Линейные операторы с векторными масками в задачах цифровой обработки изображений
Автор: Новиков А.И., Пронькин А.В.
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 4 т.47, 2023 года.
Бесплатный доступ
В работе обосновывается целесообразность применения векторных масок для решения определенного круга задач цифровой обработки изображений. Основное преимущество векторных масок по сравнению с матричными масками заключается в сокращении вычислительной сложности алгоритмов при сохранении, а в некоторых задачах и в улучшении качественных показателей. В статье демонстрируются примеры применения векторных масок в задаче оценивания уровня дискретного белого шума в составе изображения и конструирования на этой основе корректно работающего сигма-фильтра, в задаче детектирования границ для получения сглаженных оценок частных производных, в задаче обнаружения прямых в составе контурного изображения. В работе используются результаты, полученные авторами в их более ранних публикациях.
Линейные операторы, векторная маска, свертка, оценивание дисперсии шума, детектирование границ, контурное изображение, выделение прямых
Короткий адрес: https://sciup.org/140301833
IDR: 140301833 | DOI: 10.18287/2412-6179-CO-1241
Linear operators with vector masks in digital image processing problems
The paper shows that it is expedient to use vector masks for solving some types of digital image processing problems. The main advantage of vector masks compared to matrix masks is that they reduce the computational complexity of algorithms while maintaining, and in some problems even improving, quality indicators. The article demonstrates examples of the use of vector masks in the problem of estimating the level of discrete white noise in an image, forming a basis for constructing a correctly working sigma filter, which are used for obtaining smoothed partial derivative estimates in the problem of edge detection and detecting straight lines in a contour image. The work uses results obtained by the authors in their earlier publications.
Список литературы Линейные операторы с векторными масками в задачах цифровой обработки изображений
- Kostyashkin LN, Nikiforov MB, eds. Image processing in aviation vision systems [In Russian]. Moscow: "Fizmatlil" Publisher; 2016.
- Alpatov BA, Babayan PV, Balashov OE, Stepashkin AI. Methods for automatic detection and tracking of objects [In Russian]. Moscow: "Radiotehnika" Publisher; 2008.
- Gonzalez RC, Woods RE. Digital image processing. Pearson; 2005.
- Soifer VA, Sergeev VV, Popov SB, Myasnikov VV. Theoretical foundations of digital image processing [In Russian]. Samara: Samara National Research University named after Academician S.P. Koroleva Publisher; 2000.
- Tomasi C. Manduchi R. Bilateral filtering for grey and color images. Sixth Int Conf on Computer Vision 1998: 839-846.
- Lee JS. Digital image smoothing and the sigma filter. Comput Graph Image Process 1983; 24(2): 255-269.
- Vizilter UV, Zheltov SU, Bondarenko AV. Image processing and analysis in machine vision problems [In Russian]. Moscow: "Fizmatkniga" Publisher; 2010.
- Schowengerdt RA. Remote sensing: Models and methods for image processing. Amsterdam: Elsevier Ink; 2006.
- Novikov AI, Pronkin AV. Detector of gradient type borders for understanding surface images [In Russian]. Vestnik RGRTU 2019; 68: 68-76. DOI: 10.21667/19954565-2019-68-2-68-76.
- Hough PV. Machine analysis of bubble chamber pictures. 2nd Int Conf on High Energy Accelerators and Instrumentation 1959: 554-558.
- Ershov EI, Terekhin AP, Karpenko SM, Nikolaev DP. On the exact estimation of inaccuracies in the line approximation in the fast hough transform algorithm [In Russian]. Information Technology and Systems 2015: An IITP RAS Interdisciplinary Conference & School 2015. 858-868.
- Novikov AI, Melnikova ES, Ustykov DI. Straight line detection method for images based on the proporties of curvature. 22th Int Conf on Digital Signal Processing and its Applications (DSPA) 2020: 1-4.
- Kendall MJ, Stewart A. Multivariate statistical analysis and time series [In Russian]. Moscow: "Nauka" Publisher; 1976.
- Anderson TW. The statistical analysis of time series. New York: John Wlley and Sons Inc; 1994.
- Novikov AI. The formation of operators with given properties to solve original image processing tasks. Pattern Recognition and Image Analysis 2015; 25: 230-236. DOI: 10.1134/S1054661815020194.
- Novikov AI, Pronkin AV. Methods for image noise level estimation. Computer Optics 2021; 45(5): 713-720. DOI: 10.18287/2412-6179-CO-894.
- Donoho DL. De-noising by soft-thresholding. IEEE Trans Inf Theory 1995; 41(3): 613-627.
- Olsen SI. Noise variance estimation in images. 8th Scandinavian Conference on Inage Analysis 1993.
- Ghazal M, Amer A, Ghrayeb A. Structure-oriented spatiotemporal video noise estimation. IEEE Int Conf on Acoustics Speech and Signal Processing 2006: 845-848.
- Lapshenkov EM. No reference estimation of noise level of digital image is based on harmonic analysis [In Russian]. Computer Optics 2012; 36(3): 439-447.
- Voskoboinikov UE, Krysov DA. Estimation of the noise measurement characteristics in the model "Signal + Noise" [In Russian]. Automatics and Software Enginery 2018; 3(25): 54-61.
- Canny J. A computational approach to edge detection. IEEE Transactions on Pattern Analysis and Machine Intelligence 1986; 8: 679-698.
- Novikov AI, Pronkin AV. Method and program for detecting borders of brightness difference [In Russian]. Proc VI Int Conf on Information Technology and Nanotechnology (ITNT) 2020; 2: 111-119.
- Brady ML, Yong W. Fast parallel discrete approximation algorithms for the Radon transform. Proc fourth annual ACM Symposium on Parallel Algorithms and Architectures 1992: 91-99.
