CC BY
46
хранение и обработку данных, а также повышение эффективности поддержки целостности путем снижения временных затрат на соединение локальных отношений БД.
Литература: 1. Дейт К. Введение в системы баз данных: Пер. с англ.. М.: Издательский дом “Вильямс”, 2001. 1072 с. 2. УльманДж. Основы систем баз данных: Пер. с англ. М.Р. Когаловского и В.В. Когутовского; Под. ред. М.Р. -Когаловского. М.: Финансы и статистика, 1983. 334 с.
3. Карденас А.Ф. Управление неоднородными распределенными базами данных // ТИИЭР. Т. 75, № 5. 1987. С. 72-86. 4. Дуайер П.А., Ларсон Дж.А. Опыт работы с испытательной распределенной базой данных // ТИИЭР. Т. 75, № 5. 1987. С. 126-138. 5. Чери С., Перничи Б., Видер-хольдДж. Методология проектирования распределенных баз данных // ТИИЭР. Т. 75, № 5. 1987. С. 7-22.
6. Sheth A.P., Larson J.A. Federated database for managing distributed, heterogeneous, and autonomous databases // Computing Surveys, 22:3 (1990). Р. 183-236. 7. Гарсиа-Мо-
УДК621.383.8:621.396.96:621.396.6 '
СУЧАСНИЙ СТАН СИСТЕМ ПРИЙОМУ, МОНІТОРИНГУ І ОБРОБКИ ІНФОРМАЦІЇ ЗОБРАЖЕНЬ І ПЕРСПЕКТИВИ ЇХ РОЗВИТКУ НА ОСНОВІ ДИФЕРЕНЦІАЛЬНОГО МЕТОДУ
РУСИН Б.П., ІВАНЮК В.Г., КАПШІЙ О.В.
Представлений огляд фокусується на розгляді і визначенні основних технічно-програмних перетворень інформації для зображень, котрі несуть інформацію про фізичні процеси, за схемою диференціального методу і спектра супутніх питань. Спираючись на представлені матеріали пропонується формалізоване дослідження такої схеми на засадах кількості інформації. Дається практична оцінка впливу технічних засобів отримання інформації зображень за схемою диференціального методу.
1. Вступ
За останні роки область застосування цифрової обробки зображень, котрі несуть інформацію про фізичні процеси (медицина, гістологія, біологія, металографія і т. д.), значно збільшилась, чому сприяло застосування нових пристроїв і програм в системах обробки інформації зображень. Тим не менше, залишаються певні недоліки в роботі зазначених систем обробки інформації і на їх усунення направлені зусилля значної частини дослідників, які працюють в галузі обробки зображень. Представлений огляд приділяє увагу розгляду і визначенню основних технічно-програмних перетворень інформації, які є в системах прийому, моніторингу, обробки і архівування інформації зображень, котрі несуть інформацію про фізичні процеси. З метою запозичити корисні перетворення для втілення в таких системах огляд спрямований на розгляд і визначення основних технічно-програмних перетворень інформації, які є в мультимедійних системах. В
РИ, 2006, № 2
лина Г., Ульман Дж., Уидом Дж. Системы баз данных. Полный курс.: Пер. с англ. М.: Издательский дом “Вильямс”, 2003. 1088 с. 8. Мейер Д. Теория реляционных баз данных. М.: Мир, 1987. 608 с. 9. ЦаленкоМ.Ш. Семантические и математические модели баз данных. М.: ВИНИТИ, 1985. 208 с. 10. ГолосовА.О. Аномалии в реляционных базах данных // Системы управления базами данных. 1996. № 3. С. 23-28. 11. БуслікМ.М. Оптимальні зображення реляційних баз даних. Монографія. К: ІСДО, 1993. 84 с.
Поступила в редколлегию 12.03.2006
Рецензент: д-р техн. наук, проф. Филатов В.А.
Танянский Сергей Станиславович, канд. техн. наук, доцент кафедры информационных систем и технологий в деятельности ОВД Харьковского национального университета внутренних дел. Научные интересы: поддержка и обработка распределенных данных. Адрес: Украина, 61080, Харьков, пр. 50-летия СССР, 27, тел: 739-85-79, e-mail: tanyansky_ss@yahoo.com.
першу чергу увага концентрується на визначенні перспектив розвитку зазначених перетворень на основі диференціального методу для файлів зображень, котрі несуть інформацію про фізичні процеси.
Мета дослідження: огляд основних технічно-програмних перетворень інформації, які використовуються в сучасних системах обробки медичних, металографічних, мультімедіа зображень та виділення серед них перетворень, корисних для розвитку схем диференціального методу. Задачі: 1) Формалізація схем диференціального методу за пар аметром, що діагностує фізичний стан досліджуваного об’єкта. 2) Оцінка впливу похибок приймача зображення та формування рекомендацій по застосуванню апаратури приймача і її юстуванню.
2. Сучасний стан систем обробки медичних зображень
Діагностування з допомогою медичних зображень є їх спеціальне декодування. Вони несуть інформацію про клінічні процеси (відновлення форми медичних об’єктів в трьохмірному просторі з двохмірних зображень ). Екстракція об ’ єктів з дистанционно отр иманих зображень, метричні виміри розмірів медичних об ’ єктів є складними внаслідок варіації геометрії і частотних форм об’єктів діагностики та декодування і варіації інтенсивності (чи кольору) всередині однакових структурних класів.
В процессі такого декодування медичного зображення візуально або з допомогою системи обробки зображень визначаються певні діагностичні параметри, що характеризують стан пацієнта.
Проведемо огляд питань, які виникають під час обробки медичного зображення.
В роботах [1-5] розглядається відновлення медичних зображень, пошкоджених внаслідок дискретизації їх сигналу. Типовим представником такого напрямку досліджень є робота [1]. В ній запропоновано новий метод для відновлення пошкоджень від дискретизова-
91
них сигналів. Ці артефакти відкриті біля кутів країв і виникають за рахунок зменшення спектру, асоційованого з дискретизацією. Метод базується на першому збільшенні частоти дискретизації сигналу з стандартною оптимальною sinc інтерполяцією. Після цього застосовується локальний фільтр, який відновлює високу частоту, асоційовану з осцілюючими артефактами в напрямку країв. Метод спеціально пристосований для взаємодії з медичними зображеннями, які мають малі структури, такі, шо розчиняються в триацетаті целюлози.
В роботах [6-21] розглянута сегментація кольорових зображень і її застосування в медицині. Типовим представником таких досліджень є робота [6]. В ній розглянута сегментація кольорових зображень і її застосування в медицині для завдань гематолологіч-ної діагностики. Клітинна сегментація є важливим класом завдань в обробці медичних зображень. При цьому інформаційна модель структури залежить від коректної сегментації і декодування. В гематології рахунок клітин і клітинна морфологічна оцінка є індикаторами патологічного діагнозу.
Сучасна клінічна діагностика широко використовує трьохмірні зображення органів і їх частин. В роботах [22-28] представлений напрямок оборобки медичних зображень, пов’язаний з відтворенням об єктів трьох-мірного простору з двохмірних зображень. Типовим представником такого напрямку досліджень є робота [22]. В ній представлені результати оборобки зображень і аспекти візуалізації в системах віртуальної біопсії печінки (системи імітації медичної процедури біопсії печінки). Описане відтворення трьохмірного простору органів з двохмірних зображень. Дискутуються сегментаційні потреби процессу.
Моніторинг стану тяжко хворих в багатьох випадках пов’язаний з обробкою і клінічною діагностикою файлів медичних зображень, отриманих в певні часові інтервали. Система обробки медичних зображень містить базу даних з зображеннями з метою порівняння їх інформації між собою. Таке порівняння може виявити хронологічні зміни стану пацієнта, його окремих органів клітин. тощо. Також порівняння медичних зображень може бути корисним для діагностики певного захворювання. Для зберігання файли зображень бази даних потрібно компресувати. Існують і інші практичні потреби компресії медичних зображень. В [27-31] представлений напрямок робіт, пов’язаний з компресією медичних зображень.
В роботі [32] розглядається обробка медичних зображень в галузі гінекології. Колькоскопічне зображення характеризується інформацією, представленою в кольорі, текстурній формі і у вигляді рельєфу. Отже, аналіз таких зображень є складним. Потрібне обладнання комп’ютерної підтримки діагнозу. Представлений аналіз направлений на підтримку гінекологу в колькоскопічному діагнозі. Цей аналіз базується на інтерактивній концепції, що дає можливість вибрати різні кольорові компоненти (7 зразків) і текстурні
атрибути, які можуть бути зараховані в певному порядку.
Таким чином, сучасна клінічна діагностика широко використовує діагностичні дані, отримані при обробці медичних зображень. В даній роботі буде проведений розгляд аспектів обробки медичних зображень з метою їх клінічної діагностики.
В системі обробки зображень, котрі несуть інформацію про фізичні процеси, в тому числі і в системі обробки медичних зображень, слід звернути увагу на завади технічного отримання інформації, які погіршують якість аналізу зображень. Треба встановити причини і джерела походження таких завад, а також засоби їх знешкодження. Проведемо аналіз зазначених завад за допомогою літературного огляду.
3. Вплив параметрів приймача на інформацію зображень
Велика кількість цифрових камер використовує такий механізм отримання зображення, коли цифрова камера продукує кольорові зображення, використовуючи одноплатний прилад з зарядовим зв’язком. Інформація поступає на пікселі з мозаїки кольорових фільтрів, розміщених на платі. Кожен фільтр пропускає окремий колір, тому різні пікселі регєструють різні кольори. Кожний піксель зображення містить тільки один компонент з RGB. Відновленню повного зображення приділяється значна увага, про що свідчать роботи [33-36].
В роботі [33] відновлювалось повне кольорове зображення. При стандартній техніці відновлення реконструйоване зображення має спотворення, що вноситься з червоного, зеленого і синього початкових вибіркових зображень. Вибірка червоного і блакитного початкових зображень робиться з низькою швидкістю змін по просторових координатах. Таким чином, якщо використовується стандартна інтерполяційна техніка, то реконструйовані червоне і синє зображення мають пропущену високочастотну інформацію і можуть містити спотворення у вигляді накладення спектрів, що виникає при недостатньо високій частоті дискретизації сигналу. Щоб залагодити зазначені недоліки відновлення зображення, пропонується метод інтерполяції кольорового фільтрованого масиву, що комбінує інформацію з зеленого зображення з субвибірками червоного і синього зображень. Для компенсації частотних складових високочастотна інформація з зеленого зображення додається до інтерпольованих червоного і синього зображень, а також використовується для оцінювання накладення спектрів в інтерполяції червоного і синього зображень забезпечуючи засоби відновлення пошкоджень, викликаних накладенням спектрів.
В роботі [34] пропонується новий метод інтерполяції кольорового фільтрованого масиву. Метод має два етапи: нарізає кольорові площини в оболонки для ідентифікування згладжених локальних регіонів зображень і обчислює відсутні кольорові значення, для чого використовує спектральну кореляцію між коРИ, 2006, № 2
92
льоровими площинами. На прикладах стверджується, що результати роботи запропонованого алгоритму дають кращі результати, ніж інші існуючі методи.
В роботі [35] пропонується нова компресія зображення в цифровій камері. Архівування має вищу якість за рахунок використання характеристик кольорового фільтрованого масиву Байєра. Цифрова камера отримує кольорові зображення, використовуючи однопалатний прилад з зарядовим зв ’язком. Після закінчення стадії обробки по відновленню повного зображення іде стадія компресії, яка використовує найчастіше JPEG. Але на цій схемі перед зменшенням інформації в стадії компресії зайва кількість інформації додається в стадії інтерполяції. Запропоновано алгоритм компресії зображення, в якому порядок компресії і інтерпо -ляції міняється, щоб зменшити зайву кількість інформації перед компресією.
В роботі [36] кожний піксель цифрової камери представляється вибіркою одного з кольорових діапазонів. Таке розміщення інформації на пікселях є мозаїкою. Реставрація повного кольорового зображення з записаного у вигляді мозаїки зображення є процесом оцінки значень пікселів для всіх кольорових діапазонів. Процес реставрації повного зображення у вигляді мозаїки виконується за критерієм мінімуму середньої квадратичної похибки оцінки відновленого повного зображення. Представлено ефективний метод реставрації, що виконується шляхом загальних наближень. Загальні адаптації можуть бути використані в процесі реставрації повного зображення для формування варіантів покращення алгоритму.
Отже, можна сказати, що коли цифрова камера продукує кольорові зображення, використовуючи однплатний прилад з зарядовим зв’язком, відновлене реконструйоване зображення має додаткове спотворення.
Ще одним джерелом завад технічного отримання інформації є недосконале юстування джерела світла і приладу з зарядовим зв’язком. Важливості врахування специфічності застосування в приймачі джерела світла і приладу з зарядовим зв’язком, як можливих джерел завад технічного отримання інформації, теж приділяється значна увага користувачів систем обробки інформації. Наведемо ряд прикладів.
В роботі [37] спарена цифрова камера використовувалась для отримання трьохмірного зображення. Кожна цифрова камер а мала чотири сепаруючі плати приладів з зарядовим зв’язком, які регєстрували чотири спектральні діапазони. В цій камері три спектральні діапазони - це RGB, а четвертий діапазон -інфрачервоний IR. Ця інформація використовувалась для реконструкції трьохмірного простору. Вказані стандартне джерело світла і тип приладу з зарядовим зв’язком.
В праці [38] використовували електронне юстування зображень під час мультиспектрального спостереження. В цій роботі сформована задача юстування
двохспектральної відеопослідовності. Запропоновано рішення цієї задачі при спостереженні пласкої сцени, яке зводиться до рішення системи лінійних рівнянь. Надані результати випробувань алгоритму юстування на комп’ютері.
Ще одне джерело завад технічного походження в системі обробки зображень, котрі несуть інформацію про фізичні процеси, в тому числі і в системі обробки медичних зображень, пов ’язане з застосуванням компресії зображень.
4. Компресія зображень
Компресія зображень - це напрямок робіт, або клас завдань по розміщенню великого файлу зображень в обмеженому обсязі пам’яті системи обробки інформації зображень для тимчасового зберігання з метою наступної візуалізації в тій самій системі обробки інформації зображень, де він зберігається, або в іншій системі обробки. Огляд розвитку цього напрямку досліджень представлено у [39]. Доповнимо цей огляд додатковою інформацією.
Одним з потужних засобів компресії зображень є JPEG2000. Компресія JPEG2000 має дві кодуючі модифікації: JPEG і вейвлет-модифікацію кодування. В роботах [40-53] представлені основні дані, що розкривають суть JPEG2000 компресії.
Блок-схема JPEG кодування представлена такими операціями. Зображення розбивається на просторові сегментів однакового розміру (найчастіше 8 х 8 ). В кожному сегменті виконується лінійне перетворення DCT (дискретне косинусне перетворення). Коефіцієнти DCT кожного сегмента розташовуються в “зиг-заг”-послідовність і квантуються. Кожний елемент “зиг-заг”-послідовності за кодуванням Хаффмена перетворюється у кодове слово. Компресовані дані архівуються у пам’яті системи обробки інформації.
Блок-схема JPEG декодування представлена такими операціями. За таблицею Хаффмена відновлюються рівні квантування. “Зиг-заг”-послідовність перетворюється на сегмент 8 х 8 . Над даними цього сегмента виконується зворотне DCT перетворення. Такі операції виконуються для всіх сегментів зображення.
В роботах [54-57] наведені дослідження параметрів і артефактів компресії JPEG.
В праці [54] під час JPEG компресії коефіцієнти DCT кольорового зображення такі, що відповідають сітці. Ця спеціальна геометрія використовувалась в оцінці компресії простору кольору, за алгоритмом сітчастого перетворення даних. Моделююча перевірка показала, що пропонований алгоритм приводить до точної компресійної оцінки.
В праці [55] розглядаються компресійні схеми з втратами. Квантування DCT коефіцієнтів вносить помилку в презентацію зображення і втрати сигнальної інформації. У випадку компресії з високим коефіцієнтом винакає помилка, продукуюча небажані візуальні компресійні пошкодження.Розглянута просторова зонна
РИ, 2006, № 2
93
модель помилки квантування. Зазначена модель базується на моделі статистичної завади помилки, що вноситься квантуванням DCT коефіцієнтів. В результаті теоретичного аналізу моделі завади просторово зонного квантування показано, що компресійна завада в просторовій області подвійно корелює і просторово змінюється Це дає можливість застосувати пристосовані для зменшення завади фільтри.
В праці [56] описано зменшення блочних завад в DCT для JPEG компресії. Глобальна природа DCT і квантування їх коефіцієнтів відповідають за блокові артефакти при великому коефіцієнті стиску блок - базованих декомпресованих зображень JPEG. Ці артефакти стають візуально помітні в площинах і низькоактивних зонах зображення. На цей час більшість деблокуючих технік є блок - базованими і мають обмежений візуальний успіх через високоперіодичну сітчасту модулюючу структуру. Для зменшення блочних артефактів у згаданих зонах зображення використана тернарна поліномна техніка. На відмінність від існуючої техніки фільтрації презентована техніка на поліноміальній основі, включно з JPEG технікою, пропонує компенсацію помилки квантування в обчисленні DCT коефіцієнтів для JPEG компресії.
В праці [57] подана нова методологія детектування помилки і корекції пошкоджених коефіцієнтів для випадку трансмісії закодованих зображень, базованих на ортогональних трансформаціях для каналу з завадою. Цей метод базується на ортогональних властивостях перетворень зображень, таких як DCT. Невелика довідкова інформація кожного блоку зображення записана в попередньо встановлений пріор ітет рівнів інтенсивності до перетворення. Це дозволяє відновити і коректувати розподіл похибок, генерований пошкодженими коефіцієнтами DCT. Корекція пошкоджених кое фіцієнтів DCT здійсню ється за інформацією по частині рівнів інтенсивності, що зберігається в блоці зображення. Після відновлення пошкоджених DCT коефіцієнтів результуюче зображення візуально не відрізняється від оригіналу.
Вейвлет - базована модифікація кодування JPEG2000 використовує алгоритм Маллата [58]. Виходячи з твердження про більшу інформативність низькочастотної частки відеосигналу, у алгоритмі Маллата на кожному кроці вилучається половина низькочастотної частини діапазону відеосигналу.
За методом вилучення низькочастотної частки відео-сигналу подібним до алгоритму Маллата є швидке перетворення Фур’є [59]. Такі дані представлені у роботах [60, 61]. Тут досліджувалось проріджування відліків спектру відеосигналу. Представлено алгоритм, в якому керуючись значенням частоти дискретизації спектр відеосигналу на кожному кроці розбивався на частини, які мали просторову локалізацію. Дискретне (двійкове) розщеплення спектра відеосиг-налу проводилось у повному обсязі.
В роботах [44-53,62-65] розглянуто різні аспекти, що пов’язані з застосуванням вейвлет - базованої модифікації кодування JPEG2000.
В роботі [62] розглянуто втручання в компресію за JPIP протоколом для інтерактивних втручань в зображення для JPEG2000. Показано, що розділення на незалежно компресовані підзображення може бути шкідливе для ефективного перегляду великих компресованих зображень на з’ єднаннях низькочастотних смуг пропускання.
В роботі [63] розглянуто техніку управління швидкістю відтворення зображення в інтерактивних віртуальних формах, що дає презентацію геометрії об’єкта за ієрархічним рівнем його деталізації з використанням текстурних карт. Компресійна текстурна техніка (S3TC, FTX1, VQ) пропонує певну допомогу, але ціною якості і деталізації зображень Пропонується метод рішення, що використовує текстуру зображень, компресованих за JPEG2000.
В роботі [64] розглянуто метод узгодження для трансмісії JPEG2000 (J2K) кодованих потоків каналів з завадами. Властивості J2K кодованого потоку утилізуються в форму багаторівневого кодованого потоку, що має різний захист на кожному рівні. Використовуються різні акомодаційні канальні кодові стратегії. Експериментально показані переваги цього методу порівняно з відомими.
В роботі [65] впроваджено алгоритм індикації оптимального компресійного відношення розміщення і пакетування за JPEG2000. На п’ятьох зображеннях показано, що в середньому відношення розміщення і пакетування зростає порівняно з JPEG2000 і робить загалом можливим збільшення швидкодії на 33% порівняно з JPEG2000.
Таким чином, з представленого матеріалу можна зробити висновок, що компресія JPEG2000 з її різноманітними кодуючими модифікаціями лімітується в застосуваннях похибкою компресії.
Одним з потужних засобів компресії файлів зображень є MPEG [66-73].
В праці [66] стандарти цифрового відеокодування MPEG і H.26x, базовані на DCT, адаптуються для мультимедіа використання.
В праці [67] пропонується метод сегментації об’єкта, що рухається, стандартним DCT. Щоб пристосувати біжучий блок, що базується на стандарті відеокоду-вання, пропонований алгоритм використовує DCT -коефіцієнти і вектор руху блоку в сегментації у просторовій і у часовій областях.
В праці [68] пропоновано новий опис для кольорових зображень відеопристроїв, таких як персональний відеорекордер. Специфіка опису базується на просторовому розподілі кольорів, на нелінійному квантуванні коефіцієнтів DCT з сітково-базованим середнім кольорів. Досліджувалось співвідношення між числом коефіцієнтів, що складають опис, і ціною реставрації.
94
РИ, 2006, № 2
Експериментальні результати показали, що опис з шістьох коефіцієнтів для яскравості і троьх для хроматичних коефіцієнтів дає кращий вибір між складскими витратами і відновлювальною ефективністю.
Ще однією областю застосування компресії слід вважати відеотранскодування, що є процесом конвертування попередньо компресованого потоку в нижчий за розміром біт потік. В [69-72] розглянуті різні аспекти в галузі відеотранскодування. Відеотранско-дування є ефективний шлях для оціночної адаптації і схемних відеозастосувань. Крім того, велика кількість транскодерних архітектур запропонована для досягнення швидкої обробки. Сучасне відеотранскодування - це відносно низька складність і допустима якість.
В працях [69] досліджується транскодування з пропуском частини кадрів. В транскодуванні потрібна частотно-кадрова конверсія, поновлення квантизова-них коефіцієнтів DCT, помилка пророкування потребує реообчислень, котрі можуть створювати небажану складність. Для покращення якості зображення і зменшення складності в роботі пропонується нова архітектура кадр пропуску операції транскодування. Для транскодування використовуються стратегія директивного сумування DCT коефіцієнтів і помилка компенсації в кільці зворотнього зв’язку, що суттєво зменшує помилку рекодування. Схему управління частоти кадрів зроблено динамічно регульованою кількістю пропущених кадрів.
В праці [70] розглянуто відновлення біт-темпу компресованого відеобіт-потоку з використанням операції деквантування. Загалом при деквантуванні використовуються три схеми транскодування для відновлення компресованого біт-темпу. Пропонований метод транс-кодування комбінує використання різних схем для транскодування компресованого біт-потоку для різно-цільових біт-темпів, які забезпечують досить високу відеоякість.
В праці [71] розглядається транскодування в DCT-просторі, яке було запропоноване для того, щоб зняти дрейф в транскодерах зі зворотнім зв’язком і зменшити високу складність в каскадах транскодерів. Запропоновано метод швидкої екстракції частини низькочастотних коефіцієнтів в операціях DCT для рухової компенсації.
В праці [72] описано мультирівневий відеокодер, який базується на просторово-часовому масштабуванні і розбитті декомпозиції даних. Такий кодер складається з двох частин: низького розбиття і повного
розкладу. При реставрації перший кодер декодує картини з відновленням роздільчої здатності у просторі і часі. Дані записуються в базові оболонки. Кодер повного відновлення робить інтерполяцію по базових оболонках.
В праці [73] розлянуте збільшення роздільчої здатності для послідовності відеокінокадрів. Суперзбільшуючі методи, що комбінують нерезервовану інформацію, присутню в классі зображень з низькою роздільчою
здатністю, починають застосовуватись у найбільш популярних компресійних стандартах, в тому числі MPEG. Байясівський підхід, який з успіхом застосовується в необробленому відео, не має успіху для MPEG відео. Провал застосування для MPEG відео, виникає тому, що байясівський підхід не містить компресійний процес у своїй моделі. Такий компресійний процес вносить квантизаційний шум, який схожий з адитивною завадою, що присутня у байясівських моделях. Представлено аналітичний продукт, який з’ єднує квантування і адитивні завади на стохастичній основі, придатній для застосування в MPEG компресійному відео. Це головна основа в тому сенсі, що можуть бути використані різні відеомоделі, статистичні джерела, імплементаційні техніки.
Таким чином, з представленого матеріалу можна зробити висновок, що найпоширинішими методами компресії файлів зображень є методи, що так чи інакше спираються на компресію MPEG з її різноманітними кодуючими модифікаціями. Також видно, що компресія лімітується похибкою компресії.
В основі MPEG компресії і її похідних лежить диференціальне порівняння двох зображень. Така компресія досягається вилученням сталої частини пікселів за межі процедури збереження інформації зображення. Дуже подібна задача турбує дослідника (лікаря, мета-лографіста тошо) під час проведення обстеження фізичного стану досліджуваного об’єкта (діагностика і лікування пацієнта, визначення фізико-хімічного стану металографічного зразка, на який діють корозійні фактори, тошо). Спираючись на показники фізичного стану досліджуваного об’єкта за певним параметром, визначеним в різні моменти часу, досліднику потрібно коригувати процес впливу позитивних і негативних факторів на фізичний стан досліджуваного об’єкта.
5. Формалізація схеми диференціального методу для зображень, котрі несуть інформацію про фізичні процеси
Нехай фізичний стан досліджуваного об’ єкта (медичний стан пацієнта, медичний стан окремого органу, фізико-хімічний склад металографічного дослідного зразка тощо) в певний J -й момент часу (JAt, де At -часовий крок, J є {j1, j2} - ціле) описується параметром pJ, визначеним за цифровим кольоровим зображенням. Елементи цього зображення:
wJ = w(x,y,JAt) = wJ(x,y), w e{r,g,b}, де x, y - координати пікселя у площині зображення, заповнюють апертуру поля A = Lx, Ly. Таким чином, параметр
Pj = p(w(x,y,JAt), {x,y}e A) (1)
є функцією точок wJ . Точка wJ є функцією wj = w(u(J)) множини параметрів u(J) e{zJ,mJ,lJ,cJ}, де параметр zJ описує вплив негативного фактора на
РИ, 2006, № 2
95
фізичний стан досліджуваного об’єкта (фактор хвороби пацієнта, корозійний фактор для металографічного зразка тощо), mj описує вплив позитивного фактора на фізичний стан досліджуваного об’єкта (фактор засобів лікування пацієнта, антикорозійний фактор для металографічного зразка тощо), параметри lJ є L описують дію технічних засобів отримання
інформації, параметри cJ є C описують дію технічних засобів збереження інформації. Для діагностики фізичного стану досліджуваного об’єкта за параметром p по двох зображеннях, отриманих в різні моменти часу, потрібно визначити приріст:
Apj= Pj2 - Pjb (2)
де Pj - значення параметра p, отримане в j -й момент часу (1). Прямим визначенням диференціала (2) можна показати, що такий приріст складається
APj
Z ——— Е
{x,y}eA 5wj(X,y)u(j)
5wj(x,y)
5u(J)
Au(J)
(3)
де внутрішня сума сформована з чотирьох складових:
. 9wJ(x,yK 9wJ(x,y)
Asj —--J----Azj h--------Amj +
3zt
3mT
+zSw,(x.y) Діт +^2wj(x.y) Дст. (4)
5lj
cJ
3cT
відтворити конкретні параметри Pj. Як один з претендентів розглянемо кількість інформації.
6. Алгоритм схеми диференціального методу на засадах кількості інформації
Представлений в цьому розділі огляд фокусується на розгляді і визначенні основних технічно- програмних перетворень інформації, які спираються на можливості застосування критерію кількості інформації в задачах обробки в системі декодування інформації, закодованої за допомогою кольору, частоти дискретизації і просторового розміщення. Така система визначає комплекс ознак, які характеризують інформативну структуру зображення і його складових фрагментів, котрі несуть інформацію про фізичні процеси в науково -технічних галузях досліджень [74-79]. Але для їх використання необхідна певна обробка зображення, оскільки воно є спотворене неінформативними фрагментами і завадами технічного отримання інформації. При дослідженні зразків в певній науково -технічній галузі досліджень, наприклад металографії, неінформативні фрагменти виникають за рахунок компонентів металографічної структури, які не входять в коло фазових компонентів, що відбивають фізичну суть формування і експлуатації досліджуваного зразка і заважають оцінити останні. На етапі класифікації по зображенню окремого фазового компонента (інформативного фрагмента) решта фазових складників багато фазної системи є конкурентами і пр актично фігурують як структурна завада.
Перша складова описує дію негативного фактора на фізичний стан досліджуваного об’єкта. Друга складова описує вплив позитивного фактора на фізичний стан досліджуваного об’єкта. Третя сума описує дію технічних засобів отримання інформації і є завадою для моніторингу фізичного стану досліджуваного об’єкта, яка представлена першою і другою складовими. Четверта сума описує дію технічних засобів збереження інформації і теж є завадою для моніторингу фізичного стану досліджуваного об’єкта, яка представлена першою і другою складовими. Для успішної класифікації параметрів фізичного стану досліджуваного об’єкта, що визначаються по зображенню, завади обох типів потрібно знешкодити, застосувавши спеціальні методи обробкизображень. Нашою наступною тактичною ціллю є проведення попереднього аналізу впливу технічних засобів отримання інформації на формування приросту
Apj . Схема диференціального методу є приваблива,
але попередній розгляд співвідношення (3) свідчить про складність впливу технічних. параметрів на параметр pj, а також свідчить про доцільність продивитись взаємовплив технічних параметрів на результуючий параметр pj в простішому випадку.
Промоделюємо параметр pj спеціальним параметром, на засадах якого можна дістати доступ до значної кількості ознак зображення, а значить, в перспективі,
Крім структурних завад, в системі о бробки інформації зображень слід звернути увагу на завади технічного отримання інформації зображення. Такі завади однією з основних складових мають завади приймача, які є коштом через вплив параметрів джерела світла, сенсорів приймача тощо.
Для боротьби з завадами і для класифікації в сучасних системах відновлення і обробки інформації кольорових зображень в програмах обробки як кількісні ознаки застосовуються спеціалні форми на засадах критерію кількості інформації. Взаємодія операцій обробки, які використовують зазначений критерій з завадами приймача, визначена в роботі [80].
В роботах [77, 81] запропоновано метод оцінювання параметрів мікроструктури за цифровим кольоровим зображенням за ознакою відносної координати у просторі кольору, сформованою на засадах критерію кількості інформації. В роботі [77], базуючись на формулі визначення приросту кількості інформації інформативного фрагмента кольорового зображення, виведені вирази, що дозволяють проводити аналіз та сегментацію зображень. На основі отриманих виразів запропоновано алгоритм обробки кольорових зображень, придатний для придушення завади приймача [77, 81]. Запропонований алгоритм використаний у розробленій програмі кольорової селекції пікселів на аналізованій площі і їх кількісної оцінки [81].
96
РИ, 2006, № 2
В роботі [82] запропоновано метод оцінювання параметрів мікроструктури за цифровим кольоровим зображенням за комплексною ознакою відносні координати у просторі кольору і площині зображення, сформованою на засадах критерію кількості інформації. На основі отриманих виразів запропоновано алгоритм обробки кольорових зображень, придатний для зменшення завади приймача.
В роботах [77, 81, 82] визначаються фазові складники та інша корисна для селекції інформація зображень. Ці результати можуть бути використані при обробці медичних зображень, на яких визначаються медичні параметри, що орієнтовані на таку інформацію простору кольору і площини зображення. На основі представлених матеріалів цього підрозділу можна зробити висновок, що в галузі обробки зображень в методах класифікації доцільним є застосування критерію кількості інформації в створенні програм обробки зображень. Видно, що розроблені програми орієнтовані на обробку окремих зображень. Також видно, що за допомогою критерію кількості інформації на зображенні вилучається певна шкідлива на етапі класифікації інформація, що теж потрібно здійснити при застосуванні диференціального методу у файлі зображень, тобто потрібно пристосувати критерій кількості інформації для вилучення інформації, яка має часовий розподіл.
Проаналізуємо потенційні можливості застосування критерію кількості інформації в сфері обробки файлів зображень за диференціальним методом. Розглянемо кольорове зображення (кадр), елементи якого
Wj(x,y), де x, у - координати пікселя у площині
зображення. заповнюють апертуру поля A = Lx,Ly . Розглянемо послідовність кадрів, елементи якої Wj = w(x,y,JAt) = Wj(x,y) заповнюють відрізок часу T з часовим кроком (час тривалості кадру) At ' 1 / 2 Aft, де Aft — максимальна ^ширина частотної смуги коливань відеосигналу w(t) = w(x,y,t), де V(x,y) с A є фіксовані. Замінимо індексацію
J є {j1, j2} індксацією J є {j - n, j} , де n, j цілі. Користуючись роботою [83], визначимо кількість інформації у відеосигналі wJ = w(t) = w(x,y,t), t є T , який має тривалість T = JAt:
!w,J = T,Afw,Jlog(1 +—^),w e{r,g,b}, (5)
8wJ
де AfwJ — величина, що відповідає ширині частотної смуги коливань часового відеосигналу w(t);
wJ,MIN wJ,MAX ’
(6)
де в (6) wJ MIN та wJ MAX — мінімальне і максимальне
значення кольору w(t), t є T .
Користуючись результатами роботи [77], знайдемо приріст кількості інформації, який визначає кількість інформації у неінформаційному фрагменті, що створюється між двома сигналами:
wj = w(t) = w(x,y,t), teTj, Je{j-n, j} ,
AI = E AIw
wer,g,b
(7)
де кожна складова описує неінформаційний фрагмент монохроматичного зображення:
AIw Iw,j Iw,j-n ,
(8)
тут Iw,J — кількість інформації у елементі, індексованому J . Для випадку, коли відсутні зміни параметрів wJ MIN, TJ, AfJ, за [77] приріст кількості інформації
AIW =-
ln2
-TjAfj8Cw,
(9)
де w e{r,g,b},
S
cw
wj,MAX _ wj-n,MAX w j,MAX
(10)
Вираз (9) отриманий для випадку 8 wJ 2 << 1. Можна стверджувати, що користуючись (9), (10), отримано поріг класифікації. Представимо приріст кількості інформації у формі, що придатна для порівняння з порогом класифікації. З цією метою визначимо приріст кількості інформації фрагмента зображення з порогом класифікації. З цією метою визначимо приріст кількості інформації фрагмента зображення з компонентом Р :wр= w(x,y,РAt) і довільного пікселя
wk = w(x,y,kAt). Для цього випадку введемо індексацію параметрів приросту кількості інформації kp. Для опису неінформаційного фрагмента за [82] застосуємо відрізки [wj-n,MAx,wj,MAx], які представимо у
вигляді [wj-n,MAX,wp] U [wp, w j,MAX] , де wp — центр
відрізка [wj-1>max,wj,mAX] . В цьому випадку неінфор-маційний фрагмент в просторі кольору описується точкою wp = w(x,y, РAt) розміщеною в центрі трьох
пар відрізків. Точки неінформаційного фрагмента належать згаданим відрізкам. Для класифікації в просторі кольору введемо приріст кількості інформації фрагмента монохроматичного зображення з компонентом р :wр= w(x,y,рAt) і довільного пікселя wk = w(x,y,kAt), що визначається за (9),(10), де j приймає значення р , а j - n приймає значення k :
РИ, 2006, № 2
97
AIw =
ln2
-TpAfp5Cw,
(11)
де
SCw
wp~ wk
w
p
На основі (12) введемо квадратичну форму
\2
G =
Е (wp-wk)
wer,g,b
Е wp
wer,g,b
2
(12)
(13)
(необхідні виклади аналогічні викладам праць [77, 82]), на засадах якої представимо алгоритм з умовою
класифікації пікселя wk = w(x,y,kAt) до інформаційного фрагмента за компонентом вилучення wр = w(x,y, РЛЦ в просторі кольору з порогом р2:
G >р2, (14)
який реалізує схему диференціального методу. Створений алгоритм є доказом запровадження схеми диференціального методу для обробки інформації файлів металогр афічних зобр ажень. Наша наступна тактична ціль - визначити вплив параметрів приймача на зазначений алгоритм, на вибір значення порогу р .
7. Вплив параметрів приймача на селекццію за диференціальним методом
В достатньо типовій системі обробки інформації зображень її приймач складається з джерела світла, мікроскопа і відеокамери. До приймача також зарахуємо аналого-цифровий перетворювач комп’ютера.
В приймачі досліджуваний зразок освітлюється джерелом некогерентного світла ЕЦХ), яке є формою
Для аналізу похибок, що виникають при застосуванні операції диференціального методу (12), (13), доцільно скористатись даними роботи [80]. В цій роботі проаналізували випадок, коли коефіціент відбиття RJ(^) і спектральну чутливість сенсора приладу з зарядовим зв’язком SwJ(X) розглядали як функції довжини хвилі X зі спектром, обмеженим максимальною частотою FwJ. Показано, що цифровий відлік вихідного сигналу оптичного сенсора в комп’ютері, піксель монохроматичного зображення системи обробки інформації визначається так:
wj(x,y) = kUwJ = RJ(X w)kewjSj(X wy^ (15)
де RJ(^w) = RJ(^w,x,y) - відлік коефіціента відбиття; x, y - координати пікселя у площині зображення; k-коефіцієнт трансформації аналого-цифрового перетворювача приймача; S(Xw) - відлік спектральної чутливості сенсора приймача зображення. Відліки S(Xw) і R(Xw) зроблені на довжині хвилі Xw, де припадає максимум спектральної чутливості сенсора. Доцільно апроксимувати спектральну густину проміння EJ (X) трьома постійними значеннями EJ (X)=ewJ, де кожне ewJ є середньоквадратичною апроксимацією EJ(X) в діапазоні довжини хвилі
У w - Fwj-1, ^ + Fwj1]. Формула (15) придатна для аналізу операції селекції (14), яка реалізує схему диференціального методу. Але простіше отримати аналіз впливу складових приймача на схему диференціального методу, користуючись виразом (12), з якого походить операція селекції диференціального методу (13). Для випадку відсутності змін коефіцієнта трансформації аналого-цифрового перетворювача приймача k з (12) і (15) отримуємо
електромагнітного випромінювання, розташованого в діапазоні хвиль від 400 до 700 nm [74, 75]. В цьому діапазоні в системах обробки інформації зображень використовуються стандартні джерела світла [84], люмінофори кінескопів [75] тощо. Стандартне джерело світла [85] описується кольоровою температурою. Ця температура обернено пропорційна максимуму випромінювання абсолютно чорного тіла, яке характеризує стандартне джерело світла. В приймачі відбите від досліджуваного зразка світло попадає на оптичні сенсори відеокамери. При стандартному механізмі отримання кольорового зображення відбите об’єктом світло оптичною системою розщіплюється на три канали. Кожний канал має свій спектральний діапазон. Три сепаруючі плати приладу з зарядовим зв’язком регєструють три діапазони: w є {r,g,b}. Інформація оптичних сенсорів відеокамери поступає в комп’ютер для подальшої обробки зображення.
Sew =SR(^w) + Е 8р , (16)
peP(w)
де P(w) = {ew,s(Xw),Fw_1} ; огерагор
Sq = q' qj~n , q e{R(Xw) UP(w)}
qj
При застосуванні диференціального методу слід очікувати зміни інформативного сигналу SR(Xw) на рівні декількох відсотків. Зауважимо, що зміни інформативного сигналу в (4) фігурують як перша і друга складові. В (16) вплив параметрів приймача, які зосереджені у сумі
Snw = Е sp
peP(w) ,
98
повинен бути на порядок меншим, на рівні десятих від SR(Xw). Зауважимо, що вплив параметрів приймача
РИ, 2006, № 2
в (4) фігурує як третя складова. Загальний вплив параметрів приймача описується
_ Е ^nw (17)
we{r,g,b} . ( )
На основі (17) визначимо, що поріг р2 для алгоритму селекції (14) перевищує
Pmin = Е <
we{r,g,b}
8. Висновки
Представлений огляд висвітлив основні технічно-програмні перетворення інформації, які є в системах обробки інформації медичних, металографічних та мультімедіа зображень. Серед окреслених перетворень було виділено ті перетворення інформації, які є корисними для розвитку схем диференціального методу.
Науковою новизною роботи є те, що аналітичний розгляд перспектив розвитку схем диференціального методу був розвинений до рівня формалізації схем диференціального методу за параметром, що діагностує фізичний стан досліджуваного об’єкта по його зображенню. Запропонована формалізація виконана на двох рівнях. На першому рівні, в загальному випадку, визначені приріст діагностуючого параметра і завади, які заважають його отриманню. На другому рівні на основі параметра кількості інформації визначена алгоритмічна формалізована схема диференціального методу.
Практична цінність. Розроблений алгоритм можна програмно реалізувати для металографічних зображень. Для алгоритму проведено оцінку впливу похибок приймача зображення, що дозволило дати такі рекомендації по застосуванню апаратури приймача і її юстуванню:
Файл зображень диференціального методу має визначатись приймачем з фіксованими складовими, які працюють в незмінних умовах спостереження. Визначення окремого зображення зазначеного файлу з приватними складовими приймача, відмінно від інших зображень файлу, потребує прецезійних методів юстування приймача. Експлуатація звичайним користувачем системи обробки інформації в режимі змін складових приймача є проблематичною.
Виходячи за рамки диференціального методу, можна зробити висновок, що порівняння результатів визначення певного параметра по зображеннях отриманих різними приймачами, на рівні декількох відсотків теж є складним і теж потребує прецезійних засобів юстування приймача.
Застосування в схемах диференціального методу цифрових камер з одноплатним приладом з зарядовим зв ’язком небажане, бо приводить до додаткових спотворень інформації зображень.
Література: 1. Rodriguez-Florido M.A., Ruiz-Alzola J., Westin C.-F. Artifact Reduction In Sinc Interpolation Using Adaptive Filtering // IEEE ICIP 2001. P. 884-887. 2. Westin
C. F., Richolt J., Moharir V., Kikinis R. “Affine adaptive filtering of CT data,” Medical Image Analysis, 2000. Vol. 4. P. 161-177. 3. Dubois E. “The sampling and reconstruction of timevarying imagery with application in video systems,” Proceedings of the IEEE, 1985. Vol. 73.Р. 502-522. 4. Choi H, Haynor D., Kim Y. “Partial volume tissue classification of multichannel magnetic resonance images - a mixal model,” IEEE Trans Medical Imaging, 1991. Vol. 10.Р. 395-407. 5. Santago P., Gage H. “Quantification of MR brain images by mixture density and partial volume modeling,” IEEE Trans. Medical Imaging, 1993. Vol. 12.Р. 566-574,. 6. Lifeng Liu, Stan Sclarof. Medical Image Segmentation And Retrieval Via Deformable Models // IEEE ICIP 2001. P. 1071-1074.7. Adiga P., et al. “Semi-Automatic Segmentation of Tissue Cells from Confocal Microscope Images.” ICPR96. Р. 494-497. 8. Cong G., Parvin B. “Model Based Segmentation of Nuclei. ” C VPR99, Vol. 1.Р. 256-261. 9. Harms H., et al. “Combined Local Color and Texture Analysis of Stained Cells. ” CVGIP, 33(3), 1986. Р. 364-376. 10. Haussmann G., Liedtke C.E. “A Region Extraction Approach to Blood Smear Segmentation.” CVGIP(25), 25(2), 1984. Р. 133-150. 11. Kovalev V. A., et al. “Robust recognition of white blood cell images.” ICPR96. Р. 371-375. 12. LandeweerdG.H., et al. “Pattern Recognition of Nucleated Cells from the Peripheral Blood.” PR 16(2), 1983. Р. 131-140. 13. Leclerc Y. G. “Constructing simple and stable descriptions for image partitioning.” IJCV, 3, 1989. Р. 73-102. 14. Liu L., Sclaroff S. “Deformable Shape Detection and Description via Model-Based Region Grouping.” CVPR99, Vol. 2. Р. 21-27. 15.Moghaddam. B., BiermannH,. Margaritis
D. “Defining Image Content with Multiple Regions-of-Interest.” CBAIVL99. 19. [10.10] J.K. Mui, and K.S. Fu. “Automated Classification of Nuecleated Blood Cells Using a Binary Tree Classifier.” PAMI, 2(5) 1980. Р. 429-443. 16. Murshed N.A., et al. “A Fuzzy Artmap-Based Classification System for Detecting Cancerous Cells, Based on the One-Class Problem Approx.” ICPR96. Р. 479-482. 17. Otsu N. “A threshold selection method form gray level histograms.” IEEE SMC-9, 1979. Р. 62-66. 18. Poon C.S., Braun M. “A deformable contour model incorporating region analysis.” Phys Med & Biol, 42(9), 1997.Р. 1833-1841. 19. Wermser D., et al. ’’Segmentation of Blood Smears by Hierarchical Thresholding.” CVGIP, 25(2), 1984. Р. 151-168. 20. WuH.S., et al. “Optimal Segmentation of Cell Images.” VISP, 145(1), February 1998. Р. 50-56. 21. Zhou P., Pycock D. “Robust Statistical-Models for Cell Image Interpretation.” IVC, 15(4) 1997. Р. 307-316. 22. Agrafiotis D.,.Jones M.G,.Nikolov S.G,. Halliwell M., Bull, N. Canagarajah D. Virtual Liver Biopsy: Image Processing And 3d Visualization // IEEE ICIP 2001. P 331-334. 23. Tzovara D.s, Grammalidis N., Strintzis M.G., Malassoitis S. Coding For The Storage And Communication Of Visualisations Of 3d Medical Data // IEEE ICIP 2001. P. 593597. 24. Menegaz G., Vaerman V., Thiran J.-P. “Objectbased coding of volumetric medical data,” in Proceedings of the 1999 International Conference on Image Processing, Kobe, Japan, Oct. 24-28 1999. Vol. 3. Р. 920-4. 25. Menegaz G., Grewe L., Thiran J.-P. “Multirate coding of 3D medical data,” in Proceedings of the 1999 International Conference on Image Processing, Kobe, Japan, Oct. 24-28 1999. Vol. 3. Р. 924-4. 26. Moumen T. Ahmed, AhmedH. Eid, Aly A. Farag. 3-D Reconstruction Of The Human Jaw Using Space Carving // IEEE ICIP 2001. P. 323-326. 27. Doukoglou T.D., Strintzis M.G.,. Pavlakos A., Hunter I.W. “Image coding and compression of confocal microscope volumetric 3D images,”
РИ, 2006, № 2
99
in Pro- ceedings of the 18th Annual International Conference of the IEEE Engineering in Medicine and Biology Society: ’Bridging Disciplines for Biomedicine’, H. Boom, C. Robinson, W. Rutten, M. Neuman, and H. Wijkstra, Eds., Amsterdam, The Netherlands, Oct. 31-Nov 3 1996. Р. 121517. 28. BoulgourisN.V., LeontarisA., StrintzisM.G. “Wavelet compression of 3D medical images using conditional arithmetic coding,” in Proceedings of the 2000 IEEE International Symposium on Circuits and Systems: Emerging
Technologies for the 21st Century, Geneva, Switzerland, May 28-31 2000. Vol. 4. Р. 557-60. 29. Kim Y., Pearlman W.A. “Stripe-based SPHIT lossy compression of volumetric medical images for low memory usage and uniform reconstruction quality,” in Proceedings of the 2000 IEEE International Conference on Acoustics, Speech, and Signal Processing, Istanbul, Turkey, June 5-9 2000. Vol. 4. Р. 2031-4. 30. Kim Y, Pearlman W.A “Stripe-based SPHIT lossy compression of volumetric medical images for low memory usage and uniform reconstruction quality,” in Proceedings of the 2000 IEEE International Conference on Image Processing, Vancouver, B.C., Canada, Sept. 10-13 2000. Vol. 3. Р. 652-655. 31. Przelaskowski A. “Encoding schemes for reversible compression of medical images,” preprint 2000. 32. Claude I., Pouletaut P., Huault S., Boulanger J. —C. Integrated Color And Texture Tools For Colposcopic Image Segmentation // IEEEICIP2001. P. 311-314. 33. GlotzbachJ. W, SchaferR. W., Illgner K. A. Method Of Color Filter Array Interpolation With Alias Cancellation Properties // IEEE ICIP 2001.P. 141-144. 34. Wenmiao Lu, Yap-Peng Tan. Layering-Based Color Filter Array Interpolation // IEEE ICIP 2001. P. 860-863. 35. Sang-Yong Lee, Ortega A. A Novel Approach Of Image Compression In Digital Cameras With A Bayer Color Filter Array // IEEE ICIP 2001. P. 482-485. 36. TrussellH. J. A Mmse Estimate For Demosaicking // IEEE ICIP 2001. P. 358-361.37. Romain O.,. Ea T., Gastaud C., Garda P. A Multi-Spectral Sensor Dedicated To 3d Spherical Reconstruction // IEEE ICIP 2001. P 1057-1060. 38. Алпатов Б.А., Бабаян П.В. Электронная юстировка изображений при мультиспектральном наблюдении. // Цифровая обработка сигналов 2003. №1. С. 30-39. 39. Domanski M. Image And Video Compression: Current Trends And Perspectives // ICSES Poland, Lodz, 2001. P. 57-70. 40. BaranN. Putting the squeeze on graphics // Byte December 1990. P. 289. 41. Ang P. H., Ruetz P. A., Auld D. Video Compression Makes Big Gains // IEEE Spectrum 28 (10), 1991. P. 16-19. 42. Fox E.A Advances in Interactive Multimedia Systems // Computer, 24(10): 1991. P. 9-21. 43. Penebaker W, Mitchell J. JPEG Still Image Compression Standart Van Nostrand Rein- hold, NewYork, 1992. 44. JPEG-2000, http://www.jpeg.org/JPEG2000.html. 45. JPEG2000 Verification Model 4.0, ISO/IEC JTC 1/SC 29/WG 1, Charilaos Christopoulos (Ericsson, Sweden), Editor, April 22 1999. (Note: The latest version of the VM is v5.0). 46. Requirements Ad Hoc Group, “JPEG2000 requirements and profiles version 6.0,” WG1 Vancouver Meeting, July 1999. 47. Taubman D. “High Performance Scalable Image Compression with EBCOT”, to appear in IEEE Trans. Image Proc., Submitted March 1999; Revised August 1999. 48. Taubman D., Zakhor A. ''Multirate 3-D Subband Coding of Video’’ // IEEE Transactions on Image Processing, September 1994. Vol. 3, no. 5. Р. 572-588. 49. Taubman D. "Directionality and Scalability in Image and Video Compression,’’ Ph.D. Thesis, Department of Electrical Engineering and Computer Sciences, University of California at Berkeley, December 1994. 50. JPEG2000 Committee Draft Version 1.0, December 1999. 51. Video Technology Branch, Media Technologies Laboratory, DSP Solutions R&D Center, Texas Instruments. 52. Digital
Imaging Group, “DIG2000 file format proposal overview,” DIG2000 Working Group, October 30, 1998. 53. The Digital Imaging Group’s DIG2000 Initiative, “An Overview of JPEG2000 Technology and Benefits”. 54. Neelamani R., Baraniuk R. G., de Queiroz R.. Compression Color Space Estimation Of Jpeg Images Using Lattice Basis Reduction / / IEEE ICIP 2001. P. 890-893. 55. RobertsonM. A., Stevenson R. L. Dct Quantization Noise In Compressed Images // IEEE ICIP 2001. P. 185- 188. 56. VTKieu, DT Nguyen Surface Fitting Approach For Reducing Blocking Artifacts In Low Bitrate Dct Decoded Images // IEEE ICIP 2001. P. 150-153. 57. BingabrM., Varshncy P.K. A Novel Error Correction Method Without Overhead For Corrupted JPEG Images // IEEE ICIP 2002. P. 245-248. 58. MallatS. A Theory for Multiresolution Signal Decomposition: The Wavelet Representation. // IEEE Trans., PAMI 11, 1989. P. 674-693. 59. Cooley J.W., Tukey J.M. An algorithm for machine calculation of comple Fourier series. // Math. Comput., 1965. 19, №90. P. 297-301. 60. Иванюк В. Г. Восстановление изображений многоэлементным приёмником в зоне Фраунгофера. // Отбор и передача информ. 1986. Вып.73. С.48-53.61. Иванюк В. Г. Быстрое преобразование Фурье на усечённых дифракционных картинах // Тезисы докладов республ. сем. “Высокопроизводительные системы обработки информации”. Ужгород. 1984. С.118-119.62. TaubmanD. Remote Browsing Of JPEG2000 Images // IEEE ICIP 2002 P. 229-232. 63. Henry T. M., Ravikumar B. Oveated Texture Mapping With Jpeg2000 Compression // IEEE ICIP 2001. P. 832- 835. 64. Wu Z, Bilgin A., Marcellin W. M. Unequal Error Protection For Transmission Of JPEG2000 Codestreams Over Noisy Channels // IEEE ICIP 2002. P. 213-216. 65. Wei Yu, Fritts J., SunF. An Efficient Packetization Algorithm For JPEG2000. // IEEE ICIP 2002. P. 209-213. 66. Shizhong Liu, Alan C. Bovik. Look-Up-Table Based Dct Domain Inverse Motion Compensation // IEEE ICIP 2001. P. 965-968. 67. Salkmann Ji, HyunWook Park Moving-Object Segmentation With Adaptive Sprite For Dct-Based Video Coder // IEEE ICIP 2001. P.566-569. 68. Eiji Kasutani, Akio Yamada The Mpeg-7 Color Layout Descriptor: A Compact Image Feature Description For High-Speed Image/ Video Segment Retrieval// IEEE ICIP 2001. P. 674-677. 69. Kai-Tat Fung, Yui-Lam Chan, Wan-Chi Siu Dynamic Frame Skipping For High-Performance Transcoding // IEEE ICIP 2001. P. 425-428. 70. Yong QingLiang, Yap-Peng Tan A New Content-Based Hybrid Video Transcoding Method // IEEE ICIP 2001. P. 429 - 432. 71. Chia-WenLin, Yuh-ReuyLee. Fast Algorithms For Dct-Domain Video Transcoding // IEEE ICIP 2001. P.421-424..72. DomaсskiM., MaжkowiakS. Modified Mpeg-2 Video Coders With Efficient Multi-Layer Scalability // IEEE ICIP 2001. P. 1033-1036. 73. Bahadir K. Gunturk, Yucel Altunbasak, R. Mersereau Bayesian Resolution-Enhancement Framework For T ransform-Coded Video // IEEE ICIP 2001. P. 41-44. 74. Myshkin N.K., Kong H, Gngoriev A.Ya., Yoon E.-S. The use of color in wear debris analysis. / / Elsevior. Wear - 2001. 251. P. 1218-1226. 75. Прэтт У. Цифровая обработка изображений. М.: Мир, 1982. 790 с.
76. Szala J. Zastosovwanie metod kompputerowej analizy obrazu do ilosciowej oceny stryktury materialow. // W. Politechnika Slaska, Zeszyty naukowe. 2000. № 1518. 167c.
77. Іванюк В.Г., Капшій О.В., Косаревич Р.Я., Лау Г. Інформаційна оцінка і виділення фрагментів кольорових зображень // Радіоелектроніка і інформатика. 2004. № 3. С. 122-125. 78. Rodenacker K., Gais1 P., JЁutting U., Burkhard A. Hense // (Semi-) Automatic Recognition Of Microorganisms In Water // IEEE ICIP 2001. P. 30-33. 79. Shin ’ichi Satohy, Yuichi Ideharaz, Hiroshi Moy, Takashi Hamada Subject Region Segmentation In Disparity Maps For Image Retrieval
100
РИ, 2006, № 2
// IEEE ICIP 2001. P. 725-728. 80. ИванюкВ.Г., ЛобурМ.В., Лау Г. Распознавание компонентного состава по изображению // Материалы IV Междунар. научно - методической конф. “Дистанционное обучение - образовательная среда XXI века” (10-12 ноября 2004г.). Минск, БГУИР, 2004.С.444-447. 81. Русин Б.П., Іванюк В.Г., Лау Г., Довгу-ник В.М., Корній В.В. / Комп’ютерна кількісна оцінка фазового складу матеріалу за кольоровим металографічним зображенням // Фіз.-хім. механіка матеріалів. 2004. №5. С.77-80. 82. ІванюкВ.Г., Лау Г., ЛобурМ.В. Розробка завадостійких алгоритмів оцінки компонентів кольорових зображень // Вісник НУ “Львівська політехніка “: Комп’ютерні системи проектування. Теорія і практика, 2005. № 487. С. 22-30. 83. Беленький Я. Е., Кошевой В. В. Системы пространственно-временного преобразования информации / Под ред. д. т. н. Я. Е. Беленького. К: Наук. думка, 1979. 252с. 84. The Science of Color, New York, 1953. 85. Самойлов В. Ф., Хромой Б.П. Основы цветного телевидения. М.: Радио и связь, 1983. 161 с.
Надійшла до редколегії 14.06.2006 Рецензент: д-р техн. наук, проф. Лукін В.В.
Русин Богдан Павлович, д-р техн. наук, проф., зав. відділом “Методи та системи обробки, аналіз та ідентифікація зображень” Фізико-механічного інституту ім. Г.В.Карпенка НАНУ. Наукові інтереси: обробка та розпізнавання зображень. Адреса: Україна, 79601, Львів, вул. Наукова, 5а. e-mail: dep32@ipm.lviv.ua.
Іванюк Віталій Г ригорович, інженер відділу “Методи та системи обробки, аналіз та ідентифікація зображень” Фізико-механічного інституту ім. Г.В.Карпенка НАНУ. Наукові інтереси: обробка та розпізнавання зображень. Адреса: Україна, 79601, Львів, вул. Наукова, 5а, тел:2296-530. e-mail: dep32@ipm.lviv.ua.
Капшій Олег Вірославович, аспірант, інженер відділу “Методи та системи обробки, аналіз та ідентифікація зображень” Фізико-механічного інституту ім. Г.В.Карпенка НАНУ. Наукові інтереси: обробка та розпізнавання зображень. Адреса: Україна, 79601, Львів, вул. Наукова, 5а. e-mail: dep32@ipm.lviv.ua.
УДК681.324
РАЗРАБОТКА ТЕХНОЛОГИИ АНАЛИЗА АДЕКВАТНОСТИ И КОРРЕКТИРОВКИ МОДЕЛИ
СЛАБОСТРУКТУРИРОВАННЫХ
БИЗНЕС-ПРОЦЕССОВ
ЧАЛЫЙ С.Ф.___________________________
Рассматриваются вопросы выявления ошибок в слабоструктурированных бизнес - процессах на этапе реорганизации фрагментов процесса до начала их выполнения. Предлагается технология анализа адекватности модели слабоструктурированных бизнес - процессов, базирующаяся на ситуативно-сценарном подходе.
1. Введение
Управление жизненным циклом бизнес - процессов (БП) направлено на достижение целей организации путем документирования, тестирования, анализа и оптимизации критических процессов. Документирование БП позволяет получить формальное описание текущего состояния процессов и является необходимым условием для их тестирования, анализа и оптимизации. Т естирование БП позволяет проверить корректность функционирования процесса в заданных условиях. Анализ БП дает возможность найти узкие места и неэффективные процедуры в процессах, а также осуществить оптимизацию БП, которые прозрачны (невидимы) со стороны организации.
Таким образом, тестирование БП ориентировано на анализ адекватности их модели путем выявления и локализации ошибок. Выявление ошибок во время функционирования процессов на реальном предприятии приводит к значительным материальным и временным затратам. Поэтому проблема анализа адекватности модели на этапе получения описания бизнеспроцесса является актуальной.
РИ, 2006, № 2
Отметим, что решение проблемы анализа адекватности является особенно важным для слабоструктурированных БП в силу хар актерных для них динамических изменений во время выполнения.
Вопросы выявления и локализации ошибок путем тестирования достаточно подробно рассматриваются в сфере разработки и отладки программного обеспечения компьютерных систем. Отметим, что разработка программ и построение бизнес-процессов имеют сходные черты[1]: алгоритмический подход к описанию бизнес-процессов и программ; выполнение совокупности бизнес-процессов и программ можно представить в виде параллельных взаимодействующих процессов; управление жизненным циклом выполняется аналогично для бизнес-процессов и для программного обеспечения.
Таким образом, при рассмотрении проблемы проверки адекватности модели бизнес-процессов целесообразно использовать результаты исследований в области тестирования программного обеспечения.
2. Цель и постановка задачи исследования
Проблема анализа адекватности модели бизнес-процесса связана с достижением заданного уровня результативности БП. Под результативностью, согласно ДСТУ, понимается степень реализации запланированной деятельности и достижения запланированных результатов[2].
В соответствии с изложенным, целью данной работы является выявление и локализация ошибок в модели БП с тем, чтобы обеспечить заданный уровень результативности управления динамически изменяющимися бизнес - процессами. Достижение указанной цели связано с решением задачи разработки технологии анализа адекватности и корректировки модели изменяющихся процессов. Такая технология должна обеспечивать возможность выявления и локализации оши-
101
