Разработка и исследование методов и алгоритмов улучшения визуального качества изображения в инфракрасном диапазоне на базе нейропроцессора NM6403 (Л1879ВМ1) тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Солина, Нелли Игоревна

• Солина, Нелли Игоревна
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Солина, Нелли Игоревна

Основные обозначения и сокращения.

Введение.

Глава 1. Анализ современных средств, методов и алгоритмов обработки изображений.

1.1. Общая характеристика тепловизоров.

1.1.1. Сканирующие и смотрящие тепловизоры.

1.1.2. Современные тепловизоры отечественных и зарубежных производителей.

1.2. Процесс формирования тепловизионного видеосигнала.

1.3. Обзор классических методов и алгоритмов обработки ИК изображений.

1.3.1. Классический метод рекурсивной фильтрации.

1.3.2. Классический метод двухточечной коррекции.

1.3.3. Классические методы контрастирования.

Выводы.

Глава 2. Разработка и исследование методов и алгоритмов обработки тепловизионного изображения.

2.1. Модификация метода рекурсивной фильтрации.

2.2. Модификация метода двухточечной коррекции.

2.2.1. Выравнивание чувствительности и геометрических искажений.

2.2.2. Исправление «дефектных» элементов.

Выводы.

Глава 3. Разработка метода контрастирования тепловизионного изображения.

3.1 Модификация метода линейного контрастирования.

3.2. Разработка метода нелинейного контрастирования.

Выводы.

Глава 4. Практическая реализация модифицированных алгоритмов на процессоре Л1879ВМ1 и анализ полученных результатов.

4.1. Принцип работы нейропроцессора Л1879ВМ1 и его вычислительного аппарата.

4.2. Функциональная схема взаимодействия модуля аналоговой обработки с блоком микропроцессорного прибора в тепловизоре смотрящего типа.

4.3. Проверка эффективности реализации модифицированных алгоритмов обработки изображений в ИК диапазоне на процессоре Л1879ВМ1.

4.3.1. Практическая реализация метода двухточечной коррекции.

4.3.2. Анализ полученных результатов методом двухточечной коррекции.

4.3.3. Анализ информации, полученной в режиме контрастирования

Выводы.

Введение диссертации (часть автореферата) на тему «Разработка и исследование методов и алгоритмов улучшения визуального качества изображения в инфракрасном диапазоне на базе нейропроцессора NM6403 (Л1879ВМ1)»

Актуальность темы

Все объекты излучают, поглощают, пропускают и отражают инфракрасное (ИК) излучение определенным образом, что позволяет получать определенную информацию об исследуемом объекте. Если произвести обработку данной информации, то можно определить и проконтролировать параметры объекта, особенно ценно то, что измерения производятся бесконтактным методом. Инфракрасное излучение лучше, чем видимое, проходит сквозь атмосферную дымку, замутненную среду, туманы большой плотности и полную темноту, что дает возможность видеть объекты, удаленные на расстояние в десятки и сотни километров, осуществлять аэровидеосъемку как с самолета, так и со спутника [1,2]. Но для того чтобы визуально увидеть объекты, полученные с помощью ИК излучений необходимо провести предварительную обработку изображения.

На сегодняшний день одной из актуальных задач инфраобработки является обработка изображений в реальном времени (с частотой полукадра 50 Гц) [3] и на выходе с хорошим визуальным качеством, что предъявляет очень жесткие требования к вычислительной мощности устройства обработки, а это ведет к росту его стоимости. Связано это с тем, что большинство таких ИК приборов (далее — тепловизионные приборы) должны проводить обработку ИК изображений (в данном случае улучшения визуального качества) не отдельных статических изображений, а динамических объектов с частотой 1 кадр за время равное 0.04 с, с возможность последующего распознавания объекта. Такие требования предъявляются к тепловизионным приборам работающим [4]: для охранных систем, для обеспечения безопасности движения автомобилей, для оснащения самолетов с целью повышения безопасности посадки в условиях плохой видимости из-за плохих метеоусловий и в темное время суток (используется в комплексе со стандартными бортовыми средствами обеспечения посадки), в судоходстве для обеспечения безопасности движения морских и речных судов в тяжелых условиях навигации, обнаружения мелководья, узкого русла, и в условиях высокого трафика или для спутников в системах космической диагностики биосферы и инфраструктуры земной экономики.

Развитие полупроводниковых технологий, появление новых компактных экономичных относительно недорогих фотоматриц, работающих в РЖ диапазоне, делает возможным и экономически оправданным значительное расширение области практического применения РЖ-приборов. В наше время производители фотоприемных устройств (ФПУ) стараются вводить новые конструкторские решения, использовать различные сплавы для улучшения качества работы фоточувствительных матриц. На данный момент существует тенденция создания ФПУ, в которых многоэлементный приемник излучения (МЭПИ) объединен с системой первичной обработки сигналов. Одной из причин предпочтения цифровых систем [5] для обработки аналоговых сигналов является способность быстрого перестроения программной структуры обработки сигнала без перестройки физической структуры аппарата для различных задач. Так как обработка полученных сигналов производится на персональной машине, то не может быть и речи о мобильности самих аппаратов, помимо этого возникает проблема связанная с обработкой данных в реальном времени потому что большинство существующих тепловизионных приборов производят накопление статистической информации. Связано это во-первых с необходимостью использовать более мощные процессоры для обработки изображений в реальном времени, во-вторых с большой стоимостью данных процессоров. Примером таких тепловизоров служит семейство тепловизоров AGEMA фирмы FLIR SYSTEMS (США, Швеция), семейство тепловизоров TP фирмы FSI (США), тепловизор ThermoView Ti30 фирмы Raytek [6] (США - Германия) (Частота кадров 20Гц), тепловизор СВИТ-101 фирм «Хелс-Сервис» и МАНО «Квантовая медицина» (Новосибирск) (Время измерения одного кадра = 0.05 с. Время выхода на рабочий режим = 30 мин) [7] и т.д. Конечно же существуют переносные тепловизионные приборы малых размеров, но в них так же не производится полная обработка данных, тем более в режиме реального времени. А осуществляется их постепенное накопление в виде фотографий или видеозаписей, которые в последствии раскладываются на кадры, и обрабатываются на персональных компьютерах. Сейчас появилась потребность в создании компактных переносных тепловизионных приборов с более низкой себестоимостью, с внутренней обработкой информации в реальном времени. Для реализации тепловизоров с такими требованиями существуют несколько подходов: усовершенствовать технику, а именно использовать современные универсальные скалярные процессоры; преобразовать существующие классические методы работы с изображениями; произвести распараллеливание процесса вычислений.

Проблема выбора типа процессора является одной из важнейших при проектировании. Основное требование к процессору — обеспечение заданного быстродействия. Для обработки изображения в реальном времени на любом универсальном скалярном процессоре его тактовая частота не должна быть меньше 1,8-2 ГГц [5]. При обработке изображения производится много векторных вычислений, которые не эффективно по времени выполняются на скалярных процессорах, не приспособленных для такого типа вычислений. Существует и еще одна причина по которой от использования универсальных скалярных микропроцессоров приходится отказываться. Это большая стоимость самого процессора и вычислительного модуля, в который он будет встраиваться. Для сравнения в Таблице 1 приведена стоимость универсальных скалярных процессоров и средняя стоимость цифровых сигнальных процессоров.

Таблица 1°. [8].

ПРОЦЕССОРЫ: розничная цена в руб. оптовая цена в руб. тактовая частота

INTEL: XEON

BOX Xeon 3066 Mhz 512k/533Mhz BX80532KE3066D 14366.5 13511.00 3,06 ГГц

BOX Xeon 2800 Mhz 512k/533Mhz BX80532KE2800D 10325.00 9702.55 2,8 Ггц

BOX Xeon 2000 MHz 512k/533Mhz BX80532KE2000D 7286.5 6708.3 2 ГГц

INTEL: PENTIUM - 4 (S 478):

BOX Pentium-4 3,4C GHz, mS478/512k-800MHz BX80532PG3400D 12537.5 11767.55 3,4 ГГц

BOX Pentium-4 1,8A GHz, mS478/512k BX80532PC1800D 3481.00 3265.65 1,8 ГГц

INTEL: CELERON:

BOX Celeron 2800MHz 128k S478 BX80532RC2800B 3835.00 3593.1 2,8 Ггц

AMD:

BOX AMD Athlon AMP 2200+ (Thoroughbred) Socket A 266MHz 4336.5 4071.00 1,8 ГГц

Средняя стоимость сопоставимых цифровых сигнальных процессоров 1475 295 40 - 80 Mгц

1) Данные на 7 мая 2004 г.

В результате было решено воспользоваться цифровым сигнальным процессором (ЦСП). Не смотря на малую тактовую частоту ЦСП выполнит свою работу лучше любого универсального процессора с частотой большей

1,8 ГГц. Проанализировав множество сигнальных процессоров [5, 9, 10], таких как TMS320C4x, ADSP-21535, SHARC ADSP-21062, WE DSP16A, DSP56000 и др., было решено воспользоваться ЦСП отечественного производства NM6403 (далее — JI1879BM1 или нейропроцессор). Нейропроцессор имеет ряд преимуществ перед другими выше перечисленными процессорами, основным из которых является наличие эффективного 64-разрядного векторного умножителя [11, 12, 13], позволяющего легко выполнять векторные вычисления большой размерности за малое количество времени. Л1879ВМ1 сочетает в себе черты двух современных архитектур: VLIW (Very Long Instruction Word) и SIMD (Single Instruction Multiple Data) [14, 15]. Процессор ориентирован на эффективное выполнение векторно-матричных операций над данными переменной разрядности от 1 до 64 бит в системах цифровой обработки сигналов и искусственных нейронных сетях. Важнейшая особенность векторного процессора — работа с операндами произвольной длины (даже не кратной степени двойки) в диапазоне 1-64 бит, чего не делает не один другой процессор. За счет данной особенности нет простоев процессора, а значит увеличивается скорость вычислений.

Для осуществления работы тепловизора в режиме реального времени необходимо, чтобы процессор в течение 40 мс обрабатывал все значения поступившего кадра (пикселы), проводил усреднения рассчитанных значений, вносил поправки и выводил результат на экран. При работе с матрицей 128x128 процессор должен успеть обработать 16384 пиксел, а для матрицы 320x240 пиксел — 76800 пиксел.

Для того, чтобы сигналы обрабатывались в реальном времени, длительность цикла по обработке кадра не должна превышать время формирования следующего кадра изображения, которое составляет 40 мс. Поэтому за

1 сек должно быть обработано 25 кадров: у^с = 0.040с = 40л<с.

Архитектура Л1879ВМ1 требует новых подходов к программированию известных алгоритмов обработки изображений в части улучшения визуального качества. Поэтому для получения более эффективной аппаратной реализации на нейропроцессоре Л1879ВМ1 можно и нужно воспользоваться двумя оставшимися путями, а именно произвести модификацию известных алгоритмов для их реализации на Л1879ВМ1 и использовать параллельные вычисления, в данном случае заключающиеся в деление разрядной сетки ней-ропроцессора для векторных операций.

Актуальность диссертационной работы заключается в удовлетворении потребности отечественного производства в эффективной обработке изображений в инфракрасном диапазоне. В диссертации эта задача решается с помощью нейропроцессора Л1879ВМ1 с использованием модифицированных алгоритмов обработки сигналов, получаемых с матричного неохлаждаемого микроболометрического фотоприемного устройства (далее — тепловизор), в режиме реального времени.

Цель работы

Целью работы является модификация классических методов улучшения визуального качества изображения и разработка комплекса программ для Л1879ВМ1, обрабатывающего в режиме реального времени поступающие на тепловизионный прибор ИК сигналы от динамических объектов.

В связи с поставленной целью в диссертации решаются следующие основные задачи'. анализ существующих классических методов и алгоритмов обработки изображения в инфракрасном диапазоне; модификация метода рекурсивной фильтрации и его программная реализация на нейроматричном аппарате вычисления процессора Л1879ВМ1; модификация метода двухточечной калибровки и его программная реализация на нейроматричном аппарате вычисления процессора Л1879ВМ1; модификация метода порогового подавления шумов в метод исправления «дефектных» элементов и его программная реализация на нейроматричном аппарате вычисления процессора Л1879ВМ1; модификация метода коррекции слабоконтрастных динамических объектов на изображениях с помощью линейного контрастирования в режиме реального времени и его программная реализация на нейроматричном аппарате вычисления процессора Л1879ВМ1; программная реализация гистограммной обработки в режиме реального времени на нейроматричном аппарате вычисления процессора Л1879ВМ1; модификация метода коррекции слабоконтрастных динамических объектов на изображениях с помощью нелинейного контрастирования в режиме реального времени с учетом значений линейного контрастирования и его программная реализация на нейроматричном аппарате вычисления процессора Л1879ВМ1; проверка эффективности реализации на процессоре Л1879ВМ1 алгоритмов обработки сигналов с матричного неохлаждаемого микроболометрического фотоприемного устройства.

Объект исследования

В работе исследуются методы обработки изображений в инфракрасном диапазоне.

Предмет исследования

Предметом исследования являются методы обработки изображений с целью улучшения визуального восприятия и эффективность обработки изображений нейроматричным аппаратом процессора Л1879ВМ1 в режиме реального времени.

Методологическая и теоретическая основа исследования

В рамках исследования используются методы теории обработки изображений, цифровой обработки сигналов, основы теории инфракрасной техники, теория нейроматричного аппарата вычисления процессора Л1879ВМ1.

Научная новизна

Новизна диссертационной работы заключается в модификации известных методов обработки ИК изображений и их реализация на нейропроцессо-ре Л1879ВМ1 в режиме реального времени.

В результате проведенных в диссертации исследований: модифицирован метод рекурсивной фильтрации, основанный на рекуррентном соотношении между входными и выходными переменными системы для накопления значений кадров в процессе вычисления поправочных коэффициентов и значений в режиме линейного контрастирования; модифицирован метод двухточечной коррекции, позволяющий выравнивать чувствительность, исправлять геометрические искажения; модифицирован метод порогового подавления шумов, корректирующий ошибки «дефектных» элементов матрицы; модифицированы для реализации в режиме реального времени методы линейного и нелинейного контрастирования, предназначенные для выделения изображения в определенном диапазоне яркостей с целью улучшения его визуального восприятия. В результате произведено сокращение времени обработки; разработан алгоритм построения гистограммы по 25% значений каждого кадра, упрощающий расчет значений линейного контрастирования в режиме реального времени.

Практическая ценность

Практическая ценность работы определяется возможностью использования результатов работы при проектировании и внедрении новых систем обработки динамического изображения в инфракрасном диапазоне для различных тепловизионных приборов, а также возможностью использования отдельных разработанных методов и алгоритмов при разработке и исследовании широкого круга задач по предварительной обработки информации для ее последующего распознавания.

Использование результатов работы

Результаты диссертации использованы в ОКР «Разработка и изготовление опытных образцов блока цифровой обработки сигналов для тепловизи-онной системы изделия ТПП-9С475Н», выполненной по заказу ОАО «Красногорский завод им. С. А. Зверева», г. Красногорск; в НИР №1/02-29 «Разработка блока цифровой обработки сигналов для тепловизионного канала информационного комплекса», НТЦ «Модуль» г. Москва; а так же в других программных продуктах, разрабатываемых НТЦ «Модуль», г. Москва.

Достоверность полученных результатов

Достоверность основных положений работы и применимость предложенных методов подтверждается результатами экспериментов по обработке изображений в инфракрасном диапазоне. Полученные в диссертационной работе алгоритмы проверены экспериментально на реальных изображениях, приходящих с оптической системы тепловизора. На основе проведенных исследований для обработки получаемого с фоточувствительной матрицы изображения осуществлена реализация комплекса программ, являющегося частью функционального программного обеспечения вычислительной системы на базе нейропроцессора Л1879ВМ1 в составе инструментального модуля МЦ4.02 (НТЦ «Модуль», г. Москва). Результаты диссертационной работы в виде функционального программного обеспечения использованы и внедрены в ОАО «Красногорский завод им. С. А. Зверева» (г. Красногорск), НТЦ «Модуль» (г. Москва).

Апробация работы

Основные результаты работы докладывались на Всероссийской научной конференции студентов, аспирантов и молодых ученых «Перспектива 2002» (Нальчик: Каб.-Балк. ун-т, 2002 г.), на II Международной научно-технической конференции «Информатизация процессов формирования открытых систем на основе СУБД, САПР, АСНИ и систем искусственного интеллекта» (Вологда: ВоГТУ, 2003 г.), на IV Международной конференции молодых ученых и студентов «Актуальные проблемы современной науки» (Самара, 2003 г.), на X Всероссийской научно-технической конференции «Информационные технологии в науке, проектировании и производстве» (Нижний Новгород, 2003 г.), на XI Международной конференции «Математика, компьютер, образование» (Дубна, 2004 г.), на IX Международной открытой научной конференции «Современные проблемы информатизации в технике и технологиях» (Воронеж, 2004 г.), на IX Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и в образовании НИТ-2004» (Рязань, 2004 г.), на X Юбилейной Международной научно-практической конференции студентов, аспирантов и молодых ученых «Современные техника и технологии СТТ'2004» (Томск, 2004 г.), на XI Всероссийской научно-технической конференции «Информационные технологии в науке, проектировании и производстве» (Нижний Новгород, 2004 г.), опубликованы в сборнике научных трудов молодых ученых (Нальчик: Каб.-Балк. ун-т, 2002 г.), в Международном сборнике научных трудов «Информационные технологии моделирования и управления» (Воронеж, 2004 г.).

Публикации

По теме диссертации опубликовано 11 печатных работ: 2 статьи в сборниках научных трудов и 9 статей в материалах Российских и Международных конференций. Зарегистрирована 1 программа для ЭВМ в Российском агентстве по патентам и товарным знакам (Роспатент), свидетельство №2004611614.

Структура и объем работы

Диссертация включает введение, обзорную главу, три тематических раздела, заключение, список используемых источников и приложение. Основное содержание работы изложено на 173 страницах, включая список литературы из 72 наименований, 6 таблиц, 64 рисунков и 6 программ.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Солина, Нелли Игоревна

Выводы

В результате проведенных практических разработок на базе нейропро-цессора Л1879ВМ1 был создан действующий комплекс программ обработки изображений, полученных с тепловизора в инфракрасном диапазоне. Программы выполняют специализированные функции: проведение процедуры калибровки по двум точкам, выравнивание чувствительности и исправление геометрического искажения, исправление «дефектных» элементов матрицы на изображении, накопление значений кадров с помощью процедуры «накопление с фильтрацией», исправление слабоконтрастных изображений с помощью процедур линейного и нелинейного контрастирования. После проведения калибровки по двум точкам формируется качественное изображение, несмотря на присутствие в матрицах « 4.6% неисправных пиксел. Представлена проверка правильности выполнения программ. Показано, что используемые методы и реализованные на их основе программы обеспечивают работу на микропроцессорном модуле в режиме реального времени. Приведены результаты обработки изображений программами, реализованными по алгоритмам из главы 2 и главы 3.

В ходе испытаний на одной из матриц визуально был обнаружен столбец, в котором группа чувствительных элементов в середине столбца была электрически замкнута на другие элементы этого же столбца. Такое замыкание не обнаруживалось при равномерной засветке матрицы, и данный столбец не мог быть отбракован в процессе калибровки. Был сделан вывод, что такие дефектные столбцы или строки могут быть выявлены только при зон-довой засветке.

В процессе проведения проверки был сделан вывод о том, что работа программы без гистограммной обработки в режиме контрастирования может привести к существенному ухудшению качества выходного кадра в случае, если на исходном кадре присутствуют «большие» светлые или темные пятна, что подтверждается полученными изображениями.

Заключение

В процессе выполнения работы получены следующие основные результаты:

1. Произведен анализ существующих методов улучшения изображений в инфракрасном диапазоне. В процессе исследования возникла необходимость в модификации методов рекурсивной фильтрации, двухточечной коррекции, исправления шумов и контрастирования.

2. Модифицирован метод рекурсивной фильтрации, основанный на рекуррентном соотношении между входными и выходными переменными системы для накопления значений кадров в процессе вычисления поправочных коэффициентов и значений в режиме линейного контрастирования. Данный фильтр устойчив для разных значений весовых множителей и выполняется в режиме реального времени без потери качества. Произведена программная реализация метода рекурсивной фильтрации в режиме реального времени на нейроматричном аппарате вычисления процессора Л1879ВМ1.

3. Модифицирован метод двухточечной коррекции, позволяющий выравнивать чувствительность, исправлять геометрические искажения, определять «дефектные» элементы матрицы и элементы для их исправления. Для выравнивания чувствительности и геометрических искажений были вычислены поправочные коэффициенты, сформированы таблицы поправочных коэффициентов и «дефектных» элементов для обеспечения корректировки значений кадров при работе в режиме реального времени. Произведена программная реализация метода двухточечной коррекции на нейроматричном аппарате вычисления процессора Л1879ВМ1. Оценка времени обработки одного кадра в программе, производящей коррекцию элементов матрицы, равна 2,38 мс, из них на процедуру корректировки чувствительности и геометрических искажений уходит 0,36 мс, а на процедуру исправления «дефектных» элементов — 2,02 мс.

4. Модифицирован метод порогового подавления шумов в метод исправления «дефектных» элементов. Исправление «дефектных» элементов производится по таблицам, содержащим информацию о неисправных элементах, методах их исправления и информацию об исправных элементах, участвующих в устранении неисправных. Произведена программная реализация в режиме реального времени (программа выполняется за 2,02 мс) на нейроматричном аппарате вычисления процессора Л1879ВМ1.

5. Модифицирован метод коррекции слабоконтрастных динамических объектов на изображениях с помощью линейного контрастирования для выделения изображения в определенном диапазоне яркостей с целью улучшения визуального восприятия и реализации в режиме реального времени. Произведена программная реализация в режиме реального времени (программа выполняется за 0,5 мс) на нейроматричном аппарате вычисления процессора Л1879ВМ1.

6. Разработан алгоритм построения гистограммы по 25% значений каждого приходящего кадра, упрощающий расчет значений линейного контрастирования в режиме реального времени. Производится усечение исходного кадра по минимуму и максимуму гистограммы для исправления ситуации, когда в диапазон яркостей выходного изображения могут попасть отрицательные значения. Произведена программная реализация гистограммной обработки в режиме реального времени (программа выполняется за 1,1 мс) на нейроматричном аппарате вычисления процессора Л1879ВМ1.

7. Модифицирован метод коррекции слабоконтрастных динамических объектов на изображениях с помощью нелинейного контрастирования с учетом значений линейного контрастирования. Была реализована табличная гамма-коррекция, с целью приведения значений линейного контрастирования к нелинейному виду. Полученные нелинейные характеристики смягчают контраст изображения, и добавляют всего 0,27 мс ко времени выполнения всего комплекса программ на нейроматричном аппарате вычисления процессора Л1879ВМ1, что укладывается в режим реального времени.

8. Осуществлена проверка эффективности реализации предложенных алгоритмов по обработке ИК сигналов. В результате проведенных практических разработок на базе нейропроцессора Л1879ВМ1 был разработан действующий комплекс программ обработки изображений, полученных с тепловизора в инфракрасном диапазоне. Программы выполняют специализированные функции: проведение процедуры калибровки по двум точкам, выравнивание чувствительности и исправление геометрических искажений, исправление «дефектных» элементов матрицы на изображении, накопление значений кадров с помощью процедуры рекурсивной фильтрации, исправление слабоконтрастных изображений с помощью процедур линейного и нелинейного контрастирования. После проведения калибровки по двум точкам формируется качественное изображение, несмотря на присутствие в матрицах « 4,6% неисправных пиксел. Было выявлено, что работа программы без гистограммной обработки в режиме контрастирования может привести к существенному ухудшению качества выходного кадра в случае, если на исходном кадре присутствуют «большие» светлые или темные пятна, что подтверждается полученными изображениями. Показано, что используемые методы и реализованные на их основе программы обеспечивают работу на микропроцессорном модуле в режиме реального времени, т.е. соответствуют длительности кадра в 40 мс.

Общее время обработки комплексом программ одного кадра составляет 24,3 мс, что намного меньше требуемых 40 мс.

Список литературы диссертационного исследования кандидат технических наук Солина, Нелли Игоревна, 2004 год

1. Козелкин В.В., Усольцев И.Ф. Основы инфракрасной техники: Учебник для техникумов. — 3-е изд., перераб. и доп. — М.: Машиностроение, 1985. — 264 е., ил.

2. Госсорг Ж. Инфракрасная термография. Основы, техника, применение: Пер. с франц. — М.: Мир, 1988. — 416 е., ил.

3. Жуков А.Г. и др. Тепловизионные приборы и их применение / А.Г. Жуков, А.Н. Горюнов, A.A. Кальфа. — М.: Радио и связь, 1983 — 168 с.

4. Бартенев В.Г., Бартенев Г.В. «Альтера» предлагает создать свой сигнальный процессор. CHIP NEWS, 1997, № 7.

5. Ю.Бартенев В.Г., Бартенев Г.В. Адаптивный цифровой фильтр на ЦСП Л1879ВМ1 // Научно-технический журнал «Цифровая обработка сигналов» № 4/2001, С. 1-56.

6. Архитектура нейропроцессора NeuroMatrix Л1879ВМ1 // Сборник докладов V Всероссийской конференции «Нейрокомпьютеры и ихприменение» / П.А. Шевченко, Д.В. Фомин, В.М. Черников, П.Е. Викс-не. М., 1999.

7. Солина Н.И. Обработка данных, посылаемых на нейропроцессор NM6403, редактором связей. Сборник научных трудов молодых ученых. — Нальчик: Каб.-Балк. ун-т, 2002. С. 67-70.

8. Солина Н.И. Построение класса «нейрон» для многослойной нейросе-ти с корректировкой связи. Материалы Всероссийской научной конференции студентов, аспирантов и молодых ученых «Перспектива 2002».

9. В 5-ти томах. — Нальчик: Каб.-Балк. ун-т, 2002. — Т. 2. С. 161-164.

10. Процессор NeuroMatrix JI1879BM1. Computer Review, 1998, № 21 (71).

11. Архитектура «NeuroMatrixNM6403. Руководство пользователя». Научно-технический центр «Модуль». 1999.

12. Бурыкин A.B. Многоканальные переносные инфракрасные газоанализаторы для контроля транспортных выбросов: Дисс. кан. тех. наук. — М., 2002. —166 е., ил.

13. Taubkin I.I., Trishenkov М.А. //Proc. SPIE, 2001. V. 4369. P. 94-105.

14. Радиационные измерения температур слабо нагретых тел / Под ред. В.Г. Вафиади и М.М. Мирошникова. — Минск.: 1969. — 168 с.

15. Ранцевич В.Б. Пирометрия при посторонних источниках излучения. — М.: Наука и техника, 1989. — 104 с.

16. Сафронов Ю.П., Эльман Р.И. Инфракрасные распознающие устройства. M.: МОСССР, 1979. — 208 с.

17. Тымкул В.М., Ананич М.И. Системы тепловидения. Моделирование тепловизионных изображений: Учебное пособие. — Новосибирск: СГГА. —1995.

18. ГОСТ 18353-79. Контроль неразрушающих. Термины и определение.

19. М.: Изд-во стандартов, 1979.

20. Журавлев Ю.А. Радиационный теплообмен в огнетехнических установках. — Красноярск: Изд. КГУ, 1983. — 146 с.

21. Лукаш В.П. Определение температуры объектов с помощью теплови-зионных систем. ЦИАМ, обзор № 156,1982. — 58 с.

22. Вгееп Т., Butler N. Applications of Uncooled Microbolometer Sensors// SPIE Procidings, April 1998. V. 3379.

23. Филачев A.M., Пономаренко В.П., Таубкин И.И., Ушакова М.Б. Фотоэлектроника: Инфракрасные матрицы и тенденции их развития // Прикладная физика: Науч.-техн. журнал. — 2003. — № 1. стр. 105-120.

24. Butler N., Blackwell R. Dual use, low cost uncooled microbolometer imaging system //SPIE Procidings. V. 2552, Infrared Technology XXI, July 1995. P. 558-591.

25. Marshall C.A., Breen T. Quanitative and Imaging Performance of Uncooled Microbolometer Sensors for Medical Applications// IEEE/EMBS Procidings, October 1997. P. 718-721.

26. Прэтт У. Цифровая обработка изображений. / Под ред. к.т.н. Д.С. Лебедева: Пер с англ. — М: Мир, 1982. — Кн 2 — 480 е., ил.

27. Василенко Г.И., Цибулькин Л.М. Распознавание изображений голо-графическими методами. — М.: Радио и связь, 1985.

28. Вгееп Т., Butler N. More Applicathions of Uncooled Microbolometer Sen-sors//Ibid. Jule 1998. V. 3436. P. 530-540.

29. Цифровая обработка изображений в информационных системах: Учеб. пособие./ Грузман И.С., Киричук B.C., Косых В.П., Перетягин Г.И., Спектор А.А. — Новосибирск: Изд-во НГТУ, 2002. — 352 е.: ил.

30. Эндрюс Г. Двумерные преобразования // Обработка изображений и цифровая фильтрация / Под ред. Т. Хуанг: Пер. с англ. — М.: Мир, 1979.

31. Pratt W. К., Vector Formulation of Two Dimensional Signal Processing Operations, J. Comput. Graphics Image Proc., 4, No.l, 1-24 (March 1975) (Academic Press, New York).

32. Куприянов М.С., Матюшкин Б.Д. Цифровая обработка сигналов: процессоры, алгоритмы, средства проектирования. — 2-е изд., перераб. и доп. — СПб.: Политехника, 1999. — 592 е.: ил.

33. Прэтт У. Цифровая обработка изображений: / Под ред. к.т.н. Д.С. Лебедева: Пер с англ. — М: Мир, 1982. — Кн 1 — 312 с., ил.

34. Childers D.G., Durling A., Digital Filtering and Signal Processing, West Publishing, St. Paul, Minn., 1975.

35. Ярославский Л.П. Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику. — М.: Радио и связь, 1987. — 296 е.: ил.

36. Тепловизор на основе «смотрящей» матрицы из CD0.2 HGo.s Те формата 128x128. К.О. Болтарь, Л.А. Бовина, Л.Д. Сиганов, В.И. Стафеев, И.С. Гибин, В.М. Малеев, www.vimi/ru/applphys/appl-99/99-2/99-2-6r.htm.

37. Сондхи. Реставрация изображения: устранение пространственно-инвариантных искажений. — ТИИЭР, 1972, т. 60, № 7, С. 108-123.

38. Фриден Б. Улучшение и реставрация изображения. — В кн.: Обработка изображения и цифровая фильтрация. / Под ред. Т. Хуанга. — М.: Мир, 1979.

39. Tsujiuchi J., Correction of Optical Images by Compensation of Aberrations and by Spatial Frequency Filtering, in: Progress in Optics, Vol. 2, Wolf E., Ed., Wiley, NewYork, 1963, pp. 131-180.

40. Pratt W. K., Pseudoinverse Image Restoration Computational Algorithms in Optical Information Processing, Vol. II, Stroke G.W., Nesterikhin Y., Barrekette E. S., Eds., Plenum Press, New York, 1977.

41. Mascarenhas N.D., Pratt W.K., Digital Image Restoration Under a Regression Model, IEEE Trans. Circuits and Systems, CAS-22, 3, pp.252-266 (March 1975).

42. Хелстром К. Статистическая теория обнаружения сигналов. — М.: 1963, ил.

43. Миддлтон Д. Введение в статистическую теорию связи. — М.: Советское радио, т. 1, 1961, т. 2, 1962.

44. Dinneen G.P., Programming Pattern Recognition, Proceedings Western Joint Computer Conference, March 1955, P. 94-100.

45. Graham R. E., Snow-Removal: A Noise-Stripping Process For Picture Signals, IRE Trans. Inf. Theory, IT-8, 1 , 129-144 (February 1962).

46. Rosenfeld A., Park С. M., Strong J. P., Noise Cleaning in Digital Pictures, Proceedings EASCON Convention Record, October 1969, P. 264-273.

47. Nathan R., Spatial Frequency Filtering, in: Picture Processing and Psy-chopictorics, Lipkin B. S., Rosenfeld A., Eds., Academic Press, New York,1970, P. 151-164.

48. Helms H.D., Fast Fourier Transform Method of Computing Difference Equations and Simulating Filters, IEEE Trans. Audio and Electroacoustics, AU-15, 2, 85-90, June 1967.

49. Tukey J.W., Exploratory Data Analysis, Addison-Wesley, Reading, Mass.,1971.

50. Nathan R., Picture Enhancement for the Moon, Mars, and Man, in: Pictorial Pattern Recognition, Cheng G.C., Ed., Thompson, Washington D.C., 1968, P. 239—266.

51. Billingsley F., Applications of Digital Image Processing, Appl. Opt., 9, 2, 289—299 (February 1970).

52. Ketcham D.J., Real Time Image Enhancement Technique, Proceedings SPIE/OSA Conference on Image Processing, Pacific Grove, California, Vol. 74, February 1976, P. 120-125.

53. Holl E.L. et al., A Survey of Preprocessing and Feature Extraction Techniques for Radiographic Images, IEEE Trans. Computers, C-20, 9, 10321044, September, 1971.

54. Andrews H.C., Kruger R.P., Tescher A.G., Image Processing by Digital Computer, IEEE Spectrum, 9,7, 20-32, July 1972.

55. Hall E.L., Almost Uniform Distribution for Computer Image Enhancement IEEE Trans. Computers, C-23, 2, 207-208, February 1974.

56. Базовое программное обеспечение процессора ЫМ6403. №игоМа1пхЫМ6403. Описание языка ассемблера. Научно-технический центр «Модуль». 1999.

57. Каллан Р. Основные концепции нейронных сетей.: Пер. с англ. — М.: Издательский дом «Вильяме», 2001. — 288 е.: ил.

58. Кашкаров В. Описание реализации алгоритма «Преобразование Ада-мара». Программное обеспечение процессора ЫМ6403. Научно-технический центр «Модуль». 1999.

59. Круз П. и др. Основы инфракрасной техники / П. Круз, Л. Макглоумен, Р. Макквистан. — М.: Воениздат, 1964. — 464 с.