(47-4) 11 * << * >> * Русский * English * Содержание * Все выпуски

Линейные операторы с векторными масками в задачах цифровой обработки изображений
А.И. Новиков 1, А.В. Пронькин 1

1 Рязанский государственный радиотехнический университет имени В.Ф. Уткина,
390005, Рязань, ул. Гагарина, д. 59/1

 PDF, 773 kB

DOI: 10.18287/2412-6179-CO-1241

Страницы: 596-604.

Аннотация:
В работе обосновывается целесообразность применения векторных масок для решения определенного круга задач цифровой обработки изображений. Основное преимущество векторных масок по сравнению с матричными масками заключается в сокращении вычислительной сложности алгоритмов при сохранении, а в некоторых задачах и в улучшении качественных показателей. В статье демонстрируются примеры применения векторных масок в задаче оценивания уровня дискретного белого шума в составе изображения и конструирования на этой основе корректно работающего сигма-фильтра, в задаче детектирования границ для получения сглаженных оценок частных производных, в задаче обнаружения прямых в составе контурного изображения. В работе используются результаты, полученные авторами в их более ранних публикациях.

Ключевые слова:
линейные операторы, векторная маска, свертка, оценивание дисперсии шума, детектирование границ, контурное изображение, выделение прямых.

Цитирование:
Новиков, А.И. Линейные операторы с векторными масками в задачах цифровой обработки изображений / А.И. Новиков, А.В. Пронькин // Компьютерная оптика. – 2023. – Т. 47, № 4. – С. 596-604. – DOI: 10.18287/2412-6179-CO-1241.

Citation:
Novikov AI, Pronkin AV. Linear operators with vector masks in digital image processing problems. Computer Optics 2023; 47(4): 596-604. DOI: 10.18287/2412-6179-CO-1241.

References:
  1. Kostyashkin LN, Nikiforov MB, eds. Image processing in aviation vision systems [In Russian]. Moscow: “Fizmatlil” Publisher; 2016.
  2. Alpatov BA, Babayan PV, Balashov OE, Stepashkin AI. Methods for automatic detection and tracking of objects [In Russian]. Moscow: “Radiotehnika” Publisher; 2008.
  3. Gonzalez RC, Woods RE. Digital image processing. Pearson; 2005.
  4. Soifer VA, Sergeev VV, Popov SB, Myasnikov VV. Theoretical foundations of digital image processing [In Russian]. Samara: Samara National Research University named after Academician S.P. Koroleva Publisher; 2000.
  5. Tomasi C. Manduchi R. Bilateral filtering for grey and color images. Sixth Int Conf on Computer Vision 1998: 839-846.
  6. Lee JS. Digital image smoothing and the sigma filter. Comput Graph Image Process 1983; 24(2): 255-269.
  7. Vizilter UV, Zheltov SU, Bondarenko AV. Image processing and analysis in machine vision problems [In Russian]. Moscow: “Fizmatkniga” Publisher; 2010.
  8. Schowengerdt RA. Remote sensing: Models and methods for image processing. Amsterdam: Elsevier Ink; 2006.
  9. Novikov AI, Pronkin AV. Detector of gradient type borders for understanding surface images [In Russian]. Vestnik RGRTU 2019; 68: 68-76. DOI: 10.21667/1995-4565-2019-68-2-68-76.
  10. Hough PV. Machine analysis of bubble chamber pictures. 2nd Int Conf on High Energy Accelerators and Instrumentation 1959: 554-558.
  11. Ershov EI, Terekhin AP, Karpenko SM, Nikolaev DP. On the exact estimation of inaccuracies in the line approximation in the fast hough transform algorithm [In Russian]. Information Technology and Systems 2015: An IITP RAS Interdisciplinary Conference & School 2015. 858-868.
  12. Novikov AI, Melnikova ES, Ustykov DI. Straight line detection method for images based on the proporties of curvature. 22th Int Conf on Digital Signal Processing and its Applications (DSPA) 2020: 1-4.
  13. Kendall MJ, Stewart A. Multivariate statistical analysis and time series [In Russian]. Moscow: “Nauka” Publisher; 1976.
  14. Anderson TW. The statistical analysis of time series. New York: John Wlley and Sons Inc; 1994.
  15. Novikov AI. The formation of operators with given properties to solve original image processing tasks. Pattern Recognition and Image Analysis 2015; 25: 230-236. DOI: 10.1134/S1054661815020194.
  16. Novikov AI, Pronkin AV. Methods for image noise level estimation. Computer Optics 2021; 45(5): 713-720. DOI: 10.18287/2412-6179-CO-894.
  17. Donoho DL. De-noising by soft-thresholding. IEEE Trans Inf Theory 1995; 41(3): 613-627.
  18. Olsen SI. Noise variance estimation in images. 8th Scandinavian Conference on Inage Analysis 1993.
  19. Ghazal M, Amer A, Ghrayeb A. Structure-oriented spatiotemporal video noise estimation. IEEE Int Conf on Acoustics Speech and Signal Processing 2006: 845-848.
  20. Lapshenkov EM. No reference estimation of noise level of digital image is based on harmonic analysis [In Russian]. Computer Optics 2012; 36(3): 439-447.
  21. Voskoboinikov UE, Krysov DA. Estimation of the noise measurement characteristics in the model “Signal + Noise” [In Russian]. Automatics and Software Enginery 2018; 3(25): 54-61.
  22. Canny J. A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence 1986; 8: 679-698.
  23. Novikov AI, Pronkin AV. Method and program for detecting borders of brightness difference [In Russian]. Proc VI Int Conf on Information Technology and Nanotechnology (ITNT) 2020; 2: 111-119.
  24. Brady ML, Yong W. Fast parallel discrete approximation algorithms for the Radon transform. Proc fourth annual ACM Symposium on Parallel Algorithms and Architectures 1992: 91-99.

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