АНАЛИЗ МЕТОДОВ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.932.72

Кармазин С. О. студент магистратуры кафедра информатики и информационных технологий научный руководитель: Линник И.И., к.техн.н.

доцент

Крымский федеральный университет имени В.И. Вернадского

Россия, г. Ялта АНАЛИЗ МЕТОДОВ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ

ИЗОБРАЖЕНИЙ

Аннотация: В рамках представленной статьи проанализированы ключевые аспекты, касаемо проблематики методов предварительной обработки изображений в современных условиях.

Ключевые слова: шифрование, обработка, методы, цифровые изображения, шум, фильтр.

Karmazin S.O. graduate student

department of Informatics and Information Technologies

Scientific adviser: Linnik I.I. cand. of tech. sciences, assistant professor crimean federal university V.I. Vernadsky

Yalta

ANALYSIS OF THE METHODS OF PRELIMINARY PROCESSING

OF IMAGES

Abstract: Within the framework of the presented article, key aspects regarding the problems of image pre-processing methods in modern conditions are analyzed.

Keywords: encryption, processing, methods, digital images, noise, filter.

Цифровые изображения подвержены воздействию различных типов шумов, которые могут возникать по самым различным причинам, от климатических особенностей, до искусственных источников шума. Фильтрацию называют процессом избавления от всевозможных типов шумов при работе с изображениями. Во время проведения фильтрации заменяют исходные цветовые характеристики изображения на другие, которые в результате изменят цифровое изображение так, чтобы в нем было меньше помех.

Основные методами фильтрации называют пространственными и частотными. Для того чтобы выполнить фильтрацию изображения частотными методами используют преобразование Фурье, цель которого состоит в том, чтобы исходная функция была описана как сумма тригонометрических функций с разными частотами, которые умножаются на назначенные коэффициенты. Самая важная особенность функции, к которой применяют преобразование Фурье, заключается в том, что при завершении

всех необходимых изменений ее снова возможно возвратить к первоначальному виду.

То есть, частотные методы позволяют выполнить все необходимые действия с функцией, и при этом вернуть ей исходный вид без каких-либо потерь информации. Пространственные методы обработки изображений могут выполняться на практике, как и частотные. Такие методы шифрования изображений представляют в виде двумерных матриц и применяют к растровой графике. Главной особенностью пространственных методов является использование особых операторов ко всем координатам первоначального изображения. Такие операторы именуют масками, и они представляют собой различные матрицы. Чаще всего маску можно представить, как двумерный массив малого размера. Обработкой или фильтрацией по маске именуют методы, основывающиеся на данном подходе.

Отклик маски, во время выполнения линейной обработки, указывается суммой произведений всех пикселей, которые находятся в рабочей зоне фильтра. Выходным значением усредняющего фильтра, который используется в качестве линейного сглаживающего фильтра, является среднее значение по окрестности маски фильтра. Такой фильтр обычно применяют при устранении зернистости на изображении, которая появляется из-за импульсного шума. Основная формула отклика д(х,у) фильтра маски, который служит для обработки изображения / с величинами т. • п представлена на формуле :

= Ь (т-1) Л _(п-1) с(1+з),(]'+г), (1)

= 2 =2

где - элемент матрицы изображения по завершению обработки;

wst - элемент массива ядра свертки изображения, имеющий размеры т • п;

БЦ - элемент матрицы первоначального изображения.

Нелинейные пространственные фильтры функционируют схожим образом, если сравнивать их с линейными фильтрами. Процессы, которые исполняет нелинейный фильтр, обусловливаются значениями элементов матрицы изображения, находящимися в изучаемой области. Операции нелинейного фильтра обычно состоят в расчете медианы значений элементов изображения, изучаемой области.

При медианной обработке величины пикселей являются усредненными величинами точек подходящей области. Нередко бывает, что во время выполнения заданий по избавлению от шума медианный фильтр показывает себя куда более полезным, чем стандартный поиск средних значений, из-за того, что показатель искривления границ выбранных объектов намного

меньше. Формулой двуме в^] = те<1

шльтра:

■Л,)=12, (2)

ного медианного ф

где - элемент матрицы изображения по завершению обработки; Жя, ^ - элемент массива апертуры изображения, имеющий размеры т.

п;

Ei,j - элемент матрицы первоначального изображения. Винеровский фильтр представляет собой один из видов линейного фильтра для адаптивного локального шифрования изображений. Если значение среднеквадратичного отклонения интенсивностей пикселей в определенной зоне является высоким, то фильтр выполнит сглаживание и если отклонение будет меньше, то зона сглаживания станет побольше.

Данный метод может быть эффективнее, чем обыкновенная линейная обработка. Основное превосходство такого фильтра состоит в том, что он точнее обрабатывает границы и области изображения с высокой частотой. Но при этом, вычислений, сделанные данным фильтром, займут больший промежуток времени.

В программе действий винеровской обработки заложено, что для всех изменяющихся координат окна маски будут с нуля рассчитываться значения, которые им соответствуют, а сглаживание шума измеряется посредством среднего квадратичного отклонения.

Таким образом, для импульсных шумов наиболее подходящим фильтром считается медианный, из-за того, что он хорошо сохраняет граничные области элементов и при этом отличается быстрой скоростью работы. Чтобы наиболее эффективно устранить белый шум, не смотря на то что он проигрывает в быстродействии, обычно используют адаптивный винеровский фильтр.

Использованные источники:

1. Роджерс Д. Ф. Алгоритмические основы машинной графики. М. Мир. 2012.

2. Дуда P., Харт П. Распознавание образов и анализ сцен. - М.: Мир. - 1976. - 512с.

3. Обработка сигналов и изображений [Электронный ресурс]. URL: http://matlab.exponenta.ru/imageprocess/book2/31.php (дата обращения 26.04.2016).

4. Chellapa R., Kashyap R. L, Manjunath B.S. Model based texture segmentation and classification.//Handbook of pattern recognition and computer vision. 2013. Р. 154-173.