УДК 1
Усманова Н.Ф.
магистрант 1 курса кафедры компьютерных технологий Пензенский государственный университет (г. Пенза, Россия)
АНАЛИЗ АЛГОРИТМОВ ОБРАБОТКИ ГРАФИЧЕСКИХ ИЗОБРАЖЕНИЙ
Аннотация: изучаются теоретические понятия цифровой реконструкции изображений. Анализируются методы обработки графических изображений. Приводятся примеры их эффективного использования.
Ключевые слова: нейросетевые алгоритмы, машинное обучение, обработка изображений, цифровая обработка, улучшение изображений.
Алгоритмы обработки изображений - это глобальная тенденция в различных отраслях техники. Сегодня многие области деятельности человека нуждаются в обработке графической информации, которая играет значительную роль в научных, космических, медицинских и промышленных исследованиях. В этом контексте все большее значение приобретают системы, в которых информация представлена в графическом виде.
Обработка изображений находит широкое применение в сфере науки, космоса, медицины, промышленности и других областях деятельности человека. Результатом обработки графической информации является получение воспроизводимого изображения, которое можно использовать для дальнейшей работы [1].
Ключевым фактором успешной обработки изображений являются алгоритмы обработки. Их разработка и совершенствование являются важным направлением в различных отраслях техники.
Несмотря на широкое применение обработки изображений, эта область техники продолжает развиваться и совершенствоваться. Новые алгоритмы и технологии позволяют достигать более точных результатов и улучшать производительность систем обработки изображений.
Примеры систем, в которых используются алгоритмы обработки изображений:
- Системы медицинской диагностики
- Системы видеонаблюдения
- Технические системы контроля и измерения
- Системы виртуальной реальности и дополненной реальности
- Системы автоматического распознавания объектов и образов.
При обработке изображений с помощью ЭВМ, оно часто представляется матрицей или иной дискретной структурой данных. Но мы должны помнить, что изображение - это прежде всего сигнал, передающий информацию наблюдателю. В многих прикладных задачах это является очень важным условием, на которое следует обращать внимание [4].
При обработке изображений следует учитывать следующие важные аспекты:
1. Точность и качество обработки. Чем точнее и качественнее обработка, тем лучше результат.
2. Соответствие операций обработки конкретной задаче. Разные задачи требуют разных методов обработки изображения.
3. Скорость обработки. В некоторых случаях быстродействие является критическим фактором.
4. Обработка на больших данных. Современные методы обработки изображений должны быть способны работать с большими объемами данных.
Известны две основные разновидности обработки изображений: преобразования, не выводящие изображения за пределы соответствующего класса, типа фильтрации и улучшения качества изображения, и преобразования,
переводящие изображения из класса 1 в класс 2, типа сегментации. Однако, существует множество других методов обработки изображений, которые могут быть применены в зависимости от конкретной задачи.
В процессе обработки изображений происходят несколько этапов. Сначала формируется само изображение, которое затем подвергается улучшению. После этого происходит его бинаризация и кодирование. Но что происходит в результате сегментации изображения? Она позволяет выделить границы объектов на изображении, создавая множество пикселей, которые покрывают изображение.
Для описания изображений существует несколько методов. Один из них - вычисление геометрических признаков. Также можно использовать методы случайной выборки или проанализировать гиперспектральную информацию. Однако наиболее эффективный метод - обучение нейронных сетей. В результате описания изображений можно определить параметры элементов изображения и использовать их для продвинутых анализов [3].
В целях получения более подходящего результата в конкретном применении, изображения проходят определенные преобразования. Эти преобразования могут быть выполнены различными способами, но их основная цель - улучшение изображения. Если использование изображения в системах машинного обучения является основной целью улучшения, тогда критерием эффективности обработки является вывод более четких результатов машинного распознавания [2].
Методы улучшения изображений могут быть разделены на две категории: пространственные методы и частотные методы.
Пространственные методы:
- Фильтрация изображения
- Расширение динамического диапазона
- Удаление шума
- Изменение контраста
Частотные методы:
- Преобразования Фурье
- Фильтрация в частотной области
- Вейвлет-анализ
Использование подходящих методов обработки изображений может значительно улучшить их качество и обеспечить более эффективное использование в конкретных приложениях.
СПИСОК ЛИТЕРАТУРЫ:
1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. — М.: Техносфера, 2005. — 1072 с.
2. Ломоносовские чтения - 2018 [Электронный ресурс]: Сборник материалов ежегодной научной конференции (12 апреля 2018 года, г. Севастополь). - Под ред. И.С. Кусова, С.И. Рубцовой, Ю.Л. Ситько и др. - Севастополь: Филиал МГУ в г. Севастополе, 2018. — 248 с.
3. Мясникова Н.В., Берестень М.П. Экстремальная фильтрация и ее приложения //Датчики и системы. 2014. № 4. 8-11 c.
4. Павлидис Т. Алгоритмы машинной графики и обработки изображений. — М.: Радио и связь, 1986. — 400 с.
Usmanova N.F.
Penza State University (Penza, Russia)
ANALYSIS OF GRAPHIC IMAGE PROCESSING ALGORITHMS
Abstract: theoretical concepts of digital image reconstruction are studied. The methods of processing graphic images are analyzed. Examples of their effective use are given.
Keywords: neural network algorithms, machine learning, image processing, digital processing, image enhancement.