ҚАЗАҚСТАН РЕСПУБЛИКАСЫ БІЛІМ ЖӘНЕ ҒЫЛЫМ МИНИСТРЛІГІ Л.Н. ГУМИЛЕВ АТЫНДАҒЫ ЕУРАЗИЯ ҰЛТТЫҚ УНИВЕРСИТЕТІ
Студенттер мен жас ғалымдардың
«Ғылым және білім - 2014»
атты IX Халықаралық ғылыми конференциясының БАЯНДАМАЛАР ЖИНАҒЫ
СБОРНИК МАТЕРИАЛОВ
IX Международной научной конференции студентов и молодых ученых
«Наука и образование - 2014»
PROCEEDINGS
of the IX International Scientific Conference for students and young scholars
«Science and education - 2014»
2014 жыл 11 сәуір
Астана
УДК 001(063) ББК 72
Ғ 96
Ғ 96
«Ғылым және білім – 2014» атты студенттер мен жас ғалымдардың ІХ Халықаралық ғылыми конференциясы = ІХ Международная научная конференция студентов и молодых ученых «Наука и образование - 2014» = The IX International Scientific Conference for students and young scholars «Science and education - 2014».
– Астана: http://www.enu.kz/ru/nauka/nauka-i-obrazovanie/, 2014. – 5830 стр.
(қазақша, орысша, ағылшынша).
ISBN 978-9965-31-610-4
Жинаққа студенттердің, магистранттардың, докторанттардың және жас ғалымдардың жаратылыстану-техникалық және гуманитарлық ғылымдардың өзекті мәселелері бойынша баяндамалары енгізілген.
The proceedings are the papers of students, undergraduates, doctoral students and young researchers on topical issues of natural and technical sciences and humanities.
В сборник вошли доклады студентов, магистрантов, докторантов и молодых ученых по актуальным вопросам естественно-технических и гуманитарных наук.
УДК 001(063) ББК 72
ISBN 978-9965-31-610-4 © Л.Н. Гумилев атындағы Еуразия ұлттық
университеті, 2014
2596
Новые возможности в системе профессионального образования открывает гипертекстовая технология. Гипертекст (от англ. hypertext — "сверхтекст"), или гипертекстовая система, — это совокупность разнообразной информации, которая может располагаться не только в разных файлах, но и на разных компьютерах. Основная черта гипертекста — это возможность переходов по так называемым гиперссылкам, которые представлены в виде специально сформированного текста, или определенного графического изображения. Одновременно на экране компьютера может быть несколько гиперссылок, и каждая из них определяет свой маршрут "путешествия". Применение компьютерных технологий в системе профессионального образования помогает реализации следующих педагогических целей: развитие личности обучаемого, подготовка к самостоятельной продуктивной профессиональной деятельности; реализация социального заказа, связанного с потребностями современного общества; интенсификация образовательного процесса в профессиональной школе.
Педагогика, как и любая другая наука, постоянно изменяется, развивается. Это говорит, о том, что у общества появляются всѐ новые и новые требования к специалистам. НТП способствует тому, чтобы педагогика находила более действенные, эффективные пути преобразования простого человека в социально значимую личность.
Следствием постоянного развития, совершенствования методов педагогики стали инновационные технологии, т. е. технологии, благодаря которым происходит интегративный процесс новых идей в образование.
Однако внедрение таких технологий сопряжено с рядом трудностей (финансовые средства, консерватизм некоторых чиновников в образовательной сфере, недостаточное развитие технологий). Кроме того, несмотря на очевидную необходимость в инновациях всѐ же внедрять их следует с осторожностью. В области образования очень важна преемственность, поэтому важным является правильная и обдуманная инновационная деятельность. В данное время в РК успешно вводятся в образовательную систему программы «Platonus» и «Elearning», которые позволяют профессорско- преподавательскому составу и обучающимся эффективно использовать время и иметь постоянный доступ к необходимой информации и учебным программам.
Подводя итоги, отметим, что педагогические инновации – это неотъемлемая часть развития педагогики и они необходимы для совершенствования системы образования и науки.
Список используемой литературы:
1. Педагогика №4, 2004: Периодическое издание / В.С Лазарев, Б.П Мартиросян. – Педагогическая инноватика: объект, предмет и основные понятия – С. 12-14.
2. Пидкасистый И.И. Педагогика: Учебное пособие / И.И. Пидкасистый. – Москва:
Российское педагогическое агенство, 1995 – С. 49-54.
3.Подласый И.П. Педагогика: Новый курс / И.П. Подласый. – Москва,2000. – книга 1. – С. 210-212.
4. Профессиональное образование №1 2006: Периодическое издание / В.Г. Казаков – Новое время – новые технологии профессиональной подготовки – С.12.
УДК 004.383.5
ПРИМЕНЕНИЕ МЕТОДОВ РЕКОНСТРУКЦИИ СМАЗАННЫХ ИЗОБРАЖЕНИЙ ДЛЯ УЛУЧШЕНИЯ КАЧЕСТВА
Рақышева Мадина Аділханқызы [email protected]
Магистрант (6М070300 – Информационные системы) ВКГТУ им. Д. Серикбаева,
2597
Усть-Каменогорск, Казахстан Научный руководитель - Н. Денисова
Реконструкция изображений - это преобразование одного оптического изображения в другое для улучшения каких-либо его параметров.
Наиболее типичными примерами реконструкции являются: корректировка яркости, контрастности, цвета (баланса белого) и других макропараметров изображения; устранение шума на изображении; устранение искажений, вызванных расфокусировкой объектива или перемещением камеры или объекта во время экспозиции (коррекция смазов).
Одним из самых простых методов реконструкции смазанного изображения является метод инверсной фильтрации. Смысл этого метода в том, что идеальное изображение проходит через линейную искажающую систему с ФРТ k(x) и повреждается аддитивным шумом. [1]
. Предполагается, что между шумом и идеальным изображением корреляция отсутствует [2]. Инверсная фильтрация предполагает получение оценки Фурье- преобразования исходного изображения делением Фурье-преобразования искаженного изображения на частотное представление искажающей функции. То есть метод можно выразить с помощью приближения [1]:
(1) затем следует выполнить обратное преобразование Фурье к функции , где - спектр искаженного изображения. В виде формулы инверсный фильтр можно выразить так:
(2) Методы обратной фильтрации имеют ряд недостатков:
- при синтезе восстанавливающего фильтра не учитывается факт влияния объектов, расположенных вне поля зрения объектива, на значение яркости на краях искаженного изображения. При восстановлении реально искаженных изображений таким фильтром возникают краевые эффекты, компенсация которых является отдельной задачей при реализации алгоритмов восстановления изображения на основе пространственной фильтрации;
- на практике изображение обычно бывает зашумлено. Это связано с особенностями регистрации. Полное выражение, определяющее спектр изображения, имеет следующий вид:
= gy(х) + kу (х) , (3)
где kу (х) спектр шума. Инверсная фильтрация приведет к тому, что спектр шума будет отмасштабирован. Это означает, что на частотах, в которых значение невелико, значение спектра существенно возрастет. Изображение, которое должно быть восстановлено, окажется существенно зашумлено. Для устранения неустойчивости и сингулярности в методе инверсной фильтрации существует типичный подход, именуемый псевдоинверсной фильтрацией, в котором осуществляется ограничение частотного диапазона ―малой‖
окрестностью начала отсчета, а затем выполняется обратное ПФ. Псевдоинверсная фильтрация не решает проблем краевых эффектов и наличия нулей передаточной функции формирующей системы в рабочем диапазоне частот.
Метод фильтрации Винера (в частности, параметрической) в процессе восстановления помимо свойств искажающей функции также учитывает и статические свойства шума. В методе фильтрации Винера изображения и шум рассматриваются как случайные процессы, и поиск решения обратной задачи идет исходя из условия минимума среднеквадратического отклонения найденного приближения (оценки) от неискаженного изображения.
Для реализации фильтра Винера необходимо оценить энергетические спектры шума и неискаженного изображенияS
u,v и Sff
u,v . Во многих случаях энергетический спектр неискаженного изображения вычисляется приблизительно при помощи либо периодограммы2598
или метода Блэкмана-Тьюки (Blackman-Tukey).
При постоянстве спектральной функции шума S (уровень «белого шума») происходят соответствующие упрощения. На практике спектр неискаженного изображения
Sff редко бывает известен.
Используя понятие «дисперсия шума» 2, представляется возможным найти подходящую функцию для данной дисперсии, которая бы позволяла рассчитать параметр Kc наиболее близкий к тому значению, который был выбран в ходе моделирования с различными уровнями шума. Схема алгоритма нахождения параметра для фильтра Винера представлена на рисунке 1.
Рисунок 1 - Схема алгоритма нахождения параметра для фильтра Винера
Устойчивость метода параметрической фильтрации Винера повышается с увеличением отношенияS(u,v)/Sff(u,v), играющего роль отношения помеха/сигнал. При этом усиление влияния помехи не только стабилизирует решение, но также и вызывает рост погрешности решения. Применение параметрического фильтра Винера позволяет эффективно восстанавливать искаженные изображения, однако использование константы в качестве оценки для отношения энергетических спектров не всегда приводит к удовлетворительному решению обратной задачи. Таким образом, для решения задачи реконструкции смазанных изображений быстро движущихся объектов в режиме реального времени метод параметрической фильтрации Винера является недостаточным. В общей практике наилучшие результаты данный фильтр помогает достичь для подавления шума в аудио. Также одним из решающих факторов является то, что фильтр Винера показывает себя ненадежным методом при реконструкции именно быстро движущихся объектов.
Для реализации методов «Инверсная фильтрация» и «Фильтрация Винера» был использован инструментарий среды MicrosoftVisualStudio и библиотеки OpenCV.
В OpenCV использовались специализированные модули библиотек: cxcore – ядро, содержащее базовые структуры данных и алгоритмы; CV – модуль обработки изображений;
Highgui - модуль ввода/вывода изображений и видео; CvCam - модуль захвата видео.
Рассмотрим при помощи каких функций OpenCV можно реализовать методы
«Инверсная фильтрация» и «Фильтр Винера» реконструкции изображений:
- cvDFT- производит прямое или обратное дискретное преобразование Фурье над одномерным или двумерным массивом чисел с плавающей точкой;
- cvShiftDFT- используется для дискретного преобразования Фурье;
- cvMerge - служит для объединения одноканальных матриц в многоканальные;
- cvSplit - разложения изображения/матрицы на слои;
- cvMinMaxLoc- для сравнения регионов.
Назначение общих параметров указанных функций:
2599
- src – исходное изображение;
- dst – результирующее изображение, имеет такой же размер и тип, как и исходное изображение.
На рисунке 1 представлено обработанное изображение.
Рассмотрим процедурно, как выполняется реконструкция изображения. Изначально производится перестановка квадранта Фурье-образа так, чтобы начало координат находилось в центре изображения. Матрица исходного изображения и назначенная матрица должны быть одного размера и типа.Затем с помощью функции cvLoadImage загружается
изображение.С помощью параметра этой функции
CV_LOAD_IMAGE_GRAYSCALEзагруженное изображение преобразовыватся на 1 канал.
Далее в исходном изображении определяется область смаза.
Далее, создается мнимая матрица, где смазанные участки заполняются нулями.
Разложение матрицы на реальную и мнимую части осуществляется с помощью функции cvSplit. Затем вычисляется величина спектра. С помощью инверсии из мнимой матрицы вычитывается последовательно из второго пиксела первый, из третьего результат второго, из четвертого результат третьего и так далее. Функция cvMinMaxLoc определяет глобальный максимум матрицы, и значения матрицы сохраняются. И в конце реконструированное изображение демонстрируется с помощью функции cvShowImage.
При реализации метода «Фильтр Винера» учитывается наличие шума на изображении. Рассматривая изображение и шум как случайные процессы, находится оценка для неискаженного изображения, чтобы среднеквадратическое отклонение этих величин было минимальным. Минимум этого отклонения достигается на функции в частотной области.
а) б) в)
Рисунок 2. Результаты обработки тестовых изображений: а) исходное изображение; б) восстановленное изображение по методу «Инверсная фильтрация»; в) восстановленное изображение по методу «Фильтр Винера»
2600
Так же были рассмотрены: метод преобразования Фурье с регуляризацией Тихонова, метод квадратур с регуляризацией Тихонова. Для их реализации применялись инструменты системы Matlab. Для восстановления смазанных изображений была использована функция deconvreg. Она выполняет восстановление смазанных изображений с использованием регуляризационных фильтров. Проведенное исследование показало, что из вышеназванных линейных методов реконструкции смазанных изображений наиболее оптимальным является метод квадратур с регуляризацией Тихонова, который позволяет эффективно обрабатывать изображения быстродвижущихся объектов в режиме реального времени. Наилучшая реконструкция изображений получается в том случае, когда прямая и обратная задачи решаются в одинаковом ключе, а именно, с использованием метода квадратур [2].
а) б) в)
Рисунок 3. Результаты обработки тестовых изображений: а) исходное изображение; б) восстановленное изображение по методу «преобразования Фурье с регуляризацией Тихонова»; в) восстановленное изображение по методу «метод квадратур с регуляризацией Тихонова»
Проведенное исследование показало, что из вышеназванных линейных методов реконструкции смазанных изображений наиболее оптимальным является метод квадратур с регуляризацией Тихонова, который позволяет эффективно обрабатывать изображения быстродвижущихся объектов в режиме реального времени. Наилучшая реконструкция изображений получается в том случае, когда прямая и обратная задачи решаются в одинаковом ключе, а именно, с использованием метода квадратур
Список использованных источников
1. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. - М.: Техносфера 2005. - 1072 с.
2. Римских М.В. Методы преобразования Фурье и квадратур с регуляризацией для восстановления смазанных изображений в MATLAB’е / М.В. Римских // Сборник тезисов V Всероссийской межвузовской конференции молодых ученых. - СПб: СПбГУ ИТМО, 2008.
-С. 39-51.
3. Прэтт У. Цифровая обработка изображений: Пер. с англ. / У. Прэтт. - М.: Мир, 1982. - Кн.
2. - 480 с.
4. Гонсалес Р. Цифровая обработка изображений в среде MATLAB / Р. Гонсалес, Р. Вудс, С.Эддинс. – М.: Техносфера, 2006. - 616 с.
5. Сизиков В.С. Реконструкция смазанных и дефокусированных изображений методом регуляризации / В.С. Сизиков, И.А. Белов // Оптический журнал. – 2000. – Т. 67. – № 4. – С.
60–63.
