Цифровые фильтры цветности в задачах обработки видеоизображений Текст научной статьи по специальности «Прочие технологии»

УДК 615.471.03:616-072/073

Р. Е. Быков, д-р техн. наук, профессор,

Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»

Цифровые фильтры цветности в задачах обработки видеоизображений

Ключевые слова: цифровые фильтры, обработка видеоизображений, цветность, цветокоррекция, биотехнические видеосистемы

Рассмотрены теоретические основы построения цифровых фильтров цветности и методы цифровой фильтрации сигналов изображений по цвету и цветности. Применение и эффективность методов цифровой фильтрации по цветности иллюстрируется примерами обработки и анализа медицинских, биологических и экологических изображений (цветокоррекция, совмещение фрагментов спектрозональных изображений и др.). Показана возможность повышения эффективности фильтров цветности в видеосистемах за счет использования информации о цветовом охвате изображения.

Введение

Проблема повышения качества телевизионного изображения относится к числу важнейших, определяющих одно из направлений создания современных цифровых видеосистем различного назначения. В этой области проведены многочисленные фундаментальные исследования и прикладные работы, в частности, при разработке современных биотехнических систем. При проектировании телевизионных систем, на выходе которых формируется изображение, предназначенное для наблюдения глазом, как правило, стремятся к обеспечению «физиологически точного» воспроизведения изображения [1]. Практически физиологически точное воспроизведение на телевизионном экране недостижимо из-за ряда технических особенностей современных устройств формирования телевизионного изображения — ограниченного динамического диапазона воспроизводимых яркостей и цвета, изменения масштаба изображения в процессе работы системы, неизбежного влияния условий наблюдения изображения и др. Вместе с этим в процессе работы часто изменяют это условие в целях обеспечения требуемого эффекта (диагностические системы медицинского назначения, системы обнаружения и количественного анализа сцен и др.). Поэтому, определяя качество телевизионного изображения, часто оценивают отдельные его параметры (качество цветопередачи, четкость, воспроизведение градаций и др.).

В качестве главной помехи часто выступают искажения цветопередачи. Отметим, что «психологически точное» воспроизведение цветного изображения, допускающее существенные цветовые искажения, во многих приложениях, таких как системы видеонаблюдения, вещательные телевизионные системы и др., вполне удовлетворяет пользователя. К особым случаям формирования цветного телевизионного изображения относятся цветовые спецэффекты, основанные на эвристическом управлении цветом. Вместе с этим во многих применениях телевизионных систем, таких как диагностические медицинские, системы обнаружения, анализа и распознавания, к цветопередаче и возможностям ее коррекции или направленного изменения предъявляются высокие требования.

Цвет (colour) и цветность (chromaticity) относятся к характеристикам оптических изображений (в телевидении — входного и выходного). Эти характеристики определяются правилами колориметрии и подлежат измерению, фильтрации и другой прямой обработке в оптическом диапазоне спектра. Они играют существенную роль в общей количественной оценке качества изображения. Вместе с этим в телевидении при формировании, обработке, передаче цифрового сигнала изображения и его преобразовании можно реализовать процедуры обработки, которые влияют именно на цвет или цветность элементов выходного изображения. В этом смысле можно рассматривать процедуру фильтрации цифрового сигнала по цвету или цветности.

Методы цифровой фильтрации по цвету и цветности

Цифровая фильтрация широко используется при обработке статических и видеоизображений [2]. К такой обработке можно отнести цветокоррекцию, хроматическую рирпроекцию и другие преобразования цифровых сигналов изображения, направленные на изменение цветопередачи.

Как известно, в колориметрии, как и при спект-розональной регистрации изображений, формирование цветовых пространств основано на том, что для каждой функции W(k), отражающей спектраль-

ный состав излучения, с помощью фиксированной непрерывной финитной функции £у(Х) можно найти число ту, принадлежащее множеству М:

т.} =

| Ж(X)е. (X)йХ,

(1)

где ~№(Х) = Р(Х)р(Х), причем ~№(Х) определяется спектральными характеристиками источника освещения Р(Х) и отражения р(А) соответствующего участка исследуемой сцены. Выбор набора функций £у(А) приводит к классификации спектров излучения в Л-мерном пространстве Мл{т15 т2, ту, ..., тл} или после нормировки в пространстве МЛ_1 с координатами ту:

шах

I Ж (Х)еу(Х)аХ

т- =_"ц"

1 Л Хта

(2)

X I Ж (Х)^(Х)ёХ

1 Хт 1п

В телевизионных системах процедуры анализа определяются их целевым назначением и, как правило, включают выбор спектрального диапазона регистрации - Ад, числа спектральных зон Л, спектральных характеристик чувствительности преобразователей £у(А), метризацию рабочей диаграммы цветности анализатора, фильтрацию по цветности или другим параметрам и построение решающих правил.

В задачах, связанных с восприятием цветного телевизионного изображения, методы оценки и коррекции качества воспроизведения уже хорошо исследованы [1, 2]. В устройствах автоматической классификации элементов изображения возникают проблемы, вызванные изменениями спектрального состава источника освещения, метамеризмом и другими факторами, что в ряде случаев приводит к необходимости использования эталонов цветности или коррекции сигналов изображения [3, 4].

Цветовую коррекцию в системах воспроизведения изображения относят ко всему изображению — глобальная коррекция, выделенной части изображения — локальная или к отдельным элементам — поэлементная.

Глобальная цветокоррекция широко используется для компенсации искажений, вызванных, например, изменением спектрального состава источника освещения: Рх(А) ^ Р2(А).

В этом случае соотношение (2) при Р^(А) и Р2(А) для каждого элемента изображения с координатами х, у в каждом канале ] будет соответственно:

ша

I

ж\Рл) (Х)еЛХ)аХ

1 *

т^) = Хтщ

ЛХ

X I ж}^)(Х)^(Х)ёХ

•та

I

= Хтц

] л к

Wpг)(X)е;•(X) йХ

(3)

X I wfz\X)еj{X)dX

;=1Х •

* ' 1 и

Дальнейший анализ, не изменяя общности выводов, можно рассматривать на примере системы с Л = 3( = 1, 2, 3), например системы цветного телевидения или трехкомпонентной спектрозональной системы, используемой, в частности, в биологической микроскопии. Манипулируя сигналами в каждом из цветоделенных каналов (/), цвет (цветность) в цветовом пространстве можно скорректировать:

(Р2) и №) №)

т)согг = к1т) = т! ■

(4)

При глобальной коррекции это соотношение выполняется для всех элементов изображения, т. е., несмотря на различие р(А) для разных элементов изображения, реализуется тождество

!р(Х){Р! (X)- (X)} йХ = 0.

(5)

Учитывая, что р(А) всегда неотрицательная непрерывная функция, соотношение (5) выполняется только при условии Р^А) - куР2(Х) = 0. Как следует из (4), коррекция осуществляется на всех участках изображения выбранного цвета (цветности) при условии

к у =

' т;

(6)

1 Хп1111

Возникающие изменения цвета отдельных участков изображения могут быть искажающими и, следовательно, приводят к неизбежному ограничению степени коррекции выбранного цвета.

В реальных условиях «одноцветные» объекты, цвет которых не выходит за область, заданную, например, в единицах порогов различения по цветности и яркости, встречаются редко. Они охватывают определенную область в цветовом пространстве. Следовательно, требуемая точность реализации соотношения (6) может быть ограничена порогами различения по цветности и яркости в реальных условиях наблюдения телевизионного изображения или допустимой величиной цветовых искажений.

Для оценки качества и величины искажений цветопередачи в телевизионных системах используют меры искажений как цветности, так и яркости. Для того чтобы меры оценки были адекватны соответствующим ощущениям, используют равно-контрастные системы иу, Ь*и*у* и др. Искажения цветности можно оценить порогами Мак-Адама пс = VЛи2 + Ли2 /л4с , а искажения яркости — порогами различения по яркости = [1п ^ - 1п ]/Л^ , где Дгс и Д^ — пороги различения по цветности и яркости. Обычно их принимают такими: Дгс = = 0,0038, а Д^ = 0,0198 [1]. В качестве сравниваемых величин используют разности соответству-

X

X

биотехносфера

| № 3(9)/2010

ющих цветов оригинала и изображения. С этой целью применяют шкалы оценок (7-балльная, 5-балльная шкалы и др.). В соответствии с этими шкалами в условиях наблюдения телевизионного изображения с возможностью сравнения с эталоном рекомендуется допуск 3...4-е порога Мак-Адама, в то время как в условиях наблюдения на экране телевизионного приемника (отсутствие непосредственного сравнения с эталоном) рекомендуется допуск 7...9-ть порогов. Установление критериев и допусков позволяет сформулировать технические требования к качеству воспроизведения телевизионного изображения и, следовательно, к степени цветокоррекции в каждом конкретном случае применения телевизионной системы.

При глобальной коррекции по цветности в качестве критерия оптимизации в вещательном телевидении используют качество воспроизведения «значимых» цветов (цвет кожи человека, цвет белого и др.), в то время как в качестве ограничивающего фактора выступает неизбежное искажение цвета других участков изображения.

Локальная цветокоррекция может быть реализована путем замены в цветном изображении участков выбранного цвета корректированными по цвету фрагментами изображения или стандартизованными «цветами из памяти». Выделенные участки можно обрабатывать независимо от основной части поля изображения, включая полную замену цветности или яркости. Локальные цветокорректоры для видеосистем могут быть выполнены на базе использования в дополнительном канале цифровых фильтров цветности [1]. Фильтр цветности позволяет диаграмму цветности, например преобразователя изображения, М (Щ, Щ) разделить на два подпространства: Н с М и М\Ы. Область, выделяющая из всего пространства цветности подпространство Н, может быть задана в виде окна Н (т0, 8) = = {т : Щ е М; (Що -8)< Щ < Щю +8); (т^о -8)< < Щ < (т20 + 8)}. Наряду с формой и координатами %0' ^20 задается размер окна 5. К наиболее простым техническим решениям приводят методы классификации, использующие линейные решающие правила. К их числу можно отнести формирование прямоугольного окна, ориентированного случайным образом на плоскости диаграммы цветности (рис. 1).

Границы окна могут быть выбраны в зависимости от конкретных задач с учетом статистики распределения цветности в отдельных объектах изображения или автоматически по признаку выбранной цветности. Если ввести двоичную переменную

Г1, т е Н,

У (т) =

0, т £ Н,

то во временной области можно сформировать ключевой сигнал

п10-8 т10

10+8

Рис. 1 \ Окно цветности на диаграмме М(т1, т2)

Этот сигнал используют для управления цвето-корректором, осуществляющим преобразование и передачу сигналов Ед, ЕЕв в моменты (£) = 1, т. е. сигналов, соответствующих участкам изображения, для которых цветность (т±, т2 )е Н. Общее построение локальных корректоров базируется на широко используемых в телевидении принципах цветовой или хроматической рирпроекции [5, 6].

Функциональная схема, раскрывающая принцип построения локального цветокорректора, используемого в экспериментах, приведена на рис. 2.

Выбор цветности > ^20) подлежащей коррекции, осуществляется в интерактивном режиме. Для формирования ключевого сигнала (Ь) используется фильтр цветности, осуществляющий преобразование и передачу сигналов Ед, Е^, Ев в моменты ^ (Ь) = 1, т. е. сигналов, соответствующих участкам изображения выбранной цветности.

Построение фильтра цветности с помощью операций суммирования и определения знака суммарного сигнала путем сопоставления с порогом позволяет реализовать его простыми техническими средствами и допускает их использование в цифровых видеосистемах в реальном времени. С помощью набора фильтров цветности 1, 2, 3, ... могут быть сформированы фильтры с более сложной формой окон в плоскости цветовой диаграммы.

Еи> ЕоЕв

^ (г)

1, т (г) е Н, 0, т (г)£ Н.

Iе* ЕСЕвЬогг

Рис. 2\ Функциональная схема локального цветокорректора

Таблица i\ Колориметрические характеристики испытательной таблицы

1 2 3 4 5 6

7 8 9 10 11 12

13 14 15 16 17 18

19 20 21 22 23 24

Номер элемента

sRGB

R

G

CIE LVb*

b*

07

orange

214

126

044

62,661

36,067

57,096

08

purplish blue

080

091

166

40,020

10,410

45,964

09

moderate red

193

090

099

51,124

48,239

16,248

10

purplt

094

060

108

30,325

22,976

-21,5870

11

yellow green

157

188

064

72,532

-23,7090

57,255

12

orange yellow

224

163

046

71,941

19,363

67,857

13

blue

056

061

150

28,778

14,179

-50,2970

14

green

070

148

073

55,261

-38,3420

31,370

15

red

175

054

060

42,101

53,378

28,190

16

yellow

231

199

031

81,733

04,039

79,819

17

magenta

187

086

149

51,935

49,986

-14,5740

18

cyan

008

133

161

51,038

-28,6310

-28,6380

Методы и устройства рассматриваемого типа используются также для более сложной обработки сигналов изображения, например в системах обнаружения, идентификации и измерения параметров объектов заданного цвета [7].

В эксперименте использовалась метрическая таблица GretagMacbeth Image Reproduction Checker 2005, включающая 24 калиброванных цветных фрагмента рис. IV (см. четвертую сторону обложки).

В качестве примера в табл. 1 приведена схема расположения цветов и ее части при освещении источником света D65 (вторая и третья строки таблицы).

В модельных экспериментах по цветокоррекции или изменению выбранной цветности («выбор цветности» на рис. 2) измерения проводили путем определения среднего значения цветности на участке изображения размерами А х А. Диапазоны изменения по цветности и яркости составляли независимо ~ (0 — 100 %) с шагом 1 % при А> 3 элемента изображения. Измерения проводили на различных цветовых фрагментах таблицы, а также на реальных изображениях. В качестве примера в табл. 2 приведены результаты измерений в колориметрической системе преобразователя изображения М (т^, т2) исходных и измененных по цветности участков изображений таблицы GretagMacbeth Image Reproduction Checker 2005: moderate red — 9, green — 14 и yellow — 16 (табл. 1). Естественно, пространственная селекция выбранных участков в плоскости изображения проводилась автоматически по признаку,

определяемому заданной цветностью на цветовой диаграмме.

Возможности коррекции иллюстрируют рис. 3 и рис. IV (см. четвертую сторону обложки): стрелками показано изменение исходных цветов фрагментов таблицы GretagMacbeth Image Reproduction Checker 2005 в процессе интерактивного изменения цветности методом цифровой фильтрации.

При существенном изменении цветности выбранных фрагментов заметного изменения цветности других участков изображения не наблюдалось. Зоны цветокоррекции условно отмечены окружностями. Естественно, при использовании количественных оценок — критериев и допусков, заданных требованиями к качеству воспроизведения изображения, в том числе степени цветокоррекции в каждом кон-

Таблица 2 Результаты измерений в системе М(т1, т2) исходных и измененных по цветности участков изображений таблицы

Элемент изображения Moderate red — 9 Green — 14 Yellow — 16

Цветность

Исходная Измененная Исходная Измененная Исходная Измененная

Щ 0,57 0,05 0,23 0,75 0,49 0,75

т2 0,21 0,47 0,53 0,03 0,43 0,17

биотехносфера

I № 3(9)/20Ю

Рис. 3

Изменение исходных цветов фрагментов испытательной таблицы

кретном случае применения телевизионной системы, размеры и форма зон коррекции могут быть установлены индивидуально.

Использование фильтров цветности в прикладных исследованиях

Среди большого разнообразия практических задач обнаружения, измерения параметров объектов, идентификации следует обозначить как самостоятельную анализ цветового содержания изображения. Для исследования цветных изображений, т. е. изображений, формируемых в видимой части спектра, структура анализаторов достаточно проста1. При анализе спектрозональных (многомерных) изображений, используемых для решения ряда прикладных задач, приходится применять процедуру совмещения изображений [6]. К таким преобразованиям можно отнести совмещение изображений, полученных в видимой и инфракрасной или рентгеновской частях спектра и др. В рассматриваем ниже примере использования фильтрации сигналов изображения по цветности реализуется процедура совмещения фрагментов исследуемых изображений. С этой целью режим коррекции или направленного изменения цветности переводится в режим хроматической рирпроекции. При этом объекты заданной цветности (выделенные фрагменты изображения) могут быть совмещены с другим изображением без нарушения морфологической структуры обоих изображений. Таким способом можно решить ряд задач визуализации спектрозональных изображений с числом зон Л >3. Практические задачи такого типа возникают в медицинских и биологических исследованиях.

В качестве примера на рис. V (см. четвертую сторону обложки) представлено изображение уча-

1 А. с. 510810 (СССР). Анализатор цветного изображения / Р. Е.Быко в. Опубл. в БИ 1976. № 14. Приор. 18.07.73.

стка кожи человека, полученное с помощью микроскопа (рис. V, а) и синтезированное из двух: при освещении белым светом (рис. V, б) и в свете флуоресценции (рис. V, в) [5]. Цель этих преобразований в прикладном плане — выявление мест возможной колонизации бактерий Р. acnes, которые вызывают угревую болезнь (acne) — одно из распространенных заболеваний кожи. Бактерии Р. acnes вырабатывают порфирины, обладающие характерной оранжево-красной собственной флуоресценцией (рис. V, в), которая может служить индикатором их присутствия. Выделенные с помощью цифровой фильтрации фрагменты изображения «перенесены» в поле изображения, полученного в белом свете (рис. V, б).

Картина, регистрируемая в белом свете, позволяет видеть места расположения сальных фолликулов, в которых возможна колонизация бактерий различной природы. Они хорошо видны на рис. 5, б в виде темных пятен. Картина, регистрируемая в свете флуоресценции, позволяет обнаружить аномальное оранжево-красное свечение на некоторых участках кожи (рис. V, в), предположительно связанных с пор-фириновой флуоресценцией Р. acnes. Из совмещенной картины, представленной на рис. V, а, однозначно следует, что это аномальное свечение находится в местах расположения фолликулов, что является одним из подтверждений их бактериальной природы, вызванной наличием Р. acnes. Применение метода анализа цветных флуоресцентных цифровых изображений кожи с успехом используется для обнаружения проблемных зон кожи и для оценки эффективности последующей терапии.

Приведенные результаты показывают, что предложенный метод представления данных в спектрозональных системах позволяет совместить морфологическую информацию об объекте, получаемую в обычном отраженном свете, с биохимической информацией, которую дает регистрация в свете флуоресценции, что имеет большое значение для диагностики многих заболеваний, в том числе при обнаружении злокачественных опухолей на ранних стадиях.

Практические исследования, проведенные при решении экологических задач, основанные на видеосъемке земной или водной поверхности (обнаружение разливов нефти на поверхности воды, определение участков леса, пораженных вредителями, и др.), показали, что при цветовой сегментации объектов в поле изображения целесообразно использовать наиболее стабильную компоненту, определяемую спектральной характеристикой отражения соответствующего участка объекта р(Х) [7]. Вместе с этим в формировании признаков — цвет и цветность — участвует спектральная характеристика источника освещения Р(Х): W(X) = Р(Х)р(Х), которая в реальных условиях может изменяться в широких пределах. Это связано с изменением спектральных характеристик естественного источника освещения, среды между источником и преобразователем изоб-

Рис. 4

Управление характеристиками окна цветности: при изменении содержания сцены (а) и изменении спектрального состава источника света (б)

ражения (ясное небо, облака и др.). В видеосистемах это приводит к необходимости разделения компонент, вызванных отражательной способностью р(А), являющейся одной из константных характеристик непосредственно исследуемого объекта, и компоненты, подверженной воздействию изменяющихся внешних условий — свойств светового потока Р(Х). Для этих целей используют интерактивное или автоматическое управление окном фильтра цветности. Методы интерактивного управления координатами окна фильтра цветности рассмотрены в работах [3, 7].

Автоматическое управление окном фильтра цветности основано на использовании свойств цветового охвата, в частности его динамики в процессе видеосъемки. Цветовой охват, т. е. диапазон цветов, который фиксируется и анализируется системой в текущий момент времени, может быть определен на основе преобразования (1) путем регистрации составляющих ту или ту по всему полю изображения (на рис. 4 N1 или N2).

Из соотношения (1) видно, что наряду с содержанием регистрируемой сцены, на цветовой диаграмме преобразователя — М (П^, т2) он определяется источником освещения и характеристиками преобразователя изображения. Цветовое содержание изображения на рис. 4, а условно представлено фигурой N1. Для селекции элементов изображения с цветностью, соответствующей заштрихованной области, сформировано окно цветности Н1.

В процессе анализа динамических сцен из-за изменения цветового содержания сцены происходит изменение цветового охвата изображения. На диаграмме цветности это условно показано как переход от N1 к N2, однако положение заданного ранее окна фильтра цветности Н1 остается неизменным (рис. 4, а). Следовательно, результат селекции объектов с выбранной ранее цветностью не нарушается.

Иная ситуация возникает при изменении спектрального состава источника освещения сцены. В этом случае происходит одновременное изменение цвето-

вого содержания всех участков (элементов) сцены: N1 ^ N2, в том числе и выбранной ранее цветности (на рис. 4, б указано стрелкой). Если положение окна цветности остается неизменным, это приводит к ошибкам: селекция объектов осуществляется исходя из условий действовавшего ранее освещения и заданной ранее цветностью.

Избежать возникающих ошибок (или минимизировать их влияние) можно управлением характеристиками окна. В основу такого управления может быть положен анализ ситуаций, представленных на рис. 4. Признаком изменения спектральной характеристики источника освещения может служить одновременность изменения цветности всех элементов изображения с примерно одинаковыми направлениями векторов этого изменения. На рис. 4, б это условно показано как изменение N1 ^ N2. В этом случае необходимо включать процедуру адаптации параметров окна цветности к новым условиям освещения.

Для алгоритмической реализации рассмотренного метода управления координатами (положением) окна цветности нет необходимости анализировать ситуацию для каждого элемента поля изображения. Достаточно разделить поле изображения на несколько значимых участков, провести сопоставление группы векторов изменения их цветности и использовать эти данные для автоматической коррекции координат окна. В результате формируется окно цветности, соответствующее цветности искомого объекта в новых условиях освещения — Н2. Способ вычисления координат цветности объектов в поле изображения и координат окна выбирают в соответствии с решаемой задачей обнаружения и с ролью цветовых признаков в общей задаче распознавания. Описанный алгоритм позволяет обеспечить автоматическую коррекцию параметров рабочего фильтра цветности в процессе видеосъемки при изменении условий освещения [4].

Цветовые признаки при селекции участков могут быть дополнены морфологическими данными

биотехносфера

| № 3(9)/2010

(размеры, форма, текстура и др.) [8]. Это позволит повысить избирательность процедуры селекции и эффективность анализа изображения.

Заключение

Рассмотренный подход к решению задач обработки цветных изображений, основанный на использовании цифровых фильтров цветности, подтвердил эффективность их применения в процедурах локальной метрической цветокоррекции, визуализации спек-трозональных изображений при селекции информативных участков изображения и совмещении их с фоновым изображением, полученным в белом свете. Возможности анализа спектрозональных, в частности цветных, изображений в диапазоне реальных условий работы указанных систем могут быть расширены за счет использования фильтров цветности в комплексе анализаторов изображений, инвариантных к изменению спектрального состава источника освещения. Использование разработанных технологий анализа и обработки изображений позволяет реализовать сопряженный мониторинг земной поверхности, обеспечивающий комплексный контроль состояния природной среды. Экспериментальные исследования рассматриваемого метода на примере изучения биологических макро- и микрообъектов подтверждают перспективность использования

методов цифровой фильтрации в аппаратуре анализа биологических микроструктур.

|Л и т е р а т у р а |

1. Быков Р. Е. Основы телевидения и видеотехники: учеб. М: Горячая линия — Телеком. 2006. 399 с.

2. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера. 2005. 1072 с.

3. Быков Р. Е., Сладков А. Ю. Цветокоррекция преобразователей изображений // Исследование Земли из космоса. 1993. № 3. С. 84-90.

4. Беляев А. Ю., Быков Р. Е. Адаптивное управление окном цветности цифровых устройств сегментации динамических изображений // Изв. СПбГЭТУ «ЛЭТИ». Сер. «Радиоэлектроника и телекоммуникации». 2008. № 3. С. 42-46.

5. Быков Р. Е., Манило Л. А., Папаян Г. В. и др. Визуализация данных в спектрозональных телевизионных системах // Изв. СПбГЭТУ «ЛЭТИ». Сер. «Радиоэлектроника и телекоммуникации». 2009. № 1. С. 43-52.

6. Васильев К. К., Крашенинников В. Р. Статистический анализ многомерных изображений. Ульяновск: УлГТУ, 2007. 170 с.

7. Быков Р. Е., Игнатьева Н. В., Сладков А. Ю. Технические средства контроля загрязнений водных поверхностей// Изв. ГЭТУ. «Человек и море». 1994. С. 74-79.

8. Коржик Ю. В. Описание текстуры изображений с помощью функционалов на случайном фоне // Пространственно-временные модуляторы света для оптической обработки информации. Л.: АН СССР, ФТИ, 1988. С. 166-173.

«Реактивная депрессия

«Эндогенная депрессия

«Органическая депрессия

Corpus Callosum

PosteriorCingulate Tracts Inferior Fronto-occipital t\ & longitudinal Fasciculi

Fornix

«Реактивная»

депрессия

«Эндогенная»

депрессия

«Органическая» депрессия

Y

Am

А. В. Корзенев, Е. Ю. Абрита-лин, А. В. Лебедев, А. В. Воро-бев, В. В. Геппенер «Использование методов статистического параметрического картирования в нейровизуализационных исследованиях патогенеза депрессивных расстройств»

Рис. I. Изменения в структурах головного мозга При фМРТ-исследовании

Рис. II. Изменения в структурах головного мозга у больных с депрессивными расстройствами по результатам воксельной морфометрии

Рис. III. Дефицит трактов белого вещества у больных С депрессивными расстройствами

Р. Е. Быков «Цифровые фильтры цветности в задачах обработки видеоизображений»

Рис. IV. Изменение цветности элемента 9 таблицы GretagMacbeth Рис. V. Формирование изображения (а) на базе двух:

Image Reproduction Checker 2005 в процессе цифровой фильтрации при освещении белым светом (б) и в свете

флуоресценции (в)