RU2695417C1 - Method for noise-immune gradient selection of object contours on digital halftone images - Google Patents
Method for noise-immune gradient selection of object contours on digital halftone images Download PDFInfo
- Publication number
- RU2695417C1 RU2695417C1 RU2018139827A RU2018139827A RU2695417C1 RU 2695417 C1 RU2695417 C1 RU 2695417C1 RU 2018139827 A RU2018139827 A RU 2018139827A RU 2018139827 A RU2018139827 A RU 2018139827A RU 2695417 C1 RU2695417 C1 RU 2695417C1
- Authority
- RU
- Russia
- Prior art keywords
- image
- smoothing
- contours
- noise
- gradient
- Prior art date
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/40—Picture signal circuits
- H04N1/409—Edge or detail enhancement; Noise or error suppression
Abstract
Description
Изобретение относится к области цифровой обработки изображений и может быть использовано в фото, видео, оптико-локационной и оптико-электронной технике при решении задач распознавания образов по их контурам на цифровых изображениях. The invention relates to the field of digital image processing and can be used in photo, video, optical-location and optical-electronic equipment in solving problems of pattern recognition by their contours in digital images.
Необходимыми условиями того, что через некоторую точку цифрового полутонового изображения проходит контур, являются следующие: The necessary conditions for a contour to pass through some point of a digital grayscale image are as follows:
- резкое изменение яркости в данной точке по сравнению хотя бы с одной из соседних точек;- a sharp change in brightness at a given point compared to at least one of the neighboring points;
- наличие хотя бы двух соседних точек, сопоставимых по яркости с рассматриваемой точкой.- the presence of at least two neighboring points comparable in brightness with the point in question.
В связи с этим большинство известных способов выделения контуров на цифровых полутоновых изображениях основаны на вычислении модуля градиента на всей площади цифрового изображения по приближениям первой производной - локальным конечным разностям яркости. При этом приближенные компоненты градиента вычисляют с использованием скользящего окна (маски), перемещающегося по всему изображению. При этом яркости пикселей изображения, попадающих в скользящее окно, перемножают на коэффициенты маски, а затем суммируют [1 – Гонсалес Р., Вудс Р. Цифровая обработка изображений. -М.: Техносфера, 2005, 1072с.; 2 - Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB.-М.: Техносфера,2006, 616с.; 3 – Прэтт У. Цифровая обработка изображений: Пер.с англ. - М.: Мир, 1982. Кн.2. 480с.; 4 - Гданский Н.И., Марченко Ю.А. Градиентный способ выделения контуров объектов на матрице полутонового растрового изображения. // Патент РФ №2325044 на изобретение. МПК H04N1/409, G06K9/46. Заявит. Гданский Н.И., Марченко Ю.А. Патентообл. МГУИЭ. - № 2007106412/09; заявл. 21.02.2007; опубл. 20.05.2008.].In this regard, most of the known methods for selecting contours in digital grayscale images are based on the calculation of the gradient modulus over the entire area of the digital image using the approximations of the first derivative — local finite brightness differences. In this case, the approximate components of the gradient are calculated using a sliding window (mask) moving throughout the image. In this case, the brightness of the image pixels falling into the sliding window is multiplied by the mask coefficients, and then summed [1 - Gonzalez R., Woods R. Digital image processing. -M .: Technosphere, 2005, 1072 pp .; 2 - Gonzalez R., Woods R., Eddins S. Digital image processing in MATLAB.-M .: Technosphere, 2006, 616 pp .; 3 - Pratt W. Digital image processing: Transl. From English. - M .: Mir, 1982. Book 2. 480s .; 4 - Gdansky N.I., Marchenko Yu.A. Gradient way to highlight the contours of objects on a halftone raster image matrix. // RF patent №2325044 for the invention. IPC H04N1 / 409, G06K9 / 46. Will declare. Gdansky N.I., Marchenko Yu.A. Patent. MGUIE. - No. 2007106412/09; declared 02/21/2007; publ. 05/20/2008.].
В настоящее время известно несколько типов масок: Робертса, Превитта, Собеля, Щарра и др. Маска Робертса является наиболее простой, поскольку имеет размер 2х2 пикселя. Маски Превитта, Собеля и Щарра имеют размерность 3х3 пикселя и отличаются значениями коэффициентов. Следует отметить, что подобные маски вычисления компонент градиента яркости при помощи конечных разностей используются в составе более сложных алгоритмов выделения контуров. Одним из лучших подобных алгоритмов является детектор границ «Canny», использующий, в частности, маску Собеля. Недостатками способов выделения контуров изображений на основе применения скользящих окон и определения компонент градиента яркости при помощи конечных разностей является их достаточно сильная чувствительность к помехам, относящимся к классу импульсных, возникающих вследствие многих явлений при цифровом преобразовании и передаче изображений (пораженные пиксели).Currently, several types of masks are known: Roberts, Prewitt, Sobel, Shcharr, etc. The Roberts mask is the simplest because it has a size of 2x2 pixels. The masks of Prewitt, Sobel and Shcharr have a dimension of 3x3 pixels and differ in the values of the coefficients. It should be noted that similar masks for calculating the components of the brightness gradient using finite differences are used as part of more complex contouring algorithms. One of the best such algorithms is the Canny border detector, which uses, in particular, the Sobel mask. The disadvantages of the methods for isolating the contours of images based on the use of sliding windows and determining the components of the brightness gradient using finite differences are their rather strong sensitivity to noise belonging to the class of pulsed arising due to many phenomena during digital conversion and transmission of images (affected pixels).
К другим способам выделения контуров объектов на изображениях относятся способы, основанные на вычислении приближений вторых производных – операторы типа «лапласиан» «гауссиан», или операторы, использующие разновидности масок Лапласа. Известна также корреляционная маска, коэффициенты которой пропорциональны соответствующим коэффициентам корреляции элементов изображения. В случае, когда корреляция между элементами изображения отсутствует, маска не оказывает влияния на изображение, в противоположном случае коэффициент корреляции равен единице, данная маска сводится к маске Лапласа [Прэтт У.Цифровая обработка изображений: Пер. с англ. - М.: Мир, 1982. Кн.2, 480с., C.500-508.]. Данные способы благодаря пересечению нулевого уровня прямой, соединяющей разнозначные вторые производные, позволяют получить более точное положение контура, но являются более чувствительными к различным помехам, в том числе и импульсным, чем градиентные, а также имеют недостаток, связанный с обнаружением многочисленных ложных замкнутых кривых.Other methods for isolating the contours of objects in images include methods based on calculating the approximations of second derivatives — operators of the Laplacian and Gaussian type, or operators using varieties of Laplace masks. A correlation mask is also known, the coefficients of which are proportional to the corresponding correlation coefficients of image elements. In the case where there is no correlation between the image elements, the mask does not affect the image; in the opposite case, the correlation coefficient is unity, this mask reduces to the Laplace mask [Pratt W. Digital image processing: Trans. from English - M .: Mir, 1982. Book 2, 480c., C.500-508.]. These methods, due to the intersection of the zero level of the straight line connecting the ambiguous second derivatives, make it possible to obtain a more accurate position of the contour, but they are more sensitive to various noises, including pulsed than gradient ones, and also have the disadvantage associated with the detection of numerous false closed curves.
Также известны способы выделения контуров объектов на изображениях, более далекие от заявляемого способа, которые основаны на аппроксимации перепадов яркости и статистические способы, например, способ на основе локально-полиномиальной аппроксимации [5 - Sherstobitov A. I., Marchuk V. I., Timofeev D. V., Voronin V. V., Egiazarian K. O. Local feature descriptor based on 2D local polynomial approximation kernel indices. Image Processing: Algorithms and Systems XII, edited by Karen O. Egiazarian, Sos S. Agaian, Atanas P. Gotchev, Proceedings of SPIE Vol. 9019 (SPIE, San Francisco, WA 2014) 901908, DOI: 10.1117/12.2041610.]. Однако недостатком способов, основанных на аппроксимации перепадов яркости, является чувствительность к наличию на матрице цифрового изображения импульсных помех.Also known are methods of isolating the contours of objects in images that are farther from the proposed method, which are based on approximating brightness differences and statistical methods, for example, a method based on local polynomial approximation [5 - Sherstobitov AI, Marchuk VI, Timofeev DV, Voronin VV, Egiazarian KO Local feature descriptor based on 2D local polynomial approximation kernel indices. Image Processing: Algorithms and Systems XII, edited by Karen O. Egiazarian, Sos S. Agaian, Atanas P. Gotchev, Proceedings of SPIE Vol. 9019 (SPIE, San Francisco, WA 2014) 901908, DOI: 10.1117 / 12.2041610.]. However, the disadvantage of methods based on the approximation of brightness differences is the sensitivity to the presence of pulsed noise on the digital image matrix.
Следует отметить, что повышение устойчивости известных способов выделения контуров изображения возможно за счет предварительной коррекции изображения, связанной со сглаживанием яркости изображения. Однако такой подход может привести не только к устранению импульсных помех, но и к потере части полезной информации о контуре изображения.It should be noted that increasing the stability of the known methods for distinguishing image contours is possible due to preliminary image correction associated with smoothing the image brightness. However, this approach can lead not only to the elimination of impulse noise, but also to the loss of some useful information about the image circuit.
Наиболее близким по технической сущности к заявляемому способу является способ помехоустойчивого градиентного выделения контуров объектов на цифровых полутоновых изображениях [6 - Безуглов Д.А., Мищенко С.Е., Кузин А.П. Способ помехоустойчивого градиентного выделения контуров объектов на цифровых полутоновых изображениях //Патент РФ № 2648954, МПК G06K 9/48. Заявит. и патентообл. Ростовский филиал РТА - № 2016104498/08; заявл. 10.02.2016; опубл. 15.08.2017 Бюл. № 23], взятый за прототип, заключающийся в том, что сначала вычисляют прямое вейвлет-преобразование строк и столбцов цифрового полутонового изображения, а затем формируют две матрицы
Недостатком способа-прототипа является то, что вычисление прямого вейвлет-преобразования строк и столбцов цифрового полутонового изображения требует больших вычислительных затрат. Кроме того, данный способ демонстрирует слабую устойчивость к воздействию импульсных помех.The disadvantage of the prototype method is that the calculation of the direct wavelet transform of rows and columns of a digital grayscale image is computationally expensive. In addition, this method demonstrates poor resistance to impulse noise.
Задачей, на решение которой направлено изобретение, является создание средств выделения контуров полутоновых изображений в условиях импульсных помех, удовлетворяющих требованиям к высокой скорости обработки изображений.The problem to which the invention is directed, is the creation of means for selecting the contours of grayscale images in the conditions of impulse noise, satisfying the requirements for high speed image processing.
Техническим результатом является повышение скорости выделения контуров полутоновых изображений в условиях импульсных помех.The technical result is to increase the speed of separation of the contours of grayscale images in the conditions of pulsed interference.
Для решения указанной технической проблемы предлагается способ помехоустойчивого градиентного выделения контуров объектов на цифровых полутоновых изображениях, который состоит в том, что сначала с учетом уровня зашумленности выбирают коэффициент сглаживания, вычисляют коэффициенты сглаживающих кубических B-сплайнов вдоль каждой строки и каждого столбца изображения. Затем формируют две матрицы
Таким образом, предлагаемый способ имеет следующие отличительные признаки и последовательность его реализации от способа-прототипа, которые приведены в таблице 1.Thus, the proposed method has the following distinctive features and the sequence of its implementation from the prototype method, which are shown in table 1.
Таблица 1Table 1
2.1 путем обратного вейвлет-преобразования, в котором в качестве ядра преобразования используют аналитические функции, описывающие производные используемых вейвлетов обратного преобразования по соответствующим координатам2. Form two matrices
2.1 by the inverse wavelet transform, in which analytical functions are used as the transformation kernel, which describe the derivatives of the inverse transform wavelets used in the corresponding coordinates
3.1 суммирования сглаживающих параболических B-сплайнов с найденными ранее коэффициентами сглаживающих кубических B-сплайнов для строк и столбцов соответственно 3. Form two matrices
3.1 summation of smoothing parabolic B-splines with previously found coefficients of smoothing cubic B-splines for rows and columns, respectively
Из представленной таблицы 1 сравнения последовательностей реализации способа-прототипа и предлагаемого способа видно, что в предлагаемом способе введены операции:From the table 1 comparison of the sequences of the prototype method and the proposed method shows that in the proposed method the following operations are introduced:
− с учетом уровня зашумленности изображения выбирают коэффициент сглаживания;- taking into account the level of noise in the image, a smoothing factor is selected;
− вычисляют коэффициенты сглаживающих кубических B-сплайнов вдоль каждой строки и каждого столбца изображения.- calculate the coefficients of the smoothing cubic B-splines along each row and each column of the image.
А также изменен режим выполнения одной операции:And also the execution mode of one operation is changed:
− две матрицы
Введение двух операций и изменение режима одной операции позволяет обеспечить достижение технического результата, а именно, повышение скорости формирования контуров полутоновых изображений в условиях импульсных помех.The introduction of two operations and changing the mode of one operation allows to achieve a technical result, namely, increasing the speed of formation of the contours of grayscale images in the conditions of impulse noise.
Предлагаемое изобретение не известно из анализа уровня техники, а также не известны источники информации, содержащие сведения об аналогичных технических решениях, имеющих признаки, сходные с признаками, отличающими заявляемое решение от прототипа, а также свойства, совпадающие со свойствами заявляемого решения, поэтому можно считать, что оно обладает существенными отличиями, вытекает из них неочевидным образом и, следовательно, соответствует критериям «новизна» и «изобретательский уровень».The present invention is not known from the analysis of the prior art, and information sources containing information about similar technical solutions having features similar to those distinguishing the claimed solution from the prototype, as well as properties that match the properties of the proposed solution, are therefore not known, therefore, that it has significant differences follows from them in an unobvious way and, therefore, meets the criteria of “novelty” and “inventive step”.
Сущность предлагаемого способа раскрывается фигурами 1-5. The essence of the proposed method is disclosed by figures 1-5.
На Фиг. 1 приведена структурная схема устройства, реализующего предлагаемый способ помехоустойчивого градиентного выделения контуров объектов на цифровых полутоновых изображениях.In FIG. 1 is a structural diagram of a device that implements the proposed method of noise-tolerant gradient selection of the contours of objects in digital grayscale images.
На Фиг. 2 показано исходное цифровое полутоновое изображение (фиг. 2а) и результат выделения контуров данного изображения при отсутствии шумов (фиг. 2б).In FIG. Figure 2 shows the original digital grayscale image (Fig. 2a) and the result of selecting the contours of this image in the absence of noise (Fig. 2b).
На Фиг. 3 показаны тестовые цифровые полутоновые изображения с наложенным на них импульсным шумом (на фиг. 3а на исходное изображение наложен импульсный шум «битые пиксели» с вероятностью 0,5, на фиг. 3б − «соль-перец» также с вероятностью 0,5).In FIG. Figure 3 shows test digital grayscale images with impulse noise superimposed on them (in Fig. 3a, impulse noise “broken pixels” with a probability of 0.5 is superimposed on the original image, and “salt-pepper” with a probability of 0.5 in Fig. 3b) .
На Фиг. 4 приведены изображения, иллюстрирующие результаты выделения контуров на зашумленных изображениях при помощи маски Собеля (результаты на фиг. 4а соответствуют импульсному шуму «битые пиксели» с вероятностью 0,5, а на рис. 4б − «соль-перец» с вероятностью 0,5).In FIG. Fig. 4 shows images illustrating the results of the contouring in noisy images using the Sobel mask (the results in Fig. 4a correspond to impulse noise “dead pixels” with a probability of 0.5, and in Fig. 4b - “salt-pepper” with a probability of 0.5 )
На Фиг. 5 отображены результаты выделения контуров предлагаемым способом (результаты на фиг. 5а соответствуют импульсному шуму «битые пиксели» с вероятностью 0,5, а на рис. 5б − «соль-перец» с вероятностью 0,5).In FIG. 5 shows the results of the selection of the contours of the proposed method (the results in Fig. 5a correspond to impulse noise “broken pixels” with a probability of 0.5, and in Fig. 5b - “salt-pepper” with a probability of 0.5).
При реализации данного способа выполняется следующая последовательность операций:When implementing this method, the following sequence of operations is performed:
- с учетом уровня зашумленности изображения выбирают коэффициент сглаживания − 1;- taking into account the level of image noise, a smoothing factor of 1 is selected;
- вычисляют коэффициенты сглаживающих кубических B-сплайнов вдоль каждой строки и каждого столбца изображения – 2;- calculate the coefficients of the smoothing cubic B-splines along each row and each column of the image - 2;
- формируют две матрицы
- определяют модуль градиента яркости в каждой точке изображения − 4;- determine the modulus of the brightness gradient at each point in the image - 4;
- формируют контуры объекта путем порогового преобразования модуля градиента яркости, в процессе которого на новой белой матрице черным цветом выделяют элементы, модуль градиента для которых в соответствующих координатах изображения превышает порог преобразования − 5.- form the contours of the object by a threshold conversion of the brightness gradient module, during which elements are selected in black on a new white matrix, the gradient module for which in the corresponding image coordinates exceeds the transformation threshold - 5.
Прежде чем рассмотреть работу устройства выделения контуров для обоснования способа изложим следующее.Before considering the operation of the device for the selection of circuits to justify the method, we state the following.
Пусть задана матрица изображения
и соответствующих им значений яркости изображения
Представим входной сигнал в виде сплайн-аппроксимации в базисе сглаживающих кубических нормализованных В-сплайнов дефекта 1 [7 Завьялов Ю.С., Квасов Б.И., Мирошниченко B.JI. Методы сплайн-функций. -М.: Наука, 1980. 350 с.]Imagine the input signal as a spline approximation in the basis of smoothing cubic normalized B-splines of defect 1 [7 Zavyalov Yu.S., Kvasov BI, Miroshnichenko B.JI. Methods of spline functions. -M.: Science, 1980. 350 p.]
где
Рассмотрим теперь участок
Введем нормализованную координату
После несложных арифметических преобразований получим аналитическое выражение для сплайна на участке
Коэффициенты сплайна найдем из решения задачи минимизации функционала [8 Лапчик М.П. Численные методы .-М: Академия, 2008, 381с.]:We find the spline coefficients from the solution of the functional minimization problem [8 Lapchik M.P. Numerical methods.-M: Academy, 2008, 381 pp.]:
где
Коэффициент сглаживания выбирают равным величине среднеквадратического отклонения шума на изображении. В случае, если статистические характеристики шума неизвестны, то эффект сглаживания шумов наблюдается при
С учетом представления сплайна в виде (7) функционал (8) можно представить в видеGiven the representation of the spline in the form (7), functional (8) can be represented in the form
С учетом (7)
В узловых точках
Для формирования результирующей системы уравнений относительно неизвестных коэффициентов
После дифференцирования по каждому из коэффициентов
где
В работе [9 Безуглов Д.А., Крутов В.А., Швачко О.В. Метод дифференцирования сигналов с использованием сплайн-аппроксимации // Фундаментальные исследования, 2017, № 4-1, С.24-28] ненулевые элементы матрицы
а вектор
Анализ системы уравнений позволяет заключить, что матрица
Система уравнений вида (14) может быть решена для каждой строки и столбца изображения. В результате получим матрицы
С учетом выражения (7) сплайн, описывающий производную одномерной функции
Данный сплайн называют сглаживающим параболическим
Отсюда следует, что компоненты градиента яркости входного изображения могут быть найдены по формулам:It follows that the components of the brightness gradient of the input image can be found by the formulas:
Как и в прототипе, модуль градиента яркости найдем по формулеAs in the prototype, the brightness gradient module will be found by the formula
При этом пороговое преобразование описывается соотношением:In this case, the threshold transformation is described by the relation:
Здесь
В качестве примера рассмотрим задачу выделения контуров на цифровом полутоновом изображении в условиях импульсных шумов. Следует отметить, что способ-прототип обеспечивает эффективное подавление шумов, распределенных по нормальному закону, и не предназначен для выделения контуров на зашумленном изображении. В связи с этим работоспособность предлагаемого способа выделения контуров производилась в сравнении с получившим практическое распространение методом выделения контуров, основанном на применении маски Собеля (детектор границ «Canny»). Сравнение предлагаемого способа и способа-прототипа произведем по быстродействию.As an example, we consider the problem of selecting contours in a digital grayscale image under conditions of pulsed noise. It should be noted that the prototype method provides effective suppression of noise distributed according to the normal law, and is not intended to highlight contours in a noisy image. In this regard, the efficiency of the proposed method for the selection of contours was carried out in comparison with the method of selecting contours, which was widely used, based on the use of the Sobel mask (“Canny” border detector). Comparison of the proposed method and the prototype method will produce speed.
Для формирования тестовых изображений использовался следующий алгоритм. Матрица яркости
Далее в исходное цифровое полутоновое изображение был добавлен шум (матрица
На фиг. 4 приведены матрицы
Анализ полученных изображений позволяет заключить, что оператор Собеля неработоспособен для выделения контуров на изображениях, полученных в условиях импульсных шумов.An analysis of the obtained images allows us to conclude that the Sobel operator is inoperative for selecting contours in images obtained under pulsed noise conditions.
На фиг. 5 приведены изображения матриц
С целью количественной оценки эффективности предлагаемого способа по сравнению с прототипом использовалось три показателя. In order to quantify the effectiveness of the proposed method in comparison with the prototype used three indicators.
Первый состоял в том, что определялась величина среднеквадратического отклонения (СКО) между изображениями контуров
Оценка СКО осуществлялась по формуле:RMS assessment was carried out according to the formula:
Второй показатель представляет собой оценку
где
Значения третьего показателя для оценки эффективности предлагаемого способа для подавления импульсных помех получают при помощи соотношенияThe values of the third indicator to assess the effectiveness of the proposed method for suppressing impulse noise is obtained using the ratio
где
− среднее значение фона; n1, m1- координаты выбранной площадки фона размером
Результаты данного сопоставления применительно к модели импульсного шума типа «битые пиксели» при различных вероятностях шума
Таблица 2table 2
Таблица 3Table 3
Оценим выигрыш предлагаемого способа по сравнению со способом-прототипом по быстродействию.We estimate the gain of the proposed method in comparison with the prototype method in terms of speed.
Пусть распределение яркости изображения задает квадратная матрица
При этом прямое дискретное вейвлет-преобразование для строк и столбцов в способе-прототипе осуществляется по формуламMoreover, the direct discrete wavelet transform for rows and columns in the prototype method is carried out according to the formulas
соответственно.respectively.
Здесь
В этом случае объем вычислительных затрат
В выражении (34) учтено, что
Если выбранному виду вейвлета соответствует его производная, то обратное преобразование, позволяющее получить компоненты градиента яркости исходного изображения, можно найти по формуламIf the derivative corresponds to the selected wavelet type, then the inverse transformation, which allows obtaining the components of the brightness gradient of the original image, can be found by the formulas
где
Обратное преобразование потребует также
Для реализации предлагаемого способа выделения контуров с использованием сплайн-аппроксимации необходимо
Отсюда следует, что выигрыш в вычислительной эффективности, равный отношению числа операций в способе-прототипе и предлагаемом способе будет равен:It follows that the gain in computational efficiency equal to the ratio of the number of operations in the prototype method and the proposed method will be equal to:
Как правило,
Например, при
Таким образом, известные авторам способы выделения контуров на полутоновых изображениях неэффективны в условиях импульсных помех, а способ-прототип, обеспечивающий решение задачи выделение контуров на зашумленных изображениях, способен бороться с гауссовым шумом и обладает низким быстродействием. Напротив, предлагаемый способ является устойчивым к воздействию импульсных помех и позволяет увеличить скорость выделения контуров полутоновых изображений.Thus, the methods known to the authors for isolating contours in grayscale images are ineffective in conditions of impulse noise, and the prototype method that provides the solution to the problem of isolating contours in noisy images is able to deal with Gaussian noise and has a low speed. On the contrary, the proposed method is resistant to impulse noise and can increase the speed of the selection of the contours of grayscale images.
Рассмотрим функционирование устройства выделения контуров, реализующее способ.Consider the operation of the device for the selection of circuits that implements the method.
В состав устройства выделения контуров (фиг. 1) входят блоки определения коэффициентов сплайнов исходного изображения (БОКС) 1 и 2, блоки вычисления матриц
Общим входом устройства являются входы БОКС 1 и БОКС 2, выход БОКС 1 подключен ко входу БВКГ 3, выход которого соединен с первым входом БОМГ 5, выход БОКС 2 соединен со входом БВКГ 4, выход которого подключен ко второму входу БОМГ 5, выход БОМГ 5 соединен со входом БПП 6, выход которого является выходом устройства.The general input of the device is the inputs of the BOX 1 and the BOX 2, the output of the BOX 1 is connected to the input of the BVKG 3, the output of which is connected to the first input of the BOMG 5, the output of the BOX 2 is connected to the input of the BVKG 4, the output of which is connected to the second input of the BOMG 5, the output of the BOMG 5 connected to the input of the
Устройство работает следующим образом. The device operates as follows.
На входы БОКС 1 и БОКС 2 поступает двумерное распределение яркости сигнала, задаваемое матрицей яркости
В БОКС 2 осуществляют вычисление коэффициентов сплайнов из решения
В качестве блоков 1-6 рассмотренного устройства обработки изображений могут быть использованы описанные в [10 − АйфичерЭ.С., Джервис Б.У. Цифровая обработка сигналов: практический подход. 2-е издание. - М.: Вильямс, 2004. 992 с.; 11 − Куприянов М.С., Матюшкин Б.Л. Техническое обеспечение цифровой обработки сигналов. Справочник. - М.: Наука и техника, 2000. 752 с.], а также любые аналогичные известные из уровня техники технические устройства (программируемые и непрограммируемые процессоры цифровой обработки сигналов и изображений), реализующие соответствующие математические функции (15)-(20).As blocks 1-6 of the considered image processing device, those described in [10 - Ayficher E.S., Jervis B.U. Digital signal processing: a practical approach. 2nd edition. - M.: Williams, 2004. 992 p .; 11 - Kupriyanov M.S., Matyushkin B.L. Technical support for digital signal processing. Directory. - M.: Science and Technology, 2000. 752 pp.], As well as any similar technical devices known from the prior art (programmable and non-programmable processors for digital signal and image processing) that implement the corresponding mathematical functions (15) - (20).
В БОКС 1 и БОКС 2 осуществляется операция умножения матрицы на вектор. Эта операция аналогична сверточной фильтрации, которая широко применяется в устройствах цифровой обработки сигналов [10], [11].In BOX 1 and BOX 2, the operation of multiplying the matrix by a vector is performed. This operation is similar to convolutional filtering, which is widely used in digital signal processing devices [10], [11].
В БВКГ 3 и БВКГ 4 для расчета компонентов градиента выполняются операции умножения матрицы на матрицу, которая также распространена в устройствах цифровой обработки сигналов [10],[11].In BVKG 3 and BVKG 4, to calculate the gradient components, matrix-matrix multiplication operations are performed, which is also common in digital signal processing devices [10], [11].
БОМГ 5 и БПП 6 могут быть реализованы аналогично способу прототипу в соответствии с описанием в источниках [10], [11].BOMG 5 and
Приведенные выше материалы подтверждают соответствие критерию “промышленная применимость” предложенного способа.The above materials confirm compliance with the criterion of "industrial applicability" of the proposed method.
Это означает, что техническим результатом изобретения является повышение скорости выделения контуров полутоновых изображений в условиях импульсных помех.This means that the technical result of the invention is to increase the speed of selection of the contours of grayscale images in the conditions of pulsed interference.
Claims (1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2018139827A RU2695417C1 (en) | 2018-11-13 | 2018-11-13 | Method for noise-immune gradient selection of object contours on digital halftone images |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2018139827A RU2695417C1 (en) | 2018-11-13 | 2018-11-13 | Method for noise-immune gradient selection of object contours on digital halftone images |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2695417C1 true RU2695417C1 (en) | 2019-07-23 |
Family
ID=67512259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2018139827A RU2695417C1 (en) | 2018-11-13 | 2018-11-13 | Method for noise-immune gradient selection of object contours on digital halftone images |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2695417C1 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2755092C1 (en) * | 2020-11-23 | 2021-09-13 | Федеральное государственное унитарное предприятие "Всероссийский научно-исследовательский институт метрологии им. Д.И. Менделеева" | Method for forming image with local brightness gradient and device for its implementation |
RU2783065C1 (en) * | 2021-07-29 | 2022-11-08 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации | Apparatus for selecting the contours of objects in hyperspectral images |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2325044C1 (en) * | 2007-02-21 | 2008-05-20 | Московский государственный университет инженерной экологии | Gradient method of object contour extraction at halftone raster image matrix |
RU2360289C1 (en) * | 2008-08-11 | 2009-06-27 | Евгений Александрович Самойлин | Method of noise-immune gradient detection of contours of objects on digital images |
RU2016104498A (en) * | 2016-02-10 | 2017-08-15 | Государственное казенное образовательное учреждение высшего образования "Российская таможенная академия" | METHOD OF INTERFERENCE-STABLE GRADIENT IDENTIFICATION OF OBJECTS CIRCUITS ON DIGITAL HALITONE IMAGES |
-
2018
- 2018-11-13 RU RU2018139827A patent/RU2695417C1/en active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2325044C1 (en) * | 2007-02-21 | 2008-05-20 | Московский государственный университет инженерной экологии | Gradient method of object contour extraction at halftone raster image matrix |
RU2360289C1 (en) * | 2008-08-11 | 2009-06-27 | Евгений Александрович Самойлин | Method of noise-immune gradient detection of contours of objects on digital images |
RU2016104498A (en) * | 2016-02-10 | 2017-08-15 | Государственное казенное образовательное учреждение высшего образования "Российская таможенная академия" | METHOD OF INTERFERENCE-STABLE GRADIENT IDENTIFICATION OF OBJECTS CIRCUITS ON DIGITAL HALITONE IMAGES |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2755092C1 (en) * | 2020-11-23 | 2021-09-13 | Федеральное государственное унитарное предприятие "Всероссийский научно-исследовательский институт метрологии им. Д.И. Менделеева" | Method for forming image with local brightness gradient and device for its implementation |
RU2783065C1 (en) * | 2021-07-29 | 2022-11-08 | Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-воздушных сил "Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина" (г. Воронеж) Министерства обороны Российской Федерации | Apparatus for selecting the contours of objects in hyperspectral images |
RU2788589C1 (en) * | 2021-12-14 | 2023-01-23 | Российская Федерация, от имени которой выступает Министерство цифрового развития, связи и массовых коммуникаций Российской Федерации | Method for adapting an antenna array by a gradient procedure with variable pitch |
RU2788589C9 (en) * | 2021-12-14 | 2023-05-25 | Российская Федерация, от имени которой выступает Министерство цифрового развития, связи и массовых коммуникаций Российской Федерации | Method for adapting an antenna array by a gradient procedure with variable pitch |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thanh et al. | An iterative mean filter for image denoising | |
Hodgson et al. | Properties, implementations and applications of rank filters | |
Kobylin et al. | Comparison of standard image edge detection techniques and of method based on wavelet transform | |
Sharma et al. | Different techniques of edge detection in digital image processing | |
Abo-Zahhad et al. | Edge detection with a preprocessing approach | |
Nakariyakul | Fast spatial averaging: an efficient algorithm for 2D mean filtering | |
Veerakumar et al. | Impulse noise removal using adaptive radial basis function interpolation | |
Khan et al. | Image de-noising using noise ratio estimation, K-means clustering and non-local means-based estimator | |
RU2695417C1 (en) | Method for noise-immune gradient selection of object contours on digital halftone images | |
RU2648954C2 (en) | Method for noiseless gradient selection of object contours on digital halftone images | |
Avots et al. | A new kernel development algorithm for edge detection using singular value ratios | |
Rahman et al. | Edge detection technique by histogram processing with canny edge detector | |
Chochia | Transition from 2D-to 3D-images: Modification of two-scale image model and image processing algorithms | |
Gao et al. | New edge detection algorithms using alpha weighted quadratic filter | |
JP2870299B2 (en) | Image signal processing device | |
Meitzler et al. | Wavelet transforms of cluttered images and their application to computing the probability of detection | |
Medvedeva et al. | Methods of Filtering and Texture Segmentation of Multicomponent Images | |
Janoriya et al. | Critical review on edge detection techniques in spatial domain on low illumination images | |
Shen | On multi-edge detection | |
RU2589301C1 (en) | Method for noiseless gradient selection of object contours on digital images | |
Anitha et al. | Comparison of standard edge detection techniques along with morphological processing and pseudo coloring in sonar image | |
Abdelkawy et al. | Small infrared target detection using two-dimensional fast orthogonal search (2D-FOS) | |
Strickland et al. | Estimation of ship profiles from a time sequence of forward-looking infrared images | |
Jahagirdar et al. | Comparative study of satellite image edge detection techniques | |
Raghavendra et al. | Time efficient design and fpga implementation of distributed canny edge detector algorithm |