Модель, метод и специализированное вычислительное устройство обработки текстур изображений по статистическим признакам тема диссертации и автореферата по ВАК РФ 05.13.05, кандидат наук Хасан Абдо Абдуллах Аскар

• Хасан Абдо Абдуллах Аскар
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Хасан Абдо Абдуллах Аскар

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ И УСТРОЙСТВ ОБРАБОТКИ ТЕКСТУР НА ИЗОБРАЖЕНИЯХ

1.1. Характеристики изображений

1.1.1. Цветовые гистограммы

1.1.2. Характеристики текстуры

1.1.3. Характеристики формы

1.1.4. Объектные характеристики изображения

1.2. Методы выделения текстур

1.2.1. Анализ расположения пикселей

1.2.2. Выделение и описание текстур на основе статистики

1.2.3. Выделение и описание текстур на основе структурного подхода

1.2.4. Спектральный подход к выделению текстур

1.2.5. Оценка наличия текстуры в изображении

1.3. Комбинированные методы обработки текстур

1.4. Устройства обработки текстурных изображений

Вывод по первой главе

ГЛАВА 2. РАЗРАБОТКА МЕТОДА СРАВНЕНИЯ ТЕКСТУРЫ НА ИЗОБРАЖЕНИЯХ

2.1. Математическая модель вычисления коэффициента схожести изображений

2.2. Метод сравнения текстуры на изображениях

Выводы второй главы

ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМОВ ОБРАБОТКИ ИЗОБРАЖЕНИЯ

3.1. Алгоритм вычисления шести характеристик изображения

3.2. Алгоритм сравнения изображений

3.3. Алгоритм поиска участка изображений

3.4. Параллельная реализация разработанных алгоритмов

3.5. Программное моделирование анализа текстурных признаков на изображении

Вывод по третьей главе

ГЛАВА 4. СТРУКТУРНО-ФУНКЦИОНАЛЬНАЯ ОРГАНИЗАЦИЯ СПЕЦИАЛИЗИРОВАННОГО ВЫЧИСЛИТЕЛЬНОГО УСТРОЙСТВА ДЛЯ РАСЧЕТА ХАРАКТЕРИСТИК И СРАВНЕНИЯ ТЕКСТУРНЫХ ИЗОБРАЖЕНИЙ

4.1. Устройство-ускорителя анализа текстур на изображении на основе процессорного модуля

4.2. Разработка устройства для вычисления характеристик изображения

Вывод

Список использованной литературы

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Модель, метод и специализированное вычислительное устройство обработки текстур изображений по статистическим признакам»

Актуальность темы исследования.

В настоящее время развитие средств вычислительной техники позволяет реализовывать с их помощью многие процессы обработки информации, традиционно выполняемые человеком. Процесс распознавания зрительных образов, как направление в машинном зрении, является необходимым во многих областях производственной деятельности. В настоящее время сложились базовые принципы формализации процесса и построения систем распознавания на базе элементов и устройств вычислительной техники, но дальнейшее развитие исследований в этой области представляется чрезвычайно важным.

В частности, для анализа изображений, получаемых с камер, устанавливаемых на малых космических аппаратах и на беспилотных летательных аппаратах, широко применяются методы текстурного анализа. Кроме того, эта задача актуальна и при использовании текстурного анализа в обработке медицинских изображений. С использованием методов текстурного анализа решаются задачи кластеризации подстилающей поверхности, поиска и классификации объектов.

Для описания текстуры изображения известны следующие подходы: статистические, геометрические, структурные, спектральные и модельные. Отличительной особенностью всех методов является необходимость вычисления статистических признаков для последующего описания текстуры.

В силу многообразия типов изображений, актуальной задачей является построение систем распознавания, учитывающих особенности различных классов изображений. Актуальным является практическое приложение разработанных алгоритмов анализа и сравнения изображений в промышленности, например, в системах технического зрения для контроля качества изделий (дефектоскопии), в медицине и в системах поиска изображений.

Вопросы сравнения, поиска и распознавания изображений получили фундаментальное развитие в работах научных коллективов Вычислительного центра РАН, Института систем обработки изображений РАН, Института проблем передачи информации РАН, и др. Значительный вклад в решение проблем обработки изображений в части анализа, распознавания и понимания текстурных признаков внесли Ю.И. Журавлев, И.Б Гуревич, В.А. Сойфер, R.O. Duda, R.M. Haralic, K.ILaw, W.K. Pratt, R. L. Gonzalez, R. Woods, F. Rosenblatt, P.E. Hart, K.S. Fu и ряд других российских и зарубежных ученых.

В ряде известных вычислительных устройств для обеспечения обработки поиска и сравнения изображений, как правило, используется сравнение с эталонным или образцовым изображением, осуществляемое сравнением по пикселям, что требует значительных вычислительных затрат и отрицательно сказывается на надежности поиска в случае работы с зашумленными изображениями.

Проведенный анализ показал, что для описания изображений предпочтительнее использовать статистические характеристики изображения, вычисляемые по гистограмме яркости всего изображения или его области. В таком случае сравнение изображений осуществляется посредством анализа их статистических характеристик.

В настоящее время, разработанные методы поиска и сравнения изображений обладают высокой вычислительной сложностью и требуют для реализации значительных временных затрат, что приводит к возникновению противоречия между обеспечением высокой скорости обработки и сравнения изображений и необходимостью сохранения высокой степени достоверности поиска.

Таким образом, актуальной научно-технической задачей является снижение времени сравнения изображений на основе методов и алгоритмов обработки изображений по статистическим признакам.

Диссертационная работа выполнена при содействии гранта Президента

Российской Федерации по государственной поддержке ведущих научных школ

5

Российской Федерации НШ-2357.2014.8 «Исследование и разработка комплексного анализа видеоизображений для задач управления сложными техническими системами на основе адаптивных нейро-нечетких систем вывода с мягкими вычислениями», а также гранта Президента Российской Федерации по государственной поддержке молодых российских ученых-кандидатов наук МК-2932.2013.8 «Разработка теоретических и реализационных основ создания адаптивных систем технического зрения на основе КМОП-видеодатчиков».

Цель работы: разработка модели, метода и устройства обработки изображений по статистическим признакам, для выполнения на их основе поиска изображений.

В соответствии с поставленной целью в работе решены следующие задачи:

- проведен анализ моделей, методов, алгоритмов и вычислительных устройств, реализующих сравнение изображений, выполнено обоснование направления исследований;

- разработана математическая модель вычисления коэффициента схожести изображений;

- создан метод сравнения изображений;

- разработан алгоритм вычисления коэффициента схожести изображений;

- спроектирована структурно-функциональная организация специализированного вычислительного устройства для расчета характеристик и сравнения текстурных изображений, проведены экспериментальные исследования разработанных алгоритмов и устройства.

Объект исследования: методы обработки изображений.

Предмет исследования: устройства вычисления статистических признаков изображений.

Методы исследования. В диссертационной работе использованы методы

математического моделирования и программирования, методы цифровой обработки

6

изображений, теории распознавания образов, теории алгоритмов, методы схемотехнического проектирования.

Новыми научными результатами и положениями, выносимыми на защиту, являются:

- математическая модель вычисления коэффициента схожести изображений, основанная на вычислении их статистических характеристик, отличающаяся использованием коэффициентов значимости характеристик, позволяющая обеспечить многовариантность сравнения изображений;

- метод сравнения текстур на изображениях и алгоритм вычисления коэффициента схожести изображений, основанные на анализе степени схожести исследуемого и эталонного изображений, отличающиеся низкой вычислительной сложностью;

- структурно-функциональная организация специализированного вычислительного устройства обработки текстур изображений по статистическим признакам, включающая в себя вычислительные блоки для формирования вектора параметров, отличающаяся параллельно-конвейерной организацией вычислений и обеспечивающая поиск текстуры на изображении.

Практическая значимость работы состоит в том, что реализованы в виде единой программной системы анализа текстурных изображений алгоритмы построения описания изображения, выделения блоков, а также вычисления коэффициента однородности.

Реализация разработанных алгоритмов в рамках специализированного устройства позволила обеспечить эффективность поиска изображений 90%, а скорость сравнения увеличить в 2 раза по сравнению с существующими решениями.

Полученные результаты подтверждают эффективность методов анализа и разработанных алгоритмов.

Результаты диссертационной работы внедрены в ООО «Яспер» (г. Курск), а также используются в учебном процессе кафедры вычислительной техники Юго-

7

Западного государственного университета (г. Курск) при проведении занятий по дисциплинам «Цифровая обработка и анализ изображений» и «Архитектура систем обработки, анализа и интерпретации данных».

Соответствие паспорту специальности. Согласно паспорту специальности 05.13.05 - Элементы и устройства вычислительной техники и систем управления, проблематика, рассмотренная в диссертации, соответствует пунктам 1 и 2 паспорта специальности (1. Разработка научных основ создания и исследования общих свойств и принципов функционирования элементов, схем и устройств вычислительной техники и систем управления в части разработки принципов функционирования быстродействующего устройства; 2. Теоретический анализ и экспериментальное исследование функционирования элементов и устройств вычислительной техники и систем управления в нормальных и специальных условиях с целью улучшения технико-экономических и эксплуатационных характеристик в части разработки алгоритма и устройства вычисления характеристик изображения, обеспечивающих улучшение эксплуатационных характеристики устройства обработки изображений).

Апробация результатов.

Результаты диссертационного исследования докладывались, обсуждались и

получили положительную оценку на 9 международных, всероссийских и

региональных научно-технических конференциях: Материалы Всероссийской

научно-технической конференции «Интеллектуальные и информационные системы»

(Тула, 2009); III Международной научно-практической конференции студентов и

аспирантов «Математика и её приложения в современной науке и практике» (Курск,

2013); Международной научно-технической конференции «Оптико-электронные

приборы и устройства в системах распознавания образов, обработки изображений и

символьной информации» (Курск, 2013); Сборник материалов региональной заочной

научно-практической конференции «Интеллектуальные информационные системы:

тенденции, проблемы, перспективы» (Курск, 2013); IV Международной научно-

8

практической конференции студентов и аспирантов «Математика и её приложения в современной науке и практике» (Курск, 2014); 4-й Международной научно-практической конференции «Современные материалы, техника и технология» (Курск, 2014); Всероссийской научно-технической конференции «Интеллектуальные и информационные системы» (Тула, 2016); Международной научно-практической конференции «Современные концепции развития науки» (Пермь, 2018 г); «Интеллектуальные информационные системы: тенденции, проблемы, перспективы» (Курск, 2018), Всероссийской научно-технической конференции «Интеллектуальные и информационные системы» (Тула, 2019), XXIV международной научной конференции «Научные тенденции: Вопросы точных и технических наук» (Санкт-Петербург 2019).

Публикации. Основные результаты диссертации отражены в 1 6 печатных работах[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16]. Среди них 3 статьи, опубликованных в рецензируемых научных журналах, входящих в перечень журналов и изданий, рекомендуемых ВАК РФ, 2 свидетельства о регистрации программы.

Личный вклад автора. В работах, опубликованных в соавторстве, лично соискателем предложены: в [1] - модель вычисления коэффициента схожести и метод сравнения текстур на изображениях, в [2, 11, 15, 16] алгоритм вычисления коэффициента схожести изображений, [3, 14] - структурно-функциональная организация разработанного устройства, в [5, 10, 12] - практическая реализация разработанных алгоритмов.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, списка литературы из 93 наименований и приложений. Основная часть работы изложена на 102 страницах машинописного текста, содержит 31 рисунок и 15 таблиц.

ГЛАВА 1. АНАЛИТИЧЕСКИЙ ОБЗОР МЕТОДОВ И УСТРОЙСТВ ОБРАБОТКИ ТЕКСТУР НА ИЗОБРАЖЕНИЯХ

1.1. Характеристики изображений

Различными группами исследователей уже накоплен определенный опыт реализации алгоритмов, позволяющих автоматически описывать изображения в терминах простых вычислимых визуальных свойств, а также определять меру их отличия. Исследования в этой области направлены на дальнейшее развитие методов вычисления и сравнения визуальных примитивов. Проводятся работы и имеются результаты, которые позволят выполнять локальное индексирование, отражающее распределение на изображении цветовых множеств. С целью вычисления измерений текстур исследуются возможности использования метода функций Габора и характеристик матрицы взаиморасположения оттенков серого цвета [17,18,19,20].

Характеристики изображений можно разделить на четыре основные группы: цветовые гистограммы, характеристики текстуры, характеристики формы, объектные. Рассмотрим их подробнее.

1.1.1. Цветовые гистограммы

Метод цветовых гистограмм - один из распространенных методов, использующих цветовые характеристики для индексирования изображений. Часто используется совместно с анализом таких показателей, как средний или основной цвета, а также множества цветов, например, для локального индексирования областей изображения [18, 19,20,21,22,23].

1.1.2. Характеристики текстуры

Текстура, в контексте обработки изображения, представляет собой описание пространственного расположения элементов изображения в области изображения. Дескриптор обычно используется для характеристики областей изображения, в которых отсутствуют сильные структурные градиенты границ.

Природные текстуры, как следует из названия, представляют собой образцы природных текстур, таких как ткань, волокно, текстура древесины, лесные участки и т.д. Структурированная текстура состоит из геометрически или квазигеометрически повторяющихся узоров, таких как кирпич или черепица. Стохастические текстуры -это текстуры, которые были получены путем преобразования массивов коррелированных случайных чисел в форму изображения.

Текстура полезна в нескольких приложениях для обработки изображений. Изменения в текстуре могут применяться для пространственного сегментирования изображения. Меры текстуры могут использоваться для классификации физических областей изображения, например, для классификации сельскохозяйственных культур. Наконец, текстура может быть синтезирована для «заполнения» областей изображения в целях кодирования изображения.

Характеристики текстурного сходства значительно сложнее характеристик цветового сходства. Изображения, близкие по характеристике текстурного сходства, должны иметь одинаковое пространственное распределение цветов (или значений яркости), но при этом значения цветов (или яркости) двух изображений могут не совпадать. Текстурные характеристики часто используются для оценки сходства двух изображений [17-20]. В частности, реализуют поиск изображений по текстурному сходству сиспользованием меры расстояния на основе энергетических текстурных характеристик Лавса [24]. При использовании такого подхода расстояние не зависит от цветов пикселов изображений. Однако, можно построить меры расстояния, совместно учитывающие и текстурное, и цветовое сходство [17-20, 24,25].

С использованием методов текстурного анализа решаются задачи качественной кластеризации подстилающей поверхности и поиска целевых объектов. В частности эим вопросам посвящены работы [26,27,28].

Необходимость автоматизированной обработки текстурных признаков обосновывается в работах Р.М. Харалика [21,23].

1.1.3. Характеристики формы

Цвет и текстура используются в качестве глобальных атрибутов изображения. Меры расстояния на основе цвета и текстуры предназначены для определения, содержит ли некоторое изображение заданный цвет или текстуру и расположены ли области этого цвета или текстуры в тех же местах, что и на изображении, указанном в запросе. При этом форма не является атрибутом изображения; поскольку данное понятие формы применимо только к некоторой области интереса на изображения. При использовании характеристик формы необходимы дополнительные операции обработки, так как перед вычислением характеристик сходства формы требуется выполнить идентификацию областей. Часто это делается вручную, но в некоторых задачах удается применять автоматическую сегментацию. Сегментация представляет собой отдельную задачу, не имеющую единого решения, поскольку зависит от видаобъектовна изображении.

В литературе по компьютерному зрению описано много различных характеристик формы. Среди них есть грубые глобальные характеристики, которые упрощают, но не обеспечивают, распознавание объектов, а также очень детализированные характеристики, позволяющие обнаружить объекты весьма специфической формы [20,29,30,31,32,33,34].

Методы распознавания объектов по форме их двумерных образов

используются при анализе изображений. Сравнение двух областей может быть

выполнено с учетом глобальных свойств их формы с помощью различных методов

статистического распознавания образов. При сопоставлении формы областей могут

12

также использоваться структурные методы, применительно к которым форма описывается посредством перечисления примитивных элементов и пространственных отношений между ними [20,35]. Структурное описание формы, как правило, представляет собой реляционный граф, поэтому для сопоставления описаний формы применяются методы сопоставления графов. Сопоставление формы областей методами сопоставления графов является весомым преимуществом, поскольку описание обычно включает в себя пространственные отношения, инвариантные относительно большинства двумерных преобразований. Однако, недостатком такого подхода является то, что сопоставление графов выполняется очень медленно, поскольку временные затраты растут экспоненциально с увеличением количества элементов.

В системах технического зрениядля анализа и поиска изображений целесообразно применять методы, позволяющие быстро определить, насколько форма области изображения близка к описанию эталонной формы. Часто требуется, чтобы методы сопоставления формы были инвариантны относительно переноса, размера и поворота, чтобы искомая область могла быть обнаружена независимо от ориентации изображения.

В то же время при поиске изображений в базах данных инвариантность относительно поворота требуется не всегда. Существует много изображений, на которых объекты обычно встречаются в одной и той же ориентации. Примерами подобных объектов являются деревья, здания и грузовые автомобили на изображениях природных и городских сцен.

1.1.4. Объектные характеристики изображения

Большинство мер расстояния, применявшихся в первых поисковых машинах для поиска изображений, учитывали цвет, текстуру и форму областей [20, 36 ].

Однако при анализе и поиске на основе эталонов сложно задавать такие характеристики. С точки зрения пользователя, предпочтительнее указывать, какие именно объекты содержится на изображениях. Возможно, это определенные объекты, например, животные, люди, или объекты нескольких классов, например, лесная или морская поверхность, человеческие лица и тела. Для прогресса в этой области необходимы дальнейшие исследования по разработке методов распознавания объектов, пригодных для использования при поиске изображений.

Одним из важных подходов к описанию областей на изображении является количественное представление их текстурных признаков. Эти признаки являются дескриторами таких свойств области, как гладкость, шероховатость и регулярность (на рисунке 1.1 даны несколько примеров).

а

б

в

Рисунок 1. 1 .Красные квадраты отмечают (слева направо) области с гладкой, грубой

и периодичной текстурами.

Наиболее перспективными подходами к описанию текстуры области являются три основных подхода: статистический, структурный и спектральный [ 37 ]. Статистические методы позволяют охарактеризовать текстуру области как гладкую, зернистую, грубую и т.п. Структурные методы позволяют опретелить взаимное

положение простых примитивов, составляющих изображение, как, например, при описании текстуры из параллельных линий, проходящих с постоянным шагом. Спектральные методы основаны на свойствах Фурье-спектра и используются, прежде всего, для обнаружения глобальной периодичности в изображении по имеющим большую энергию узким выбросам на спектре.

1.2. Методы выделения текстур

1.2.1. Анализ расположения пикселей

Один из способов учесть местоположение пикселей с равными или близкими значениями яркости заключается в следующем [20].

Вводится понятии оператора позиционирования Р и матрицы А порядка к х к. Матрица составлена из элементов ач, каждый из которых показывает, сколько раз

элемент с яркостью г, встретился на определяемой оператором Р позиции

относительно элемента с яркостью ^ , где 1 < г,; < к. Если определить оператор

позиционирования Р как «на один пиксель вправо и вниз», получается матрица А порядка 3x3, где, например, элемент, а11 (левый верхний) есть число раз, когда пиксель с яркостью г1 = 0 оказывается правее и ниже пикселя с такой же яркостью, а элемент а13 (правый верхний) - число раз, когда пиксель с яркостью г1 = 0 оказывается правее и ниже пикселя с яркостью г2 = 2 . Порядок матрицы А определяется количеством различных градаций яркости в исходном изображении.

Определяется п - число пар элементов изображения, которые удовлетворяют условиям оператора р. Если построить некоторую матрицу С путем деления всех элементов А на п, то С^ будет оценкой вероятности того события, что пара пикселей с взаимным расположением согласно правилу Р будет иметь значения ( , г.).

Матрица С является фактически яркостной матрицей смежности, и таким образом,

присутствие в изображении участков с заданной текстурой можно обнаруживать,

15

выбирая соответствующий оператор позиционирования. В общем случае, задача состоит в том, чтобы на основании анализа данной матрицы С определить, к какой категории относится текстура области, для которой была вычислена эта матрица [20]. Для этогоиспользуется ряд дескрипторов: 1. Максимум вероятности

max(c..) (1. 1)

2. Момент порядка к разности элементов

На -.)%. (1.2)

3. Обратный момент разности элементов ^го порядка

/(,-., , * . . (1.3)

г 3

4. Однородность

. 0.4)

г 3

5.энтропия

log2 4. ц.5)

г }

Таким образом, содержимое матрицы С характеризуется этими дескрипторами. Один из способов использования дескрипторов состоит в обучении системы характерным значениям дескрипторов на выборке из различных текстур. После этого неизвестная текстура интересующей области определяется по тому, насколько вычисленные для нее дескрипторы близки к наборам значений для известных текстур, найденным на этапе обучения и хранящимся в памяти системы.

1.2.2. Выделение и описание текстур на основе статистики

Один из простейших подходов, применяемых для описания текстуры, состоит

в использовании статистических характеристик, определяемых по гистограмме

(1.6)

(1.7)

яркости всего изображения или его области. Пусть z - случайная величина, соответствующая яркости элементов изображения, а р^) , I - 0, 1,2,...^-1 - ее

гистограмма, где £ обозначает число различных уровней яркости [38].

£-1

Я (г) = 2 (Г - т)"Р(г>) •

¡=0

Согласно уравнению (1.6), центральный момент порядка п случайной величины г равен

Я(г) = 2(г -т)шр(г,),

¡=0

где m - среднее значение z (средняя яркость изображения):

Ь-1

т = 2 г,Р( г).

¡=0

Очевидно, что /л0 = 1 и м1 = 0 • Для описания текстуры важен второй момент, т.е. дисперсия а2(г) = я2(г) она является мерой яркостного контраста, что можно использовать для построения дескрипторов относительной гладкости. Среди прочих полезных характеристик текстуры, основанных на гистограмме, отметим «однородность», задаваемую выражением

(1.9)

(1.8)

Ь-1

и = 2 р (г,),

¡=0

и среднюю энтропию, которая, определяется выражением

£-1

■ = 2 Р( г,).

(1.10)

Поскольку все значения P находятся в интервале [0,1], и их сумма равна 1, то максимум величины U достигается для изображения, все элементы которого имеют одинаковую яркость (максимально однородное), и уменьшается по мере роста яркостных различий. Энтропия характеризует изменчивость яркости изображения;

¡=0

она, наоборот, равна 0 для области постоянной яркости и максимальна в случае равновероятных значений.

Рассмотрим характеристики текстуры, основанные на гистограмме.

В таблице 1.1 приведены значения основных характеристик для текстур трех видов, которые были отмечены на рисунке 1.1. Значение среднего характеризует просто средний уровень яркости каждой из областей и на самом деле дает лишь грубое представление об интенсивности, а не о текстуре. Стандартное отклонение значительно более информативно; цифры ясно показывают, что первая текстура характеризуется значительно меньшей изменчивостью, чем две другие (т.е. является более гладкой). Грубая текстура значительно выделяется по этой характеристике. То же справедливо для величины Я, потому что она характеризует стандартное отклонение. Третий момент в общем случае оказывается полезным для определения степени симметрии гистограммы: наблюдается ли на ней смещение влево (при отрицательном значении момента) или вправо (при положительном значении), что дает общее представление о смещении распределения яркости в сторону светлых или темных значений от среднего. Применительно к описанию текстуры, информация, содержащаяся в третьем моменте, оказывается полезной только при большой разнице значений этой характеристики. Из характеристики равномерности, можно заключить, что первая область является более гладкой (более равномерной, чем остальные), а наиболее случайной (наименее равномерной) оказывается область с грубой текстурой. Наконец, значения энтропии располагаются в обратном порядке и приводят нас к тем же выводам, что и характеристика равномерности. Область первого изображения характеризуется наименьшей вариабельностью яркости, а область с грубой текстурой является самой изменчивой. Периодичная текстура занимает промежуточное положение по обеим этим характеристикам [20].

Таблица 1.1 - Характеристики текстуры для областей изображений из рисунка 1.1.

Текстура Средн ее Стандартное отклонение R(норми ровано) Третий момент однород ность энтроп ия

Гладкая 82,64 11,79 0,002 -0,105 0,026 5,434

Грубая 143,56 74,63 0,079 -0,151 0,005 7,783

Периодичная 99,72 33,73 0,017 0,750 0,013 6,674

Список литературы диссертационного исследования кандидат наук Хасан Абдо Абдуллах Аскар, 2021 год

Список использованной литературы

1. Хасан, А.А. Анализ текстурных признаков на изображениях / А.А. Хасан, В.С. Панищев, В.П. Решетникова // «Известия Юго-Западного государственного университета». Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. 2014 г. №2. С.102-107.

2. Хасан, А.А. Алгоритм сравнения изображений на основе анализа статистических характеристик текстуры / А.А. Хасан, В.С. Панищев, М.И. Труфанов // «Известия Юго-Западного государственного университета». Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. 2017г. том 7 №4(25). С.34-40.

3. Хасан А.А. Оценка эффективности статистического метода анализа текстур на изображении / А.А. Хасан, М. А. Килимов // «Естественные и технические науки» № 4(118) 2018. С.242-249.

4. Свидетельство об официальной регистрации программы для ЭВМ № 2012618888 Российская Федерация. Программа для анализа текстурных признаков на изображении/ Хасан А.А. заявл. 03.08.20122; зарегистрировано 02.10.2012.

5. Свидетельство об официальной регистрации программы для ЭВМ №2015614882 Российская Федерация. Программа для поиска участка изображения/ Хасан А.А., Панищев В.С. заявл.06.03.2015; зарегистрировано 29.04.2015.

6. Хасан, А.А. Обеспечение для описания текстуры на базе статистического подхода / А.А. Хасан // Интеллектуальные и информационные системы: сб. матер. Всероссийской научно-технической конференции Тула, 2009. - С.123-124.

7. Хасан, А.А. Статистический анализ характеристик изображения / А.А. Хасан // Математика и её приложения в современной науке и практике: сб. научных статей III Международной научно-практической конференции студентов и аспирантов Курск, 2013. - С. 278-282.

8. Хасан, А.А. Вычисление характеристик изображений / А.А. Хасан // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание-2013: сб. матер. XI Междунар. науч.-техн. конф.; Юго-Западный гос.ун-т. Курск, 2013. - С.108-110.

9. Хасан, А.А. Анализ текстуры на изображениях / А.А. Хасан // Интеллектуальные информационные системы: тенденции, проблемы, перспективы (ИИС 2013): сб. материалов региональной заочной научно-практической конференции Курск, 2013. -С.124-125.

10. Хасан, А.А. Методы интерполяции в системах обработки изображений / А.А. Хасан, М.И. Булаев // Математика и её приложения в современной науке и практике: сб. научных статей IV Международной научно-практической конференции студентов и аспирантов Курск, 2014. - С. 99-102.

11. Хасан, А.А. Разработка алгоритма поиска участка изображения / А.А. Хасан, В.С. Титов // Современные материалы, техника и технология: сб. материалы 4-й Международной научно-практической конференции : Курск, 2014. С.462-464.

12 . Хасан, А.А. Сравнение полутоновых изображений по спектральным характеристикам/ А.А. Хасан, О.Н. Панищева // Интеллектуальные и информационные системы: сб. матер. Всероссийской научно-технической конференции Тула, 2016. - С.159-160.

13. Хасан, А.А. Реализация преобразования Фурье для фильтрации изображений / А.А. Хасан // Современные концепции развития науки: Сборник статей Международной научно-практической конференции 16 марта 2018 г. Часть 1 Пермь МЦИИ Омега Сайнс, 2018. - С.72-75.

14 . Хасан, А.А. Вычислительный модуль для устройства сравнения текстурных изображений по статистическим признакам / А.А. Хасан, О.Н. Панищева, В.С. Титов // Интеллектуальные информационные системы: тенденции, проблемы, перспективы

(ИИС 2018): материалы докладов VI всероссийской очной научно-практической конференции «ИИС-2018». -С.142-144.

15. Хасан, А.А. Параллельный алгоритм вычисления характеристик текстур на изображениях / А.А. Хасан, В.С. Титов, О.Н. Панищева // Интеллектуальные и информационные системы: сб. матер. Всероссийской научно-технической конференции Тула, 2019. - С.24-28.

16. Хасан, А.А. Влияние уровня шума на результаты сравнения изображений / А.А. Хасан, Н.С. Поздняков, В.С. Титов// Научные тенденции: Вопросы точных и технических наук: сб. по материалам XXIV международной научной конференции 12 октября 2019 г. Санкт-Петербург 2019. - С.7-8.

17. А. А. Мицель, Н. В. Колодникова, К. Т. Протасов. Непараметрический алгоритм текстурного анализа аэрокосмических снимков // Изв. Томского политехнич. ун-та, 2005. Т. 308, № 1, с. 65-70.

18. В. С. Сидорова. Автоматическая классификация изображения по спектральным и текстурным признакам на основе многомерной гистограммы, 2007, URL http ://loi.sscc.ru/lab/RFFI07/ru/ svs.htm

19. Azriel, R. Avinash, C. Kak. Digital Picture Processing. / R, Azriel. C. Kak Avinash // Academic Press. - 1982.

20. Шапиро, Л. Компьютерноезрение / Л. Шапиро, Дж. Стокман; пер. с англ. А.А. Богуславского под ред. С.М. Соколова. - М. БИНОМ. Лаборатория знаний, 2006. -752 с.

21. R. M. Haralick. Statistical and structural approaches to texture // Proceedings of the IEEE, 1979. Vol. 67, no. 5, p. 768-804.

22. H. Tamura, S. Mori, T. Yamawaki. Psychological and computational measurements of basic textural features and their comparison // Proc. 3rd Int. Joint Conf. Pattern Recognition, 1976, p. 273-277.

23. R. M. Haralick, K. Shanmugam, I. Dinstein. Textural features for image classification // IEEE Transactions on Systems, Man and Cybernetics, 1973. Vol. 3, p. 610-621.

24. K. I Laws. Rapid texture identification // SPIE, 1980. Vol. 238, p. 376-380.

25. H. Niemann. Pattern analysis. Springer Series in Information Sciences, Vol. 4. Berlin: Springer-Verlag, 1981. - 302 p.

26. D. Chetverikov. Detecting defects in texture // Proceedings of the 9th international Conference on pattern Recognition, 1988, p. 61-63.

27. J. P. Serra. Image analysis and mathematical morphology. London: Academic Press, 1982. - 610 p.

28. D. Chetverikov, R. M. Haralick. Texture anisotropy, symmetry, regularity: recovering structure from interaction maps // Pmc. BritishMachineVisionConference, 1995, p. 57-66.

29. П. П. Кольцов. Сравнительное изучение алгоритмов выделения и классификации текстур // Журнал вычислительной математики и математической физики, 2011. Т. 51, № 8, с. 1561-1568.

30 . Н. Г. Федотов. Теория признаков распознавания образов на основе стохастической геометрии и функционального анализа. М.: Физматлит, 2009. - 304 c.

31. А. А. Рогов, К. Н. Спиридонов. Применение спектра фрактальных размерностей Реньи как инварианта графического изображения // Вестник Санкт-Петербургского университета, 2008. Т. 10, № 2, с. 30-43.

32. А. А. Потапов. Новые информационные технологии на основе вероятностных текстурных и фрактальных признаков в радиолокационном обнаружении малоконтрастных целей // Радиотехника и электроника, 2003. Т. 48, № 9, с. 1101— 1119.

33. Y. Han, H. Kim, J. Choi, Y. Kim. A shape-size index extraction for classification of high resolution multispectral satellite images // International Journal of Remote Sensing, 2012. Vol. 33, no. 6, p. 1682-1700.

34. W. Su, C. Zhang, J. Yang, H. Wu, L. Deng, W. Ou, A. Yue, M. Chen. Analysis of wavelet packet and statistical textures for object-oriented classification of forest-agriculture ecotones using SPOT 5 imagery // International Journal of Remote Sensing, 2012. Vol. 33, no. 11, p. 3557-3579.

35 . Вудс Р. Цифровая обработка изображений / Учебное пособие.- Москва: Техносфера , 2006. - 1072 с.

36. Чайников, И. В. Поиск изображений на основе паспортов изображений: [Текст] / И. В. Чайников // Материалы 8-й Международной Конференции и Выставки «Обработка и передачи изображений». -2005. - С. 443-445.

37. Carson, C., Belongie, S., Greenspan, H., Malik, J., Color- and Texture-Based Image Segmentation Using EM and Its application to Image Querying and Classification [Электронныйресурс] // https://www.researchgate.net/publication/3766311 Color-

and Texture-Based Image Segmentation Using EM and Its Application to Content-Based Image Retrieval

38. Прэтт, У. Цифровая обработка изображений: В 2-х кн. / Прэтт У.; пер. с англ. под ред. Д.С. Лебедева. - М.: Мир, 1982. - 2 кн., 790 с.

39. Пластинин, А.И. Разработка методов формирования цвето-текстурных признаков для анализа биомедицинских изображений /А.И. Пластинин, А.В. Куприянов, Н.Ю. Ильясова //Институт систем обработки изображений РАН, 2007. С 82-83.

40. Smith, J.R. and Shih-Fu Chang. Automated Image Retrieval Using Color and Texture [Электронный ресурс] // http://www.ctr.columbia.edu/~jrsmith/html/pubs/- 1995.

41. Smith, J.R. and Shih-Fu Chang. Automated Binary Texture Feature Sets for Image Retrieval. [Электронный ресурс] // http://www.ctr.columbia.edu/~jrsmith/html/pubs/- 1996.

42. Kalle Karu, Anil K. Jain, Rund M.Bolle. Is there any texture in the image? // Pattern Recognition, 1996. V. 29, № 9, Sept., P. 1437-1446.

43. V.S. Sidorova. Detecting Clusters of Specified Separability for Multispectral Data on Various Hierarchical Levels. // Pattern Recognition and Image Analysis, 2014, Vol. 24, No. 1, pp. 151-155.

44 . Eugene Zhang, Konstantin Mischaikow and Greg Turk. Feature-Based Surface Parameterization and Texture Mapping, ACM Transactions on Graphics 24(1) ■ January 2005, С.1-26.

45. M. Eisemann, B. De Decker, M. Magnor, P. Bekaert, E. de Aguiar, N. Ahmed, C. Theobalt & A. Sellent / Floating Textures EUROGRAPHICS 2008 / G. Drettakis and R. Scopigno (Guest Editors), Volume 27 (2008), Number 2

46 . P. Harrison Image Texture Tools. / PhD thesis, Monash University, 2005, http ://www.logarithmic.net/pfh/thesis.

47. Петухов, Н.Ю. Распознавание текстурных изображений на основе статистических и фрактальных признаков / Вестник Сибирского государственного аэрокосмического университета имени акдемика М.Ф. Решетнева, 2011, С.63-68.

48. Шевяков С.Б. Методы анализа текстур на изображении: диссертация на осискание ученой степени кандидата технических наук: 05.13.17.- НижнийНовгород, 2002..

49. Jianwei Zhang, Xu Chen, Xuezhong Xiao. Texture Object Segmentation Based on Affine Invariant Texture Detection // https://arxiv.org/ftp/arxiv/papers/1712/1712.08776.pdf

50. Andy Maloney. Comparing Nearly Identical Images Using "Beyond Compare" / Journal of Forensic Identification 63 (2), 2013. PP. 153-164.

51. Ханефт А.А., Калайда В.Т. Распознавание облаков на спутниковых фотографиях с помощью кластерного анализа и текстурных характеристик изображения / Мир науки и инноваций, 2015, Том 2. Выпуск 1(1) Технические науки. С 78-82.

52. Фраленко В.П., Методы текстурного анализа изображений, обработка данных дистанционного зондирования Земли // Программные системы: теория и приложения, № 4(22), 2014, c. 19-39.

53. K. Pratt, O.D. Faugeras, A. Gagalowicz. Applications of Stochastic Texture Field Models to Image Processing // PROCEEDINGS OF THE IEEE, VOL. 69, NO. 5, MAY 1981. PP. 542-551.

54 . Кутикова В.В., Гайдель А.В., Исследование методов отбора информативных признаков для задачи распознавания текстурных изображений с помощью масок Лавса // Компьютерная оптика, 2015, том 39, №5. С. 744-750.

55. Лукашевич, М.М. Текстурный анализ. Алгоритм вычисления текстурных признаков / М. М. Лукашевич // Информационные технологии и системы 2012 (ИТС 2012): материалы международной научной конференции, БГУИР, Минск, Беларусь, 24 октября 2012 г. = Information Technologies and Systems 2012 (ITS 2012) : Proceeding of The International Conference, BSUIR, Minsk, 24th October 2012 / редкол. : Л. Ю. Шилин [и др.]. - Минск : БГУИР, 2012. - C. 232-233.

56 . Фаворская М.Н., Зотин А.Г., Дамов М.В., Проскурин А.В. Применение параллельных вычислений при расчете признаков в системах автоматического аннотирования изображений // Телекоммуникации. 2015. № 4. С. 41-47.

57 . Интегрированное фенотипирование с использованием признаков текстуры изображения, пат. Российская Федерация, МПК G 06 T 7/40.; заявитель и патентообладатель Конинклейке Филипс Н.В. (NL). - № 2015124052; заявл. 25.10.2013; опубл. 10.01.2017, Бюл. №1,Банерджи Ниланджана, Димитрова Невенка, Варадан Винай, Камалакаран Ситхартхан,Яневски Анхель и Майти Саян.

58 . Система для распознавания и отслеживания пальцев, пат. Российская Федерация, МПК G 06 T 7/20, G 06 K 9 /78.; Заявитель и патентообладатель Майкрософт Текнолоджи Лайсенсинг, Элэлси (US). - № 2013154102/08,; заявл. 04.06.2012; опубл. 20.12.2016, Бюл. №35, Эмбрус Энтони (US), Ли Киунгсук Дэвид (US), Кэмпбелл Эндрю (US), Хейли Дэвид (US), Маунт Брайан (US),

Роблес Альберт (Ш), Осборн Дэниел (Ш), Райт Шон (US), Шаркаси Нахил (Ш), Хилл Дэйв (US) и Маккаллок Дэниел (US).

59 . Способ и система обработки изображений со сдвоенным датчиком изображений, пат. Российская Федерация, МПК Н 04 N 5/232.; Заявитель и патентообладатель ЭППЛИНК. (Ш). - № 2013111841/07,; заявл. 11.08.2011; опубл. 10.10.2014, Бюл. № 28,Автор(ы): Коут Гай (Ш), Фредриксен Джеффри И. (Ш), Братт Джозеф П. (Ш), Го Шунь Вай (Ш), Миллетт Тимоти Дж. (Ш).

60. Сжатие текстуры на основании двух оттенков с модифицированной яркостью, пат. Российская Федерация, МПК Н 04 N 9/77, в 06 Т 9/00 Н 04 N 11/06.; Заявитель и патентообладатель Телефонактиеболагет Лм Эрикссон (ПАБЛ) ^Е). - № 2008110507/09,; заявл. 14.07.2006; опубл. 20.12.2010, Бюл. № 35,Автор(ы): Стрем Якоб ^Е), Петтерссон Мартин ^Е).

61. Обработка изображений на основе весов, пат. Российская Федерация, МПК Н 04N 9/77, в 06Т 9/00, H04N 11/06.;Заявитель и патентообладатель Телефонактиеболагет лм эрикссон (пабл) ^е). - № 2007148931/09,; заявл. 24.05.2006; опубл. 20.12.2010, Бюл. № 35, Автор(ы): Стрем Якоб ^Е).

62 . Сравнение документов с использованием достоверного источника, пат. Российская Федерация, МПК в06К 9/00, в06К 9/72, в06К 9/80.;Заявитель и патентообладательОбщество с ограниченной ответственностью "Аби Девелопмент" ^Ц). - № 2013106501/08; заявл. 06.11.2014,; опубл.10.09.2016, Бюл. № 25, Автор(ы): Хинцицкий Иван Петрович ^Ц), Исаев Андрей Анатольевич ^Ц).

63 . Система и способ для обработки данных изображения с использованием процессора сигнала изображения, имеющего логику окончательной обработки, пат. Российская Федерация, МПК G06K 9/36 H04N 9/73.; Заявитель и патентообладатель ЭППЛ ИНК. (Ш). - № 2013119999/08; заявл. 31.08.2011,;

опубл. 27.02.2015, Бюл. № 6, Автор(ы): КОУТ Гай (Ш), ФРЕДЕРИКСЕН Джеффри Э. (Ш).

64 . Классификация изображений документов на основании контента, пат. Российская Федерация, МПК G06K 9/00 G06F 17/30G06Т 7/00.; Заявитель и патентообладатель Общество с ограниченной ответственностью "Аби Девелопмент" (RU). - № 2014139557/08; заявл. 30.09.2014,; опубл. 20.12.2015, Бюл. № 35, Автор(ы): Смирнов Анатолий Анатольевич ^Ц), Панферов Василий Владимирович ^Ц), Исаев Андрей Анатольевич ^Ц).

65 . Системы и способы для индексирования и поиска изображений пат. Российская Федерация, МПК G06K 1/00.; Заявитель и патентообладатель МАЙКРОСОФТ КОРПОРЕЙШН (Ш)Егорова Галина Борисовна. -№ 2004132536/09, ; заявл. 05.11.2004,; опубл. 20.05.2010, Автор(ы): ЗХАНГ Хонг-Дзианг (Ш),ЗХАНГ Лей (Ш),ЛИ Мингдзинг (Ш), СУН Йан-Фенг (Ш).

66. Лаврентьев Е.Б., Кирпа В.Э. Метод попиксельного сравнения и распознавания объектов // Молодой исследователь Дона №6(21), 2019. - С.48-52.

67. Способ сравнения цифровых изображений МПКв06Т 5/50(2006.01), в06Т 7/223(2017.01), в06К 9/64(2006.01), Заявитель и патентообладатель Федеральное государственное бюджетное учреждение науки Институт космических исследований Российской академии наук. заявл. 2017.10.04, опубл. 2018.11.26, авторы Котцов Владимир Александрович (ЯИ), Котцов Петр Владимирович (ЯИ).

68 . Тымчук А. И. О выборе уровней серого в задаче текстурной сегментации изображений на основе матриц яркостной зависимости // Кибернетика и программирование №3, 2018. - С. 1-9.

69. Тымчук А.И. О текстурных признаках в задаче сегментации аэрофотоснимков на основе матриц яркостной зависимости // Кибернетика и программирование. - 2018. -№ 6. - С. 31 - 39.

70. MirmehdiM.Handbook of Texture Analysis/ M.Mirmehdi, X. Xie, J. Suri. - London: Imperial College Press, 2009. - 413 p.

71. Sadykhov, R.Kh. Texture clustering of satellite images using self-organizing neural network / R.Kh. Sadykhov, M.M. Lukashevich // The Intern. J. of Computing. - 2008. -Vol. 7, iss. 3. - P. 15-21.

72 . Petrou M.Image Processing: Dealing with Texture/ M.Petrou, P.G.Sevilla. — Chichester: Wiley, 2006. - 631p.

73. Zhang Y. J. A Survey On Evaluation Methods for Image Segmentation // Pattern Recognition, vol. 29, no. 8, 1996, pp. 1335-1346.

74. Годин, А. М. Статистика: учебник / А. М. Годин. - Москва: Дашков и К°, 2016. -451 с.

75. Гореева, Н. М. Статистика в схемах и таблицах. - Москва: Эксмо, 2017. - 414 с. 76Елисеева, И. И. Статистика: углубленный курс: учебник для бакалавров / И. И. Елисеева и др.]. - Москва: Юрайт: ИД Юрайт, 2016. - 565 с.

77. Статистика: теория и практика в Excel: учебное пособие / В. С. Лялин, И. Г. Зверева, Н. Г. Никифорова. - Москва: Финансы и статистика: Инфра-М, 2016. -446c.

78. Гусев В.Г., Электроника и микропроцессорная техника [Текст] : учебник / Ю.М. Гусев - 6-е изд., стер. - М.: КНОРУС, 2013 - 800 с.

79. Гетманов В.Г. Цифровая обработка сигналов: Учебное пособие. Изд. 2-е, расш. и перераб. М.: НИЯУ МИФИ, 2010 - 232 с.

80 . Новожилов О.П. Электроника и схемотехника [Текст] : учебник для академического бакалавриата : [в 2 томах] / О.П. Новожилов ; Моск. гос. индустр. ун-т (МГИУ). - Москва : Юрайт. - Т. 1. - 2015. - 381 с.

81 . Новожилов О.П. Электроника и схемотехника [Текст] : учебник для академического бакалавриата : [в 2 томах] / О.П. Новожилов ; Моск. гос. индустр. ун-т (МГИУ). - Москва : Юрайт. - Т. 2. - 2015. - 420 с.

82. Дж.Ф. Уэйкерли Проектирование цифровых устройств, Том 1,2. М.: Постмаркет, 2002 - 544 с. (перевод с английского Е.В. Воронова, А.Л. Ларина).

83. Смит Дж. Сопряжение компьютеров с внешними устройствами: Пер. с англ. -М.: Мир, 2000.

84. М. Гук Аппаратные средства IBM PC. Энциклопедия, 2-е изд. - Питер, 2001.

85. F.P.G. Marquez, N. Zaman. Digital filters and signal processing. [Текст] / F.P.G. Marquez, N. Zaman 2013 - 307 с.

86. Новиков Ю.В. Основы цифровой схемотехники. Базовые элементы и схемы. Методы проектирования. - М.: Мир, 2001.

87. Хорвиц П., Хилл У. Искусство схемотехники. Пер. с англ. 6-е изд. перераб. - М.: Мир, 2001.

88. Зотов В.Ю. Проектирование цифровых устройств на основе ПЛИС фирмы XILINX в САПР WebPACKISE/Горячая Линия - Телеком, 2003 624 с.

89. Зотов В.Ю. Проектирование встраиваемых микропроцессорных систем на основе ПЛИС фирмы XILINX/Горячая Линия - Телеком, 2006. - 522 с.

90. Кнышев, Д.А. ПЛИС фирмы "Xilinx" :описание структуры основных семейств : Справочник / Д.А.Кнышев, М.О.Кузелин. -М.ДОДЭКА-XXI. - 2001. - 238с.

91. XC2S200E datasheet / http://www.datasheetarchive.com/XC2S200E-datasheet.html/

92. Системы автоматизированного проектирования фирмы AlteraMAX+plusII и QuartusII // Д.А. Комолов, Р.А. Мяльк, А.А. Зобенко. М: РадиоСофт, 2002. - 361 с.

93. Сергиенко А. М. VHDL для проектирования вычислительных устройств /М:ТИД «ДС». 2003 - 208 с.

Приложение А

Результаты обработки изображений с различными значениями

коэффициентов Сравнение с одинаковыми значениями коэффициентов

Изображения

зц

У4>А

'чР

и»

ЫЬ»«

уч >-Л

•I

Размер изображен ия Степень сходства, % Время расчета, мс Степень зашумлен ности, %

1 0.6

2 0.1

3 10.4

782x522 Выбрано 4 13.6 0%

5 41.4

6 94.2

I 160.3

1 0.4

2 0.1

3 10.4

782x522 91.19% 4 14.4 10%

5 38.1

6 85.7

I 149.1

1 5.9

2 5.9

3 5.9

782x522 56.84% 4 5.9 25%

5 5.9

6 91.1

I 120.6

1 0.5

2 0.1

3 10.3

782x522 29.16% 4 17.9 30%

5 46.1

6 110.8

I 185.7

1 4.9

2 4.9

3 4.9

782x522 0% 4 4.9 10%

5 4.9

6 96.5

I 121

Размер изображен

ия

Степень сходства, %

Время расчета, мс

1024x650

Выбрано

I

0.3

0.1

10.3

13.1

34.6

84.6

143

0%

1024x650

90.71%

2_ 3_ 4_ 5_ 6_

I

0.3

0.1

10.2

14.9

35.2

88.9

149.9

1024x650

55.28%

2_ з_

4_ 5_ 6_

0.3

0.2

10.5

15.4

43.1

100.2

169.7

1024x650

0 %

2_ з_

4_ 5_ 6_

I

0.5

0.1

10.2

13.4

40.7

94.1

159

1024x650

0.47%

2_ з_

4_ 5_ 6_

I

3.2

3.2

3.2

3.2

3.2

93.3

109.3

10%

20%

30%

10%

Размер изображен

ия

Степень сходства, %

Время расчета, мс

1654x2339

Выбрано

I

2.6

2.6

2.6

2.6

2.6

116.1

129.1

0%

1654x2339

63.9%

0.3

0.1

10.7

14.9

41.8

93.4

I

161.2

10%

1654x2339

23.39%

1.3

1.3

1.3

1.3

1.3

91.6

I

98.1

25%

1654x2339

4.19%

2.2

2.2

2.2

2.2

2.2

89.1

I

100.1

35%

1654x2339

0%

2_ 3_ 4_ 5_ 6_

I

1.3

1.3

1.3

1.3

1.3

73.2

79.7

10%

Размер изображен

ия

Степень сходства, %

Время расчета, мс

НИМ Г4М«4*

■мм* «мми

• « Няаам трап •

708x520

Выбрано

I

8.8

8.8

128.2

172.2

0%

1.0

708x520

84.09%

_2_ з_

4_ 5_ 6_

I

1.0

1.0

1.0

1.0

97.1

102.1

10%

708x520

73.06%

_2_ з_

4_ 5_ 6_ I

0.3

0.1

13.7

18.2

46.6

106.6

185.5

20%

708x520

57.44%

_2_ з_

4_ 5_ 6_ I

0.2

0.1

10.3

20.9

49.1

130.8

211.4

40%

708x520

84.4%

_2_ з_

4_ 5_ 6_

I

0.5

0.1

10.2

13.5

39.1

87.2

150.6

20%

708x520

0%

_2_ з_

5_ б_ I

2.6

2.6

2.6

2.6

2.6

106.9

119.9

10%

1

Размер изображе

ния

Степень

сходства,

%

Время расчета, мс

Степень зашумле

нности,

%

344x240

Выбрано

4_ 5_ 6_

I

0.7

0.1

11.8

17.7

35.5

99.4

165.2

0%

344x240

95.49%

2_ з_

4_ 5_ 6_ I

4.4

4.4

4.4

4.4

4.4

78.2

100.2

10%

344x240

81.08%

2_ з_

4_ 5_ 6_ I

0.4

0.2

12.1

15.3

42.3

107.9

178.2

20%

344x240

58.71%

2_ 3_ 4_ 5_ 6_

I

0.3