Исследование и разработка алгоритмов и устройств векторной фильтрации для обработки сигналов цветных телевизионных изображений тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат технических наук Карасёв, Олег Евгеньевич

• Карасёв, Олег Евгеньевич
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Карасёв, Олег Евгеньевич

В ВЕДЕНИЕ

ГЛАВА 1. ОБЗОР И АНАЛИЗ СИСТЕМ ЦВЕТНОГО ТЕЛЕВИДЕНИЯ, ЦВЕТОВЫХ МОДЕЛЕЙ И СПОСОБОВ ЗАДАНИЯ РАССТОЯНИЯ МЕЖДУ ЭЛЕМЕНТАМИ ЦВЕТНОГО ИЗОБРАЖЕНИЯ

1.1. Аналоговые и цифровые системы цветного телевидения

1.2. Цветовые модели

1.3. Способы задания расстояния между элементами цветного изображения

1.4. Выводы по первой главе. Постановка задач исследования

ГЛАВА 2. ИССЛЕДОВАНИЕ АЛГОРИТМОВ ВЕКТОРНОЙ

ФИЛЬТРАЦИИ ЦВЕТНЫХ ИЗОБРАЖЕНИЙ

2.1. Разработка методики оценки эффективности алгоритмов векторной фильтрации цветных изображений

2.2. Исследование алгоритма векторной медианной фильтрации

2.3. Исследование алгоритма фильтрации по векторному направлению

2.4. Исследование алгоритма векторной фильтрации на основе теории вероятности и теории нечетких множеств

2.5. Выводы по второй главе. Результаты исследования

ГЛАВА 3. РАЗРАБОТКА, АНАЛИЗ И ИССЛЕДОВАНИЕ

АЛГОРИТМА НЕЧЁТКОЙ ВЕРОЯТНОСТНОЙ ФИЛЬТРАЦИИ ЦВЕТНЫХ ИЗОБРАЖЕНИЙ

3.1. Модификации схемы R-упорядочения многомерных величин со снижением размерности

3.2. Модификация и анализ алгоритма нечёткой вероятностной фильтрации цветных изображений

-33.2.1. Математическая модель алгоритма нечёткой вероятностной фильтрации цветных изображений

3.2.2. Методы оценки характеристик шумового сигнала

3.3. Исследование алгоритма нечёткой вероятностной фильтрации цветных изображений

3.4. Выводы по третьей главе. Результаты исследования

ГЛАВА 4. РАЗРАБОТКА СТРУКТУРНОЙ СХЕМЫ УСТРОЙСТВА

НА ОСНОВЕ АЛГОРИТМА НЕЧЁТКОЙ ВЕРОЯТНОСТНОЙ ФИЛЬТРАЦИИ ЦВЕТНЫХ ИЗОБРАЖЕНИЙ И ЕЁ

МОДЕЛИРОВАНИЕ

4.1. Разработка общей структурной схемы устройства

4.2. Разработка структурной схемы блока сортировки кодов изображения

4.3. Особенности реализации разработанного устройства в виде монолитной СБИС

4.4. Модель устройства нечёткой вероятностной фильтрации цветных изображений

4.5. Практическое применение алгоритма нечёткой вероятностной фильтрации цветных изображений

4.6. Выводы по четвертой главе. Результаты исследования

Введение диссертации (часть автореферата) на тему «Исследование и разработка алгоритмов и устройств векторной фильтрации для обработки сигналов цветных телевизионных изображений»

Зрение для человека является наиболее естественным механизмом восприятия внешнего мира. Через зрительный канал в мозг поступает от 70 до 90% информации [1]. Поэтому любая информация, представленная в визуальной форме, для человека наиболее удобна. Этим и объясняется тот факт, что в последнее время изображение, как форма представления информации, служит объектом исследования в различных отраслях современной науки и техники, а именно: при дистанционном зондировании поверхности Земли для экологического мониторинга [3] и анализа сельскохозяйственных угодий [4-6]; в космических исследованиях [7, 8, 76]; в радиолокации для повышения точности обнаружения объектов [9]; в медицине для диагностики заболеваний [10 - 16, 1а, 2а, 13а]; в биологии для определения патологических изменений в тканях и клетках организмов [17, 18]; в полиграфии для повышения качества репродукций [19]; в промышленности для поиска деталей при роботизированной сборке [20] и описания топологии интегральных микросхем [21]; для анализа разнообразной графической информации [22]; в различных визуальных службах [23] и многих других.

В процессе регистрации и передачи по каналам связи изображения обычно подвергаются воздействию шумов [2, 24, 25]. Это приводит к значительному снижению контрастности и резкости изображений, ухудшая тем самым их восприятие [19]. Поэтому подавление шумов (фильтрация) является одной из важнейших задач в обработке визуальной информации, а развитие микропроцессорной техники, создание быстродействующих больших и сверхбольших интегральных схем (БИС и СБИС соответственно) и микроЭВМ только способствуют разработке и внедрению цифровых систем фильтрации изображений даже в областях, где необходимо строгое соблюдение режима реального времени. Одной из таких областей является телевидение. Известно, что для создания видимости непрерывного движения частота смены кадров должна превышать 24 кадра в секунду. Для устранения мерцания экрана частота смены кадров должна происходить не менее 50 раз в секунду.

В известной литературе по цифровой обработке изображений вопросы, связанные с её применением в системах цветного телевидения, почти не рассматриваются. Большинство работ носит теоретический характер.

В то же время достижение высокого технического качества изображений является одной из главных проблем в телевизионном вещании [23, 26]. Цветные изображения по своей природе более подвержены воздействию искажений, чем чёрно-белые, а существующие аналоговые системы цветного телевидения по принципу действия вносят определенные ограничения качества [26]. Кроме того, реальные условия приёма телевизионного сигнала, когда эфир насыщен помехами, и удалённость телевизионного центра также способствуют снижению качества изображения в телевизионных приёмниках.

Внедрение цифрового вещания позволяет устранить недостатки существующих аналоговых телевизионных систем. В первую очередь, это связано с тем, что в цифровых телевизионных системах (в настоящее время приняты два стандарта цифрового наземного эфирного вещания: Digital Video Broadcasting-Terrestrial (DVB-T) и Advanced Television System Committee (ATSC) [69, 70, 62]) отсутствует необходимость в аналоговых системах кодирования цветовой информации, приводящих к снижению качества изображения. При этом цифровой кодер способен в полном объеме без потерь передать цветной телевизионный сигнал. На приёмном конце осуществляется цифровое декодирование сигналов основообразующих или первичных цветов (красного, зелёного, синего), которые, минуя системы преобразования, попадают непосредственно на пушки кинескопа. В результате такое изображение не подвергается искажениям, атмосферным и промышленным помехам [51]. Однако цифровая техника порождает и проблемы. Во-первых, широкомасштабная передача цифрового сигнала в эфир

-6в настоящее время невозможна из-за наличия действующего парка аналоговых телевизионных приемников, в том числе черно-белых. Большая часть населения не готова приобрести цифровой телевизор или приставку к аналоговому [54]. По этой причине еще ни одна страна не перешла полностью на цифровое вещание. Во-вторых, излучение цифровых сигналов требует более широкой полосы частот, что в освоенных диапазонах телевизионного вещания не может быть реализовано без применения специальных технологий [26]. Для передачи телевизионного видеосигнала в цифровой форме требуются каналы связи с пропускной способностью до сотен мегабит в секунду (177 Мбит/с - 4fsc, PAL; 270 Мбит/с - 4:2:2; 540 Мбит/с — 4:4:4:4) [81]. Использование каналов, не вносящих ошибки в цифровой поток и обладающих столь большой пропускной способностью, может оказаться экономически невыгодным [58]. Решение этой проблемы даёт применение технологий сжатия информации. Например, в системах цифрового эфирного вещания DVB-T и ATSC используется стандарт сжатия видеоданных MPEG-2 (Motion Picture Expert Group) [71], позволяющий без заметной потери качества снизить первоначальную скорость передачи 216 Мбит/с (8 бит) приблизительно в 20 раз. Если же не предъявлять высоких требований к качеству изображения, то скорость можно снизить в 50 и даже в 100 раз. Однако преобразования, связанные с процедурой сжатия, приводят к появлению на изображениях артефактов (искажений) - различного рода посторонних узоров и муаров, сильно коррелированных с изображением [68]. Они наиболее заметны, если изображение содержит мелкие детали, фрагменты с быстрым или сложным движением. Проявлением необратимых искажений при компрессии является неустойчивость и нестабильность контурного рисунка, окантовки и шумы в области резких яр-костных и цветовых переходов.

Таким образом, в настоящее время актуально использование в аналоговых и цифровых телевизионных приемниках современных эффективных методов повышения качества изображений. Получаемые в этом случае преимущества очевидны [48]:

1) повышение надежности аппаратуры;

2) реальное улучшение качества телевизионного изображения;

3) реализация новых функций и дополнительных возможностей.

Отметим тот большой вклад в разработку теории систем цветного телевидения, который внесли М. И. Кривошеев [52, 79], Б. М. Певзнер [26], Р. Е. Быков [53], С. В. Новаковский [56, 57] и другие.

Методы подавления шумов на изображениях делятся на две категории [27]. К первой относятся глобальные методы, то есть методы, одновременно вовлекающие в обработку все зашумлённое изображение или, по крайней мере, большую его часть. Алгоритмы данной категории, в частности, фильтры Винера [28, 29] и Калмана [30, 31], восстановление методом наименьших квадратов [32], требуют априорной информации о статистических характеристиках неискаженного изображения и шума, которая в большинстве практических случаев отсутствует. На отфильтрованных таким образом изображениях, как правило, пропадают мелкие детали, а однородные области имеют размытые границы [27]. Кроме этого, существенным недостатком этих методов является чрезмерно высокая вычислительная сложность.

Ко второй категории относятся локальные операторы, действующие на зашумленном изображении. При этом для каждого конкретного элемента в рассмотрение берутся только отсчёты, находящиеся в сравнительно небольшой его окрестности. Прямым следствием этого является высокая вычислительная эффективность локальных методов. Поскольку параллельно могут обрабатываться несколько фрагментов изображения, потенциально операторы этой категории допускают возможность распараллеливания и реализации в реальном масштабе времени.

Поэтому наибольшей популярностью при обработке полутоновых изображений пользуются локальные методы: медианный фильтр [33] и его многочисленные модификации [34 - 38], а также усредняющий фильтр [39, 40]. К их достоинствам можно отнести низкую сложность вычислений и эффективное подавление импульсного (медианный фильтр), аддитивного и мультипликативного (усредняющий фильтр) шумов. При этом размыв контурного рисунка, имеющего ключевое значение в процессе восприятия изображения человеком [41], значительно меньше по сравнению с глобальными методами.

Цветные изображения, в отличие от полутоновых, имеют три отдельных составляющих (красную, зелёную и синюю), каждая из которых несет определенную информацию о разных частях спектра сигнала изображения. Такие сигналы в литературе называются векторными [42, 43]. Сигналы, имеющие только одну составляющую, называются соответственно скалярными. Естественный подход к обработке цветного изображения заключается в создании фильтра для скалярного сигнала и применения его для каждой составляющей векторного сигнала отдельно. Такой подход имеет ряд недостатков. Составляющие цветного изображения в реальных случаях обычно коррелированны. И если каждая составляющая обрабатывается независимо, то эта корреляция не используется, что в итоге приводит к искажениям [42]. Поэтому для качественной обработки цветных изображений необходимо использовать иные алгоритмы.

Последнее время в литературе широко освещается алгоритм векторной медианной фильтрации [43, 64], представляющий собой адаптацию классического (скалярного) медианного фильтра к обработке сигналов векторного типа. Огромное количество публикаций посвящено его разнообразным модификациям, направленным в первую очередь на повышение эффективности и быстродействия [44 - 47]. Возможность применения в телевизионных системах в этих работах не рассматривается. В большинстве случаев они носят теоретический характер.

Таким образом, в настоящее время в данной области существует ряд неразработанных вопросов, что подтверждает актуальность диссертационной работы:

1) в известной литературе практически не освещаются проблемы, связанные с применением алгоритмов векторной фильтрации для повышения качества цветных телевизионных изображений. Особенности технической реализации как аналоговых, так и цифровых систем цветного телевидения свидетельствуют о необходимости введения в тракт телевизионного приемника устройств обработки видеосигналов. Эффективное подавление шумов и низкая сложность вычислений говорят о целесообразности использования алгоритмов векторной фильтрации для повышения качества цветных телевизионных изображений в реальном масштабе времени;

2) анализ публикаций показывает, что исследования алгоритмов векторной фильтрации цветных изображений в большинстве случаев проводятся только в системе цветовых координат RGB, несмотря на то, что существует множество других систем, в том числе разработанных на основе психофизических экспериментов с человеческим зрением и в большей степени отвечающих его особенностям. Кроме того, они широко и успешно применяются в других областях обработки изображений, например, сегментации [65 — 67]. Поэтому представляется актуальным проведение исследований алгоритмов векторной фильтрации в других системах цветовых координат;

3) практически отсутствуют вопросы, связанные с исследованием влияния способов задания расстояния между элементами в пространстве изображения на результат обработки. А этот момент является одним из ключевых в алгоритмах векторной фильтрации. В большинстве публикаций рассматриваются только расстояние Хемминга и классическое расстояние Евклида, например [77, 78]. Данный аспект базируется на предположении, что источники шумов в разных составляющих вектора являются взаимозависимыми, что ведет к использованию расстояния Евклида. В то время как применение расстояния Хемминга базируется на шумах источника, которые по предположению независимы для разных составляющих вектора [43]. Вопрос о применении «взвешенного» [50] и модифицированного евклидовых расстояний практически остается вне рассмотрения, в то время как в работе [47] отмечается повышение эффективности векторного медианного фильтра;

4) сформулированные в литературе по обработке изображений критерии оценки эффективности алгоритмов фильтрации более подходят к обработке чёрно-белых изображений, так как не учитываются особенности, связанные с обработкой в цветовом пространстве.

Актуальность диссертационной работы подтверждается тем, что критерием для пользователя при стандартизированных условиях наблюдения служит по крайней мере 50%-ный порог заметности искажений [49]. В случаях, когда выходной сигнал приходится подвергать дальнейшей обработке, необходимы более строгие критерии качества сигнала.

Кроме того, наряду с телевизионным вещанием цветное телевидение находит широкое применение при исследовании космоса, в промышленности, транспорте, киностудиях, системе обучения, научных исследованиях, медицине, что также подтверждает актуальность исследований.

Целью диссертационной работы является исследование и разработка алгоритмов векторной фильтрации и основанных на них специализированных устройств для устранения артефактов, проявление которых связано с особенностями построения аналоговых и цифровых систем цветного телевидения (повышения качества цветных телевизионных изображений), а также разработка методики оценки эффективности алгоритмов векторной фильтрации и выбор объективных характеристик, позволяющих оценить результаты обработки в соответствии с этой методикой.

Для достижения поставленной цели были решены следующие задачи:

1) разработать методику исследования алгоритмов векторной фильтрации и выбрать количественные характеристики для оценки их работы;

2) провести исследования и сравнительный анализ существующих алгоритмов векторной фильтрации цветных изображений;

3) разработать новые алгоритмы векторной фильтрации цветных телевизионных изображений;

4) разработать специализированные устройства векторной фильтрации цветных телевизионных изображений;

5) получить модель быстродействующего устройства векторной фильтрации цветных телевизионных изображений, позволяющего обрабатывать цветные телевизионные изображения в реальном масштабе времени.

Для решения перечисленных задач были использованы методы обработки изображений, математической статистики, теории нечетких множеств, теории матриц, теории вероятности, теории имитационного и математического моделирования.

Научная новизна исследования состоит в следующем:

1) разработана методика исследования алгоритмов векторной фильтрации цветных телевизионных изображений;

2) предложено использовать энтропию изображения для оценки степени сглаживания контурного рисунка и мелких деталей на цветных изображениях, обработанных алгоритмами векторной фильтрации;

3) разработан алгоритм нечёткой вероятностной фильтрации, позволяющий эффективно устранять искажения на цветных телевизионных изображениях, проявление которых связано с особенностями построения аналоговых и цифровых систем цветного телевидения;

4) предложена модель быстродействующей вычислительной системы для алгоритма нечёткой вероятностной фильтрации цветных телевизионных изображений.

Основные положения диссертационной работы докладывались и обсуждались на 7-ом Международном научно-техническом семинаре «Проблемы передачи и обработки информации в информационно-вычислительных сетях» (Москва, 1997); на Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы» (Рязань, 1998); на III Международной конференции и выставке «Цифровая обработка сигналов и ее применение» (Москва, 1999); на 4-ой Международной конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработке изображений и символьной информации» (Курск, 1999); на Международной молодежной научной конференции «XXVII Гагаринские чтения» (Москва, 2001); на конференциях Муромского института (филиала) Владимирского государственного университета и научных семинарах кафедры электроники и вычислительной техники МИ ВлГУ.

Основные результаты диссертации опубликованы в восемнадцати научных работах, включающих патент на изобретение, свидетельство на полезную модель, шесть статей, десять тезисов докладов, а также в отчетах по НИР.

На защиту выносятся следующие основные положения:

1) результаты сравнительного анализа и экспериментальных исследований существующих алгоритмов векторной фильтрации цветных изображений;

2) алгоритм нечёткой вероятностной фильтрации цветных телевизионных изображений и результаты его исследований;

3) результаты применения энтропии изображения для оценки степени сглаживания контурного рисунка и мелких деталей при обработке алгоритмами векторной фильтрации;

4) устройство нечёткой вероятностной фильтрации цветных телевизионных изображений.

Диссертация состоит из введения, четырех глав, заключения, списка литературы из 155 наименований, включая 18 работ автора, и приложений. Основной текст занимает 145 страниц, он иллюстрируется 25 рисунками и 6 таблицами.

Заключение диссертации по теме «Радиотехника, в том числе системы и устройства телевидения», Карасёв, Олег Евгеньевич

4.6. Выводы по четвертой главе. Результаты исследований

1. Разработана структурная схема устройства на основе алгоритма нечёткой вероятностной фильтрации.

2. Исследования показали, что алгоритм нечёткой вероятностной фильтрации позволяет эффективно устранять различные виды (аддитивный и импульсный) шума, присутствующие на цветном телевизионном изображении.

3. Разработанный алгоритм нечёткой вероятностной фильтрации может быть применен для повышения качества цветных эндоскопических изображений, например, в медицинских компьютерных системах.

ЗАКЛЮЧЕНИЕ

В результате проведённых в диссертационной работе исследований поставленная задача выполнена. При этом получены следующие результаты:

1) проведен анализ аналоговых (NTSC, PAL, SECAM) и цифровых (ATSC, DVB-T) систем цветного телевидения, находящихся в эксплуатации в настоящее время. Установлено, что аналоговые системы имеют ряд несущественных недостатков, сказывающихся на качестве изображения. В первую очередь, это - перекрёстные искажения и цветной муар. Цифровые системы цветного телевидения также имеют недостатки, сказывающиеся на качестве изображения. Это возникновение ложных контуров и проявление блочной структуры изображения. Они вызваны применением компрессии по стандарту MPEG-2. Применение в телевизионных приемниках полосовых фильтров не позволяет полностью устранить перечисленные недостатки аналоговых и цифровых систем цветного телевидения. Кроме того, они заметно снижают чёткость изображений.

2) разработана методика оценки эффективности векторных фильтров и выбраны объективные показатели, позволяющие анализировать работу векторных фильтров в задаче обработки сигналов цветных изображений. При этом энтропия используется как мера степени размыва контурного рисунка, краев и деталей; средняя цветовая ошибка используется как мера искажения цветового баланса обработанного изображения; соотношение сигнал/шум используется для оценки эффективности подавления шумов.

3) разработаны программы для вычисления характеристик, позволяющих объективно оценить работу алгоритмов векторной фильтрации цветных изображений, и разработаны программы для проведения исследований алгоритмов векторной фильтрации цветных изображений. С помощью этих программ проведены исследования эффективности алгоритмов векторной фильтрации на реальных цветных телевизионных изображениях.

4. Разработан алгоритм нечёткой вероятностной фильтрации цветных изображений. Разработана программа для проведения исследований эффективности алгоритма нечёткой вероятностной фильтрации цветных изображений.

5. Проведены исследования эффективности алгоритма нечёткой вероятностной фильтрации на реальных цветных телевизионных изображениях и эндоскопических изображениях. Показано, что предложенный алгоритм нечёткой вероятностной фильтрации цветных изображений позволяет эффективно устранять артефакты, вызванные перекрестными искажениями в аналоговых системах цветного телевидения, и артефакты, вызванные применением видеокомпрессии в цифровых системах цветного телевидения. Также показано, что алгоритм нечёткой вероятностной фильтрации позволяет сохранить резкость линий, деталей и краев на цветном изображений, сводя к минимуму искажения цветового баланса обрабатываемого изображения. Также показано, что алгоритм нечёткой вероятностной фильтрации позволяет эффективно подавлять аддитивный и импульсный шумы на цветном изображении. При этом обеспечивается улучшение соотношения сигнал/шум не менее чем на 2 дБ по сравнению с известным алгоритмом векторной медианной фильтрации.

6. Разработана структурная схема устройства нечёткой вероятностной фильтрации цветных телевизионных изображений, защищенная патентом Российской Федерации №2159958 с приоритетом от 21.09.1999, опубликованным в 2000 году.

7. Разработана и исследована имитационная модель устройства нечёткой вероятностной фильтрации цветных телевизионных изображений. Исследования имитационной модели устройства нечёткой вероятностной фильтрации цветных телевизионных изображений показали, что разработанное устройство позволяет обрабатывать цветные телевизионные изображения в реальном масштабе времени. Это дает возможность применять разработанное устройство нечёткой вероятностной фильтрации цветных телевизионных изображений в телевизионных системах для повышения качества изображений.

8. Разработанный в диссертационной работе алгоритм нечёткой вероятностной фильтрации цветных телевизионных изображений нашёл применение в ОАО «Муромское специальное конструкторское бюро» (г. Муром, РФ) при разработке тренажеров специального назначения.

Список литературы диссертационного исследования кандидат технических наук Карасёв, Олег Евгеньевич, 2004 год

1. Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы: Справочник / Под ред. Д. А. Поспелова. - М.: Радио и связь, 1990. - 304 е.: ил.

2. Садыков С. С. Цифровая обработка и анализ изображений. Ташкент: НПО «Кибернетика» АН РУз, 1994. - 193 е.: ил.

3. Обухова Н. А. Цифровая обработка изображений в ТВ системах контроля водной поверхности // Цифровая обработка сигналов и её применение / Тезисы докладов 3-й Международной конференции DSPA-2000. -СПб.: АВТЭКС, 2001. Т. 2. - С. 19 - 20.

4. Williams D. Н., Aggarwal J. К. Computer Detection and Classification of Three Citrus Infestations // Computer Graphics and Image Processing. -1980. Vol. 14. - No. 4. - P. 373 - 390.

5. Андреев Г. Г. Возможности автоматизированной классификации сельскохозяйственных объектов по их многозональным аэрокосмическим изображениям // Труды ГосНИЦИПР. 1980. - № Ю. - С. 80 - 85.

6. Amadasun М., King R. A. Low-level Segmentation of Multispectral Images via Agglomerative Clustering of Uniform Neighbourhoods // Pattern Recognition. 1988.-Vol. 21.-No. 3.-P. 261 -268.

7. Nagy J. G. et al. Space-Varying Restoration of Optical Images // Journal of the Optical Society of America, Series A. 1997. - Vol. 14. - No. 12. -P. 3162-3174.

8. Беликова Т. П., Кронрод М. А., Чочиа П. А., Ярославский Л. П. Цифровая обработка фотоснимков поверхности Марса, переданных АМС «Марс-4» и «Марс-5» // Космические исследования. 1975. - Т. XIII. -Вып. 6. - С. 898 - 906.

9. Каливанов А. Ж. Способы автоматической сегментации изображений // Исследование Земли из космоса. 1997. - № 3. - С. 32 - 43.

10. Ercal F., Moganti М., Stoecker W. V., Moss R. H. Detection of Skin Tumor Boundaries in Color Images // IEEE Transactions on Medical Imaging. -1993. Vol. 12. - No. 3. - P. 624 - 627.

11. Ohyama N., Suzuki K., Honda Т., Tsujiuchi J. Digital Processing of Endoscopic Color Images // Optics Communications. 1985. - Vol. 55. -No. 4. - P. 242 - 247.

12. Lu J., Healy D. M., Weaver J. B. Contrast Enhancement of Medical Images Using Multiscale Edge Representation // Wavelet Applications / Proceedings of the SPIE. 1994. - Vol. 2242. - P. 711 - 719.

13. Eviatar H., Somorjai R. L. A Fast, Simple Active Contour Algorithm for Biomedical Images // Pattern Recognition Letters. 1996. - Vol. 17. -P. 969 - 974.

14. Pizer S. M. et al. Adaptive Histogram Equalization and Its Variations // Computer Vision, Graphics, and Image Processing. 1987. - Vol. 39. -P. 355 -368.

15. Boudraa A. E. O. et al. Left Ventricle Automated Detection Method in Gated Isotopic Ventriculography Using Fuzzy Clustering // IEEE Transactions on Medical Imaging. 1993. - Vol. 12. - No. 3. - P. 451 - 465.

16. Geiger D. et al. Dynamic Programming for Detecting, Tracking, and Matching Deformable Contours // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1995. - Vol. 17. - No. 3. - P. 294 - 302.

17. Garbay C., Chassery J.-M., Brugal G. An Iterative Region-Growing Process for Cell Image Segmentation Based on Local Color Similarity and Global Shape Criteria // Analytical and Quantitative Cytology and Histology. -1986.-Vol. 8.-No. l.-P. 25-34.

18. Sasaki K., Kawata S., Minami S. Component Analysis of Spatial and Spectral Patterns in Multispectral Images. II. Entropy Minimization // Journal of the Optical Society of America, Series A. 1989. - Vol. 6. - No. 1. - P. 73 - 79.

19. Узилевский В. А. Передача, обработка и воспроизведение цветных изображений. М.: Радио и связь, 1981. - 216 е.: ил.

20. Келли Р. Б. и др. Три алгоритма технического зрения для задачи взятия деталей из бункеров // ТИИЭР. 1983. - Т. 71. - № 7. - С. 23 - 44.

21. Lagunovsky D., Ablameyko S., Kutas M. Recognition of Integrated Circuits in Reverse Engineering // Proceedings of the 14th International Conference on Pattern Recognition. 1998. - Vol. 1. - P. 1640 - 1642.

22. Ablameyko S. et al. Interpretation of Engineering Drawings: Technology and Results // Pattern Recognition and Image Analysis. 1995. - Vol. 5. -No. 3.-P. 380-401.

23. Кретц Ф., Насс Д. Цифровое телевидение: Методы передачи и кодирования // ТИИЭР. 1985. - Т. 73. - № 4. - С. 87 - 107.

24. Blomgren P., Chan Т. F. Color TV: Total Variation Methods for Restoration of Vector Valued Images // IEEE Transactions on Image Processing. -1998. Vol. 7. - No. 2. - P. 304 - 309.

25. Певзнер Б. M. Качество цветных телевизионных изображений. -М.: Радио и связь, 1988. 2-е изд., доп. и перераб. - 224 е.: ил.

26. Бакут П. А., Колмогоров Г. С. Сегментация изображений: Методы выделения границ областей // Зарубежная радиоэлектроника. 1987. -№ 10.-С. 25-47.

27. Galatsanos N. P., Chin R. Т. Digital Restoration of Multispectral Images // IEEE Transactions on Acoustics, Speech and Signal Processing. -1989. Vol. 37. -No. 3. - P. 415 - 421.

28. Виттих В. А., Сергеев В. В., Сойфер В. А. Обработка изображений в автоматизированных системах научных исследований. М.: Наука, 1982.-216 е.: ил.

29. Woods J. W., Ingle V. К. Kalman Filtering in Two Dimensions: Further Results // IEEE Transactions on Acoustics, Speech and Signal Processing. -1981.-Vol. 29.-No. 2.-P. 188- 197.

30. Galatsanos N. P., Chin R. T. Restoration of Color Images by Multichannel Kalman Filtering // IEEE Transactions on Signal Processing. 1991. — Vol. 39. - No. 10. - P. 2237 - 2252.

31. Galatsanos N. P., Katsaggelos A. K., Chin R. Т., Hillery A. D. Least Squares Restoration of Multichannel Images // IEEE Transactions on Signal Processing. 1991. - Vol. 39. - No. 10. - P. 2222 - 2236.

32. Кучеренко К. И., Очин Е. Ф. Двумерные медианные фильтры для обработки изображений // Зарубежная радиоэлектроника. 1986. - № 6. — С. 50-61.

33. Kundu A., Zhou J. Combination Median Filter // IEEE Transactions on Image Processing. 1992. - Vol. 1. - No. 3. - P. 422 - 429.

34. Ahmad M. O., Sundararajan D. A Fast Algorithm for Two-Dimensional Median Filtering // IEEE Transactions on Circuits and Systems. -1987.-Vol. 34.-No. 11.-P. 1364- 1374.

35. Khriji L., Gabbouj M. Median-Rational Hybrid Filters // IEE Electronic Letters. 1998. - Vol. 34. - No. 10. - P. 977 - 979.

36. Ben Hamza A. et al. Removing Noise and Preserving Details with Relaxed Median Filters // Journal of Mathematical Imaging and Vision. -1999.-Vol. 11.-No. 2.-P. 161 177.

37. Wang Z., Zhang D. Progressive Switching Median Filter for the Removal of Impulse Noise from Highly Corrupted Images // IEEE Transactions on Circuits and Systems II. Analog and Digital Signal Processing. 2000. -Vol. 46.-No. l.-P. 78-80.

38. Путятин Е. П., Аверин С. И. Обработка изображений в робототехнике. М.: Приборостроение, 1990. - 320 е.: ил.

39. Mitchell Н. В. Fast Small-Kernel K-Nearest Neighbour Noise-Smoothing Algorithm // European Transactions on Telecommunications and Related Technologies. 1995. - Vol. 6. - No. 5. - P. 609 - 612.

40. Fong Y.-S. et al. Comparison Studies of Non-Linear Filters in Image Processing Applications // Optical Engineering. 1989. - Vol. 28. - P. 749 -760.

41. Machuca R., Philips K. Applications of Vector Fields to Image Processing // IEEE Transactions on Pattern Analysis and Machine Intelligence. -1983. Vol. 5. - No. 3. - P. 316 - 329.

42. Астола Я., Хаависто П., Неуво Ю. Векторные медианные фильтры // ТИИЭР. 1990. - Т. 78. - № 4. - С. 82 - 95.

43. Trahanias P. Е., Venetsanopoulos А. N. Vector Directional Filters А New Class of Multichannel Image Processing Filters // IEEE Transactions on Image Processing. - 1993. - Vol. 2. - No. 4. - P. 528 - 534.

44. Tang K., Astola J., Neuvo Y. Nonlinear Multivariate Image Filtering Techniques // IEEE Transactions on Image Processing. 1995. - Vol. 4. -No. 6.-P. 788-797.

45. Khriji L., Gabbouj M. Vector Median-Rational Hybrid Filters for Multichannel Image Processing // IEEE Signal Processing Letters. 1999. -Vol. 6.-No. 7.-P. 186- 190.

46. ГОСТ 26320 84. Оборудование телевизионное студийное и внестудийное. Методы субъективной оценки качества цветных телевизионных изображений. - М.: Издательство стандартов, 1985.

47. Прикладная статистика: Классификация и снижение размерности: Справочное издание / С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, JI. Д. Мешалкин; Под ред. С. А. Айвазяна. М.: Финансы и статистика, 1989. -607 е.: ил.

48. Афанасьев А., Еременко Д. SEC AM, РАГ, NTSC // Stereo & Video. 2000. - Т. VII. - № 6. - С. 16 - 26.

49. Кривошеев М. И. Основы телевизионных измерений. М.: Связь, 1976.-536 с.

50. Быков Р. Е., Гуревич С. Б. Анализ и обработка цветных и объемных изображений. М.: Радио и связь, 1984. - 248 е.: ил.

51. Татарников О. Наступит ли эра цифрового телевидения? // Компьютер пресс. 2003. - № 1. - С. 84 - 90.

52. Абламейко С. В., Лагуновский Д. М. Обработка изображений: технология, методы, применение. Учебное пособие. Минск: Амалфея, 2000. - 304 с.

53. Новаковский С. В. Цветное телевидение. М.: Связь, 1975.376 с.

54. Техника цветного телевидения / С. В. Новаковский, Е. 3. Сорока, Б. Н. Хохлов и др.; Под ред. С. В. Новаковского. М.: Связь, 1976. - 494 с.

55. Основы цифровой обработки видеоизображения // at http://nle.ixbt.com/teoria/teorial/.

56. А.С. 1226500 SU, МКИ3 G06K9/36. Устройство для обработки изображений объектов / Грицык В. В., Луцык А. Ю., Паленичка Р. М. -Опубл. 1986.

57. А.С. 1295427 SU, МКИ3 G06K9/36. Устройство для обработки изображений объектов / Батюк А. Е., Грицык В. В., Луцык А. Ю., Паленичка Р. М. Опубл. 1987.

58. А.С. 1621058 SU, МКИ3 G06K9/36. Устройство обработки изображений / Петров JI. В., Гукасова М. В., Сакварелидзе Г. В. Опубл. 1991.

59. Кухарев В. Перспективы развития и преимущества DVB-T в России и странах ближнего зарубежья // Журнал «625». 2000. - № 3.

60. Жешевски Т. С. Техническая оценка перспективного телевидения // ТИИЭР. 1990. - Т. 78. - № 5. - С. 5 - 19.

61. Koschan A., Abidi М. A Comparison of Median Filter Techniques for Noise Removal in Color Images // Proceedings of the 7th German Workshop on Color Image Processing. -2001.- Vol. 34.-No. 15.-P. 69-79.

62. Lim Y. W., Lee S. U. On the Color Image Segmentation Algorithm Based on the Thresholding and the Fuzzy c-means Techniques // Pattern Recognition. 1990. - Vol. 23. - No. 9. - P. 935 - 952.

63. Gauch J., Hsia C.-W. A Comparison of Three Color Image Segmentation Algorithms in Four Color Spaces // Visual Communication and Image Processing / Proceedings of the SPIE. 1992. - Vol. 1818. - P. 1168 - 1181.

64. Umbaugh S. E., Moss R. H., Stoecker W. V., Hance G. A. Automatic Colour Segmentation Algorithms with Application to Skin Tumor Feature Identification // IEEE Engineering in Medicine and Biology. 1993. - Vol. 12. -No. 3.-P. 75-82.

65. Гласман К. Ф. Видеокомпрессия // Журнал «625». 1997. - № 7.

66. Гласман К. Ф. Методы передачи данных в цифровом телевидении. Часть 2. Стандарт цифрового телевидения ATSC // Журнал «625». -1999.-№7.

67. Гласман К. Ф. Методы передачи данных в цифровом телевидении. Часть 3. Стандарт цифрового телевидения DVB-T // Журнал «625». -1999.-№9.

68. Poynton C. Frequently Questions about Color // at http://inforamp.net/~poynton/colorfaq.pdf.

69. Yang С. C., Rodriguez J. J. Efficient Luminance and Saturation Processing Techniques for Bypassing Color Coordinate Transformations // Proceedings of the IEEE International Conference on System, Man and Cybernetics. -1995.-Vol. l.-P. 131 138.

70. Бочко В. А. Методы обработки и классификации цветных изображений // Зарубежная радиоэлектроника. 1992. - № 6. - С. 10-17.

71. Кононенко Д. В. Алгоритм выбора методов цифровой обработки изображений с использованием мер возможности // Информационные технологии. 1999. - № 2. - С. 40 - 46.

72. Viero Т., Oistamo К., Neuvo Y. Three-Dimensional Median-Related Filters for Color Image Sequence Filtering // IEEE Transactions on Circuits and Systems for Video Technology. 1994. - Vol. 4. - No. 2. - P. 129 - 142.

73. Kim J. M., Wills D. S. Fast Vector Median Filter Implementation Using the Color Pack Instruction Set // Proceedings of the 10th IEEE Digital Signal Processing Workshop. 2002. - P. 78 - 79.

74. Цифровое телевидение / Под ред. М. И. Кривошеева. М.: Связь,1980.

75. Бродский М. А. Стационарные цветные телевизоры. Минск: Вышэйшая школа, 1996. - 397 е.: ил.

76. Гласман К. Ф. Цифровое представление телевизионного сигнала // Журнал «625». 1997. - № 4.

77. Yamashita М., Ibaraki Т. Distance Defined by Neighborhood Sequences // Pattern Recognition. 1986. - Vol. 19. - P. 237 - 246.

78. Olsen S. I. Noise Variance Estimation in Images // Proceedings of the 8th SCIA.- 1993.

79. Lee J.-S. Refined Filtering of Image Noise Using Local Statistics // Computer Vision, Graphics and Image Processing. 1981. - Vol. 15. - P. 380 -389.

80. Mastin G. A. Adaptive Filters for Digital Noise Smoothing An Evaluation // Computer Vision, Graphics and Image Processing. - 1985. -Vol. 31.-P. 103-121.

81. Meer P., Jolion J., Rosenfeld A. A Fast Parallel Algorithm for Blind Estimation of Noise Variance // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1990. - Vol. 12. - No. 2. - P. 216 - 223.

82. Bracho R., Sanderson A. C. Segmentation of Image Based on Intensity Gradient Information // Proceedings of the Conference on Computer Vision and Pattern Recognition. 1985. - P. 341 - 347.

83. Vorhees H., Poggio T. Detecting Textons and Texture Boundaries in Natural Images // Proceedings of the 1st International Conference on Computer Vision. 1987. - P. 250 - 258.

84. Lee J.-S., Hoppel K. Noise Modeling and Estimation of Remotely-Sensed Images // Proceedings of the International Conference on Geoscience and Remote Sensing. 1989. - Vol. 2. - P. 1005 - 1008.

85. Пенин П. И., Борисов Ю. П. Основы многоканальной передачи информации. — М.: Связь, 1967.

86. Кловский Д. Д. Теория передачи сигналов. Учебник для вузов. -М.: Связь, 1973. 376 е.: ил.

87. Флори Р. Е. Технические средства получения изображений // ТИИЭР.- 1985.-Т. 73. -№ 4. С. 131 - 162.

88. Методы компьютерной обработки изображений / Под ред. В. А. Сойфера. 2-е изд., испр. - М.: ФИЗМАТ ЛИТ, 2003. - 784 с.

89. Puttenstein J. G., Heynderickx I., de Haan G. Objective Evaluation of Noise Reduction Performance in TV-systems // Proceedings of the IEEE International Conference on Image Processing. 2002. - P. 69 - 72.

90. Blume H., Amer A., Schroder H. Vector-based Postprocessing of MPEG-2 Signals for Digital TV-Receivers // // Proceedings of the SPIE Conference on Visual Communication and Image Processing. 1997. - Vol. 3024. -P. 1176- 1187.

91. Klompenhouwer M. A., de Haan G. Video, Display and Processing // Digest of the SID'04. 2004. - P. 1466 - 1469.

92. Jostschulte K., Amer A., Schu M., Schroder H. A Subband Based Spatio-temporal Noise Reduction Technique for Interlaced Video Signals // Proceedings of the IEEE International Conference on Consumer Electronics. -1998.-P. 438-439.

93. Besdok E., Toz F. G., Yuksel M. E., Palancioglu H. M. Using Resilient Neural Networks for Impulse Noise Reduction from Highly Distorted Images // Proceedings of the TAINN 2003.

94. Kutka R, Каир A., Hager M. Quality Improvement of Low Data-rate Compressed Video Signals by Pre- and Postprocessing // Proceedings of the SPIE / Digital Compression Technologies and Systems for Video Communications. 1996. - Vol. 2952. - P. 42 - 49.

95. Заместитель Генерального директора ОАО «Муромское специальное конструкторское бюро»1. В. К. Ширгин1.лавныи конструктор

96. ОАО «Муромское специальноеконструкторское бюро»1. М. А. Бурманшшшйшш фщщшрапщвдуш