(44-3) 15 * << * >> * Русский * English * Содержание * Все выпуски

Параметризованная интерполяция при комплексировании многомерных сигналов различного разрешения
М.В. Гашников 1,2

1 Самарский национальный исследовательский университет имени академика С.П. Королёва,

443086, Россия, Самарская область, г. Самара, Московское шоссе, д. 34

2 ИСОИ РАН – филиал ФНИЦ «Кристаллография и фотоника» РАН,

443001, Россия, Самарская область, г. Самара, ул. Молодогвардейская, д. 151

 PDF, 1208 kB

DOI: 10.18287/2412-6179-CO-696

Страницы: 436-440.

Аннотация:
Производится адаптация параметризованных алгоритмов интерполяции к задаче комплексирования многомерных сигналов различного разрешения. Конкретизируются интерполирующие функции, правила переключения между ними и локальные признаки, на основе которых осуществляется выбор интерполирующей функции в каждой точке сигнала. Производится оптимизация параметризованных алгоритмов интерполяции, исходя из минимизации погрешности интерполяции. Рекуррентная схема оптимизации интерполятора рассматривается для ситуации недоступности интерполируемых отсчётов на этапе настройки интерполяционной процедуры. Производятся вычислительные эксперименты по исследованию предложенных интерполяторов при комплексировании реальных многомерных сигналов различных типов. Экспериментально подтверждается, что использование параметризованных интерполяторов позволяет повысить точность комплексирования.

Ключевые слова:
комплексирование сигналов, многомерный сигнал, разрешение сигнала, интерполяция, оптимизация.

Благодарности
Исследование выполнено при финансовой поддерж-ке РФФИ в рамках научных проектов № 18-01-00667 (параграфы 1.2, 2, 3) и 18-07-01312 (параграф 1.1), а также Министерства науки и высшего образования РФ в рамках Госзадания ФНИЦ «Кристаллография и фотоника» РАН (параграф «Введение»).

Цитирование:
Гашников, М.В. Параметризованная интерполяция при комплексировании многомерных сигналов различного разрешения / М.В. Гашников // Компьютерная оптика. – 2020. – Т. 44, № 3. – С. 436-440. – DOI: 10.18287/2412-6179-CO-696.

Литература:
  1. Image fusion and its applications / ed. by Y. Zheng. – Rijeka: InTech, 2011. – 242 p.
  2. Аншаков, Г.П. Комплексирование гиперспектральных и мультиспектральных данных КА «РЕСУРС-П» для повышения их информативности / Г.П. Аншаков, А.В. Ращупкин, Ю.Н. Журавель // Компьютерная оптика. – 2015. – Т. 39, № 1. – С. 77-82. – DOI: 10.18287/0134-2452-2015-39-1-77-82.
  3. Герман, Е.В.Математическая модель формирования зоны неопределённости в задаче совмещения изображений / Е.В. Герман, Е.Р. Муратов, А.И. Новиков // Вестник РГРТУ. – 2013. – № 4. – С. 10­16.
  4. Новиков, А.И. Комбинированный метод совмещения разнородных изображений в авиационных системах технического зрения / А.И. Новиков, А.А. Логинов, Д.А. Колчаев // Цифровая обработка сигналов. – 2017. – № 2. – С. 53-59.
  5. Холопов, И.С. Реализация алгоритма формирования цветного изображения по сигналам монохромных видеодатчиков видимого и длинноволнового инфракрасного дипазонов в цветовом пространстве YCbCr / И.С. Холопов // Компьютерная оптика. – 2016. – Т. 40, № 2. – С. 266-274. – DOI: 10.18287/2412-6179-2016-40-2-266-274.
  6. Муратов, Е.Р. Методы сокращения вычислительной сложности алгоритмов совмещения разнородных изображений / Е.Р. Муратов, М.Б. Никифоров // Cloud of Science. – 2014. – T. 1, № 2. – С. 327-336.
  7. Du, J. Anatomical-functional image fusion by information of interest in local Laplacian filtering domain / J. Du, W. Li, B. Xiao // IEEE Transactions on Image Processing. – 2017. – Vol. 26, Issue 12. – P. 5855-5866.
  8. Методы компьютерной обработки изображений / М.В. Гашников, Н.И. Глумов, Н.Ю. Ильясова, В.В. Мяс­ников, С.Б. Попов, В.В. Сергеев, В.А. Сойфер, А.Г. Храмов, А.В. Чернов, В.М. Чернов, М.А. Чичева, В.А. Фурсов; под ред. В.А. Сойфера. – М.: Физматлит, 2003. – 784 с. – ISBN: 5-9221-0270-2.
  9. Antoniou, A. Digital signal processing / A. Antoniou. – McGraw-Hill, 2016. – 800 p. – ISBN: 978-0-07-184603-5.
  10. Solanki, P. An efficient satellite image super resolution technique for shift-variant images using improved new edge directed interpolation / P. Solanki, D. Israni, A. Shah // Statistics, Optimization & Information Computing. – 2018. – Vol. 6, Issue 4. – P. 619-632.
  11. Zhou, D. Image zooming using directional cubic convolution interpolation / D. Zhou, X. Shen, W. Dong // IET Image Processing. – 2012. – Vol. 6, No. 6. – P. 627—634.
  12. Кадурин, А. Глубокое обучение. Погружение в мир нейронных сетей / А. Кадурин, Е. Архангельская, С. Ни­коленко. – СПБ.: Питер, 2018. – 480 c.
  13. Галеев, Д.Т. Разработка искусственной нейронной сети для решения задачи интерполяции изображений / Д.Т. Галеев, С.Ю. Мирошниченко // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание-2018. – 2018. – С. 82-84.
  14. Гашников, М.В. Оптимизация интерполятора многомерного сигнала в пространстве уменьшенной размерности / М.В. Гашников // Компьютерная оптика. – 2019. – Т. 43, № 4. – С. 653-660. – DOI: 10.18287/2412-6179-2019-43-4-653-660.
  15. Sayood, K. Introduction to data compression / K. Sayood. – 5th ed. – Morgan Kaufmann, 2017. – 766 p.
  16. Feichtenhofer, C. Dynamic scenes data set [Electronical Resource] / C. Feichtenhofer, A. Pinz1, R.P. Wildes // URL: http://vision.eecs.yorku.ca/research/dynamic-scenes (request date 19.01.2020)
  17. TokyoTech 31-band hyperspectral image dataset [Electronical Resource]. –  URL: http://www.ok.sc.e.titech.ac.jp/res/MSI/MSIdata31.html (request date 19.01.2020).

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20