регуляризации Тихонова (77). Метод итераций с квадратурами (79). Оценка погрешности восстановления изображения

(84).

2.3. Шум на изображении и погрешность ФРТ

Зашумленность изображения (88). Погрешность знания ФРТ (93).

2.4. Разрешающая способность прибора

2.5. Выводы

Глава 3. СРАВНИТЕЛЬНЫЕ ОСОБЕННОСТИ ОБРАБОТКИ ИЗОБРАЖЕНИЙ на ПК и ЦСП

3.1. Вводная часть

Об аналоговых и цифровых сигналах (98). О памяти и быстродействии (100).

3.2. Реализация алгоритмов восстановления смазанных изображений

на ПК

Выбор инструментария (100). О библиотеке OpenCV (101). Реализация задачи восстановления смазанных изображений (102).

3.3. Методы линейной алгебры решения СЛАУ и обращения матриц

3.4. Реализация алгоритмов восстановления дефокусированных изображений на ПК

Об аппаратной функции (112). Реализация обратной задачи восстановления дефокусированных изображений методом двумерного ПФ с регуляризацией Тихонова (112). Двумерное ДПФ/БПФ (113). О методе двумерного

ПФ с регуляризацией Тихонова (114). О методе итераций с квадратурами (методе итеративной регуляризации Фридмана) (114).

3.5. Особенности реализации исследуемых алгоритмов во встроенных

системах

Общие сведения из области построения ПО для встроенных систем (114). Надежность (115). Реактивность (115). Компактность (116). Работа с базами данных (116). Взаимодействие с человеком (116).

3.6. Архитектура микропроцессора TMS320C6457 Texas Instruments

3.7. Выводы

Глава 4. РЕАЛИЗАЦИЯ АЛГОРИТМОВ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ на ОТЛАДОЧНОМ МОДУЛЕ TMDSEVM6457L на БАЗЕ ЦСП TMS320C6457

4.1. Структурная схема отладочного модуля и описание его работы

4.2. Новая методика реализации алгоритмов на ЦСП

Особенности выбора положения точки в операнде (145). Реализация метода квадратур с регуляризацией Тихонова (148). Реализация метода ПФ с регуляризацией Тихонова (155). Восстановление дефокусированных изображений. Метод итеративной регуляризации Фридмана (162). Метод ПФ

с регуляризацией Тихонова для устранения дефокусирования (167).

4.3. Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

172

Рекомендованный список диссертаций по специальности «Приборы и методы измерения по видам измерений», 05.11.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Устойчивые методы восстановления изображений во встроенных системах для повышения точности измерений механических величин на объектах»

ВВЕДЕНИЕ

Актуальность темы. В технических системах наблюдения (цифровых фотоаппаратах и видеокамерах, микроскопах, телескопах, томографах и т.д.) при наблюдении и фиксации объектов (людей, природы, автомобилей, вирусов, космических объектов и т.д.) часто имеют место искажения изображений (<смазывание из-за движения системы или самого объекта, дефокусирова-ние из-за неправильной установки фокуса, зашумление и др.). Их можно устранить техническим путем, например, не допустить смещения системы, отрегулировать фокус и т.д. Однако это не всегда возможно, например, в случае, когда искаженный снимок был сделан давно и его нельзя повторить, или, как в известном случае с космическим телескопом «Хаббл», когда из космоса поступило много электронных снимков, но они были дефокусированы [42, с. 73]. В этих случаях целесообразно выполнить математическую обработку изображения с целью его восстановления.

К настоящему времени разработан ряд методов восстановления искаженных (смазанных, дефокусированных, зашумленных) изображений. Они обычно сводятся к решению интегральных уравнений I рода, задача решения которых некорректна (существенно неустойчива). Поэтому для их решения используют устойчивые методы параметрической фильтрации Винера, регуляризации Тихонова, максимального правдоподобия Люси-Ричардсона, «слепой» деконволюции и др. [12-14, 41^3]. В разработку методов восстановления искаженных изображений внесли большой вклад A.C. Апарцин, М.В. Арефьева, А.Б. Бакушинский, Р. Бейтс, Г.И. Василенко, В.В. Васин, А.Ф. Верлань, Ю.Е. Воскобойников, Р. Вудс, Р. Гонсалее, A.B. Гончарский, A.B. Горшков, И.С. Грузман, И.П. Гуров, В. Дьяконов, И.М. Журавель, М. Мак-Доннелл, В.В. Манойлов, A.B. Меженин, В.Н. Остриков, У. Прэтт, Ю.П. Пытьев, А.И. Седельников, В.А. Сойфер, В.М. Старков, А.Н. Тихонов, А.Ю. Тропченко, Т.Ю. Фисенко, Г. Хермен, Т. Хуанг, А.К. Цыцулин, Г.Ю.

Шлихт, С. Эддинс, Г. Эндрюс, А.Г. Ягола, Б. Яне, Л.П. Ярославский, М. Christiansen, М. Donatelli, S. Farsiu, J. Nagy, J.C. Russ, P. Wendykier и др.

Обычно тот или иной метод реализуют на универсальном компьютере, чаще всего, на персональном компьютере (ПК, PC). Однако это не всегда целесообразно. Иногда разумнее задачу восстановления изображения решать с помощью малогабаритного цифрового сигнального процессора (ЦСП, DSP), интегрированного в систему наблюдения (к фотоаппарату, микроскопу, телескопу, томографу и т.д.). В этом случае найдет реальное воплощение известная редукционная проблема Рэлея о повышении разрешающей способности прибора за счет математической обработки результатов измерений. Причем, если эта обработка будет выполняться с помощью встроенного в ЦСП небольших размеров, то мы получим новый прибор с повышенной разрешающей способностью. Повышение же разрешающей способности прибора позволит выделить мелкие детали на изображении, а значит, воссоздать микроструктуру объектов, изучаемых с помощью систем слежения, томографов, микроскопов, телескопов и т.д.

Диссертация посвящена вопросам реализации на ЦСП алгоритмов восстановления искаженных изображений.

В технических системах обработки информации изображение обычно регистрируется специальным прибором, фотоэлектрическим преобразователем или сенсором на основе ПЗС (CCD)- или КМОП (СМ08)-матрицы [60, с. 33]. Получаемое с сенсора изображение состоит из множества точек и поэтому является дискретным. Для оцифровки, кроме дискретизации необходимо выполнять квантование изображения, что в последнее время довольно часто делается прямо на выходе сенсора, сразу после выполнения им преобразования света в электрический сигнал. ПЗС/КМОП-сенсоры работают в инфракрасном, видимом, ультрафиолетовом и рентгеновском диапазонах исключительно как приемники излучения.

Принципы получения изображений, например, в магнитно-резонансной томографии отличаются от используемых в ПЗС/КМОП. Чаще всего используются полутоновые (gray, grayscale, серые) изображения с градацией яркости.

Отдельной задачей, решаемой в диссертации, является реализация исследуемых алгоритмов в аппаратуре встраиваемых систем.

Устранение искажений возможно двумя путями: 1) техническим путем -путем более качественной регистрации изображений (без сдвига фотоаппарата, без расфокусирования и т.д.) и 2) путем математико-компьютерной обработки искаженных изображений. Первый путь не всегда возможен (пример: старая расфокусированная фотография). А второй путь в таких случаях является зачастую единственно возможным, хотя и весьма сложным (можно восстановить расфокусированную фотографию, используя некий математический метод восстановления с использованием компьютера).

Однако Методы цифровой обработки еще лет 45 назад в целом не могли эффективно конкурировать с аналоговыми и пользовались у разработчиков весьма малой популярностью. Это объяснялось несколькими причинами.

Первая причина состояла в довольно высокой сложности реализации алгоритмов на множестве дискретных компонентов, в качестве которых применялись цифровые интегральные схемы, которые в то время только появлялись и имели невысокую степень интеграции, другими словами, содержали в себе лишь небольшое количество самых примитивных логических операций. Это также сказывалось на массогабаритных характеристиках устройств.

Вторая причина заключалась в том, что отсутствовала гибкость при разработке устройств, входящих в такие системы. Например, устройство, в котором был реализован один метод, было практически невозможно либо чрезвычайно сложно приспособить для другого метода. Вызывало сложность даже изменение некоторых параметров в рамках одного метода.

Третья важная причина была в том, что цифровая обработка сигналов и изображений известными в то время методами, использующими дискретное представление обрабатываемых сигналов, в особенности, при обработке больших массивов данных, требовала значительных временных затрат. Последнее вынуждало разработчиков цифровых методов и средств анализа сигналов идти не только по пути повышения быстродействия аппаратуры, но и по пути поиска более эффективных алгоритмов обработки информации, позволяющих уменьшить объем вычислений при реализации различных задач цифровой обработки сигналов и изображений и, как следствие, временные затраты на получение конечного результата.

Появление алгоритма быстрого преобразования Фурье (БПФ), требующего гораздо меньшего объема вычислений, чем все известные к тому времени алгоритмы, открыло новую страницу в области обработки сигналов и изображений цифровыми методами.

Другой качественный скачок в развитии методов и средств цифровой обработки сигналов и изображений был обусловлен появлением специализированных сверхбольших интегральных схем (СБИС), ориентированных на цифровую обработку сигналов и изображений. Сегодня этими СБИС вполне можно назвать программируемые логические интегральные схемы (ПЛИС, FPGA) и цифровые сигнальные процессоры (ЦСП, DSP), с применением которых существенно улучшились массо-габаритные характеристики систем, а также существенно возросла гибкость к изменению алгоритмов.

В связи с этим стало намного проще разрабатывать схемы. Так, если говорить о сегодняшнем простейшем устройстве обработки сигналов и изображений, то на его плате могут присутствовать лишь основные для него узлы: аналого-цифровой преобразователь (АЦП), собственно сам обработчик (ЦСП с соответствующей программой или ПЛИС с требуемой конфигурацией) и цифро-аналоговый преобразователь (ЦАП). Совершенствование технологии производства схемных компонент на основе крупномасштабной интеграции

оказало существенное влияние как на принципы организации аппаратуры цифровой обработки сигналов и изображений, так и на появление новых эффективных по быстродействию и точности алгоритмов.

Совершенствование технологии повлияло также и на развитие персональных ЭВМ (ПК) общего назначения. Начиная с 1971 года, когда фирмой Intel был создан первый 4-х разрядный микропроцессор «Intel 4004», поскольку уже тогда совершенствование методов аналоговой обработки показывало чрезвычайную сложность, дороговизну и сильную ограниченность их возможностей, остро встал вопрос о реализуемости алгоритмов цифровой обработки на имеющейся элементной базе. С совершенствованием архитектуры микропроцессоров и периферии персональных ЭВМ (ПК), а соответственно и с ростом их производительности началась широкая реализация алгоритмов на ПК. При этом не представляет особой сложности реализация алгоритмов на сегодняшних персональных ЭВМ, где практически нет ограничений на имеющиеся, предоставляемые объемы оперативной памяти, внутри устройства (ПК) решены все самые необходимые аппаратные проблемы для реализации алгоритмов и создано огромное количество программного обеспечения для удобства работы.

Развитие устройств фиксации изображений началось с электровакуумных передающих трубок, в которых оно фиксировалось по строкам, где изменение сигнала по строке было непрерывным (аналоговое изображение). С появлением полупроводниковых фотоэлектрических преобразователей (ПЗС, КМОП) в 1969 году, в которых, как уже было сказано, считывание изображения производится по точкам (элементам), дискретизация стала производиться уже на этапе его получения. Изображение с ПЗС-матрицы получается растровое, которое является уже подвергнутым дискретизации (взятия отсчетов в определенные моменты времени). Для преобразования его в цифровой вид достаточно проквантовать каждый элемент изображения (точку, пиксель).

Работа с изображениями требует больших объемов памяти и сравнительно высокой производительности. Поэтому для ПК это стало возможным только тогда, когда быстродействие стало приемлемым для этой задачи. Исторически сложилось, что сначала получила развитие обработка сигналов в реальном времени. Создание цифровых сигнальных процессоров (ЦСП, DSP), специально предназначенных для обработки сигналов, послужило толчком и для обработки изображений.

Кроме обработки статичных картинок, на обработку которых нет ограничений по времени, актуальной является задача сокращения времени для выполнения быстрой обработки. Это характерно, например, для принятия решения о поведении быстро перемещающихся объектов вблизи территориальных границ государства или распознавание объектов в охранном телевидении. Если для неизменяющихся одиночных изображений (пример: старые фотографии) вполне достаточно реализовывать обработку на ПК и нет никаких требований к времени получения результатов, то для систем видеонаблюдения разного рода это время ограничено. Также для систем в передвижных службах существуют ограничения на массогабаритные характеристики и потребляемую мощность. Основным толчком к развитию направления встраиваемых систем и послужили два последних ограничения.

При этом устройства для обработки сигналов и изображений имеют свои особенности и отличия от вычислительных устройств общего назначения. Процессоры общего назначения, применяемые в ПК, отличаются от ЦСП как по выполняемым операциям, так и по решаемым задачам. ЦСП задумывались, как устройства, способные «на лету» брать отсчеты сигнала, и, не ограничивая темп их поступления, выполнять вычислительные операции с отсчетами. Базовая операция любого ЦСП - умножение с накоплением MAC (multiple + accumulation), о которой далее будет сказано несколько подробнее. Ранее упомянутый подход аппаратной разработки устройств до конца не изжил

и

себя, так как сегодня он применяется для разработок на базе программируемых логических интегральных схем (ПЛИС).

Совершенствование не только элементной базы, но и программных отладочных средств для так называемых встроенных систем сегодня упрощает разработку алгоритмов как на ЦСП, так и на ПЛИС. В случае с ЦСП сегодня появились отладочные средства для работы не только на языке низкого уровня (assembler), как было еще около 15 лет назад, но и на языке C/C++, а сегодня для этого совершенствуют и систему программирования MatLab 2012. Для разработок на ПЛИС вместо старой системы разработки MAX PLUS-II, где была необходимость детально моделировать работу каждого блока по отдельности, сегодня появились более высокоуровневые средства с использованием языков программирования Verilog и VHDL, специально созданных для этих целей (система CADENCE). MatLab'oBCKHe средства также совершенствуются и для ПЛИС.

В диссертации мы ограничиваемся только реализацией алгоритмов в ЦСП. Поскольку во встраиваемых системах мы ограничены по оперативной памяти и по времени выполнения вычислений, то отдельным вопросом рассматривается реализация быстрых алгоритмов с сокращением выполняемых операций. В эту область исследований внесли большой вклад зарубежные ученые: Куль, Тьюки, Виноград, Л. Рабинер, Б. Гоулд, Айфичер, Р. Блейхут, Т. Хуанг и отечественные ученые: А.Ю. Тропченко, А.П. Царев, А.Б. Серги-енко, Л.М. Гольденберг, Я.А. Фурман, Д. Улахович, А. Солонина и др.

Методы построения специализированных процессоров для высокоскоростных систем цифровой обработки сигналов (в т.ч. изображений) могут быть условно разделены на две большие группы: алгоритмические и структурные. А поскольку цифровые методы обработки сигналов предполагают, на том или ином этапе вычислений, выполнение некоторого количества типовых или базовых операций над числовыми массивами данных, то применение разработанных ранее алгоритмических моделей и структурных подхо-

дов к реализации исследуемых задач представляет собой важную для этой области науки и техники задачу.

Диссертация посвящена дальнейшей разработке методов и алгоритмов восстановления искаженных изображений объектов с целью повышения разрешающей способности средств наблюдений и измерений и, как следствие, повышения точности измерений механических величин (размеров мелких деталей, расстояний между ними и др.) на самих объектах. При этом методы и алгоритмы разработаны применительно к их реализации не только на ПК, но и на цифровых сигнальных процессорах (ЦСП, DSP) встроенных вычислительных систем.

Объект исследования работы - обработка искаженных (смазанных, дефокусированных, зашумленных) изображений на аппаратуре на базе цифровых сигнальных процессоров (ЦСП, DSP).

Предмет исследования - восстановление искаженных изображений устойчивыми методами регуляризации и фильтрации с оптимизацией и адаптацией методов и алгоритмов под аппаратуру встраиваемых систем.

Цель диссертационной работы - разработка новых методов восстановления искаженных изображений объектов и их реализация на ПК и ЦСП с целью повышения разрешающей способности измерительных устройств (цифровых фотоаппаратов, систем слежения, микроскопов, телескопов и др.) и, как следствие, повышения точности измерения механических величин (размеров мелких деталей, их взаимных расстояний и т.д.) на самих объектах.

При этом целью работы пока не является восстановление изображений в автоматизированном режиме в отсутствие оператора (например, на борту носителя). Задача решается интерактивно - путем взаимодействия оператора с измерительным и вычислительным устройствами с адаптивным внесением дополнительной информации (модельного изображения, функции рассеяния точки, параметра регуляризации), т.е. цель работы - определение потенци-

альных возможностей реализации методики на ЦСП. В дальнейшем планируется реализовать методику в автоматизированном режиме (без оператора).

Задачи исследования. Для достижения цели решались задачи.

• Анализ существующих методов восстановления искаженных (смазанных, дефокусированных, зашумленных) изображений.

• Разработка нового устойчивого метода восстановления изображений и повышения разрешающей способности средств наблюдений объектов на основе соединения метода регуляризации Тихонова (и Фридмана) со способом «усечение-размытие».

• Связь разрешения на изображении объекта с разрешением на самом объекте.

• Разработка быстрых адаптивных алгоритмов восстановления изображений с помощью «заготовленных» матриц.

• Разработка программного обеспечения для реализации методов восстановления изображений на ПК и ЦСП и выполнение обработки различных искаженных изображений (прямая и обратная задачи).

• Анализ результатов восстановления изображений на ЦСП и сравнение с восстановлением на ПК.

Основные положения, выносимые на защиту:

1. Решение совокупности одномерных интегральных уравнений, а также двумерного интегрального уравнения на ЦСП с фиксированной точкой с использованием сдвиговых операций.

2. Доказательство того, что метод квадратур/кубатур (с регуляризацией) решения ИУ задачи восстановления дает более адекватное математическое описание физического процесса смазывания/дефокусирования, чем метод преобразования Фурье (ПФ).

3. Новый устойчивый метод восстановления изображений и повышения разрешающей способности приборов на основе соединения метода регуляри-

зации Тихонова (а также Фридмана) со способом «усечение-размытие». Способ «усечения» не использует «граничные условия», а способ «размытия» понижает эффект Гиббса.

4. Два новых адаптивных алгоритма быстрого восстановления смазанного изображения на основе квадратур и ПФ с регуляризацией и с использованием «заготовленных» матриц.

5. Встраиваемая система на основе ЦСП, позволяющая повышать разрешающую способностью оптических приборов.

Методы исследования. В работе использованы методы преобразования Фурье (инверсной и псевдоинверсной фильтрации), квадратур/кубатур, регуляризации Тихонова, параметрической фильтрации Винера, итераций Фридмана, способы количественной и визуальной оценок качества восстановления изображений, подбора значений параметров и др.

Научная новизна работы.

• Разработана усовершенствованная методика моделирования искажений изображений (прямая задача), использующая способ «усечение-размытие».

• Разработана новая методика восстановления искаженных изображений (обратная задача), соединяющая устойчивые методы Тихонова, Винера или Фридмана со способом «размытия» краев изображения, повышающая точность восстановления.

• Разработано два новых быстрых адаптивных алгоритма восстановления смазанных изображений, например, изображений быстро движущихся объектов (самолетов, автомобилей) в реальном времени.

• Оригинальная, практически не имеющая аналогов, реализация восстановления смазанных и дефокусированных изображений на аппаратуре встраиваемых систем, а именно, на 32-разрядном ЦСП с фиксированной точкой,

позволяющая повысить разрешающую способность устройств наблюдения (цифровых фотоаппаратов, микроскопов, телескопов).

Достоверность научных результатов, полученных в диссертации, подтверждается корректной постановкой задач, адекватным математическим описанием их с помощью интегральных уравнений, использованием устойчивых методов (регуляризации и фильтрации) решения уравнений, реализацией методики на ПК и на ЦСП фирмы Texas Instruments, достаточно удовлетворительным восстановлением ряда изображений и сравнением результатов с результатами, полученными на ПК и ЦСП.

Теоретическая и практическая ценность работы заключается в разработке новой методики под названием «регуляризация-фильтрация-усечение-размытие» восстановления искаженных изображений и в применении этой методики в технических системах измерений и обработки информации (в системах слежения и др., состыкованных с ПК или ЦСП). Предложенные в работе устойчивые методы и алгоритмы восстановления искаженных изображений дают возможность повысить разрешающую способность различных устройств наблюдения (цифровых фотоаппаратов, томографов, микроскопов, телескопов и т.д.) путем математической обработки на ПК или ЦСП полученных данных, что позволит более точно измерять мелкие механические детали на объектах (дефекты на технических изделиях, микроструктуру расплавленных металлов, опухоли в организме людей и животных, микрорельеф на небесных телах и др.) и даже уточнять состав веществ.

Реализация работы. Ряд результатов диссертации нашли отражение в учебнике [42] и монографии [43], использовались в лекциях, практических и лабораторных работах со студентами, бакалаврами и магистрантами по дисциплинам «Теория и технология программирования», «Обратные прикладные задачи», «Теория интегральных уравнений», «Математические основы томографии» и др. Результаты диссертации использовались также в работе по гранту РФФИ № 09-08-00034 и в научно-исследовательской работе (НИР)

по теме № 39122 «Новые алгоритмы восстановления искаженных изображений в технических системах обработки информации» - это подтверждается актом об использовании результатов диссертации Кирьянова К. А.

Апробация работы. Основные результаты диссертации докладывались на следующих конференциях: GraphiCon'2010 (СПбГУ ИТМО) [23], VIII и IX Всероссийские межвузовские конференции молодых ученых СПбГУ ИТМО (2011 г., 2012 г.) [25, 26]; XL и XLI научная и учебно-методическая конференция СПбГУ ИТМО (2011г., 2012 г.); Международные научно-практические конференции «XXXIX Неделя науки СПбГПУ» и «XL Неделя науки СПбГПУ» (2010 г. и 2011 г.) [27, 28]; 8-я Международная конференция «Телевидение: передача и обработка изображений» (СПбГЭТУ "ЛЭТИ", 2011 г.) [24].

Публикации. По теме диссертации опубликовано 9 печатных работ [2330, 46], 3 из них [29, 30, 46] - в изданиях, входящих в "Перечень ведущих периодических изданий" ВАК.

Структура и объем диссертации. Диссертация включает в себя введение, четыре главы, заключение и список литературы из 92 наименований. Объем работы составляет 180 страниц и 68 рисунков.

Похожие диссертационные работы по специальности «Приборы и методы измерения по видам измерений», 05.11.01 шифр ВАК

Заключение диссертации по теме «Приборы и методы измерения по видам измерений», Кирьянов, Константин Александрович

4.3. Выводы

1. Изложена реализация методов и алгоритмов восстановления изображений на ЦСП. Подробно изложены особенности их реализации на процессоре с фиксированной точкой и применения библиотеки К^МаШ.

2. Для реализации метода квадратур с регуляризацией Тихонова в обратной задаче восстановления смазанных изображений на ЦСП количество разрядов под дробную часть С2 = 19 ^ 21, для метода квадратур с регуляризацией <3 = 9 13, а для метода итераций Фридмана = 14 -ь 18. При этом результаты вычислений получаются сопоставимыми с результатами на ПК.

3. Реализация метода 2-мерного ПФ с регуляризацией Тихонова в задаче устранения дефокусирования на фиксированной точке невозможна из-за широкого диапазона данных 2-мерного БПФ. Этот метод реализован лишь для плавающей точки на С на ПК. Подойдет также модуль ТМ1ЖЕУМ6655Ь на базе процессора ТМ8320С6655, однако он принят к производству недавно.

ЗАКЛЮЧЕНИЕ

В диссертации получены следующие новые результаты и выводы.

1. Разработана методика восстановления смазанных изображений путем решения множества одномерных интегральных уравнений, а дефокусиро-ванных изображений - путем решения двумерного уравнения на ЦСП с фиксированной точкой в целых числах с использованием сдвиговых операций.

2. Показано, что вместо преобразования Фурье (ПФ) с регуляризацией предпочтительнее использовать способ квадратур/кубатур, как более адекватный способ математического описания физического процесса смазыва-ния/дефокусирования изображений, что понижает погрешность восстановления до 2-3 раз (ср. рис. 2.3 и 2.4).

3. Разработан новый устойчивый метод восстановления изображений и повышения разрешающей способности средств наблюдений объектов на основе соединения метода регуляризации Тихонова (или Фридмана) со способом «усечение-размытие». Данный способ не использует «граничные условия» и снижает эффект Гиббса (ср. рис. 1.1, 2.2-2.4).

4. Разработано два новых адаптивных алгоритма быстрого восстановления смазанных изображений на основе метода квадратур и метода ПФ (оба с регуляризацией) с помощью использования заранее рассчитанных («заготовленных») матриц. Эти алгоритмы позволяют восстанавливать изображения быстродвижущихся целей (самолетов, автомобилей и т.д.) в пределах 1 сек.

5. Исследован адаптивный алгоритм фильтрации шумов на смазан -ных/дефокусированных изображениях, выполняющий предшествующую или последующую фильтрацию шума в зависимости от ситуации. Погрешность восстановления может отличаться до 2-3 раз в зависимости от очередности фильтрации шума (рис. 2.12, 2.13).

6. Создана встраиваемая микропроцессорная система на базе ЦСП, позволяющая повысить разрешающую способность приборов примерно в 3 раза.

Список литературы диссертационного исследования кандидат технических наук Кирьянов, Константин Александрович, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Апарцин A.C. Неклассические уравнения Вольтерра I рода: Теория и численные методы. - Новосибирск: Наука. 1999. 192 с.

2. Арефьева М.В., Сысоев А.Ф. Быстрые регуляризующие алгоритмы цифрового восстановления изображений // Вычислительные методы и программирование. 1983. Вып. 39. С. 40-55.

3. Бакушинский А.Б., Гончарский A.B. Некорректные задачи. Численные методы и приложения. -М.: Изд-во МГУ. 1989. 199 с.

4. Бейтс Р., Мак-Доннелл М. Восстановление и реконструкция изображений.-М.: Мир. 1989. 336 с.

5. Бронштейн И.Н., Семендяев К.А. Справочник по математике для инженеров и учащихся втузов. 13-е изд. -М.: Наука. 1986. 544 с.

6. Василенко Г.И. Теория восстановления сигналов: О редукции к идеальному прибору в физике и технике. - М.: Сов. радио. 1979. 272 с.

7. Василенко Г.И., Тараторин A.M. Восстановление изображений. - М.: Радио и связь. 1986. 304 с.

8. Васильев В.Н., Гуров И.П. Компьютерная обработка сигналов в приложении к интерферометрическим системам. - СПб.: БХВ-Санкт-Пете-рбург. 1998. 240 с.

9. Верлань А.Ф., Горошко И.О., Карпенко Е.Ю., Королев В.Ю., Мосенцо-ва JÏ.B. Методы и алгоритмы восстановления сигналов и изображений. - Киев: Изд-во ИПМЭ HAH Украины, 2011. 368 с.

10. Верлань А.Ф., Сизиков B.C. Интегральные уравнения: методы, алгоритмы, программы. - Киев.: Наук.думка. 1986. 544 с.

11. Витязев В.В., Витязев C.B. Цифровые процессоры обработки сигналов TMS320C67X компании TEXAS INSTRUMENTS: Уч. пособие. - Рязань.: Изд-во РГРТУ. 2007. 112 с.

12. Воскобойников Ю.Е., Литасов В.А. Устойчивый алгоритм восстановления изображения при неточно заданной аппаратной функции // Автометрия. 2006. Т. 42. № 6. С. 3-15.

13. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера. 2006. 1072 с.

14. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. - М.: Техносфера. 2006. 616 с.

15. Горшков А. В. Улучшение разрешения изображения при обработке данных физического эксперимента и нахождение неизвестной аппаратной функции по программам пакета REIMAGE // Приборы и техника эксперимента. 1995. № 2. С. 68-78.

16. Грешилов A.A. Некорректные задачи цифровой обработки информации и сигналов. 2-е изд. - М.: Логос. 2009. 360 с.

17. Грузман И.С., Киричук B.C., Косых В.П., Перетягин Г.И., Спектор A.A. Цифровая обработка изображений в информационных системах. Уч. пособие. - Новосибирск: Изд-во НГТУ. 2002. 352 с.

18. Демидович Б.П., Марон И.А. Основы вычислительной математики. 7-е изд. - СПб.: Лань. 2009. 672 с.

19. Дьяконов В., Абраменкова И. MATLAB. Обработка сигналов и изображений. Специальный справочник. - СПб.: Питер. 2002. 608 с.

20. Журавель И.М. Краткий курс теории обработки изображений. 2008. http://matlab.exponenta.ru/imageprocess/book2/index.php

21. Иконика. Сборник статей. -М.: Наука. 1968, 1970, 1975.

22. Киреев В.И., Пантелеев A.B. Численные методы в примерах и задачах. - М.: Высшая школа. 2006. 480 с.

23. Кирьянов К.А. Инструментальная реализация алгоритмов реконструкции искаженных изображений // Труды 20-й Междунар. конф. "Graphi-Соп'2010". - СПб.: Изд-во СПбГУ ИТМО. 2010. С. 188-191. http://www.graphicon.ru/proceedings/2010/conference/RU/Se2/60.pdf

24. Кирьянов К.А. Алгоритмы восстановления смазанных, дефокусиро-ванных и зашумленных изображений и особенности их аппаратной реализации на сигнальных микропроцессорах // Труды 8-й Междунар. конф. "Телевидение: передача и обработка изображений". - СПб.: Изд-во СПбГЭТУ "ЛЭТИ". 2011. С. 105-110.

25. Кирьянов К.А. Особенности программирования задач восстановления искаженных изображений на языке С++ для DSP Texas Instruments // Сборник тезисов докладов VIII Всероссийской межвузовской конференции молодых ученых. Вып. 1. - СПб.: СПбГУ ИТМО. 2011. С. 85-87.

26. Кирьянов К.А. Адаптация алгоритмов восстановления смазанных и дефокусированных изображений для их реализации в модулях на базе микропроцессоров TMS320C64++ // Сборник тезисов докладов I Всероссийского конгресса молодых ученых. Вып. 2. - СПб.: НИУ ИТМО. 2012. С. 210-212.

27. Кирьянов К.А., Сизиков B.C. Программно-аппаратная реализация алгоритмов реконструкции искаженных изображений // Материалы Междунар. конф. "XXXIX Неделя науки СПбГПУ". Ч. XIII. - СПб.: Изд-во СПбГПУ. 2010. С. 214-216.

28. Кирьянов К.А., Сизиков B.C. Разработка программного обеспечения на C/C++ для восстановления искаженных изображений с помощью сигнальных процессоров // Материалы Междунар. конф. "XL Неделя науки СПбГПУ". Ч. XIII. - СПб.: Изд-во СПбГПУ. 2011. С. 291-293.

29. Кирьянов К.А., Сизиков B.C. Применение сигнальных микропроцессоров в задачах реконструкции искаженных изображений // Изв. вузов. Приборостроение. 2011. Т. 54. № 7. С. 20-26.

30. Кирьянов К.А., Сизиков B.C. Программирование задач восстановления искаженных изображений на C/C++ в сигнальных микропроцессорах фирмы Texas Instruments // Научно-техн. вестник ИТМО. 2012. № 6(82). С. 77-81.

31. Кухарев Г.А., Тропченко А.Ю. Систолический процессор для обращения матриц // Изв. вузов. Приборостроение. 1990. Т. 33. № 11. С. 23-27.

32. Кухарев Г.А., Тропченко А.Ю., Шмерко В.П. Систолические процессоры для обработки сигналов. - Минск: Беларусь. 1988. 127 с.

33. Ландсберг Г.С. Оптика. Уч. пособие. 6-е изд. - М.: Физматлит. 2006. 848 с.

34. Методы компьютерной обработки изображений / Под ред. В.А. Сой-фера. -М.: Физматлит. 2001. 784 с.

35. Обработка изображений и цифровая фильтрация // Под ред. Т. Хуанга. - М.: Мир. 1979. 320 с.

36. Остриков В.Н., Плахотников О.В. Идентификация функции рассеяния точки канала наблюдения по калибрующему изображению посредством метода наименьших квадратов // Оптический журнал. 2006. Т. 73. № 2. С. 26-30.

37. Плохотников К.Э. Вычислительные методы. Теория и практика в среде MATLAB: курс лекций. - М.: Горячая линия - Телеком. 2009. 496 с.

38. Поршнев C.B. Вычислительная математика. Курс лекций. СПб.: БХВ-Петербург. 2004. 304 с.

39. Прэтт У. Цифровая обработка изображений. В 2-х т. - М.: Мир. 1982. 790 с.

40. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов. -М.: Мир. 1978. 835 с.

41. Сизиков B.C. Математические методы обработки результатов измерений. Учебник для вузов. - СПб.: Политехника. 2001. 240 с.

42. Сизиков B.C. Обратные прикладные задачи и MatLab. Уч. пособие. -СПб.: Лань. 2011.256 с.

43. Сизиков B.C. Интегральные уравнения и MatLab в задачах томографии, иконики и спектроскопии. - СПб.-Saarbrucken: LAP. 2011. 252 с.

44. Сизиков B.C., Прием "усечение-размытие-поворот" для восстановления искаженных изображений // Оптический журнал. 2011. Т. 78. № 5. С. 18-26.

45. Сизиков B.C., Белов И.А. Реконструкция смазанных и дефокусирован-ных изображений методом регуляризации // Оптический журнал. 2000. Т. 67. №4. С. 60-63.

46. Сизиков B.C., Кирьянов К.А. Два быстрых алгоритма восстановления смазанных изображений // Изв. вузов. Приборостроение. 2013. Т. 56. № 8.

47. Сизиков B.C., Римских М.В., Мирджамолов Р.К. Реконструкция смазанных и зашумленных изображений без использования граничных условий // Оптический журнал. 2009. Т. 76. № 5. С. 38-^16.

48. Сизиков B.C., Экземпляров P.A. Последовательность операций при фильтрации шумов на искаженных изображениях // Оптический журнал. 2013. Т. 80. № 1. С. 39^8.

49. Тихонов А.Н., Гончарский A.B., Степанов В.В. Обратные задачи обработки фотоизображений // Некорректные задачи естествознания / Под ред. А.Н. Тихонова, A.B. Гончарского. - М.: Изд-во МГУ. 1987. С. 185195.

50. Тихонов А.Н., Гончарский A.B., Степанов В.В, Ягола А.Г. Численные методы решения некорректных задач. -М.: Наука. 1990. 232 с.

51. Тозик В.Т., Меженин A.B. 3ds Мах 9. Трехмерное моделирование и анимация. Уч. пособие. - СПб.: БХВ-Петербург. 2007. 1056 с.

52. Тропченко А.Ю. Аппаратные средства для цифровой обработки сигналов. Уч.-методич. пособие по дисциплине "Методы обработки сигналов и изображений". - СПб.: Изд-во СПбГУ ИТМО. 2005. 138 с.

53. Тропченко А.Ю., Тропченко A.A. Цифровая обработка сигналов, методы предварительной обработки. Уч. пособие по дисциплине "Теоретическая информатика". - СПб.: Изд-во СПбГУ ИТМО. 2009. 100 с.

54. Уилкинсон, Райнш. Справочник алгоритмов на языке АЛГОЛ. Линейная алгебра. - М.: Машиностроение. 1976. 389 с.

55. Физический энциклопедический словарь / Гл. ред. A.M. Прохоров. -М.: Сов. Энциклопедия. 1984. 944 с.

56. Фингер Р. Библиотека функций IQMath для С64х+ с плавающей точкой в ЦСП с фиксированной точкой. Компоненты TI // Бюллетень на-учно-технич. информации. 2011. Вып. 2(30).

57. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений. Уч. пособие. - СПб.: СПбГУ ИТМО. 2008. 192 с.

58. Формат BMP. http://ru.wikipedia.org/wiki/BMP

59. Царев А.П. Алгоритмические модели и структуры высокопроизводительных процессоров цифровой обработки сигналов. - Szczecin: Informa. 2001. 237 с.

60. Яне Б. Цифровая обработка изображений. - М.: Техносфера. 2007. 584 с.

61. Ярославский Л.П. Введение в цифровую обработку изображений. - М.: Сов. радио. 1979.312 с.

62. Blonstein S., Katorgi М. eXpressDSP For Dummies (eXpressDSP для "чайников"). Пер. с англ. - Новосибирск: 2004.

63. Bradsky G., Kaebler A. Learning OpenCV. Computer Vision with the OpenCV Library. - O'RELLY. 2008.

64. Chassang R. DSP Applications Using С and the TMS320C6x DSK. - John Wiley&Sons. Inc. 2002.

65. Chassang R. Digital Signal Processing and Applications with the C6713 and C6416 DSK. - New Jersey: John Wiley&Sons. Inc. 2008.

66. Christiansen M., Hanke M. Deblurring methods using antireflective boundary conditions, 2006. http://www.numerik.mathematik.uni-mainz.de/hanke/ christiansen.pdf

67. Donatelli M., Estatico C., Martinelli A., Serra-Capizzano S. Improved image deblurring with anti-reflective boundary conditions and re-blurring // Inverse problems. 2006. Vol. 22. P. 2035-2053.

68. Engl H., Hanke M., Neubauer A. Regularization of Inverse Problems. -Dordrecht: Kluwer. 1996. 328 pp.

69. Farsiu S., Robinson M.D., Elad M., Milanfar P. Fast and robust multiframe super resolution // IEEE Transactions on Image Processing. 2004. Vol. 13. No. 10. P. 1327-1344.

70. Kehtarnavaz N. Real Time Digital Signal Processing Based on TMS320C6000. University of Texas at Dallas. - Burlington: Newnes. USA.

71. Laganiere R. OpenCV 2 Computer Vision Application Programming Cookbook. - Birmingham-NUMBAI. 2011.

72. Nagy J.G., Palmer K.M., Perrone L. Iterative methods for image deblurring: A Matlab object oriented approach // Numer. Algorithms. 2004. Vol. 36. P. 73-93.

73. Palmer K., Nagy J., Perrone L. Iterative methods for image restoration: a Matlab object oriented approach, 2002. ftp://ftp.mathcs.emory.edu/pub/ nagy/papers/RestoreTool s 1 .pdf

74. Press W.H., Teukolsky S.A., Vetterling W.T., Flannery B.P. Numerical Recipes in C++. The Art of Scientific Computing. 3rd ed. - Cambridge University Press. 2007.

75. Petrov Yu.P., Sizikov V.S. Well-Posed, Ill-Posed, and Intermediate Problems with Applications. - Leiden-Boston: VSPio 2005. 234 pp.

76. Qureshi S. Embedded Image Processing On the TMS320C6000™ DSP. -Springer Science+Business Media, Inc. USA. 2005.

77. Saisse M., Rousselet K., Lazarides E. Modeling technique for the Hubble Space Telescope wave-front deformation // Applied Optics. 1995. Vol. 34. No. 13. P. 2278-2283.

78. Steven A. Communication System Design Using DSP Algorithms with Laboratory Experiments for the TMS320C6713™ DSK. - University of Maryland: Springer. USA. 2008.

79. Szeliski R. Computer Vision: Algorithms and Applications. - Springer. 2010.

80. TMS320C6457 Communications Infrastructure Digital Signal Processor, Data Manual (sprs582b.pdf). - Texas Instruments. 2010.

81. TMS320C6000 Assembly Language Tools ver. 7.3, User's Guide (sprul86v.pdf). - Texas Instruments. 2011.

82. TMS320C6000 Programmer's Guide (sprul98k.pdf). - Texas Instruments. 2011.

83. TMS320C6000 Assembly Language Tools ver. 7.3, User's Guide (sprul86v.pdf). - Texas Instruments. 2011.

84. TMS320C6000 Optimizing Compiler ver. 7.3, User's Guide (sprul87t.pdf). - Texas Instruments. 2011.

85. TMS320C6000 Instruction Set Simulator, Technical Reference Manual (spru600i.pdf). - Texas Instruments. 2007.

86. TMS320C64x/C64x+ DSP CPU and Instruction Set, Reference Guide (spru732j.pdf). - Texas Instruments. 2010.

87. TMS320C64x+ DSP Cache, User's Guide (spru862b.pdf). - Texas Instruments. 2009.

88. TMS320C64x+ DSP Megamodule, Reference Guide (spru871k.pdf). -Texas Instruments. 2010.

89. TMS320C6457 DSP External Memory Interface (EMIF), User's Guide (sprugk2b.pdf). - Texas Instruments. 2010.

90. TMS320C6457 DSP DDR2 Memory Controller, User's Guide (sprugk5c.pdf). - Texas Instruments. 2010.

91. TMS320C645x/C647x DSP Bootloader, User's Guide (spruec6e.pdf). -Texas Instruments. 2010.

(y p

92. Texas Instruments. Digital Signal Processors & ARM Microprocessors. www.ti.com/dsp (3Ji. pecypc).

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.