CC BY
24имеется возможность создать определенное количество структур компьютерной сети: С1, С2, С3, ..., Ск, где Ск - структура с количеством узлов к и конкретной физической топологией.
Структуры С; отличаются количеством узлов и методом взаимодействия между ними, образуя определенную физическую топологию С¡, I = 1, к [2].
Изготовителями коммутационного оборудования предлагаются решения на базе аппаратно-программных возможностей своих продуктов, которые можно назвать типовыми структурами компьютерной сети: С¡, I = 1, п; п < к.
Производители прикладного программного обеспечения предлагают средства виртуализации, такие как приложения VMWare, созданные на ее основе виртуальные (гостевые) рабочие станции и серверы, виртуальные сети и свитчи. Виртуальные ОС, серверы и свитчи имеют возможность взаимодействовать между собой и с материнскими (хостовыми) операционными системами и физическими компьютерными сетями с помощью встроенных средств коммутации и маршрутизации. Использование разнообразных средств прикладной виртуализации существенно изменяет количество и характер структур компьютерной сети С¡, возможных для реализации.
Таким образом, при дополнительной настройке или администрировании одной и той же структуры Ск компьютерной сети можно получить несколько вариантов Ск структур с иными характеристиками сети, из которых одна является наиболее подходящей по заданному критерию Ск. Однако изменение структурно-функциональной организации компьютерной сети ведёт к улучшению одних показателей эффективности функционирования и к ухудшению других показате-
лей, что довольно сильно осложняет выбор наилучшего варианта организации проектируемой сети, так как показатели эффективности сети являются противоречивыми. При некорректном применении технологии VLAN, использовании различных средств прикладной виртуализации, дополнительной настройке или администрировании одной и той же структуры Ck компьютерной сети с одинаковыми постоянными вложениями можно ухудшить работоспособность сети. Появляется необходимость дополнительных исследований конкретного варианта сети по рациональному использованию программного обеспечения коммутационного оборудования.
Библиографические ссылки
1. Платунова С. Методы проектирования фрагментов сети. СПб. : НИУ ИТМО, 2012. 32 с.
2. Построение коммутируемых компьютерных сетей / Е. В. Смирнова [и др.] / Национальный открытый университет «Интуит». 2016. 101 с.
References
1. Platunova S. Metody proektirovaniya fragmentov seti [Methods of designing the network fragments]. SPb. : NIU ITMO, 2012. 32 p.
2. Postroenie kommutiruemykh komp'yuternykh setey [Construction switched computer networks] / E. V. Smir-nova, I. V. Baskakov, A. V. Proletarskiy, R. A. Fedotov / Natsional'nyy otkrytyy universitet "Intuit". 2016. 101 p.
© Вафиев Е. М., Юленков С. Е., 2016
УДК 004.932
МАТИРОВАНИЕ ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ МЕТОДА БАЙЕСА
О. А. Власова, А. С. Васильева
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: [email protected]
Матирование, получившее широкое применение в профессиональной обработке видео и кинопроизводстве, применяется для замены/модификации фона, цветокоррекции отдельных объектов, а также для преобразования видео в стереоскопический формат. Рассмотрено использование формулы Байеса для матирования изображений.
Ключевые слова: матирование изображений, формула Байеса, алгоритм GrowCut.
IMAGE MATTING USING BAYES METHOD O. A. Vlasova, A. S. Vasil'eva
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]
<Тешетневс^ие чтения. 2016
Matting, widely used in professional video and film production, is used for replacing/modifying the background color of individual objects, and also to convert the videos into stereoscopic format. The article discusses the use of Bayes equation for matting images.
Keywords: image matting, Bayes equation, the GrowCut algorithm.
Матированием называется отделение на изображении объекта переднего плана от фона. При этом для каждого пикселя нужно получить цвет и значение прозрачности. Затем извлеченный объект можно наложить на другой фон или применить к нему какую-либо обработку, например, цветокоррекцию.
Предположим, что исходное изображение C с каналом прозрачности а является смесью изображений F и B, где F - объект переднего плана и B - фон. В каждом пикселе должно удовлетворяться следующее условие:
C = aF + (1 -a) B, (1)
где C, F и B - трехмерные векторы в цветовом пространстве RGB, а именно, C - цвет пикселя исходного изображения, F - цвет пикселя объекта, B - цвет пикселя фона, а - коэффициент смешивания (0 < а < 1).
Задача состоит в получении а, F и иногда B по заданному исходному изображению C. Затем выделенный объект можно наложить на новый фон, используя формулу смешивания (1). Так как рассматриваются только цветные изображения в формате RGB, то C = (r, g, b), F = (Fr, Fg, Fb), B = (Br, Bg, Bb). Исходя из того, что цвета в формате RGB представляются как точки в трехмерном пространстве, смешивание по формуле (1) дает точку на отрезке FB (см. рисунок), делящую этот отрезок в отношении 1 - а : а, считая от точки F [1].
Иллюстрация цветовых распределений объекта/фона в цветовом пространстве RGB
В пикселях неизвестной области задача является сильно недоопределенной, так как для каждого цвета исходного изображения C существует бесконечное число комбинаций цветов объекта и фона. Чтобы сделать ее решаемой, требуется некоторая регуляризация. Для этого большинство современных алгоритмов матирования работают со следующими входными данными:
1. Исходное изображение.
2. Разметка (делается вручную или получается автоматически с помощью других алгоритмов машинного зрения).
3. Известный фон (не обязателен, но некоторые алгоритмы позволяют уточнить результат, задав изображение фона без выделяемого объекта).
Иными словами, алгоритмы матирования получают на вход исходное изображение с разметкой. Обычно используется тернарная разметка - заданная пользователем сегментация изображения на три ре-
гиона: объект переднего плана, фон и неизвестная (переходная) область. Первые две дают некую информацию об объекте, который необходимо извлечь, а последняя определяет регион применения алгоритма. Результатом алгоритма являются слой переднего плана с известным цветом и прозрачностью для каждого пикселя, а также слой фона [2].
Рассмотрим один из основных методов решения задачи - байесовский вывод. В данном методе первым делом обрабатываются пиксели с границ регионов объекта/фона, при этом шаг за шагом сужая неизвестную область. Пиксели, которые были обработаны на предыдущих шагах, учитываются в выборках объекта и фона в дополнение к пикселям из известных областей. В качестве цветовой модели используется множество ориентированных гауссиан. Алгоритм использует схему Байеса для максимизации правдоподобия значений F, B и а. Условная вероятность для F, B и а по наблюдаемому цвету C может быть переписана с помощью формулы Байеса:
P (F, B,a | C) =
= (P(С| F,B,a)P(F)P(B)P(a))/P(C), (2)
где P(C\F,B, a) оценивается через расстояние между C и смесью F и B (т. е. через норму разности левой и правой части в уравнении (1)); P (F) и P (B) оцениваются с помощью плотности гауссиан объекта и фона; P(a) игнорируется; P(C) - константа относительно параметров максимизации [3].
Теперь рассмотрим процедуру создания разметки пользователем. Для этого пользователю предлагается построить бинарную разметку. Для этого используется алгоритм GrowCut. Целью данного шага является построение точной сегментации четких контуров и приближенной сегментации мягких областей. Когда пользователь завершил редактирование разметки, применяется алгоритм байесовского матирования со сглаживанием, описанный ранее.
В данной работе было рассмотрено использование формулы Байеса для матирования изображений. В дальнейшем на основе данного метода планируется разработать приложение для матирования изображений, в котором будут реализованы функции сегментирования исходного изображения и замены фона у вырезаемого объекта.
Библиографические ссылки
1. Синдеев М. Исследование и разработка алгоритмов матирования видеопоследовательности : дис. ... канд. техн. наук : Д002.024.01 : защищена 21.05.2013. М., 2014.
2. Sindeev M., Konushin V., Vezhnevets V. Improvements of Bayesian Matting. Proc. of Graphicon. 2007. Pp. 88-95.
3. Байесовский подход к цифровому матированию / И. Чанг [и др.] // Proc. of IEEECVPR. 2001. С. 264271.
References
1. Sindeev М. Research and development of video matting algorithms: dissertation of Cand. of Techn. Sciences: Council D 002.024.01: defended 21.05.2013.М., 2014.
2. Sindeev M., Konushin V., Vezhnevets V. Improvements of Bayesian Matting. Proc. of Graphicon, 2007, pp. 88-95.
3. Chuang Y., Curless B., Salesin D., Szeliski R. A Bayesian Approach to Digital Matting // Proc. of IEEE CVPR, 2001. P. 264-271.
© Власова О. А., Васильева А. С., 2016
УДК 004.658.2
ИСПОЛЬЗОВАНИЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ДЛЯ СОЗДАНИЯ БАЗЫ ДАННЫХ ПЕЙНТБОЛЬНОГО КЛУБА С ПРИМЕНЕНИЕМ API-ТЕХНОЛОГИЙ
А. Г. Гузенкова, Е. А. Попова
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: [email protected]
Рассмотрены цели создания системы обработки информации для пейнтбольного клуба и информационные технологии, используемые при разработке проекта.
Ключевые слова: пейнтбол, системы обработки информации, технологии API, календарь Google, базы дан-
USING INFORMATION TECHNOLOGY TO CREATE A DATABASE FOR PAINTBALL CLUB
BY USING API TECHNOLOGY
А. G. Guzenkova, E. A. Popova
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]
The article deals with a system of information processing and information technology used for development of the project.
Keywords: paintball, system of information processing, API technology, Google calendar, databases.
Современная жизнь немыслима без эффективного управления. Важной категорией являются системы обработки информации, от которых во многом зависит эффективность работы любого предприятия или организации.
Такие системы особенно необходимы в организациях, имеющих сложную структуру и работающих с большим объемом данных. Примером такой организации является пейнтбольный клуб.
Пейнтбол ( от англ. раШЪаП - шар с краской) это командная игра с применением маркеров, стреляющих шариками с краской, разбивающимися при ударе о препятствие и окрашивающими его [1].
В структуру работы пейнтбольного клуба входит оформление записей на игры, ведение базы клиентов, учёт имеющихся в наличии материалов, составление графика мероприятий. Для быстрой и эффективной работы всей организации необходимо наличие системы обработки информации, одной из главных задач
которой является составление и удобный доступ к графику мероприятия всех сотрудников. Для решения поставленной задачи можно использовать технологии API.
API (Application Programming Interface) - интерфейс прикладного программирования, представляющий собой набор готовых классов, процедур, функций, структур и констант для использования во внешних программных продуктах [2].
Существует огромное количество сервисов, предоставляющих API-решения для разработки программных продуктов. Самый известный на сегодняшний день -это сервис code.google.com, предоставляющий около полусотни разнообразных API. Это и интерфейс для создания Android-приложений, и различные API для работы с AJAX, и различные API-приложения, которые можно легко подстроить под себя.
Одним из таких API является Google Calendar API [3]. Миллионы людей используют календарь Google,
