• 1990 (Том 4)
  • 1989 (Том 3)
  • 1988 (Том 2)
  • 1987 (Том 1)

Том 30 №4

Содержание

  1. ЗАГАДКИ СЛЕПОЙ ЗОНЫ И КОЛЬЦА ПОВЫШЕННОЙ ПЛОТНОСТИ КОЛБОЧЕК НА КРАЙНЕЙ ПЕРИФЕРИИ СЕТЧАТКИ
  2. КРАУДИНГ-ЭФФЕКТ В ЦЕНТРЕ ПОЛЯ ЗРЕНИЯ В ЗАВИСИМОСТИ ОТ РАСПОЛОЖЕНИЯ ДИСТРАКТОРОВ
  3. ПРОЕКТИВНО ИНВАРИАНТНОЕ ОПИСАНИЕ НЕПЛОСКИХ ГЛАДКИХ ФИГУР. 1. ПРЕДВАРИТЕЛЬНЫЙ АНАЛИЗ ЗАДАЧИ
  4. КОМПЛЕКСНАЯ ОЦЕНКА ФУНКЦИОНАЛЬНЫХ СКОТОМ У ПАЦИЕНТОВ С КОСОГЛАЗИЕМ
  5. РАЗВИТИЕ БИНОКУЛЯРНЫХ ФУНКЦИЙ У ПАЦИЕНТОВ С КОСОГЛАЗИЕМ ПУТЕМ ВОЗДЕЙСТВИЯ НА ФУНКЦИОНАЛЬНУЮ СКОТОМУ КОМПЬЮТЕРНЫМИ МЕТОДАМИ
  6. ВОСПРИЯТИЕ РЕЧЕВОЙ ИНТОНАЦИИ ПАЦИЕНТАМИ С КОХЛЕАРНЫМИ ИМПЛАНТАМИ
  7. СЛУХОВОЕ РАСПОЗНАВАНИЕ ИНТЕНСИВНОСТИ ИМПУЛЬСОВ, ЗАМАСКИРОВАННЫХ ИМПУЛЬСНЫМИ ПОМЕХАМИ: АБСОЛЮТНАЯ И ОТНОСИТЕЛЬНАЯ ГРУППИРОВКА ВЫЗВАННОЙ ПЕРИФЕРИЧЕСКОЙ РЕАКЦИИ
  8. ОЦЕНКА ШУМНОСТИ КАНАЛОВ В ЗАДАЧЕ ВИЗУАЛИЗАЦИИ МУЛЬТИСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ
  9. БИОСЕНСОР НА ОСНОВЕ КЛЕТОК GLUCONOBACTER И ТЕРМОРАСШИРЕННОГО ГРАФИТА

ОЦЕНКА ШУМНОСТИ КАНАЛОВ В ЗАДАЧЕ ВИЗУАЛИЗАЦИИ МУЛЬТИСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ

© 2016 г. Д. С. Сидорчук, И. А. Коноваленко, С. А. Гладилин, Ю. И. Максимов

Институт проблем передачи информации им. А.А. Харкевича, РАН, 127051 Москва, Большой Каретный пер., 19
sidorchuk@visillect.com

Поступила в редакцию 18.04.2016 г.

В работе предлагается способ повышения качества визуализации зашумленных мультиспектральных изображений при использовании метода сохранения формы контраста. Способ основан на взвешивании каналов согласно оценке их зашумленности. Рассмотрены два подхода к построению весовых коэффициентов: метод максимума/минимума коэффициентов автокорреляции (min/max autocorrelation factors – MAF) и новый метод, в котором каждый канал рассматривается как реализация гауссовского случайного процесса, а оценка шумности строится по параметрам этого процесса, определяемым путем максимизации правдоподобия. На наборе тестовых данных проверена адекватность ранжирования каналов обоими алгоритмами по отношению к экспертным оценкам. Приведен пример того, как использование оценок шумности в качестве весовых коэффициентов повышает качество визуализации мультиспектрального изображения методом сохранения формы контраста. Все использованные в работе мультиспектральные изображения находятся в открытом доступе.

Ключевые слова: мультиспектральное изображение, визуализация, оценка шума, сохранение формы контраста

Цитирование для раздела "Список литературы": Сидорчук Д. С., Коноваленко И. А., Гладилин С. А., Максимов Ю. И. Оценка шумности каналов в задаче визуализации мультиспектральных изображений. Сенсорные системы. 2016. Т. 30. № 4. С. 344-350.
Цитирование для раздела "References": Sidorchuk D. S., Konovalenko I. A., Gladilin S. A., Maximov Y. I. Otsenka shumnosti kanalov v zadache vizualizatsii multispektralnykh izobrazhenii [Noise estimation for multispectral visualization]. Sensornye sistemy [Sensory systems]. 2016. V. 30(4). P. 344-350 (in Russian).

Список литературы:

  • Кирилин А. Н., Ахметов Р.Н., Стратилатов Н.Р., Бакланов А. И., Федоров В.М., Новиков М.В. Космический аппарат “Ресурс-П” // Геоматика. 2010. No4. C. 23–26
  • Соколов В. В., Норка Ю. А., Карпенко С. М., Николаев Д. П. О визуализации мультиспектральных изображений, со- храняющей локальный контраст // Труды ИСА РАН. 2009. Т. 45. С. 183–193
  • Chukalina M., Nikolaev D., Somogyi A., Schaefer G. Multitechnique data treatment for multi-spectral image visualization // In Proc. 22th ECMS. 2008. P. 234–236. DOI 10.7148/2008–0234.
  • Coleman T. F., Li Y. An interior trust region approach for nonlinear minimization subject to bounds // SIAM J. Optimization. 1996. V 6.2. P. 418–445. DOI 10.1137/0806023.
  • Di Zenzo S. A note on the gradient of multi-image // Comp. Vis., Graphics and Image Proc. 1986. V. 33. P. 116–125.
  • Huang X., Zhang L. A comparative study of spatial approaches for urban mapping using hyperspectral ROSIS images over Pavia City, Northern Italy // Int. J. Remote Sens. 2009. V. 30(12). P. 3205–3221. DOI 10.1080/01431160802559046.
  • Kober V. I., Karnaukhov V. N. Restoration of multispectral images distorted by spatially nonuniform camera motion // J. Communicat. Technol. Electron. 2015. V.60(12). P. 1366– 1371. DOI 10.1134/S1064226915120153.
  • Kuznetsova E., Shvets E., Nikolaev D. Viola-Jones based hybrid framework for real-time object detection in multispectral images // Proc. SPIE9875, Eighth Internat. Conf. on Machine Vision. 2015. 98750N. P. 1–6. DOI 10.1117/12.2228707.
  • Liu C., Freeman W. T., Szeliski R., Kang S. B. Noise estimation from a single image // Comp. Vis. and Pattern Recogn., IEEE Comp. Soc. Conf. 2006. V. 1. P. 901–908. DOI 10.1109/ CVPR.2006.207.
  • Olsen S. I. Estimation of noise in images: an evaluation // CVGIP: Graphical Models and Image Proc. 1993. V. 55(4). P. 319– 323. DOI 10.1006/cgip.1993.1022.
  • Porter W., Enmark H. A system overview of the Airborne Visible/ Infrared Imaging Spectrometer (AVIRIS) // Proc. SPIE. 1987. P. 114–126. DOI 10.1117/12.942280.
  • Rodarmel C., Shan J.Principal Component Analysis for Hyperspectral Image Classi cation // Surv. Land Inform. Syst. 2002. V. 62(2). P. 115–123.
  • Socolinsky D. A., Wolff L. B. A new visualization paradigm for multispectral imagery and data fusion // Comp. Vis. Pattern Recogn. IEEE Comp. Soc. Conf. 1999. V. 1. P. 324. DOI 10.1109/CVPR.1999.786958.
  • Sokolov V., Nikolaev D., Karpenko S., Schaefer G. On Contrast-Preserving Visualization of Multispectral Datasets // Adv. Vis. Comp.: 6th Intern. Sympos., ISVC. Springer Berlin Heidelberg, 2010. P. 173–180. DOI 10.1007/978-3-642- 17289-2_17.
  • Switzer P., Green A. A. Min/max autocorrelation factors for multivariate spatial imagery // Comp. Science Stat. 1984. P. 13–16.