Восстановление непрерывного изображения с использованием оценок максимального правдоподобия и интерполяции по атомарным функциям в соответствии с апертурой светочувствительного элемента датчика

Цель исследования - разработать метод эффективной обработки изображения, полученного с помощью оптической системы, на компьютере.

Методология. Представлены два последовательно применяемых метода для представления цифрового изображения как непрерывно приближающегося к исходным значениям сигнала. Квантованная интенсивность света рассматривается как сгруппированные данные. Метод максимального правдоподобия на сгруппированных данных позволяет получить наилучшую оценку исходного аналогового значения интенсивности света для каждого светочувствительного элемента датчика. Интенсивность света, измеряемая каждым светочувствительным элементом, рассматривается как двойной интеграл исходного оптического сигнала по области, определяемой апертурой элемента. Интерполяция атомарными функциями может использовать интегрированные данные для получения приближения к исходному оптическому сигналу.

Результаты. Актуальной проблемой в системах технического зрения является потеря информации при преобразовании оптического сигнала в цифровой вид. Поэтому актуальна задача эффективной обработки цифрового изображения. Необходимо разработать метод, исследовать его путем проведения статистического моделирования, сделать выводы. Для того чтобы оценить эффективность разработанного метода, было проведено статистическое моделирование, после чего произведен сравнительный анализ полученных результатов для разработанного метода и метода моментов. В целом результаты эксперимента согласуются с теоретическими расчетами.

Заключение. Использование интерполяции, интерполяционного полинома, который получен в результате работы предложенного метода для представления оптического изображения, позволяет получить дополнительную информацию об оптическом сигнале и об используемой оптической системе. В свою очередь, это дает возможность уменьшить требования к дорогостоящему оптическому оборудованию и снизить материальные затраты или увеличить качественные характеристики получаемого оптического изображения без увеличения производительности оборудования для работы с изображениями.

1. Li H., Chen S. A new CMTF evaluation model for dynamic target in photoelectric imaging system // IEEE Sens. J. 2017. Vol. 17, P. 6571-6577.

2. Gove R. J. Complementary metal-oxide-semiconductor (CMOS) image sensors for mobile devices // High Performance Silicon Imaging / ed. by D. Durini. Elsevier, 2014. P. 191234.

3. Senten P. Complementary metal-oxide-semiconductor (CMOS) and charge coupled device (CCD) image sensors in high-definition TV // High Performance Silicon Imaging / ed. by D. Durini. Elsevier, 2014. P. 373-410.

4. A 10.5-b ENOB 645 nW 100kS/s SAR ADC with statistical estimation based noise reduction / L. Chen, X. Tang, A. Sanyal, Y. Yoon, J. Cong, N. Sun // Custom Integr. Circuit Conf. (CICC), 2015. P. 1-4.

5. Chopade P. B., Patil P. M. Single and multi frame image super-resolution and its performance analysis: a comprehensive survey // Int. J. Comput. Appl. 2015. Vol. 111, no. 15.

6. Fahmy M. F., Fahmy G. Exponential spline perfect reconstruction decomposition with applications in compression and de-noising // J. of Signal, Image and Video Process. 2014. Vol. 8, is. 6. P. 1111-1120.

7. Efremov V., Efremova I., Malyshev A. Reconstruction of Continuous Image Using Maximum Likelihood Estimates from Grouped Data for Measuring Light Intensity and Interpolation by Atomic Functions According to Aperture of Photosensitive Element of Sensor (2019) // Proceedings - 2019 International Russian Automation Conference, RusAutoCon. P. 8867662.

8. A 0.7-V 0.6- p,W 100kS/s low-power SAR ADC with statistical estimationbased noise reduction / L. Chen, X. Tang, A. Sanyal, Y. Yoon, J. Cong, N. Sun // J. IEEE Solid-State Circuits. 2017. Vol. 52, no. 5, pp. 1388-1398.

9. Орлов А. И. Основные черты новой парадигмы математической статистики // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2013. № 90 (10). С. 45-71.

10. Орлов А. И. Оценивание параметров: одношаговые оценки предпочтительней оценок максимального правдоподобия // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2015. № 109(5). C. 208-237.

11. Ефремов В. В., Ефремова И. Н. О способах цифровой обработки изображений для снижения потерь от дискретизации и квантования // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2014. № 2. С. 52-60.

12. Ефремов В. В., Ефремова И. Н. О представлении непрерывного оптического изображения в цифровом компьютере // Математические методы и инновационные научно-технические разработки: сборник статей / Юго-Зап. гос. ун-т. Курск, 2014. С. 8288.

13. Ефремов В. В., Ефремова И. Н., Емельянова Н. Н. К вопросу автоматизации микробиологических исследований // Научный альманах. 2016. № 4-3 (18). С. 320-323.

14. Буторин В. М., Ефремов В. В., Ефремова И. Н. О представлении непрерывного оптического изображения в цифровом компьютере // Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2012. Т. 23, № 13-1. С. 210-215.

15. Ефремов В. В., Ефремова И. Н., Емельянова Н. А. О методах цифровой обработки информации в медицине // Наука и образование в жизни современного общества: сборник научных трудов по материалам Международной научно-практической конференции. Тамбов, 2015. Т. 7. С. 57-59.

16. Углицкий Я. Г., Киреев И. А., Ефремова И. Н. Роль информационных технологий в производстве современной одежды и аксессуаров // Программная инженерия: современные тенденции развития и применения (ПИ-2020): сборник материалов IV Всероссийской научно-практической конференции, посвященной 30-летию создания кафедры программной инженерии. Курск: Университетская книга, 2020. С. 83-86.

17. Analysis and classification of x-ray images on the basis of intelligent agents in distributed systems / R. A. Tomakova, I. S. Egorov, M. V. Tomakov, N. A. Korsynskiy // Journal of Physics: Conference Series. International scientific conference artificial intelligence and digital technologies in technical systems. Volgograd, 2020. Vol. 1801. Р. 012042.

18. Automated analysis of x-ray images using transparency marks / A. R. Dabagov, R. A. Tomakova, V. A. Alekseev, D. S. Kondrashov // Journal of physics: Conference Series. International conference on high-performance computing systems and technologies in scientific research, automation of control and production, HPCST 2020. St. Petersburg, 2020. P. 012011.

19. Classification of multichannel images based on cellular processes / R. A. Tomakova, S. A. Filist, A. I. Pykhtin, S. V. Ostrotskaia // 19th international multidisciplinary scientific geoconference SGEM 2019. Conference Proceedings. Sofia, 2019. Р. 145-152.

20. Hybrid intelligent models for chest x-ray image segmentation / S. A. Filist, R. A. Tomakova, S. V. Degtyarev, A. F. Rybochkin // Biomedical Engineering. 2018. Vol. 51, no. 5. Р. 358-363.