Оптимизация интерполятора многомерного сигнала в пространстве уменьшенной размерности
Автор: Гашников Михаил Валерьевич
Журнал: Компьютерная оптика @computer-optics
Рубрика: Обработка изображений, распознавание образов
Статья в выпуске: 4 т.43, 2019 года.
Бесплатный доступ
Разрабатываются адаптивные интерполяторы многомерного сигнала, учитывающие наличие и направление границ гладких областей сигнала в каждой локальной окрестности за счёт автоматического выбора интерполирующей функции для каждого отсчёта сигнала. Выбор интерполирующей функции производится посредством параметризованного правила, оптимизация которого производится в параметрическом пространстве уменьшенной размерности. Уменьшение размерности выполняется с использованием ранговой фильтрации локальных разностей в окрестности каждого отсчёта сигнала. Интерполирующие функции адаптивных интерполяторов записываются для многомерного, трёхмерного и двумерного случаев. Также рассматривается применение адаптивных интерполяторов в задаче компрессии многомерных сигналов. Приводятся результаты экспериментального исследования адаптивных интерполяторов на реальных многомерных сигналах различных типов.
Оптимизация, интерполяция, многомерный сигнал, уменьшение размерности, компрессия
Короткий адрес: https://sciup.org/140246498
IDR: 140246498 | DOI: 10.18287/2412-6179-2019-43-4-653-660
Список литературы Оптимизация интерполятора многомерного сигнала в пространстве уменьшенной размерности
- Woods, J. Multidimensional signal, image, and video processing and coding / J. Woods. - 2nd ed. - Academic Press, 2011. - 616 p.
- Tekalp, A.M. Digital video processing / A.M. Tekalp. - 2nd ed. - Prentice Hall, 2015. - 624 p. - ISBN: 978-0-13-399100-0
- Chang, Ch.-I. Hyperspectral data processing: Algorithm design and analysis / Ch.-I. Chang. - Hoboken, NJ: A John Wiley & Sons, Inc., 2013. - 1164 p. - ISBN: 978-0-471-69056-6
- Grahn, H. Techniques and applications of hyperspectral image analysis / H. Grahn, P. Geladi John / Wiley & Sons, 2007 - 399 p. - ISBN: 978-0-470-01087-7
- Lillesand, T. Remote sensing and image interpretation / T. Lillesand, R.W. Kiefer, J. Chipman. - 7th ed. - John Wiley & Sons, 2015. - 768 p.
- Dong, C. Image super-resolution using deep convolutional networks / C. Dong, C.C. Loy, K. He, X. Tang // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2016. - Vol. 38, Issue 2. - P. 295-307. -
- DOI: 10.1109/TPAMI.2015.2439281
- Hu, H. Image interpolation using classification-based neural networks / H. Hu, P.M. Holman, G. de Haan // IEEE International Symposium on Consumer Electronics. - 2004. - P. 133-137. -
- DOI: 10.1109/ISCE.2004.1375920
- Eldar, Y.C. Compressed sensing: Theory and applications and signal processing / Y.C. Eldar, G. Kutyniok. - Cambridge University Press, 2012. - 558 p. -
- ISBN: 978-1-107-00558-7
- Vapnik, V. Statistical learning theory / V. Vapnik. - John Wiley & Sons, 1998.
- Хакимов, Б.В. Моделирование корреляционных зависимостей сплайнами на примерах в геологии и экологии / Б.В. Хакимов. - СПб.: Нева, 2003. - 144 с.
- Cohen, A. On the stability and accuracy of least squares approximations / A. Cohen, M.A. Davenport, D. Leviatan // Journal of Computational Mathematic. - 2013. - Vol. 13. - P. 819-834.
- Баллани, Д. Многоуровневая тензорная аппроксимация PDE со случайными данными [Электронный ресурс] / Д. Баллани, Д. Кресснер, М.Д. Петерс. - 2016. - URL: http://poivs.tsput.ru/ru/Biblio/Publication/18899 (дата обращения 1.07.2019).
- Caiafa, C.F. Computing sparse representations of multidimensional signals using kronecker bases / C.F. Caiafa, А. Cichocki // Neural Computation. - 2016. - Vol. 25, Issue 1. - P. 186-220.
- Васин, Ю.Г. Хорошо приспособленные" базисы и задачи обработки экспериментальной информации: Учебное пособие // Ю.Г. Васин. - Горький: Горьк. гос. ун-т, 1979. - 129 с.
- Методы компьютерной обработки изображений / М.В. Гашников, Н.И. Глумов, Н.Ю. Ильясова, В.В. Мясников, С.Б. Попов, В.В. Сергеев, В.А. Сойфер, А.Г. Храмов, А.В. Чернов, В.М. Чернов, М.А. Чичева, В.А. Фурсов; под ред. В.А. Сойфера. - М.: Физматлит, 2003. - 784 с. -
- ISBN: 5-9221-0270-2
- Gashnikov, M.V. A differential image compression method using adaptive parameterized extrapolation / М.V. Gashnikov // Optical Memory and Neural Networks. (Information Optics). - 2017. - Vol. 26, Issue 2. - P. 137-144. -
- DOI: 10.3103/S1060992X17020023
- Максимов, А.И. Адаптивная интерполяция многомерных сигналов при дифференциальной компрессии / А.И. Максимов, М.В. Гашников, // Компьютерная оптика. - 2018. - Т. 42, № 4. - С. 679-687. -
- DOI: 10.18287/2412-6179-2018-42-4-679-68
- Sayood, K. Introduction to data compression / К. Sayood. - 4th ed. - Waltham, MA: Morgan Kaufmann, 2012. - 768 p. -
- ISBN: 978-0-12-415796-5
- Salomon, D. Data compression. The complete reference / D. Salomon. - 4th ed - Springer-Verlag, 2007. - 1118 p.
- Gashnikov, M. Compression method for real-time systems of remote sensing / M. Gashnikov, N. Glumov, V. Sergeyev // Proceedings of 15th International Conference on Pattern Recognition. - 2000. - Vol. 3. - P. 232-235. -
- DOI: 10.1109/ICPR.2000.903527
- Гашников, М.В. Бортовая обработка гиперспектральных данных в системах дистанционного зондирования Земли на основе иерархической компрессии / М.В. Гашников, Н.И. Глумов // Компьютерная оптика. - 2016. - Т. 40, № 4. - С. 543-551. -
- DOI: 10.18287/2412-6179-2016-40-4-543-551
- Gonzalez, R.C. Digital image processing / R.C. Gonzalez, R.E. Woods. - 3th ed. - Upper Saddle River, NJ: Prentice Hall, 2007. - 976 p. -
- ISBN: 978-0-13-168728-8
- AVIRIS data - Ordering free AVIRIS standard data products [Electronical Resource]. - URL: http://aviris. jpl.nasa.gov/data/free_data.html (request date 19.03.2018)
- TokyoTech 31-band hyperspectral image dataset [Electronical Resource]. - URL: http://www.ok.sc.e.titech.ac.jp/res/MSI/MSIdata31.html (request date 19.03.2018).
