Исследование и разработка алгоритмов сжатия и восстановления изображений, формируемых датчиками летательных аппаратов тема диссертации и автореферата по ВАК РФ 05.12.17, кандидат технических наук Рубашкин, Валерий Николаевич

• Рубашкин, Валерий Николаевич
• кандидат технических наук
• 1999

Оглавление диссертации кандидат технических наук Рубашкин, Валерий Николаевич

Введение.

1. Актуальность, новизна и направление исследования

2. Теория и практика кодирования изображений, формируемых датчиками летательных аппаратов комплексов дистанционного мониторинга.

3. Краткое содержание работы.

1. Характеристики датчиков и изображений.

1.1. Информационные и точностные характеристики датчиков изображения.

1.2. Статистические характеристики изображений. Избыточность.

Выводы.

2. Моделирование сжатия и восстановления изображений, формируемых датчиками летательных аппаратов.

2.1. Формальная модель системы передачи изображений.

2.1.1. Представление информации.

2.1.2. Кодирование источника и комбинации алгоритмов сжатия.

2.1.3. Канальные преобразования.

2.1.4. Оценка изображения.

2.2. Программная среда моделирования.

2.2.1.Требования к системе моделирования.

2.2.2. Организация ядра моделирующей системы.

2.2.3. Реализация моделирующих блоков.

2.2.4. Модельное время.

2.3. Модели элементов канала связи.

2.3.1. Структура канала связи.

2.3.2. Модели потока ошибок.

2.3.3. Модель канального кодера.

2.3.4. Модель фазового демодулятора с мягким решением.

2.3.5. Модель канального декодера.

Выводы.

3. Сжатие изображений.

3.1. Общая характеристика методов кодирования изображений.

3.2. Улучшенный алгоритм адаптивного квантования дискретных данных.

3.3 Статистическое (энтропийное) кодирование.

3.3.1. Метод кодирования длин серий.

3.3.2. Кодирование кодами переменной длины.

3.3.3. Кодирование словарными кодами.

3.3.4. Арифметическое кодирование.

3.4. Блочное кодирование.

3.5. Кодирование с преобразованием пространства представления.

3.5.1. Преобразование Карунена-Лоэва.

3.5.2. Сжатие на основе дискретного косинусного преобразования.

3.5.2.1. Дискретное косинусное преобразование.

3.5.2.2. Алгоритм JPEG.

3.5.2.3. Квантование коэффициентов.

3.5.2.4. Способы кодирования.

3.5.3. Дискретное преобразование Уолша.

3.5.4. Сжатие на основе Wavelet-анализа.

3.6. Фрактальное сжатие.

3.7. Метод сжатия MPEG.

3.8. Метод дифференциальной импульсно-кодовой модуляции.

Выводы.

4. Исследование влияния помех в канале связи на качество передачи изображений.

4.1. Специфика влияния помех на передачу изображений.

4.2. Воздействие помех на несжатые изображения.

4.3. Воздействие помех на сжатые изображения.

4.4. Влияние помех на изображения, сжатые по методу УБК.

4.5. Воздействие помех на изображения, сжатые по методу JPEG.

4.6. Воздействие помех на изображения, сжатые по методу Wavelet.130 Выводы.

5. Сокращение объема видеоданных в системах охранной сигнализации.

5.1. Обработка изображений перед передачей.

5.2. Традиционный метод трассировки контура и получения цепного кода.

5.3. Морфологическая фильтрация для выделения контуров.

5.3.1. Локальные преобразования в обработке изображений.

5.3.2. Преобразование сегментированных изображений.

5.4. Техническая реализация системы наблюдения за удаленным объектом.

Вывод.

6. Предложения по аппаратной реализации алгоритмов сжатия и восстановления изображений, формируемых датчиками летательных аппаратов.

Введение диссертации (часть автореферата) на тему «Исследование и разработка алгоритмов сжатия и восстановления изображений, формируемых датчиками летательных аппаратов»

1. Актуальность, новизна и направление исследования

Исследование и разработка алгоритмов сжатия и восстановления изображений, формируемых датчиками летательных аппаратов, актуально для проектирования качественно новых радиотехнических комплексов дистанционного мониторинга: расширения их функциональных возможностей, улучшения технических характеристик, существенного снижения стоимости и сложности.

Наиболее актуальными вопросами остаются:

• изыскание новых методов сжатия изображений;

• исследование применимости известных методов сжатия в специальных каналах радиосвязи в связи с их подверженностью воздействию помех.

Подсистемы передачи изображений, формируемых датчиками летательных аппаратов, входят в состав многих современных систем дистанционного наблюдения. На качество изображений влияют такие факторы как динамика летательного аппарата, шумы датчиков изображений, оптико-механические погрешности аппаратуры, оптические свойства воздуха и помехи в радиоканале. В данной работе рассматриваются только искажения изображений, связанные с помехами в радиоканале в предположении, что качество изображения, формируемого датчиками летательного аппарата, достаточно для решения целевых задач системы, а разрешение не должно уменьшаться при сжатии. Кодирование изображений в каналах с помехами имеет две цели:

• уменьшение объема передаваемой информации для высвобождения энергетических ресурсов канала;

• повышение помехоустойчивости передачи.

При передаче сообщений по цифровым каналам с ошибками наиболее эффективное решение задачи помехоустойчивой передачи данных достигается путем совместного кодирования источника и канала [1, с. 153]. Такой обобщенный подход связан с математическими и конструктивными трудностями и на практике целесообразной считается декомпозиция кодирования на две самостоятельные задачи: кодирование источника (сжатие данных) и кодирование канала в предположении их независимости [1, с. 153; 2, с. 77]. Известны многочисленные исследования алгоритмов сжатия данных [3] и изображений [4 - 7], достаточно хорошо изучено помехоустойчивое канальное кодирование [8, 9]. Задача помехоустойчивого кодирования изображений и разработки помехоустойчивых алгоритмов сжатия изображений, судя по известным работам, не рассмотрена.

Основная цель диссертационной работы - разработка и анализ эффективных помехоустойчивых алгоритмов сжатия и восстановления изображений, формируемых датчиками летательных аппаратов в системах дистанционного мониторинга. Работа имеет конкретного заказчика и обусловлена необходимостью уменьшения полосы пропускания радиоканала для передачи изображения в реальном времени. Сжатие информации обеспечивает дополнительные временные ресурсы, которые могут использоваться для помехоустойчивого кодирования.

Для выполнения поставленной цели - разработки быстродействующих, эффективных и конструктивных алгоритмов сжатия - должны быть решены следующие задачи:

1) выбор критерия оценки качества изображений [10,11];

2) исследование статистических свойств изображений, формируемых датчиками летательных аппаратов, для оценки избыточности и потенциальной возможности сжатия [12];

3) разработка обобщенной математической модели передачи сжатых изображений по каналу с помехами, выбор элементов и принципов построения среды моделирования для исследования алгоритмов сжатия и передачи сжатых изображений по каналу с помехами [13];

4) разработка структуры среды моделирования и ее программная реализация, разработка структур данных для процесса передачи и алгоритма диспетчеризации вычислительных процессов в независимых подключаемых модулях [13];

5) разработка алгоритмов сжатия/восстановления, исследование их помехоустойчивости и сопоставительный анализ возможности их применения в бортовом оборудовании современных радиотехнических комплексов [14,15];

6) разработка частных алгоритмов и моделей (квантование, помехоустойчивое кодирование и декодирование, преобразование и обработка изображений, статистический анализ и др.);

7) разработка комплекса исследовательских программ и набора модулей, подключаемых к системе моделирования [10-15];

8) разработка алгоритмов сжатия изображений движущихся объектов [16

18].

Методы исследования. В теоретических исследованиях использованы методы статистической теории радиосвязи, теории сигналов и цифровой обработки изображений, теории автоматов. Для формализации моделей использован теоретико-множественный подход общей теории систем. Экспериментальные исследования проводились методом компьютерного моделирования. Оценка свойств изображений, формируемых датчиками летательных аппаратов и результатов моделирования проведена методами математической статистики и обработки данных.

Научная новизна диссертационной работы заключается в следующем: • Установлено, что воздействие помех на изображения, закодированные различными методами, имеет качественно различную природу. Традиционные количественные характеристики искажений изображения средняя квадратичная ошибка, отношение сигнал/шум, пиковое отношение сигнал/шум) не позволяют проводить сравнительный анализ помехоустойчивости методов сжатия, вследствие различной природы вызванных шумами искажений. Для систем обнаружения малоразмерных объектов предложен критерий сравнительной оценки помехоустойчивости различных алгоритмов сжатия по уровню помех, при котором появляются ложные объекты (допустимая вероятность ошибки в канале). Помехоустойчивость алгоритмов одного класса можно сравнивать по средней квадратичной ошибке (СКО).

• Методом моделирования получены характеристики качества и помехоустойчивости ряда алгоритмов сжатия и восстановления изображений. Показаны недопустимость применения методов статистического кодирования (арифметического или по Хаффмену) в системах передачи изображений в условиях помех, а также относительно низкая помехоустойчивость методов, основанных на дискретно-косинусном преобразовании (допустимая вероятность ошибки в канале -Рош==2.5-10'5), по сравнению с Wavelet (рош = 2-Ю'4) или усеченным блочным кодированием (рош = 10" ) и высокой естественной помехоустойчивостью несжатых изображений (рош = 10"2).

• Построена обобщенная математическая модель систем со сжатием и помехоустойчивым кодированием изображений, определен необходимый операторный базис системы моделирования.

• Обоснована и разработана методика построения моделирующих сред с применением технологии подключаемых модулей (plug-ins), отличающаяся от традиционных методик моделирования с фиксированным набором модулей алгоритмической и программной независимостью вычислительных процессов в блоках модели. Для обеспечения этой методики разработан алгоритм диспетчеризации процессов моделирования.

• Разработаны алгоритмы сжатия и передачи изображений в условиях помех на основе различной структурной ценности битов, полученных методами Wavelet и усеченного блочного кодирования.

• Показано, что алгоритмы сжатия, основанные на морфологических фильтрах, обеспечивают в системах обнаружения движущихся объектов сжатие до 2000 раз.

Практическая значимость диссертационной работы заключается в следующем:

• разработаны алгоритмы сжатия изображений, пригодные для применения в условиях помех, обеспечивающие сокращение объема передаваемой информации в 6 - 8 раз;

• на основе морфологической фильтрации разработаны алгоритмы сжатия телевизионных сигналов с коэффициентом сжатия до 2000 для охранных систем с низкоскоростным каналом передачи (телефонной линией);

• создана универсальная среда моделирования для исследования процессов передачи изображений, открытая архитектура которой позволяет подключать дополнительные модули (plug-ins), тем самым расширяя систему новыми функциональными возможностями;

• разработана программа, автоматически генерирующая на языке С++ исходные тексты программ сверточного кодирования и декодирования по алгоритму Витерби для произвольных кодов со скоростью х/г\

• написана программа для исследования статистических свойств изображений и программа для исследования коэффициентов дискретно-косинусного преобразования (ДКП).

• Разработан улучшенный алгоритм адаптивного квантования дискретных данных, корректно работающий в случаях многомодовых существенно неравномерных распределений.

Заключение диссертации по теме «Радиотехнические и телевизионные системы и устройства», Рубашкин, Валерий Николаевич

Вывод

Таким образом, морфологические фильтры можно эффективно использовать для определения контуров изображения, они просты для реализации, выявляют существенные признаки. Выделяя существенную информацию (контуры), вполне достаточную для обнаружения подвижного объекта в зоне наблюдения, количество информации в одном кадре можно сократить в сотни раз, а за счет такого сокращения можно увеличить частоту передаваемых кадров при заданной полосе пропускания телефонного канала. Потенциально, аналогично может быть решена задача сокращения информации для обнаружения объектов на земле при движении летательного аппарата.

6. Предложения по аппаратной реализации алгоритмов сжатия и восстановления изображений, формируемых датчиками летательных аппаратов

Объем информации, формируемый датчиками летательных аппаратов в исследуемых комплексах составляет от 1000 эл./стр. х 1/3.3 мс = 333 333 эл./сек до 6000 эл./стр. х 1/1 мс = 6 000 000 эл./сек. для строчных камер в ИК-диапазоне.

Основные требования к построению системы передачи изображений:

• открытость, взаимодействие с другими информационными системами;

• применение апробированных методов, аппаратуры и программ универсального назначения, обеспечивающих экономическую целесообразность выполняемых работ;

• алгоритмы должны обеспечивать обработку информации в реальном времени;

• при любых некорректных данных алгоритмы должны быть программно устойчивыми (отсутствие «зависания» или зацикливания);

• эффект сжатия должен быть устойчивым к различным вариантам изображений, соответствующих целевым задачам комплексов.

Основная сложность проектирования подобных систем связана с тем, что при обработке изображений необходимо выполнить большой объем операций над большими структурами данных с высокой скоростью. Типичная спутниковая система, например, генерирует изображения размером 4000 х 4000 = 16 000 000 элементов, получая информацию от датчиков в нескольких диапазонах спектра частот. В мощных системах обработки изображений наиболее эффективны транспьютерные сети, специализированные СБИС или архитектуры на основе цифровых процессоров обработки сигналов (ЦПОС).

Персональные компьютеры, работающие в заданном диапазоне механических нагрузок, дороги и малопроизводительны для обработки изображений в реальном времени. Конечно, они имеют полную программную поддержку, т.е. мощные редакторы и стандартные пакеты, системы хранения информации в файлах и запасного копирования, системы разработки алгоритмов. На таких ЭВМ может быть выполнено исследование, но для комплексов дистанционного зондирования обычно применяемые операционные системы ненадежны. Требуются специальные надежные операционные системы реального времени. Микропроцессоры общего назначения и микрокомпьютеры достаточно дешевы, их можно запрограммировать на выполнение широкого класса алгоритмов, но они имеют слишком низкую производительность для систем обработки изображений в реальном времени. Кроме того, традиционные микропроцессоры спроектированы так, что они препятствуют организации эффективного межпроцессорного интерфейса. На параллельную совместную обработку изображений ориентирована архитектура транспьютеров [97]. Параллельные системы на базе транспьютеров могут быть оптимизированы для получения любого показателя стоимость/производительность. Параллельные транспьютерные системы пригодны для проектирования СБИС, для транспьютерных систем имеется широкий спектр программного обеспечения: операционные системы, конфигураторы, специальный очень удобный и надежный язык программирования высокого уровня ОККАМ. Имеется и второй вариант: реализация алгоритмов сжатия и восстановления на основе специализированных элементарных операционных устройств для сжатия блоков изображения и соответствующей им архитектуре.

Создание новых специализированных микросхем цифровой обработки сигналов дороже, чем использование уже выпускаемых ЦПОС, например, фирмы Texas Instruments. Архитектура и система команд этих процессоров ориентирована на выполнение алгоритмов цифровой обработки сигналов и взаимодействие с канальной аппаратурой. Для поразрядной параллельной обработки данных в технике связи и управлении предусмотрено параллельное логическое устройство, работающее независимо от АЛУ. Процессоры постоянно совершенствуются. TMS320C10 первого поколения ЦПОС имеют быстродействие 5 миллионов операций в секунду с фиксированной запятой, а ЦПОС третьего поколения TMS320C30 выполняют 33 миллиона операций с плавающей запятой в секунду, более совершенную систему команд и больший объем внутренней памяти сигналов. Так, внутренняя память первого - 144 байта ОЗУ и 1,5 К ПЗУ, а второго - 2 К и 4 К, соответственно. Еще более высокие технические характеристики у процессора пятого поколения TMS320C50 [98]:

• время командного цикла и время умножения - 35 не и 50 не (у TMS320C30 оно составляет 60 не);

• общая емкость встроенной памяти 10,5 К 16-разрядных слов;

• поле адресов внешней памяти - 128 К слов;

• блок встроенного ОЗУ центрального процессора - 544 слова;

• блок встроенного ОЗУ для хранения программ во время выполнения -8192 слова;

• ПЗУ для загрузки программ - 2048 слов;

• дуплексный порт последовательного ввода - вывода с двумя режимами работы с данными (8 разрядов и 16 разрядов) и скоростью обмена до 10 млн. бит/сек.

Оценка числа операций Wavelet- разложения

Wavelet-преобразование в базисе функций Хаара выполняется в основном операциями сложения и вычитания. При Wavelet-разложении на L уровней оно определяется для блоков NB = 2L х 21 элементов, например, для трех уровней блок будет содержать 64 элемента.

Общее число операций типа сложения на один блок равно

Л/оп(/) = 21х21 хЗ + —х——хЗ + . + 4хЗ.

2 2

Для трех уровней разложения число операций типа сложения на один блок составит:

Л/ор(/ = 3) = 64x3+ 16x3+ 12 = 252 или в среднем 3.9375 операции на одну точку изображения. Для четырех уровней потребуется 1020 операций на блок или 3.984375 операции на точку. В общем случае число операций типа сложения на один блок равно Л/ор = Ыв х 4 - 4, а количество операций на точку близко к 4.

Оценка числа операций векторного квантования

В задачах мониторинга в связи с достаточно ограниченным диапазоном возможных изображений и из соображений экономии вычислительных затрат на борту летательного аппарата следует применять алгоритмы векторного квантования с заранее составленными кодовыми книгами. Пусть векторное квантование выполняется для блоков размером Л/в. При количестве разрядов для кодирования яркостей р объем исходной информации равен V = Л/в х р бит. После векторного квантовании с коэффициентом сжатия к объем информации составит \/с =Л/Б хр/к бит, что

Л/В*Р требует объема кодовой книги УсЬ=2 к векторов. Например, для р = 8 и сжатия в 8 раз книга для блоков размера 4 должна содержать 16 векторов, для блоков размером в 16 точек - 65536, а для блоков Л/в =64 » 1.8хЕ19! Каждый вектор, будучи подобен сигналу содержит V = Л/в х р бит, т.е. память для хранения кодовой книги блоков в 16 точек равна 16x65536 = 1048576 байта.

Векторное квантование методом дихотомии требует \/сЬ операций вычисления скалярных произведений кодируемого вектора на векторы кодовой книги. Каждое произведение требует Ыв операций умножениясложения и общее количество операций при векторном квантовании блока составляет Nвx\og2Vcb. Для блоков в 16 точек требуется 256 умножений-сложений и 16 сравнений, т.е. 17 операций на точку. С учетом того, что векторы кодовой книги должны храниться во внешнем ПЗУ и их периодически требуется загружать в ОЗУ процессора потребуется 256 обращений к памяти.

Суммарное количество операций на одну точку изображения - 16 умножений-сложений, 16 обращений к памяти, 1 сравнение и 4 сложения, что займет у процессора ТМ8320С50 приблизительно 1.295 мкс. Максимальная скорость поступления точек - около 1 мкс, следовательно два параллельно работающих процессора (рис. 6.1) с достаточно большим временным запасом на операции управления справятся с задачей Wavelet-преобразования с последующим векторным квантованием. При более низком темпе информации от датчиков достаточно одного процессора.

От видеоаппаратуры^

1 Буфер

В радиканал выходных сигналов

Л-А

Ши на дан ных

А-М

Г"И

Процессор ТМЭ320С50

Л У

Л-Л ч—у

Процессор ТМ3320С50

АЛ УУ

ПЗУ кодовой книги

Л У

Шина адреса

Рис. 6.1. Структура вычислителя для сжатия изображений на основе "Мауек!;-преобразования и векторного квантования

Структура программы для системы Wavelet-пpeoбpaзoвaния и векторного квантования показана на рис. 6.2.

Рис. 6.2. Структура программы для двух параллельных процессоров

Восстановление изображения при приеме не сложно с точки зрения вычислительных затрат: Зх/ + 1 операций типа сложения на одну точку изображения, т.е. для трех уровней разложения потребуется 10 операций. Это означает, что можно не проектировать специальную аппаратуру декомпрессии и выполнить обратное преобразование на ЭВМ оператора комплекса дистанционного мониторинга.

Заключение

Основные научные результаты работы:

1. Выбран критерий оценки качества изображений после воздействия помех и восстановления в системах обнаружения малоразмерных объектов -допустимая вероятность ошибки в канале, при превышении которой появляются ложные объекты. В системах оценки состояния площадных объектов целесообразно использовать СКО.

2. Получены статистические характеристики ИК-изображений и аэроснимков, формируемых датчиками летательных аппаратов в исследуемой системе дистанционного мониторинга земной поверхности. Показана сильная пространственная корреляция яркостей, что говорит о потенциальной возможности сжатия методами преобразования пространства представления.

3. Разработана обобщенная математическая модель системы передачи изображений по каналу с помехами, определен ее операторный базис, формализовано описание алгоритмов сжатия, кодирования и восстановления изображений.

4. Обоснована и разработана методика построения моделирующих сред с применением технологии подключаемых модулей (plug-ins), отличающаяся от традиционных методик моделирования с фиксированным набором модулей и фиксированной дискретой моделирования алгоритмической и программной независимостью вычислительных процессов в блоках модели. Для обеспечения этой методики разработан алгоритм диспетчеризации процессов моделирования на основе структур информационных пакетов и протокола работы подключаемых модулей.

5. Разработаны подключаемые модули сжатия: JPEG, усеченного блочного кодирования, Wavelet; энтропийного кодирования: адаптивного арифметического кодирования, Хаффмена; каналов: с независимыми ошибками, с группированием ошибок (Гильберта); сверточные канальные кодеры и декодеры Витерби; анализа изображений: статистического и корреляционного, ошибок. Всего разработано 25 подключаемых модулей.

6. Получена статистика коэффициентов Wavelet и ДКП для исследуемых классов изображений, которая позволяет проводить их оптимальное квантование.

7. Разработан улучшенный алгоритм адаптивного квантования цифровых данных с существенно неравномерным распределением. Известный алгоритм адаптивного квантования рассчитан на неквантованные по уровню данные. Применение его к цифровым данным приводит к методическим ошибкам: 1) одинаковым данным могут быть сопоставлены разные коды, если относительная частота таких данных больше, чем 1/N, где N - число кодов; 2) некоторые коды, предусмотренные при квантовании, могут не использоваться, потому что данные имеют малую вероятность. Разработанный алгоритм корректно работает при любых распределениях.

8. Получены зависимости СКО восстановленного изображения в зависимости от отношения сигнал/шум в канале для несжатых изображений и изображений, сжатых по методу усеченного блочного кодирования, Wavelet, JPEG.

9. Выявлена неравнозначность битов передаваемой информации в цифровом представлении изображений, полученных при использовании усеченного блочного кодирования, Wavelet, JPEG.

Ю.Разработаны алгоритмы мониторинга движущихся объектов для систем с низкоскоростным каналом (морфологические фильтры выделения контуров объектов). Доказана эффективность применения морфологических фильтров для обработки изображений движущихся объектов в системах охранной сигнализации и сжатия их в 2000 - 2600 раз.

Результаты исследований помехоустойчивости алгоритмов сжатия по отношению к независимым и пакетным ошибкам в канале показывают:

1. Воздействие помех на изображения, закодированные различными методами имеет качественно различную природу. Традиционные количественные характеристики искажений изображения при передаче по радиоканалу не позволяют проводить сравнительный анализ различных методов, вследствие различной природы искажений. Наиболее вредным следствием воздействия помех следует считать появление на изображениях ложных малоразмерных объектов, оценивая сравнительную помехоустойчивость методов по уровню помех в канале, при котором появляются ложные объекты.

2. Энтропийные методы кодирования, такие как арифметическое кодирование и кодирование по Хаффмену, имеют низкую помехоустойчивость и не рекомендуются для передачи изображений по радиоканалам, подверженным воздействию помех.

3. Естественная избыточность изображений позволяет проводить их передачу в специальных системах при сравнительно высоком уровне помех (с вероятностью ошибки до 10" на бит). Уровень помехоустойчивости канала связи при передаче сжатых изображений должен быть существенно выше, чем при передаче несжатых изображений. Вероятность ошибки на бит в зависимости от метода сжатия не должна превышать 10"3 - 10"5. Характеристикой помехоустойчивости для изображений, сжатых методом УБК, с применением ДКП и преобразования Wavelet могут служить пороговые вероятности ошибок или отношение сигнал/шум в канале, при которых возникают ложные изображения, подобные объектам наблюдения. Для метода УБК вероятность ошибок должна быть менее 10"3, для Wavelet - 2-10"4, а для ДКП вероятность ошибки не должна превышать 2,5-10"5.

4. Непосредственное применение сжатия изображений ведет как правило к снижению помехоустойчивости системы и может применяться только в системах с высоким отношением сигнал/шум. Применение методов сжатия в системах с более низким отношением сигнал/шум должно сопровождаться мерами повышения помехоустойчивости. Как показали результаты моделирования, для передачи сжатых изображений эффективно применение сверточных кодеров и декодеров Витерби.

5. Группирование ошибок в каналах при передаче несжатых изображений приводит к маскированию объектов и снижает помехоустойчивость передачи (при равной средней вероятности ошибки). Группирование ошибок при передаче сжатых изображений, когда основным вредным последствием воздействия помех является наличие ложных объектов, не ведет к снижению помехоустойчивости.

6. При передаче телевизионных изображений в системах охранной сигнализации весьма эффективны морфологические преобразования.

Рекомендованные алгоритмы сжатия изображений и предложения по аппаратной реализации кодека сжатия/восстановления использованы при разработке устройств передачи изображений в радиосистеме "Половец" и проведении ее натурных испытаний в конструкторском бюро "Луч", а также в учебном процессе МТУ СИ.

Список литературы диссертационного исследования кандидат технических наук Рубашкин, Валерий Николаевич, 1999 год

1. Орищенко В.И., Санников В.Г., Свириденко В.А. - Сжатие данных в системах сбора и передачи информации. - М.: Радио и связь, 1985. - 184 с.

2. Нетравали А.Н., Лимб Дж.О. Кодирование изображений: обзор. ТИИЭР, т.68, № 3, 1980.

3. Кричевский P.E. Сжатие и поиск информации. М.: Радио и связь, 1989. -168 с.

4. Чэн Ш.-К. Принципы проектирования систем визуальной информации. -М.: Мир, 1994.-408 с.

5. А.К.Джайн. Сжатие видеоинформации. Обзор. ТИИЭР, т.69, № 3 , 1981, с. 71-117.

6. Цифровая обработка телевизионных и компьютерных изображений.//Дворкович A.B., Дворкович В.П., Зубарев Ю.Б., Мохин Г.Н., Нечепаев В.В., Новинский Н.Б. Под ред. Зубарева Ю.Б., Дворковича В.П.-М.: 1997.-212 с.

7. Дворкович В.П., Нечепаев В.В., Дворкович A.B. Анализ эффективности цифровых методов сжатия телевизионных изображений, передаваемых по спутниковым каналам связи. Научно-исследовательский институт радио, Москва, 1997.-20 с.

8. Кларк Дж., мл.Дейн Дж. Кодирование с исправлением ошибок в системах цифровой связи. М.: Радио и связь, 1987. - 392 с.

9. Золотарев В.В. Методы помехоустойчивого кодирования для каналов со случайными ошибками. Радиотехника, 1996, № 12, с. 47 - 50.

10. П.Журавлев В.И., Рубашкин В.Н. Особенности алгоритмов сжатия видеоинформации для различных областей применения. 2-ая международная научно-техническая конференция «Перспективные технологии в средствах передачи информации», Владимир, июнь, 1997

11. Елизаров Т.Ю., Казарин О. В., Рубашкин В.Н. Сжатие хэширование сообщений в спутниковой телеохране.// Учебное пособие, под ред. А.В.Петракова. - М.: РИО МТУСИ, 1998. - 76 с.

12. Рубашкин В.Н. Современные технологии программирования в свете задач моделирования. Тезисы докладов научно-технической конференции профессорско-преподавательского, научного и инженерно-технического состава. Москва, МТУСИ, январь 1999, с. 296.

13. Рубашкин В.Н. Современные решения задачи сжатия изображений. -Тезисы докладов научно-технической конференции профессорско-преподавательского, научного и инженерно-технического состава. Москва, МТУСИ, январь 1999, с. 68 69.

14. Журавлев В.И., Рубашкин В.Н. Методы сжатия неподвижных изображений. Тезисы докладов конференции «Телекоммуникационные и вычислительные системы». Москва, ноябрь 1997, с. 186 - 187.

15. Журавлев В.И., Рубашкин В.Н. Минимизация затрат по памяти при опознании простых фигур. Тезисы докладов конференции «Телекоммуникационные и вычислительные системы». Москва, ноябрь 1997, с. 188- 189.

16. Рубашкин В.Н., Лагутин B.C. Об удаленном наблюдении за объектом. Труды XXV Юбилейной Международной конференции «Новыеинформационные технологии в науке, образовании, телекоммуникациях и бизнесе», ч. L Украина, Крым, Ялта - Гурзуф, май 1998, с.243 - 245.

17. Unmanned Vehicles. Handbook. A Shepard Press Publication, 1993 - 1994. -64 с.

18. Proceedings of the Third International Airborne Remote Sensing Conference and Exhibition. July, 1997. V. I, V. II, Copenhagen, Denmark. -1 751 е., II -825 c.

19. Алеев P.M., Овсянников B.A., Чепурский B.H. Воздушная телевизионная аппаратура для контроля нефтепродуктопроводов. М.: Недра, 1995. -160 с.

20. Состояние и перспективы развития исследований в области обработки и распознавания видеоинформации. Аналитический обзор. // Журавлев Ю.И., Рудаков К.В., Гуров С.И. и др. Информационные технологии, № 4, 1998.

21. Журавлев Ю.И. Корректные алгебры над множеством некорректных (эвристических) алгоритмов. // Кибернетика, 1977, № 4; 1977, № 6.

22. Аковецкий В.И. Дешифрирование снимков. М.: Недра, 1983. - 324 с.

23. Протоколы и методы управления в сетях передачи данных: Пер. с англ. /Под ред. Ф.Ф.Куо. М.: Радио и связь, 1985. - 480 с.

24. Рауччи Р., Фразер Б. Средства сжатия изображений для работы со сканером. Мир ПК, 1992, N 4, с. 35 - 45.

25. Ансон Л., Барнсли М. Фрактальное сжатие изображений. Мир ПК, 1992, №4, с. 52-58.

26. Киволовиц П. Сжатие изображений по стандарту JPEG. //Мир ПК, 1992, №4, с. 46-51.

27. Ярославский Л.П. Введение в цифровую обработку изображений. М.: Сов. радио, 1979. - 312 с.

28. Ярославский Л.П. Цифровая обработка изображений в голографии. М.: Сов. радио, 1980.

29. Применение цифровой обработки сигналов. Под ред. Оппенгейма Э. М.: Мир, 1980.-552 с.

30. Хант Б. Цифровая обработка изображения. ТИИЭР, 1975, т.63, № 4.

31. Марагос П., Шафер Р. У. Морфологические системы для многомерной обработки сигналов. //ТИИЭР, 1990, т. 78, № 4, с. 109 132.

32. Loui. Morphological autocorrelation Transform: a new representation and classification scheme for two-dimensional images. //IEEE Transactions on image processing, No.3.

33. Саймонселли И. P., Эйделсон Э. X. Неразделимое многомерное обобщение квадратурных зеркальных фильтров. ТИИЭР, 1990, т. 78, N 4, с. 69-82.

34. Астола Я., Хаависто П., Неуво Ю. Векторные медианные фильтры. -ТИИЭР, 1990, т. 78, N 4, с. 82 95.

35. Рампони Дж. Расчет изотропных квадратичных фильтров методом двухимпульсной характеристики. ТИИЭР, 1990, т. 78, № 4, с. 96 - 108.

36. Розенфельд А, Дейвис Л.С. Сегментация и модели изображения. -ТИИЭР, т. 67, № 5,1979. с. 71 - 81.

37. Кравченко В.Ф., Рвачев В .Л., Чаплин А.Ф. Применение атомарных функций в теории антенн. Радиотехника, 1995, № 1- 2, с.71 - 73.

38. Фарков Ю. Заметка о всплесках. Компьютерра, 1998, № 3, с. 30.

39. Спиридонов В. Самоподобие, всплески и квазикристаллы. Компьютерра, 1998, №3, с. 38-45.45" Jawerth В., Sweldens W. An Overview of Wavelet based Multiresolution Analyses. Columbia, University of South Carolina, Department of Mathematics, 1993. - 39 c.

40. Wickerhauser M.V. Lectures on Wavelet Packet algorithms. Missoury, Washington University, Department of Mathematics, 1991. - 75 c.

41. Johnson P. Image coding using Wavelet vector quantisation, /ЛЕЕ Proc. -Image Signal Processing, vol. 142, No. 4.

42. Adelson E.H., Simoncelli E., Hingorani R. Orthogonal pyramid transforms for image coding. SPIE Vol 845, Visual Communications and Image Processing, 1987, c. 50-58.

43. Adelson E.H., Simoncelli E. Subband Image Coding with Three-tap Pyramids. Cambridge, Massachusetts, MIT Media Laboratory, Cambridge, Picture Coding Symposium, 1990. -3 c.

44. Buccigrossi R.W., Simoncelli E.P. Image Compression via Joint Statistical Characterization in Wavelet Domain. University of Pennsylvania, GRASP Laboratory Technical Report, 1997. - 23 c.

45. Buccigrossi R.W., Simoncelli E.P. Progressive Wavelet Image Coding based on a Conditional probability model. Proceedings ICASSP - 97, April 21-24, Munich, Germany, 1997, 3 c.

46. W.Goster, U.Benz, M.Brandfap. Compression of Complex Synthetic Aperture Radar (SAR) Data. //Proceedings of the Third International Airborne Remote Sensing Conference and Exhibition. July, 1997. V. II, Copenhagen, Denmark.II-357 364.

47. F.H. Bonilla, R.E. Vasquez. Denoising of Landsat Images using Wavelet Transform. Proceedings of the Third International Airborne Remote Sensing Conference and Exhibition. July, 1997. V. II, Copenhagen, Denmark.II 278 -283.

48. Башилов Г., Левкович-Маслюк JI. Мелковолновый анализ. -Компьютерра, 1998, № 3, с. 28 30.

49. Левкович-Маслюк Л. Дайджест вейвлет-анализа - Компьютерра, 1998, №3, с. 31-37.

50. Соколов Д., Фрик П. Вейвлеты в астрофизике и геофизике. -Компьютерра, 1998, № 3, с. 45 49.

51. Ламброу Т., Линней А., Спеллер Р. Применение вейвлет-преобразования к обработке медицинских сигналов и изображений. Компьютерра, 1998, № 3, с. 50-51.

52. Переберин А. Вейвлеты в компьютерной графике. Компьютерра, 1998, №3, с. 52-53.

53. Нетравали А.Н., Прасада Б. Адаптивное квантование сигналов изображения с учетом пространственного маскирования. ТИИЭР, т. 65, №4, 1977, с. 47-62.

54. Левин Б.Р. Теоретические основы статистической радиотехники. М.: Советское радио, 1969. - 752 с.

55. Левин Б.Р., Шварц В. Вероятностные модели и методы в системах связи и управления. М.: Радио и связь, 1985. - 312 с.

56. Витерби Э.Д. Принципы когерентной связи. М.: Сов. радио, 1970. - 392 с.

57. Финк Л.М. Сигналы, помехи, ошибки. М: Связь, 1978. - 272 с.

58. Радиотехнические системы передачи информации. // Борисов В.А., Калмыков В.В., Ковальчук Я.М. и др. Под ред. Калмыкова В.В. М.: Радио и связь, 1990. - 304 с.65.3юко А.Г. Помехоустойчивость и эффективность систем связи. М.: Связь, 1972. - 360 с.

59. Пестряков В.Б., КузенковВ.Д. Радиотехнические системы. М.: Радио и связь, 1985. - 376 с.

60. Банкет B.JI. Сверточные коды в системах передачи информации. -Одесса: Одесский институт связи им. А.С.Попова, 1986. 56 с.

61. Касами Т., Токура Н., Ивадари Ё., Инагаки Я. Теория кодирования. М,: Мир, 1978.-576 с.

62. Коржик В.И., Финк JIM. Помехоустойчивое кодирование дискретных сообщений в каналах со случайной структурой. М.: Связь, 1975. - 271 с.

63. Шеннон Р. Имитационное моделирование систем искусство и наука. -М.: Мир, 1978.-418 с.

64. Быков В.В. Цифровое моделирование в статистической радиотехнике. -М.: Советское радио, 1971. 328 с.

65. Советов Б.Я., Яковлев С.А. Моделирование систем. М.: Высшая школа, 1985.-271 с.7 3 .Борисов Ю .П., Цветнов В .В. Математическое моделирование радиотехнических систем и устройств. М.: Радио и связь, 1985. - 176 с.

66. Разработка низкоскоростного и среднескоростного демодуляторов. Отчет о НИЭР «Виадук-СК». МТУСИ, 1994. - 210 с.

67. Яншин В., Калинин Г. Обработка изображений на языке Си для IBM PC. М.: Мир, 1994.-240 с.

68. Фомин Я.А., Савич A.B. Оптимизация распознающих систем. М.: Машиностроение, 1993 -288 с.

69. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. М.: Радио и связь, 1986. - 264 с.

70. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. -412 с.

71. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений. М.: Высшая школа, 1983. - 295 с.

72. Горелик A.JL, Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1977. - 222 с.81.3агоруйко Н.Г. Методы распознавания и их применение. М.: Советское радио, 1972.-208 с.

73. Бонгард М.М. Проблема узнавания. М.: Наука, гл. ред. физико-математической литературы, 1967. - 320 с.

74. Cyclop-22™, Cyclop-NS5™, Cyclop-21BNM™, Moonwalker-22™. Рекламные листки Ростовского оптико-механического завода.

75. Camelia. Infrared Line Scan Camera for Sueveillance and Observation. Рекламный листок IN Intertechnique.

76. Carterra Sampler. Vol.1, July 1996. Space Imaging Inc., ERDAS Inc. (Выпуск на CD).

77. Topix. Vol.l, Winter 1997. Space Imaging Inc. (Выпуск на CD). 88.Object Pascal Reference. Inprise Corp. June 1998.

78. Visual Component Library Reference. Inprise Corp. June 1998.

79. Microsoft Visual С++. Programmer's Guide. Microsoft Corp. 1, 1998.

80. Microsoft Foundation Class Library. Microsoft Corp. 1, 1998.

81. Microsoft Platform Software Development KIT. Microsoft Corp. 1, 1998.

82. Microsoft Development Network. Microsoft Corp. 1, 1998. 94.Отчет о НИЭР «Половец». КБ «Луч» Рыбинск, 1994. 87 с.

83. Гильберт Э.Н. Пропускная способность канала с пакетами ошибок. Кибернетический сборник. Вып. 9. //Пер. с англ. под ред. А.А.Ляпунова и О.Б.Лупанова. М.: Мир, 1964.

84. Турин В.Я. Передача информации по каналам с памятью. М.: Связь, 1977.-248 с.

85. Транспьютеры. Архитектура и программное обеспечение: Пер. с англ./Под ред. Г.Харпа. М.: Радио и связь, 1993. - 304 с.

86. Цифровой процессор обработки сигналов ТМ832010 и его применение. /Под ред. А.А.Ланнэ. Л.: ВАС, 1990. - 297 с.