Отчет по практике изучения работы с программным комплексом ResLook
Автор работы: Пользователь скрыл имя, 15 Января 2013 в 13:31, отчет по практике
Краткое описание
Изучение работы с программным комплексом ResLook на примере задачи восстановления изображения .
Этапы выполнения задания:
1. Изучение литературы по программному продукту ResLook.
2. Знакомство с основными библиотеками и возможностям, реализуемым ими.
3. Использование возможностей программы для генерации, зашумления и фильтрования изображения.
4. Исследование различных методов фильтрации зашумленного изображения
Прикрепленные файлы: 1 файл
ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ
_____________________
ГОСУДАРСТВЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ
ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ
САМАРСКИЙ ГОСУДАРСТВЕННЫЙ АЭРОКОСМИЧЕСКИЙ УНИВЕРСИТЕТ
имени академика С.П. Королева
Ж У Р Н А Л
по практике
Наименование практики:
первая предквалификационная
Студент (Ф. И О.)
Медовникова Анна Юрьевна
Факультет № 6 информатики
группа 6409
Специальность 010501 – прикладная математика и информатика
Начало 23 мая 2011 г.
Окончание 17 июня 2011 г.
ЗАДАНИЕ
по первой предквалификационной практике
Студенту _____Медовниковой Анне Юрьевне____________________________
Группы 649 факультета информатики (№6)
Тема:
Изучение работы с программным комплексом ResLook на примере задачи
восстановления изображения .
Этапы выполнения задания:
1. Изучение литературы по программному продукту ResLook.
2. Знакомство с основными библиотеками и возможностям, реализуемым ими.
3. Использование возможностей программы для генерации, зашумления и
фильтрования изображения.
4. Исследование различных методов фильтрации зашумленного изображения.
Руководитель практики от (предприятия, организации)
___________________________________________________________________
наименование предприятия, подразделения
_______________________
_________________
_____________2011 г.
Ф. И. О. руководителя
подпись, печать
дата
Руководитель практики от кафедры геоинформатики СГАУ
_______________________
_________________
_____________2011 г.
Ф. И. О. руководителя
подпись, печать
дата
П Е Р Е Ч Е Н Ь
теоретических занятий и экскурсий
№
Тема лекции или экскурсии
Дата,
время
Кто
проводит
Место проведения,
№ аудитории
1.
Лекция 1: « Введение в обработку
изображений»
23.05.2011
10-00
Чичева М.А.
ауд. 328-1 СГАУ
2.
Лекция 2: «Алгоритмы фильтрации шума на
изображении»
27.05.2011
10-00
Чичева М.А.
ауд. 328-1 СГАУ
Руководитель практики от (предприятия, организации)
________________________________________________________________________
наименование предприятия, подразделения
___________________________
__________________
_____________2011 г.
Ф. И. О. руководителя подпись, печать
дата
Руководитель практики от кафедры _____________________________ СГАУ
наименование кафедры
__ __________________
__________________
______________2011 г.
Ф. И. О. руководителя подпись
дата
Д Н Е В Н И К
первой предквалификационной практики
23.05.2011. Прослушана лекция по теме « Введение в обработку
изображений». Получен программный продукт, необходимые библиотеки и
руководства по использованию.
23.05.2011 – 25.05.2011. Изучение необходимой литературы, знакомство с
основными библиотеками программы ResLook.
26.05.2011 – 29.05.2011. Изучение моделей помех при регистрации
изображения, а так же алгоритмов фильтрации изображения: линейный
сглаживающий фильтр и медианный фильтр, их маски.
30.05.2011 – 31.05.2011 Ознакомление с методами генерации различных
шумов и наложением их на изображение в изучаемом программном продукте.
01.06.2011 – 04.06.2011. Использование локальных методов фильтрации
белого и импульсного шума на сгенерированном изображении «шахматное поле».
05.06.2011 – 06.06.2011. Расчѐт характеристик восстановленных изображений
и сравнение на их основе различных методов фильтрации и конкретных масок
каждого метода.
07.06.2011 – 10.06.2011. Исследование локальных методов фильтрации шумов
на реальном изображении большого размера.
11.06.2011 – 14.06.2011. Расчѐт характеристик восстановленных изображений
и сравнение на их основе различных методов фильтрации и конкретных масок
каждого метода.
15.06.2011. Используя полученные характеристики провелось сравнение
результатов восстановления сгенерированного простого изображения «шахматное
поле» размером 256*256 и реальной картинки 1024*768.
16.06.2011. Оформление журнала производственной практики.
5
Т Е Х Н И Ч Е С К И Й О Т Ч Е Т
о выполнении индивидуального задания
по первой предквалификационной практике
Наиболее распространенным видом помех является аддитивный шум,
статически независимый от сигнала. Модель аддитивного шума используется тогда,
когда сигнал на выходе изображающий системы или на каком – нибудь
промежуточном этапе преобразования может рассматриваться как сумма полезного
сигнала и некоторого случайного сигнала(шума). Модель такого шума хорошо
описывает действие зернистости фотопленки, шум квантования в аналогово-
цифровых преобразователях и т.п. Обычно аддитивный шум рассматривают как
стационарное случайное поле и характеризуют дисперсией и корреляционной
функцией. Часто аддитивный шум считают некоррелированным(белым). Пусть
x(m,n)
–
отсчеты
исходного
изображения,
а
y(m,n)-
отсчеты
наблюдаемого(зашумленного) изображения. Тогда действие аддитивного шума
можно задать выражением:
y(m,n) = x(m,n) + v(m,n),
где v(m,n) – отсчеты шумового случайного поля с нулевым средним.
Интенсивность
аддитивного
шума
характеризуется
отношением
«сигнал/шум»:
d
2
= D
x
/D
v
,
где D
x
– дисперсия сигнала,
а D
v
– дисперсия шума
В нашем исследовании мы брали d
2
= 1, 10, 100.
Если действие шума сказывается не по всей протяженности поля
изображения, а только в случайно расположенных точках, в которых значения
функции яркости заменяются случайными величинами, то шум называют
импульсным. На изображении такие помехи выглядят изолированными
контрастными точками. Будем считать, что искаженные точки равномерно
распределены по всему полю изображения, а яркость искаженных точек имеет
равномерное распределение в некотором диапазоне. Импульсный шум характерен
для системы передачи изображений по радиоканалам с использованием нелинейных
методов модуляции, а так же для цифровых систем передачи и хранения
изображений.
Действие импульсного шума можно описать следующей математической
моделью:
6
y(m,n) = {
(
)
(
)
(
)
где (
) – отсчеты шумового поля, статически независимые друг от друга
и равномерно распределенные в диапазоне [
].
Таким образом, импульсный шум характеризуется вероятностью p искажения
точки (0 ≤ p ≤ 1) и диапазоном значений [
].
Целью восстановления искаженного изображения y(m,n) является получение
путѐм некоторой обработки изображения ̂(
), которое близко к
идеальному(исходному) изображению x(m,n).
Определим ошибку оценивания в каждой точке изображения:
̅
∑∑ ̂(
)
(
)
Критерий минимума квадрата СКО является наиболее универсальным и
распространенным критерием качества восстановления при проектировании
алгоритмов фильтрации изображений из-за математической простоты. Однако этот
критерий имеет недостаток, заключающийся в том, что он не всегда согласуется с
субъективным(психовизуальным) критерием качества. Указанный критерий
является конструктивным и позволяет теоретически рассчитывать оптимальные
алгоритмы фильтрации, однако они иногда оказываются весьма сложными для
расчѐта и реализации. Так винеровский фильтр, являясь оптимальным, требует
выполнения двумерного дискретного преобразования Фурье над полем размера
NxM, что приводит к значительным затратам машинного времени.
Итак рассмотрим линейный сглаживающий фильтр с конечной импульсной
характеристикой. Его можно описать уравнением двумерной свертки:
̂(
)
∑ ∑ ( ) (
)
( )
(
)
(
)
где ( ) – коэффициенты линейной маски фильтра(импульсная характеристика
восстанавливающей ЛПП-системы);
W- область «окна».
Коэффициенты
( ) можно выбрать оптимальным образом из условия
оптимизации дисперсии ошибки фильтрации, которая есть математическое
ожидание средней квадратичной ошибки:
̅
∑∑ ̂(
)
(
)
Будем измерять эффективность фильтрации коэффициентом снижения шума,
который равен отношению дисперсии ошибки фильтрации к дисперсии искажений:
7
В принципе любой КИХ-фильтр с неотрицательными коэффициентами обладает
сглаживающими свойствами. Возьмем для исследования следующие три маски:
А1 = (
)
А2 = (
)
А3 = (
)
Коэффициенты масок нормированы:
∑ ∑ ( )
(
)
для того, чтобы процедура подавления помех не вызывала смещения средней
яркости обрабатываемого изображения.
Медианный фильтр в отличии от сглаживающего не является линейной процедурой
подавления шумов. Он представляет собой скользящее по полю изображения
«окно» W, охватывающее нечетное число отсчетов. Центральный отсчет заменяется
медианой всех элементов, попавших в окно. Двумерный медианный фильтр с
«окном» W определяется следующим образом:
̂(
)
(
)
(
) ( )
Как и сглаживающий, медианный фильтр используется для подавления аддитивного
и импульсного шумов на изображении. Характерной особенностью медианного
фильтра является
сохранение перепадов яркости(контуров).
Особенно
эффективным этот фильтр является в случае импульсного шума. Что касается
аддитивного, то например медианный фильтр с «окном» 3*3 полностью подавляет
одиночные выбросы на равномерном фоне. В общем же случае для подавления
группы импульсных помех размеры «окна» должны быть по меньшей мере вдвое
больше размеров групп помех.
Такие фильтры могут быть простыми и взвешенными, когда каждый элемент окна
берется неодинаковое количество раз, которому соответствует коэффициент в
матрице маски фильтра. Мы будем рассматривать два подобных фильтра:
W1 = (
)
W3 = (
)
Далее приведем подробный ход выполнения работы с приведением функции
программного продукта ResLook, применяемых для нашего исследования:
1. Генерировать шахматную доску
2. Рассчитать характеристики сгенерированного изображения
Rl Stat Stat lr311.pic
E = 128.125
D = 1023.984
R = 0.9
3. Генерировать белый шум
8
Дисперсия =
a. 1023.984
b. 102.4
c. 10.24
4. Сложить
5. Применить линейную фильтрацию тремя масками:
А1 = (
)
А2 = (
)
А3 = (
)
6. Рассчитать СКО
A1
A2
A3
1
204.228
197.373
199.015
10
96.5
81.312
63.553
100
85.68
69.696
50.044
7. Рассчитать снижение шума
A1
A2
A3
1
0,196635
0,190034
0,191615
10
0,929117
0,782885
0,611898
100
8,249567
6,710572
4,818409
8. Применить медианную фильтрацию с использованием следующих масок:
W1 = (
)W3 = (
)
В каждой из масок берется средний отсчет, т.е. в случае простой маски W3
берется 3 отсчет, а в случае маски взвешенного фильтра – 4.
1
10
100
A1
A2
A3
9
9. Рассчитать СКО
W1
W3
1
573.85
367.737
10
57.901
50.107
100
5.79
19.708
10.Рассчитать снижение шума
W1
W3
1
0,552514
0,354064
10
0,55748
0,482438
100
0,557481
1,897554
11.Сравнение сглаживающих и медианных фильтров:
12.Генерировать импульсный шум
a. P = 0.1
b. P = 0.2
c. P = 0.3
13.Сложить
14.Применить линейную фильтрацию теми же тремя масками A1, A2, A3
15.Рассчитать СКО
1
10
100
W1
W3
0
1
2
3
4
5
6
7
8
9
1
10
100
A1
A2
A3
W1
W3
10
A1
A2
A3
0.1
262.747
261.762
275.633
0.2
405.9
415.732
455.762
0.3
517.587
536.093
596.431
16.Рассчитать снижение шума
A1
A2
A3
0.1
0,164582
0,163965
0,172653
0.2
0,141119
0,144537
0,158455
0.3
0,135072
0,139902
0,155648
17.Применить медианную фильтрацию масками W1 и W3
18.Рассчитать СКО
W1
W3
0.1
1627.419
982.203
0.2
2975.779
2556.221
0.3
3942.756
3587.921
19.Рассчитать снижение шума
W1
W3
0.1
1,019395
0,61524
0.2
1,034589
0,888721
0.3
1,028924
0,936324
0
0,05
0,1
0,15
0,2
0,1
0,2
0,3
A1
A2
A3
11
20.Сравнение фильтров:
21.Берем изображение in.bmp конвертируем в in.pic
rl img copy in.bmp in.pic
22.Рассчитать характеристики сгенерированного изображения
Rl Stat Stat in.pic
E = 66.684
D = 11131.665
R = 0.995
23.Генерировать белый шум
Дисперсия =
a. 11131.665
b. 1113.167
c. 111.317
24.Сложить
25.Применить линейную фильтрацию
26.Рассчитать СКО
A1
A2
A3
1
9897,652
8017,037
7129,591
10
1003,06
812,426
721,039
100
113,57
91,94
80,168
27.Рассчитать снижение шума
0
0,5
1
1,5
0,1
0,2
0,3
W1
W3
0
0,2
0,4
0,6
0,8
1
1,2
0,1
0,2
0,3
A1
A2
A3
W1
W3
12
A1
A2
A3
1
0,888602
0,719762
0,640088
10
0,900538
0,729389
0,647342
100
1,019617
0,825425
0,719738
28.Применить медианную фильтрацию
29.Рассчитать СКО
W1
W3
1
3697,11
10140,43
10
370,179
1027,255
100
37,52
120,383
30.Рассчитать снижение шума
W1
W3
1
0,331923
0,910399
10
0,332343
0,92226
100
0,336823
1,080783
31.Сравнение характеристик фильтров:
0
0,2
0,4
0,6
0,8
1
1,2
1
10
100
A1
A2
A3
0
0,5
1
1,5
1
10
100
W1
W3
13
32.Генерировать импульсный шум
a. P = 0.1
b. P = 0.2
c. P = 0.3
33.Сложить
34.Применить линейную фильтрацию
35.Рассчитать СКО
A1
A2
A3
0.1
1431,533
1159,49
1030,254
0.2
2572,97
2084,054
1852,211
0.3
3427,412
2776,151
2467,256
36.Рассчитать снижение шума
A1
A2
A3
0.1
0,898066
0,727401
0,646325
0.2
0,893861
0,72401
0,643466
0.3
0,891697
0,722261
0,641897
0
0,2
0,4
0,6
0,8
1
1,2
1
10
100
A1
A2
A3
W1
W3
0
0,2
0,4
0,6
0,8
1
0,1
0,2
0,3
A1
A2
A3
14
37.Применить медианную фильтрацию
38.Рассчитать СКО
W1
W3
0.1
33,038
1746,573
0.2
196,366
3353,612
0.3
505,75
4471,551
39.Рассчитать снижение шума
W1
W3
0.1
0,020726
1,095705
0.2
0,068218
1,16506
0.3
0,131579
1,163347
40.Сравнение фильтров:
0
0,5
1
1,5
0,1
0,2
0,3
W1
W3
0
0,2
0,4
0,6
0,8
1
1,2
1,4
0,1
0,2
0,3
A1
A2
A3
W1
W3
О Т З Ы В
руководителя практики от кафедры геоинформатики СГАУ
о работе практиканта Медовниковой Анны Юрьевны
Студент СГАУ Медовникова А.Ю. за время производственной практики зарекомендовала
себя как исполнительный и трудолюбивый работник. Порученное задание он выполнила в срок и
с должным качеством исполнения. Она нашла разнообразные решения поставленной задачи,
разобралась в особенностях каждого варианта решения. В ходе практики был изучен
программный продукт ResLook и исследованы локальные методы восстановления зашумленного
изображения. А так же проведен сравнительный анализ методов на основе полученных их
характеристик и выявлены наиболее оптимальные маски для каждого из методов.
Предлагаю оценить прохождение производственной практики Медовниковой А.Ю. на
«отлично».
Информация о работе Отчет по практике изучения работы с программным комплексом ResLook