Устройство иерархического кодирования и передачи видеосигналов по радиоканалам с низкой пропускной способностью (стр. 2 )

2.  Westwater R., Furht B. Real-Time Video Compression: Techniques and Algorithms. Springer, 2001, 176 с.

3.  идеокодирование: H.264 и MPEG-4 - стандарты нового поколения. Техносфера, 2005, 368 с.

4.  , Грибунин и практика вейлет-преобразования. ВУС, 1999.

5.  , , Плахов двумерных ортогональных банков фильтров и вейвлетов. 2003, Труды Всероссийской научной удаленной конференции по информационным и телекоммуникационным технологиям, 2003.

6.  , Черников метод сжатия изображений на базе вейвлет-преобразования и иерархического алгоритма кодирования // Цифровая обработка сигналов. 2005, №3, сс. 40-59.

7.  Чобану многоскоростные системы и многомерные вейвлет функции. Часть II. Синтез // Вестник МЭИ. 2003, №3, с. 69-78.

8.  Said A., Pearlman W. A. A new fast and efficient image codec based on set partitioning in hierarchical trees // IEEE Trans. Circ., Syst. For Video Technol.— 1996.— Vol. 6.— Pp. 243–250.

9.  , Батлук применения банков фильтров для сжатия изображений // Цифровая обработка сигналов. 2005, №4, с. 29-40.

10. , Чобану элементной базы для построения систем сжатия видеосигнала. // Труды Междун. конгресса Академии информатизации ITS-2002 / МЭИ (ТУ), т. 3. М.: СТАНКИН, 1997, с. 123-125.

11. а расстоянии // Все новости света, 2005, №32, с. 24.

12. Плахов стандарта беспроводной связи для передачи видеосигнала с целью его хранения в системах с малым объемом памяти и высокой степенью механической защиты // Труды 8-й Междун. конф. «Цифровая обработка сигналов и ее применение» DSPA-2006, т. 2. М., с. 123-125.

13. Tchobanou M., Chernikov A., Plakhov A. Optimization and development of algorithm SPIHT // Труды Первой международной научно-технической школы-семинары «Современные проблемы оптимизации в инженерных приложениях» (IWOPE-2005). т. 1, Ярославль: 2005, сс. 45-49.

14. Plakhov A., Tchobanou M., Bolshakova O. Performance improvement of hierarchical non-separable image coding algorithm // Труды Первой международной научно-технической школы-семинара «Современные проблемы оптимизации в инженерных приложениях», (IWOPE-2005). т. 1, Ярославль: 2005, сс. 1-8

¾¾¾¾¾¨¾¾¾¾¾

DEVICE FOR HIERARCHICAL CODING AND TRANSMITTING VIDEOSIGNALS BY LOW-BITRATE RADIOCHANNELS

Plakhov A.

Moscow Power Engineering Institute (TU)

The task of methods, algorithms and devices’ development for videosignals transmitting for some technological objects is considered. The peculiarity of the task is connected to the limited capacity of the transmission channel [1]. Thus a high compression rate should be achieved. Besides of all, other considerations like interface with the storing devices should be taken into account. That is why hierarchical algorithms like set partitioning in hierarchical trees was chosen [2-3].

The software and DSP-based implementation (on ATEME board with TMS320C6416) was done. Possible implementations of video surveillance for power engineering applications and civil aviation are suggested.

References

1.  Plakhov A. The choice of wireless standard for videosignal transmitting and its storing in the systems with low memory and high degree of mechanical shield // Proc. 8th Intern. Conf. «Digital Signal Processing and its Applications» DSPA-2006, v. 2. M., pp. 123-125.

2.  Tchobanou M., Chernikov A., Plakhov A. Optimization and development of algorithm SPIHT // Proc. 1st Intern. Workshop on Optimization Problems in Engineering (IWOPE-2005). v. 1, Yaroslavl: 2005, pp. 45-49.

3.  Plakhov A., Tchobanou M., Bolshakova O. Performance improvement of hierarchical non-separable image coding algorithm // Proc. 1st Intern. Workshop on Optimization Problems in Engineering (IWOPE-2005). v. 1, Yaroslavl: 2005, pp. 1-8

¾¾¾¾¾¨¾¾¾¾¾

Пространственно-Временной алгоритм выделения объектов, наблюдаемых на облачных фонах

,

Рязанский государственный радиотехнический университет

Современное состояние технологии обработки изображений позволяет создавать бортовые видеоинформационные системы, работающие в ТВ и ИК-диапазонах и предназначенные для автоматического выделения и обнаружения движущихся и малоподвижных объектов. Особое место в последние годы стала занимать задача выделения и обнаружения воздушных объектов, наблюдаемых на фоне облачности. Одним из важных требований, предъявляемых к разрабатываемым алгоритмам, является возможность их работы в реальном масштабе времени на существующей элементной базе (ПЛИС, ЦПОС). В настоящей работе рассматривается один из подходов к решению предложенной задачи.

В качестве модели наблюдаемого изображения использовалась модель заслона [1]:

(1), где n – номер кадра, Nx, Ny – ширина и высота кадра, l(i, j, n) – наблюдаемое изображение, g(i, j, n) и h(i, j, n) – неизвестные яркости точек фона и объектов соответственно, – гауссовый шум с нулевым средним. Функция r(i, j, n) задаёт расположение объектов на изображении и задаётся выражением:

(2)

Задача выделения объектов заключается в нахождении оценки r(i, j, n) по наблюдаемому изображению l(i, j, n). Оценку r(i, j, n) обозначим .

Предложенный в настоящем докладе алгоритм выделения объектов является дальнейшим развитием подхода, предложенного в [1]. Разработанный алгоритм состоит из этапов временной и пространственной обработки, а также постобработки, следующих друг за другом. В дальнейшем предполагается, что фон неподвижен. В случае же значительных сдвигов или поворотов фона, необходимо предварительно стабилизировать изображение оптическим или электронным способом [3].

На первом этапе обработки осуществляется временная фильтрация наблюдаемого изображения l(i, j, n) по формуле:

(3), где – изображения, сглаженные во времени к n-ому и n-1 кадру соответственно, – некоторый коэффициент. После этого вычисляется функция разности наблюдаемого и отфильтрованного изображения

, (4), где kst играет роль коэффициента учета временной составляющей. Так, при обработка изображения во времени полностью отсутствует.

На этапе пространственной обработки осуществляется процедура компенсации фона, освещённая в [1]. Ниже приведено краткое описание этого этапа. Для упрощения изложения будем опускать номер кадра n. Функция разности dвр(i, j) пропускается через линейный фильтр, имеющий маску h2 размерности . Параллельно dвр(i, j) сглаживается фильтром с маской h1 размера , причем  q1 < q2

(5), где f1(i, j) и f2(i, j) – выходные изображения, полученные после фильтрации масками h1 и h2 соответственно. В [1, 2] было предложено использовать маски фильтров следующего вида:

(6)

После процедуры пространственной фильтрации находится разность отфильтрованных изображений по формуле (6): . (7)

Для нахождения адаптивного порога оценивается дисперсия шума и остаточного фона (8), что сводится к нахождению второго начального момента

(8). Решающее правило имеет вид (9): (9)

На заключительном этапе осуществляется постобработка бинарных изображений, основанная на морфологической или логической фильтрации и служащая для удаления шума и уменьшения фрагментации сегментов [3]. В процессе параметризации сегментов вычисляются координаты центров сегментов , где M  – количество сегментов, их размеры и площадь. После получения списка сегментов необходимо выполнить анализ траекторий с целью исключения "ложных" сегментов, восстановления траекторий движения объектов, прогноза координат объектов при пропадании информации.

С целью дальнейшего улучшения характеристик алгоритма выделения был предложен двухканальный подход к построению алгоритма обработки с возможной адаптацией размеров q2 маски h2. Далее будем обозначать q21 и q22 – размер маски h2 первого и второго канала соответственно. Функциональная схема двухканального алгоритма выделения объектов приведена на рис. 1.