WWW.PDF.KNIGI-X.RU
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - Разные материалы
 

«УСТОЙЧИВЫЕ МЕТОДЫ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ ВО ВСТРОЕННЫХ СИСТЕМАХ ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ ИЗМЕРЕНИЙ МЕХАНИЧЕСКИХ ВЕЛИЧИН НА ОБЪЕКТАХ ...»

На правах рукописи

КИРЬЯНОВ КОНСТАНТИН АЛЕКСАНДРОВИЧ

УСТОЙЧИВЫЕ МЕТОДЫ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ

ВО ВСТРОЕННЫХ СИСТЕМАХ ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ

ИЗМЕРЕНИЙ МЕХАНИЧЕСКИХ ВЕЛИЧИН НА ОБЪЕКТАХ

Специальность 05.11.01 – Приборы и методы измерения

(механические величины)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Санкт-Петербург – 2013

Работа выполнена на кафедре Измерительных технологий и компьютерной томографии Санкт-Петербургского национального исследовательского университета информационных технологий, механики и оптики (НИУ ИТМО)

Научный руководитель: доктор технических наук, профессор Сизиков Валерий Сергеевич

Официальные оппоненты: Кирилловский Владимир Константинович доктор технических наук, профессор кафедры Прикладной и компьютерной оптики НИУ ИТМО Остриков Вадим Николаевич кандидат технических наук, доцент, в.н.с. Санкт-Петербургский филиал «Концерн радиостроения "Вега"»

Ведущая организация: Институт аналитического приборостроения РАН

Защита состоится 18 июня 2013 г. в 18 ч. 00 мин. на заседании диссертационного совета Д 212.227.04 при Санкт-Петербургском национальном исследовательском университете информационных технологий, механики и оптики по адресу: 197101, г. Санкт-Петербург, Кронверкский пр., д. 49.



Отзывы (в 2-х экз.) по автореферату, заверенные печатью, просим направлять по адресу университета: 197101, Санкт-Петербург, Кронверкский пр., д. 49, ученому секретарю диссертационного совета Д.212.227.04.

С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского национального исследовательского университета информационных технологий, механики и оптики, адрес: 197101, Санкт-Петербург, Кронверкский пр. 49.

Автореферат разослан 17 мая 2013 г.

Ученый секретарь диссертационного совета Д 212.227.04 кандидат технических наук, доцент Киселев Сергей Степанович

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В технических системах обработки результатов измерений (в цифровых фотоаппаратах, томографах, микроскопах, телескопах и т.д.) при наблюдении и фиксации изображений объектов (технических изделий, людей, природы, самолетов, автомобилей, веществ, вирусов, космических объектов и т.д.) часто имеют место искажения изображений (смазывание из-за движения системы или самого объекта, дефокусирование из-за неправильной установки фокуса, зашумление, дрожание фотообъектива и др.) [10–14]. Их, в принципе, можно устранить техническим путем:

не допускать сдвига фотоаппарата, перемещать фотокамеру слежения в такт движению объекта на конвейере, отрегулировать фокус и т.д. Но это не всегда возможно, например, в случае, когда искаженный снимок нельзя повторить. В этих случаях целесообразно выполнить математическую (компьютерную) обработку изображений с целью их восстановления. Это позволит уточнить такие механические величины, как размеры мелких деталей на объекте, расстояния между близкими деталями, выявить дефекты на изделии, гранулы на металле в процессе плавки, мелкую структуру поверхности объекта и т.д., другими словами, повысить разрешающую способность средств наблюдений (фотоаппаратов, камер слежения и др.).

К настоящему времени разработан ряд методов восстановления искаженных (смазанных, дефокусированных, зашумленных) изображений. Они обычно сводятся к решению интегральных уравнений I рода. Однако задача их решения некорректна (существенно неустойчива). Поэтому для их решения используют устойчивые методы (регуляризации Тихонова, параметрической фильтрации Винера и др.) [10–13, 15].

Обычно тот или иной метод или алгоритм реализуют на универсальном компьютере, чаще всего, на персональном компьютере (ПК, PC). Однако это не всегда целесообразно. В целях миниатюризации, иногда разумнее задачу восстановления изображения решать с помощью специализированного вычислительного устройства (СВУ), интегрированного в систему наблюдения (цифровой фотоаппарат, устройство слежения, томограф, микроскоп, телескоп и т.д.). В этом случае получит практическое воплощение известная редукционная проблема Рэлея о повышении разрешающей способности прибора за счет математической обработки результатов измерений.

Причем, если эта обработка будет выполняться с помощью СВУ небольших размеров, то будет получен новый прибор практически прежних размеров, но с повышенной разрешающей способностью. Повышение же разрешающей способности прибора позволит выделить мелкие детали на изображении, а значит, уточнить микроструктуру и даже состав и концентрацию веществ самого объекта (пациента, микроорганизмов, космических тел), изучаемых с помощью томографов, микроскопов, телескопов и т.д.

Диссертация посвящена дальнейшей разработке методов и алгоритмов восстановления искаженных изображений объектов с целью повышения разрешающей способности средств наблюдений и измерений и, как следствие, повышения точности измерений механических величин (размеров мелких деталей, расстояний между ними и др.) на самих объектах. При этом методы и алгоритмы разработаны применительно к их реализации не только на ПК, но и на цифровых сигнальных процессорах (ЦСП, DSP) встроенных вычислительных систем [16, 17].

Цель диссертационной работы – разработка новых методов восстановления искаженных изображений объектов и их реализация на ПК и ЦСП с целью повышения разрешающей способности измерительных устройств (цифровых фотоаппаратов, систем слежения, микроскопов, телескопов и др.) и, как следствие, повышения точности измерения механических величин (размеров мелких деталей, их взаимных расстояний и т.д.) на самих объектах.

Задачи исследования. Для достижения цели решались следующие задачи:

• Анализ существующих методов восстановления искаженных (смазанных, дефокусированных, зашумленных) изображений.

• Разработка нового устойчивого метода восстановления изображений и повышения разрешающей способности средств наблюдений объектов на основе соединения метода регуляризации Тихонова (и Фридмана) со способом «усечение–размытие».

• Связь разрешения на изображении объекта с разрешением на самом объекте.

• Разработка быстрых адаптивных алгоритмов восстановления изображений с помощью «заготовленных» матриц.

• Разработка программного обеспечения для реализации методов восстановления изображений на ПК и ЦСП и выполнение обработки различных искаженных изображений (прямая и обратная задачи).

• Анализ результатов восстановления изображений на ЦСП и сравнение с восстановлением на ПК.

Методы исследования. В работе использованы методы преобразования Фурье (инверсной и псевдоинверсной фильтрации), квадратур/кубатур, регуляризации Тихонова, параметрической фильтрации Винера, итераций Фридмана, способы количественной и визуальной оценок качества восстановления изображений, подбора значений параметров и др.

Научная новизна работы.

• Разработана усовершенствованная методика моделирования искажений изображений (прямая задача), использующая способ «усечение–размытие».

• Разработана новая методика восстановления искаженных изображений (обратная задача), соединяющая устойчивые методы Тихонова, Винера или Фридмана со способом «размытия» краев изображения, повышающая точность восстановления.

• Разработано два новых быстрых алгоритма восстановления смазанных изображений, например, изображений быстро движущихся целей (самолетов, автомобилей) в режиме реального времени.

• Оригинальная, практически не имеющая аналогов, реализация восстановления смазанных и дефокусированных изображений на аппаратуре встраиваемых систем, а именно, на 32-разрядном ЦСП с фиксированной точкой, позволяющая повысить разрешающую способность устройств наблюдения (цифровых фотоаппаратов, микроскопов, телескопов).

Основные положения, выносимые на защиту.

1. Решение совокупности одномерных интегральных уравнений, а также двумерного интегрального уравнения на ЦСП с фиксированной точкой с использованием сдвиговых операций.





2. Доказательство того, что метод квадратур/кубатур (с регуляризацией) решения ИУ задачи восстановления дает более адекватное математическое описание физического процесса смазывания/дефокусирования, чем метод преобразования Фурье (ПФ).

3. Новый устойчивый метод восстановления изображений и повышения разрешающей способности приборов на основе соединения метода регуляризации Тихонова (а также Фридмана) со способом «усечение–размытие». Способ «усечения» не использует «граничные условия», а способ «размытия» понижает эффект Гиббса.

4. Два новых адаптивных алгоритма быстрого восстановления смазанного изображения на основе квадратур и ПФ с регуляризацией и с использованием «заготовленных» матриц.

5. Встраиваемая система на основе ЦСП, позволяющая повышать разрешающую способностью оптических приборов.

Достоверность научных результатов, полученных в диссертации, подтверждается корректной постановкой задач, адекватным математическим описанием их с помощью интегральных уравнений, использованием устойчивых методов (регуляризации и фильтрации) решения уравнений, реализацией методики на ПК и на ЦСП фирмы Texas Instruments, восстановлением ряда изображений на ПК и ЦСП и сравнением полученных результатов.

Теоретическая и практическая ценность работы заключается в разработке новой методики под названием «регуляризация–фильтрация–усечение–размытие» восстановления искаженных изображений и в применении этой методики в технических системах измерений и обработки информации (в системах слежения и др., состыкованных с ПК или ЦСП). Предложенные в работе устойчивые методы и алгоритмы восстановления искаженных изображений дают возможность повысить разрешающую способность различных устройств наблюдения (цифровых фотоаппаратов, томографов, микроскопов, телескопов и т.д.) путем математической обработки на ПК или ЦСП полученных данных, что позволит более точно измерять мелкие механические детали на объектах (дефекты на технических изделиях, микроструктуру расплавленных металлов, опухоли в организме людей и животных, микрорельеф на небесных телах и др.) и даже уточнять состав веществ.

Реализация работы. Ряд результатов диссертации нашли отражение в учебнике [12] и монографии [13], использовались в лекциях, практических и лабораторных работах со студентами, бакалаврами и магистрантами по дисциплинам «Теория и технология программирования», «Обратные прикладные задачи», «Теория интегральных уравнений», «Математические основы томографии» и др. Результаты диссертации использовались также в работе по гранту РФФИ № 09-08-00034 и в научно-исследовательской работе (НИР) по теме № 39122 «Новые алгоритмы восстановления искаженных изображений в технических системах обработки информации» – это подтверждается актом об использовании результатов диссертационной работы К.А. Кирьянова.

Апробация работы. Основные результаты диссертации докладывались на следующих конференциях: GraphiCon'2010 (СПбГУ ИТМО), VIII и IX Всероссийские межвузовские конференции молодых ученых СПбГУ ИТМО (2011 г., 2012 г.); XL и XLI научная и учебно-методическая конференция СПбГУ ИТМО (2011 г., 2012 г.);

Международные научно-практические конференции «ХХХIX Неделя науки СПбГПУ» и «ХL Неделя науки СПбГПУ» (2010 г. и 2011 г.); 8-я Международная конференция «Телевидение: передача и обработка изображений» (СПбГЭТУ "ЛЭТИ", 2011 г.).

Публикации. По теме диссертации опубликовано 9 печатных работ, 3 из них – в журналах из перечня ВАК.

Структура и объем диссертации. Диссертация состоит из введения, 4 глав, заключения и списка литературы из 92 наименований. Объем работы составляет 180 страниц и 68 рисунков.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы диссертации, сформулированы цель и задачи исследования, основные положения, выносимые на защиту, научная новизна и практическая ценность работы, даны сведения об апробации результатов.

В первой главе излагаются основы обработки искаженных (смазанных, дефокусированных, зашумленных) изображений. Описаны объекты изображений (техническое изделие, человек, текст, природа, планета), системы наблюдений, измерений и обработки (цифровой фотоаппарат, устройство слежения, телескоп, микроскоп, томограф) и типы искажений изображений (смазывание, дефокусирование, зашумление).

Приведены типы изображений (полутоновые, цветные, бинарные), классы чисел в C++ и MatLab (unsigned char, uint8, int, double, BOOL) и соглашение о координатах.

Приведены примеры искаженных реальных изображений (рис. 1 и 2).

–  –  –

Сформулированы прямая и обратная задачи обработки изображений.

Прямая задача – формирование искаженных изображений (прямая задача необходима на стадии отработки методики), а обратная задача – гораздо более сложная задача восстановления истинного изображения по измеренному искаженному изображению. Изображение может быть модельным (фантомом) – в этом случае искажения изображения моделируются с помощью компьютера, а может быть и реальным – в этом случае искажения формируются естественным путем, например, смазывание изображения возникает в результате сдвига фотоаппарата или самого объекта (рис. 1).

Рассмотрим прямую и обратную задачи смазывания изображения. Считаем фотографируемый объект плоским вследствие его удаленности. Пусть объект и фотопленка фотоаппарата (или ПЗС-матрица цифрового фотоаппарата) расположены параллельно апертуре тонкой линзы фотоаппарата по разные стороны от линзы на расстояниях от нее f1 и f 2 соответственно (рис. 3).

Прямая задача. Рассмотрим случай, когда за время экспозиции цифровой фотоаппарат с ПЗС-матрицей выполнил равномерное и прямолинейное смещение (сдвиг) на величину или смещение выполнил объект (например, подвижная цель). Направим ось x (а также ) вдоль смещения (рис. 4).

Изображение на фотопленке будет смазанным вдоль (при целом, т.е. в пкс):

–  –  –

Но значения w j ( n + 1),..., w j ( n + ) неизвестны. Поэтому часто используют так называемые «граничные условия» [10, 11] (рис. 5) или способ доопределения [18].

–  –  –

Разрешение механических величин на объектах. Значению в пкс на изображении соответствует линейный размер l в см на ПЗС-матрице цифрового фотоаппарата. Эти величины связаны соотношением: lсм = пкс p, где p – количество см на расстоянии в 1 пкс, например, p = 0.01 см пкс. А значению l (или ) на ПЗС-матрице и на изображении соответствует линейный размер на объекте r = ( f1 f 2 ) l = ( f1 f 2 ) p см (рис. 3 и 7). Если, например, f1 f 2 = 6.25 (как в микроскопе, рис. 2 и 12), то r1 = ( f1 f 2 ) 1 p 7.5 мм (рис. 2) и r2 = ( f1 f 2 ) 2 p 2.5 мм (рис. 12), т.е. по искаженному снимку разрешаются близкие детали на объекте до 7.5 мм, а по восстановленному изображению – до 2.5 мм, другими словами, обработка изображения повысила разрешение на самом объекте (как и на изображении) в r1 r2 3 раза.

В третьей главе изложены сравнительные особенности обработки изображений на персональных компьютерах (ПК) и на сигнальных процессорах (ЦСП). Сравнена память в ПК (практически нет ограничений на размеры оперативной памяти) и во встроенных системах (объемы памяти, тем более, внутри кристалла ограничены).

Рассмотрены вопросы сравнительной реализации алгоритмов восстановления смазанных изображений на ПК и на ЦСП. В качестве основного инструмента в диссертации выбран язык программирования C/C++. Для работы с изображениями на ПК использована библиотека OpenCV, а для ЦСП написаны соответствующие функции на языке C, позволяющие работать с BMP-изображениями (BMP_Pack, BMP_Unpack).

Предложено два быстрых алгоритма восстановления смазанных изображений.

В первом алгоритме регуляризованное решение (12) записывается в виде (для каждой y-строки изображения):

w y = B g y, где B = ( E + AT A) 1 AT. (21) Здесь B – матрица n ( n + ). Она может быть рассчитана заранее и восстановление изображения сведется к умножению «заготовленной» матрицы B на каждую y-строку изображения g. Для умножения матрицы B размера n ( n + ) на вектор g y длины n + потребуется n ( n + ) умножений (и сложений), а на обработку всего изображения, имеющего m строк, потребуется mn ( n + ) умножений. Например, при m = n = 400 потребуется около 64 млн умножений. Если скорость компьютера порядка 1 млрд оп/с, то восстановление изображения выполнится за 0.1 с. Данный алгоритм в 3–3.5 раза быстрее метода Холецкого [19] решения СЛАУ ( E + AT A)w y = AT g y или w y = ( E + AT A) 1 AT g y, но требует примерно такой же памяти.

Матрица B обычно одинакова для всех y-строк изображения (если сдвиг не зависит от y), но зависит от величины смаза и параметра регуляризации. Величины и априори неизвестны, поэтому нужно заранее рассчитать ряд матриц B для нескольких типичных значений и. Если речь идет, например, о самолете – нарушителе границы, то служба первичного обнаружения цели должна оценить скорость, направление движения и высоту полета самолета и по этим данным служба обработки изображения может оценить и вызвать несколько матриц B с некоторыми типичными значениями и. На несколько экранов могут быть выданы восстановленные изображения w и опытные операторы сделают выбор. На рис. 19 представлен возможный вывод на несколько экранов восстановленных изображений при различных типичных и. Видим, что при = 20, = 10 4 получается вполне удовлетворительное восстановление изображения самолета: из-за смаза на самолете не были видны опознавательные знаки (рис. 15в), а после восстановления алгоритмом «заготовленной» матрицы согласно (21) на самолете стали видны опознавательные знаки.

Восстановление одного кадра на рис. 19 потребовало 1 с машинного времени.

Предложен также второй быстрый алгоритм – на основе ПФ с регуляризацией:

H * ( ) w y ( ) = R ( x ) g y ( x ) dx, где R ( ) = e i d. (22) H ( ) + 2 p Этот алгоритм заключается в том, что заранее вычисляется вектор R (теплицева матрица в случае дискретизации соотношений (22)) при некотором типичном (а также p) и оцененном. Восстановление изображения сведется к вычислению w () для каждого y путем умножения R на g y. Данный алгоритм сравнивался с решением ИУ (4) методом БПФ с регуляризацией Тихонова согласно (7)–(8) [20]. Сравнение показало, что алгоритм (22) требует в 1.5 раза меньше памяти, но медленнее метода БПФ, хотя проще него.

Сравнение алгоритмов (21) и (22) показывает, что затраты машинного времени на их реализацию (когда матрицы B и R рассчитаны) – одного порядка. При этом R требует для своего хранения существенно меньше машинной памяти, чем B, так как R – теплицева (разностная) матрица, хранимая в памяти в виде вектора.

Однако R-алгоритм, связанный с ПФ, как уже подчеркивалось, порождает эффект Гиббса в большей степени, чем B-алгоритм. Поэтому на практике предпочтение может быть отдано одному из этих алгоритмов в зависимости от того, что важнее: скорость реализации, требуемая память, качество восстановления и т.д.

Рис. 19. Возможный вывод на несколько экранов восстановленных изображений самолета

В дополнение к гл. 2 рассмотрены также вопросы реализации задачи восстановления дефокусированных изображений. Рассмотрена задача дефокусирования, описываемая 2-мерным ИУ Фредгольма I рода (5). В качестве ФРТ рассматривались пространственно-инвариантные (разностные) функции:

h ( x, y ) = 1, x 2 + y 2, (23) 0, иначе, h ( x, y ) = (1 2 2 ) e ( x + y ) 2, (24) где ФРТ (23) – это ФРТ в виде однородного круга радиуса (простейший случай), а ФРТ (24) – ФРТ в виде 2-мерной гауссианы (более реальный случай), причем 2 – дисперсия (чем больше 2, тем шире ФРТ и тем сильнее дефокусирование).

В задаче дефокусирования был использован алгоритм 2-мерного БПФ [21]. Кратко проанализированы особенности реализации 2-мерного БПФ на ПК и ЦСП.

Однако, как уже отмечено в гл. 2, преобразование Фурье недостаточно адекватно описывает физическую природу процесса дефокусирования изображения. Поэтому реализован также более адекватный метод итераций Фридмана согласно (18).

Изложены особенности реализации исследуемых алгоритмов во встроенных системах. Основные причины применения встроенных вычислительных систем и реализации алгоритмов на них – малая потребляемая мощность, малые размеры, сравнительно высокое быстродействие при повторяющихся операциях типа MAC. На персональной ЭВМ выполняющийся алгоритм занимает часть вычислительной мощности, а на ЦСП алгоритм выполняется на всех имеющихся ресурсах. Даны общие сведения из области построения программного обеспечения (ПО) для встроенных систем. Для задач, рассматриваемых в диссертации, важно, чтобы для их решения хватило памяти.

Дана общая характеристика процессоров семейства TI C6000. Это семейство характеризуется наивысшей производительностью из всей номенклатуры процессоров, предоставляемых фирмой TI, что наиболее важно при обработке изображений.

Был проведен анализ ресурсов ЦСП Texas Instruments с плавающей точкой C67x+ и с фиксированной точкой C64x+. Наиболее мощным из имеющихся ЦСП C67x+ является C6748 – он работает на частоте до 450МГц и имеет 388кбайт внутреннего ОЗУ.

А, например, процессор C6457 работает на частотах 8501200МГц в зависимости от исполнения (850МГц, 1ГГц и 1.2ГГц), и имеет объем внутреннего ОЗУ 2048кбайт, но это ЦСП с фиксированной точкой. Таким образом, из имеющихся ЦСП, для решения поставленных задач был выбран ЦСП TMS320C6457, как наиболее подходящий по быстродействию и наибольшему объему памяти внутри кристалла из всех имеющихся на тот момент. Для исследований был заказан отладочный модуль на базе этого ЦСП (оценочный модуль TMDSEVM6457L).

На рис. 20 представлена архитектура микропроцессора TMS320C6457.

Рис. 20. Архитектура микропроцессора TMS320C6457 Проанализированы особенности реализации алгоритмов на ЦСП. Основная особенность (и трудность) – выполнение операций с плавающей точкой на ЦСП с фиксированной точкой. Для этих целей существует библиотека IQMath, адаптированная для ЦСП C64x+, использованная в диссертации. В IQMath используется обычное 32разрядное целое число и в него вводится «виртуальная точка». ЦСП выполняет вычисления обычно с фиксированной точкой, но пользователь интерпретирует их подругому. В этой библиотеке принято за Q обозначение количества разрядов, отводимых под дробную часть. А та часть операнда, что находится левее точки, отводится под целочисленную часть операнда. Итак, с частичным применением такого подхода и конкретно этой библиотеки были реализованы некоторые исследуемые алгоритмы. Например, прямая задача моделирования как смазывания, так и дефокусирования надежно реализуется с применением библиотеки IQMath при Q = 16. В обратной задаче каждый случай требует более детального рассмотрения. Существуют ситуации, когда обработка с помощью такого представления чисел не годится вообще (например, методы с использованием 2-мерного ПФ).

В четвертой главе изложена реализация алгоритмов восстановления изображений на ЦСП. В главе подробно излагается особенность реализации исследуемых алгоритмов на процессоре с фиксированной точкой, применения библиотеки IQMath и ограничений на ее применение.

При реализации алгоритмов на ЦСП в процессе выполнении вычислений выяснилось, что для обеспечения требуемой точности при решении обратных задач не всегда достаточно для операнда 32 разрядов. В связи с этим, для каждого алгоритма потребовалось провести исследование принципиальной возможности реализации алгоритма на архитектуре с фиксированной точкой и «положения точки» в разрядном слове, чтобы обеспечить требуемую точность при обработке операнда, учитывая его дробную часть (количество разрядов после точки), и в то же время чтобы не происходило переполнение при обработке его целочисленной части.

Поскольку почти все операнды в вычислениях требуют учета знака, переполнением можно считать, когда при увеличении значения операнда (его целочисленной части) происходит изменение знакового разряда. Поэтому при вычислениях на значение операнда отводится не 32 а 31 разряд, старший (31-й при отсчете от 0) разряд при этом отводится под знак числа.

Результаты исследований показали принципиальную возможность реализации почти всех исследуемых методов, не прибегая к плавающей точке, за исключением тех, которые связаны с решением двумерных ИУ с использованием двумерного ПФ, а именно метода параметрической фильтрации Винера и регуляризации Тихонова для случая решения обратной задачи устранения дефокусирования.

Реализация метода квадратур с регуляризацией Тихонова в обратной задаче восстановления смазанного изображения на ЦСП показала, что для достижения требуемой точности необходимо количество разрядов под дробную часть Q = 1921. При этом результаты вычислений получились сопоставимыми с результатами на ПК.

В методе ПФ с регуляризацией Тихонова в обратной задаче устранения смазывания применение IQMath было лишь частичным. В решении этой задачи как прямое, так и обратное БПФ реализовано в целых числах, как было предложено в библиотеке dsplib, поставляемой фирмой Texas Instruments. При вычислении, в первую очередь, «поворачивающих коэффициентов» в БПФ с использованием функций _IQsin() и _IQcos() при тестировании результатов выявилось, что они не всегда достоверны. Поэтому при вычислении БПФ пришлось отказаться от использования IQMath. Вычисление БПФ осуществлялось в целых числах с предварительным сдвигом влево для данных каждой точки для всего вектора. При реализации этого метода, IQMath применялось лишь при вычислении регуляризованного спектра, для которого под дробную часть требуется отводить 913 разрядов (Q = 913). При невыполнении этих условий погрешность восстановления существенно возрастает [22]. Данные из_iq формата в int и обратно, преобразуются без потерь, поскольку _iq формат – это ни что иное, как 32-разрядное целое (int).

При решении двумерной задачи наименее требовательным к выбору положения точки является метод Фридмана, поскольку в основе этого метода лежат вычисления согласно (18), где вычисление интеграла – ни что иное, как прямая задача, выполняющаяся каждую итерацию, и затем остальные вычисления – согласно формуле. В этом методе все выполняемые операции по отдельности устойчивы, но поскольку сама задача является некорректной, то процесс обычно расходится, начиная с некоторого количества итераций, поэтому в качестве параметра регуляризации выступает количество итераций. В методе Фридмана достаточно отводить Q = 16 разрядов под дробную часть и можно выбирать положение точки, отводя 1418 разрядов под нее.

Для метода ПФ с регуляризацией Тихонова для двумерной задачи реализация на фиксированной точке не подходит. Этот метод можно реализовать лишь для плавающей точки, что и было сделано на языке C лишь на ПК.

В качестве в ы в о д а можно сказать следующее. Если для одномерной обратной задачи (смазывание) еще допустима реализация с учетом архитектуры с фиксированной точкой и допустимо применение библиотеки IQMath, интерпретация дробных чисел как целочисленных, хотя бы для части вычислений метода, то для двумерной обратной задачи (дефокусирование) невозможно обойтись без использования плавающей точки из-за слишком широкого динамического диапазона данных двумерного БПФ. Эту задачу можно решить лишь с помощью эмуляции плавающей точки.

На рис. 21 приведен результат обработки на ЦСП смазанного изображения, а на рис. 24 – дефокусированного изображения.

На рис. 22 и 23 приведены графики зависимостей точности восстановления смазанных изображений методом квадратур (рис. 22) и методом ПФ с регуляризацией Тихонова (рис. 23).

–  –  –

Рис. 21 и 24 показывают, что можно восстановить смазанное и дефокусированное изображения с приемлемой точностью на ЦСП с фиксированной точкой, если выполнить соответствующие условия достижения точности вычислений, необходимые при реализации соответствующего метода.

–  –  –

Проблемы при реализации в целых числах с использованием сдвиговых операций возникают лишь при использовании методов, использующих двумерное ПФ. Для этих методов предпочтительнее не использовать процессор с фиксированной точкой.

Недавно компанией Texas Instruments приняты к производству процессоры серии C66x (fixed and float point), полностью подходящие для реализации исследуемых задач. Наиболее подходящим является процессор TMS320C6657.

Для реализации исследуемых методов разрядность процессора предпочтительно иметь не ниже 32, так как при других количествах (16 или 8) реализация крайне затруднена, и это будет сопровождаться чрезмерно высоким временем для выполнения задачи восстановления процессором. В этом случае подход к реализации в целых числах будет еще более затруднен из-за малой разрядности ЦСП. Как вывод по работе можно сделать, что наиболее быстрыми (за исключением использования заранее заготовленных матриц) являются все-же методы, использующие ПФ, а конкретнее БПФ. Алгебраические методы хоть и хороши более адекватным описанием природы искажения – не являются быстрыми. Например, обращение матрицы размерностью 600x600 по методу Гаусса-Жордана требует около 1.5 мин. Времени для восстановления. Метод Фридмана для восстановления дефокусирования при 40 итерациях требует около 20 мин. Тогда как восстановление смазывания с использованием БПФ требует всего 3 сек. Эти цифры получены при отключенной оптимизации кода в Code Composer Studio v4.2.0. Метод ПФ с регуляризацией Тихонова для дефокусирования на ПК в среде Visual Studio 2010 при реализации на C без использования типа double требует всего лишь 2 сек.

для восстановления изображения. При введении дополнительной оптимизации кода компилятором, методы использующие БПФ значительно более близки к восстановлению в реальном времени, чем алгебраические методы. Поэтому, в качестве вывода можно сказать, что выбор метода требует более детального рассмотрения в зависимости от задачи и ситуации, что предпочтительнее: более высокая точность восстановления или более высокое быстродействие. Для восстановления дефокусирования, при более глубоком его уровне, лучше работает метод ПФ с регуляризацией Тихонова, чем метод Фридмана (ср. рис. 24в и рис. 24г).

Заключение содержит основные выводы и результаты работы:

1. Разработана методика восстановления смазанных изображений путем решения множества одномерных интегральных уравнений, а дефокусированных изображений

– путем решения двумерного уравнения на ЦСП с фиксированной точкой в целых числах с использованием сдвиговых операций.

2. Показано, что вместо преобразования Фурье (ПФ) с регуляризацией предпочтительнее использовать способ квадратур/кубатур, как более адекватный способ математического описания физического процесса смазывания/дефокусирования изображений, что понижает погрешность восстановления до 2–3 раз (ср. рис. 9 и 11).

3. Разработан новый устойчивый метод восстановления изображений и повышения разрешающей способности средств наблюдений объектов на основе соединения метода регуляризации Тихонова (или Фридмана) со способом «усечение–размытие».

Данный способ не использует «граничные условия» и снижает эффект Гиббса (ср.

рис. 1, 9–11).

4. Разработано два новых адаптивных алгоритма быстрого восстановления смазанных изображений на основе метода квадратур и метода ПФ (оба с регуляризацией) с помощью использования заранее рассчитанных («заготовленных») матриц. Эти алгоритмы позволяют восстанавливать изображения быстродвижущихся целей (самолетов, автомобилей и т.д.) в пределах 1 сек.

5. Исследован адаптивный алгоритм фильтрации шумов на смазанных/дефокусированных изображениях, выполняющий предшествующую или последующую фильтрацию шума в зависимости от ситуации. Погрешность восстановления может отличаться до 2–3 раз в зависимости от очередности фильтрации шума (рис. 15, 16).

6. Создана встраиваемая микропроцессорная система на базе ЦСП, позволяющая повысить разрешающую способность приборов примерно в 3 раза.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях из перечня ВАК:

1. Кирьянов К.А., Сизиков В.С. Применение сигнальных микропроцессоров в задачах реконструкции искаженных изображений // Изв. вузов. Приборостроение. 2011.

Т. 54. № 7. С. 20–26.

2. Кирьянов К.А., Сизиков В.С. Программирование задач восстановления искаженных изображений на C/C++ в сигнальных микропроцессорах фирмы Texas Instruments // Научно-техн. вестник ИТМО. 2012. № 6(82). С. 77–81.

3. Сизиков В.С., Кирьянов К.А. Два быстрых алгоритма восстановления смазанных изображений // Изв. вузов. Приборостроение. 2013. Т. 56. № 10.

Публикации в других изданиях:

4. Кирьянов К.А. Инструментальная реализация алгоритмов реконструкции искаженных изображений // Труды 20-й Международной конференции "GraphiCon'2010".

– СПб.: Изд-во СПбГУ ИТМО. 2010. С. 188–191.

5. Кирьянов К.А., Сизиков В.С. Программно-аппаратная реализация алгоритмов реконструкции искаженных изображений // Материалы Междунар. конф. "XXXIX Неделя науки СПбГПУ". Ч. XIII. – СПб.: Изд-во СПбГПУ. 2010. С. 214–216.

6. Кирьянов К.А., Сизиков В.С. Разработка программного обеспечения на C/C++ для восстановления искаженных изображений с помощью сигнальных процессоров // Материалы Междунар. конф. "XL Неделя науки СПбГПУ". Ч. XIII. – СПб.: Изд-во СПбГПУ. 2011. С. 291–293.

7. Кирьянов К.А. Алгоритмы восстановления смазанных, дефокусированных и зашумленных изображений и особенности их аппаратной реализации на сигнальных микропроцессорах // Труды 8-й Междунар. конф. "Телевидение: передача и обработка изображений". – СПб.: Изд-во СПбГЭТУ "ЛЭТИ". 2011. С. 105–110.

8. Кирьянов К.А. Адаптация алгоритмов восстановления смазанных и дефокусированных изображений для их реализации в модулях на базе микропроцессоров TMS320C64++ // Сб. тез. докл. VIII Всероссийской межвузовской конференции молодых ученых. Вып. 1. – СПб.: СПбГУ ИТМО. 2011. С. 85–87.

9. Кирьянов К.А. Особенности программирования задач восстановления искаженных изображений на языке C++ для DSP Texas Instruments // Сб. тез. докл. I Всероссийского конгресса молодых ученых. Вып. 2. – СПб.: НИУ ИТМО. 2012. С. 210–212.

Список цитированной литературы:

10. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2006.

1072 с.

11. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. – М.: Техносфера, 2006. 616 с.

12. Сизиков В.С. Обратные прикладные задачи и MatLab. – СПб.: Лань, 2011. 256 с.

13. Сизиков В.С. Интегральные уравнения и MatLab в задачах томографии, иконики и спектроскопии. – СПб.-Saarbrucken: LAP, 2011. 252 с.

14. Воскобойников Ю.Е., Литасов В.А. Устойчивый алгоритм восстановления изображения при неточно заданной аппаратной функции // Автометрия. 2006. Т. 43. № 6.

С. 3–15.

15. Верлань А.Ф., Сизиков В.С. Интегральные уравнения: методы, алгоритмы, программы. – Киев: Наук. думка, 1986. 544 с.

16. Витязев В.В., Витязев С.В. Цифровые процессоры обработки сигналов TMS320C67x компании TEXAS INSTRUMENTS: Уч. пособие. – Рязань.: Изд-во РГРТУ. 2007. 112 с.

17. Кухарев Г.А., Тропченко А.Ю., Шмерко В.П. Систолические процессоры для обработки сигналов. – Минск: Беларусь. 1988. 127 с.

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

19. Уилкинсон, Райнш. Справочник алгоритмов на языке АЛГОЛ. Линейная алгебра. – М.: Машиностроение. 1976. 389 с.

20. Арефьева М.В., Сысоев А.Ф. Быстрые регуляризирующие алгоритмы цифрового восстановления изображений // Вычисл. методы и программирование. 1983. Вып. 39.

С. 40–55.

21. Рабинер Л., Гоулд Б. Теория и применение цифровой обработки сигналов. – М.:

Мир. 1978. 835 с.

22. Грешилов А.А. Некорректные задачи цифровой обработки информации и сигналов. – М.: Логос 2009. 358 с.

_________________________________________________________________________

Корректор Сизиков В.С.

Тиражирование и брошюровка выполнены в учреждении «Университетские телекоммуникации»

197101, Санкт-Петербург, Саблинская ул., 14 Тел. (812) 233 46 69. Объем 1,0 у.п.л.

Похожие работы:

«Гзирян В.С. Оренбургский государственный педагогический университет КОМПЛЕКСНЫЙ ПОДХОД К РЕАБИЛИТАЦИИ ИНВАЛИДОВ ИЗ ЧИСЛА УЧАСТНИКОВ БОЕВЫХ ДЕЙСТВИЙ В ОРЕНБУРГСКОЙ ОБЛАСТИ Комплексная реабилитация инвалидов из числа участников боевых действий...»

«АННОТАЦИЯ РАБОЧЕЙ ПРОГРАММЫ ДИСЦИПЛИНЫ Шифр, наименование дисБ1.В.ОД.4 Социология циплины Направление 15.03.03 Прикладная механика подготовки/специализация Наименование ОПОП Математическое и компьютерное моделирование ме...»

«ТЕМА НОМЕРА: ПРИЧИНЫ И МЕХАНИЗМЫ ПРОТЕСТНОГО ДВИЖЕНИЯ УДК 323.22(470+571):316 И. А. Фомин СИСТЕМНЫЙ КРИЗИС ТРЕБУЕТ СИСТЕМНЫХ МЕТОДОВ ИЗУЧЕНИЯ ФОМИН Иван Александрович директор Издательской и консалтинговой группы Праксис, шеф-редактор Журнала современной философии Сократ. E-mail: ivanfomin1@gmail.com. Изучать...»

«Федеральное государственное бюджетное учреждение науки Государственная публичная научно-техническая библиотека Сибирского отделения Российской академии наук Томская универсальная научная библиотека им. А. С. Пушкина Десятые Макушинские чтения Материалы науч...»

«МИНИСТЕРСТВО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ СИБИРСКОЕ ОТДЕЛЕНИЕ РОССИЙСКОЙ АКАДЕМИИ НАУК НОВОСИБИРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ МАТЕРИАЛЫ XLII МЕЖДУНАРОДНОЙ НАУЧНОЙ СТУДЕНЧЕСКОЙ КОНФЕРЕНЦИИ «Студент и научно-технический прогресс» ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ Новосибирск УДК 008 ББК Ш04-05+ЕЗ(5) Материалы ХLII Междунар...»

«Институт Государственного управления, Главный редактор д.э.н., профессор К.А. Кирсанов тел. для справок: +7 (925) 853-04-57 (с 1100 – до 1800) права и инновационных технологий (ИГУПИТ) Опубликовать статью в журнале http://publ.naukovedenie.ru Интернет-журнал «Н...»

«ДЬЯКОНЕНКО Анна Николаевна ФОРМИРОВАНИЕ ПОТРЕБИТЕЛЬСКИХ СВОЙСТВ ПРОДОВОЛЬСТВЕННЫХ ТОВАРОВ, СОДЕРЖАЩИХ ЯЙЦЕПРОДУКТЫ, ПОЛУЧЕННЫЕ ПУТЕМ ГЛУБОКОЙ ПЕРЕРБОТКИ КУРИНОГО ЯЙЦА Специальность: 05.18.15 – «Технология и товароведение пищевых продуктов и функционального и специ...»

«ISSN 2224-5278 АЗАСТАН РЕСПУБЛИКАСЫ ЛТТЫ ЫЛЫМ АКАДЕМИЯСЫНЫ ХАБАРЛАРЫ ИЗВЕСТИЯ NEWS НАЦИОНАЛЬНОЙ АКАДЕМИИ НАУК OF THE ACADEMY OF SCIENCES РЕСПУБЛИКИ КАЗАХСТАН OF THE REPUBLIC OF KAZAKHSTAN ГЕОЛОГИЯ...»

«IQAA отчет по внешнему визиту (аудиту) СОСТАВ ВНЕШНЕЙ ЭКСПЕРТНОЙ ГРУППЫ Иляхин Сергей Васильевич руководитель группы, международный эксперт д.т.н., профессор кафедры горное дело им. Н.И.Куличихина Российского государственного геологоразведочного университета им. Серго Орджоникидзе Долгоносов Виктор Николае...»










 
2017 www.pdf.knigi-x.ru - «Бесплатная электронная библиотека - разные матриалы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.