CC BY
102Решетневскуе чтения. 2014
Проектирование базы данных осуществлялась в несколько этапов [1]:
1. Концептуальное проектирование. На данном этапе были определены все сущности базы и их связи. Построена концептуальная схема данных.
2. Логическое проектирование. Были определены атрибуты сущностей и их домены. Спроектирована логическая схема базы данных.
Физическое проектирование. На основе логической схемы данных спроектировали физическую схему, зависящую от конкретной СУБД, в данном случае PostgreSQL. В результате мы получили базовую функциональную схему.
В разрабатываемом модуле созданы две группы пользователей: для учетных записей сотрудников грантового отдела и для руководителей проектов. Пользователи первой группы имеют полный доступ к функционалу модуля и могут создавать, изменять, удалять все записи. Каждому пользователю второй группы доступна только связанная с ним информация из разделов «рассматриваемые и отклоненные заявки», а также каждый из них имеет доступ к таблице «гранты» и справочнику «конкурсы» и «участники».
Данный проект является модулем, написанным на языке программирования Python. Пользовательские интерфейсы модуля, описывающие меню, действия, представления объектов в различных видах, информационные панели и т. д., содержатся в файлах с разрешением *.XML [2]. Пример интерфейса представлен на рисунке.
Финальным этапом работы является внедрение модуля. Для этого были проведены следующие работы:
1) установка модуля в систему;
2) тестирование;
3) обучение персонала.
После успешной установки модуля произвели проверку работоспособности всех функций системы: ввод данных, появление предупреждающих окон при некорректных действиях, построение и вывод отчетов. Благодаря интуитивно понятному интерфейсу обучение не занимает много времени.
Библиографические ссылки
1. Грейвс Марк. Проектирование баз данных на основе XML : пер. с англ. М. : Вильямс, 2002. 640 с.
2. Лутц М. Изучаем Python : пер. с англ. 4-е изд. СПб. : Символ-Плюс, 2011. 1280 с.
3. OpenERP Book [Электронный ресурс]. URL: https://doc.openerp.com/ (дата обращения: 3.05.2014).
References
1. Mark Graves. Designing XML Databases. Translate from English. М. : Williams, 2002. 640 p.
2. Lutz M. Learning Python, 4th Edition. - Translate from English. SP. : Symbol-Plus, 2011. 1280 с.
3. OpenERP Book [Electronic resource] URL: https://doc.openerp.com/ (address date 3.05.2014)
© Сидора А. А., Финк А. В., 2014
УДК 004.932
СРАВНИТЕЛЬНЫЙ АНАЛИЗ МЕТОДОВ ФИЛЬТРАЦИИ ЗАШУМЛЕННЫХ ИЗОБРАЖЕНИЙ
К. В. Степурко, Е. Г. Абдугалимова
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660014, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: croszeria@mail.ru
Рассмотрено понятие фильтрации и четыре вида фильтров: линейный усредняющий арифметический фильтр, медианный фильтр, фильтр Гаусса и фильтр Kuwahara. Проведен сравнительный анализ фильтров по следующим параметрам: метрика PSNR, метрика MSAD и время работы фильтров. Результаты анализа сведены в таблицу.
Ключевые слова: фильтрация, цифровая обработка изображений, оценка изображения.
THE COMPARATIVE ANALYSIS OF METHODS IN FILTERING NOISY IMAGES
K. V. Stepurko, E. G. Abdugalimova
Siberian State Aerospace University named after academician M. F. Reshetnev 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660014, Russian Federation E-mail: croszeria@mail.ru
The concept offiltering and four types offilters: linear arithmetic averaging filter, median filter, Gaussian filter and Kuwahara's filter are considered. The comparative analysis of filters on following parameters: metric PSNR, metric MSAD and runtime of filters are executed. Analysis results are summarized in the table.
Keywords: filtering, digital image processing, image evaluation.
Цифровые изображения подвержены воздействию чи информации, методов оцифровывания данных. различных типов шумов, которые могут возникать от Процесс устранения различных видов шумов на изо-способа получения изображений, технологий переда- бражениях называется фильтрацией [3].
Программные средства и информационные технологии
Для анализа различных методов фильтрации был разработан программный продукт. В данной программе рассматривались следующие фильтры: линейный усредняющий арифметический фильтр [1], медианный фильтр [3], фильтр Гаусса [2] и фильтр К^аИага [4].
Рассмотрим краткую характеристику каждого из них. В линейном усредняющем арифметическом фильтре вычисляется среднее арифметическое значение в окрестности каждого рассматриваемого пикселя. В медианном фильтре происходит поиск среднего значения в окрестности каждого рассматриваемого пикселя. В фильтре Гаусса используется нормальное распределение (также называемое гауссовым распределением) для вычисления преобразования, применяемого к каждому пикселю изображения. У фильтра К^аИага в окрестности каждого пикселя применяется маска, затем окрестность делится на 4 области. После центральному пикселю присваивается среднее значение интенсивности той области, дисперсия которой наименьшая.
Сводная таблица результатов сравнительного анализа фильтров
Импульсный шум Аддитивный шум Мультипликативный шум
PSNR MSAD PSNR MSAD PSNR MSAD
Линейный усредняю- R = 12,95 R = 33--105 R = 14,35 R = 26-105 R = 14,35 R = 25-105
щий арифметический G = 9,96 G = 44-105 G = 10,59 G = 36-105 G = 10,58 G = 35105
фильтр B = 9,89 B = 43-105 B = 10,52 B = 36-105 B = 10,52 B = 35105
R = 12,91 R = 30105 R = 14,36 R = 23-105 R = 14,36 R = 25-105
Медианный фильтр G = 9,94 G = 40-105 G = 10,60 G = 34-105 G = 10,60 G = 34-105
B = 9,87 B = 39105 B = 10,53 B = 34-105 B = 10,53 B = 34-105
R = 12,81 R = 32-105 R = 14,21 R = 32-105 R = 14,21 R = 27-105
Фильтр Ки^аига G = 9,85 G = 43105 G = 10,50 G = 38105 G = 10,50 G = 38105
B = 9,80 B = 42-105 B = 10,46 B = 37-105 B = 10,45 B = 37-105
R = 12,80 R = 35-105 R = 14,16 R = 28-105 R = 14,16 R = 28-105
Фильтр Гаусса G = 9,83 G = 47-105 G = 10,44 G = 40-105 G = 10,44 G = 40-105
B = 9,78 B = 46105 B = 10,41 B = 39105 B = 10,40 B = 39105
Программа разрабатывалась в среде Embracadero RAD Studio XE на языке Delphi. Для сравнительного анализа выбранных фильтров на изображения [5] были наложены три вида шумов: аддитивный, мультипликативный и импульсный. В качестве параметров сравнения были выбраны: метрика PSNR (peak-to-peak signal-to-noise ratio), метрика MSAD (minimum sum of absolute differences) и время работы фильтра. Результаты сравнительного анализа сведены в таблицу.
При наложении на изображение трех видов шумов среднее время работы фильтров было следующим: линейный усредняющий арифметический фильтр -428,09 мс, медианный фильтр - 977,09 мс, фильтр Kuwahara - 674,96 мс, фильтр Гаусса - 707,08 мс.
Таким образом, лучший результат по быстродействию показал усредняющий фильтр с вычислением среднего арифметического, а при сравнении рассчитанных метрик лучший результат оказался у фильтра Гаусса.
Библиографические ссылки
1. Гонзалес Р., Вудс Р., Эддинс С., Чепыжова В. В. Цифровая обработка изображений. М. : Техносфера, 2006. 1072с.
2. Коробейников А. П. Комплексный метод локализации образов [Электронный ресурс]. URL: http://static.donstu.ru/electron_izd/razdel2.pdf.
3. Стругайло В. В. Обзор методов фильтрации и сегментации цифровых изображений [Электронный ресурс]. М. : Московский автомобильно-дорожный гос. технический университет, 2012. URL: http://technomag.bmstu.ru/en/file/out/505322.
4. Размытие изображения фильтром Kuwahara [Электронный ресурс]. URL: http://habrahabr.ru/post/ 151112/&post = 8089578_943/.
5. Columbia University Image Library (COIL-100) [Электронный ресурс]. URL: http://www1.cs.columbia. edu/CAVE/software/softlib/coil-100.php.
References
1. Rafael C., Gonzalez, Richard E.Woods. Cifrovaja obrabotka izobrazhenij (Digital image processing) Moskow, Tehnosfera, 2006, p 1072.
2. Korobejnikov A.P. Kompleksnyj metod lokalizacii obrazov. Available at: http://static.donstu.ru/ electron_izd/razdel2.pdf (accessed 06 September 2014).
3. Strugajlo V. V. Obzor metodov fil'tracii i segmentacii cifrovyh izobrazhenij, Available at: http://technomag.bmstu.ru/en/file/out/505322 (accessed 06 September 2014).
4. Razmytie izobrazhenija fil'trom Kuwahara. Available at: http://habrahabr.ru/post/151112/&post = 8089578_943/ (accessed 06 September 2014).
5. Columbia University Image Library (C0IL-100), Available at: http://www1.cs.columbia.edu/CAVE/ software/softlib/coil-100.php (accessed 06 September 2014).
© Степурко К. В., Абдугалимова Е. Г., 2014
