Е.А. Самойлин1, С.В. Татаринцев2, Д.Ю. Дронов3, К.Е. Скугоров4
1–4 Военный учебно-научный центр военно-воздушных сил
«Военно-воздушная академия им. профессора Н.Е. Жуковского и Ю.А. Гагарина» (г. Воронеж, Россия)
Постановка проблемы. Использование статистически оптимальных алгоритмов для обнаружения модальных аппликативных искажений с неизвестным пространственным положением на цифровых изображениях является затруднительным из-за отсутствия на практике априорной информации относительно законов и параметров распределения случайных сигналов и помех, а также априорных вероятностей наличия и отсутствия искажений на изображении.
Цель. Разработать комбинированный обнаружитель аппликативных искажений на цифровых изображениях на основе комбинирования нейронной сети, извлекающей на первом этапе обработки априорную информацию, и статистически оптимальный алгоритм, использующий эту информацию на втором этапе.
Результаты. Разработан комбинированный алгоритм, позволяющий на первом этапе получить приблизительные оценки вероятности и среднеквадратического отклонения аппликативных искажений на цифровых изображениях, а на втором этапе – осуществить статистически оптимальную оценку пространственного положения этих искажений. Представлены результаты численных исследований предложенного комбинированного обнаружителя искажений на изображениях. Рассчитаны зависимости ошибок обнаружения первого и второго рода от вероятности появления аппликативных искажений для нейросетевого алгоритма, статистически оптимального алгоритма, а также предлагаемого комбинированного алгоритма. Представлены результаты использования комбинированного обнаружителя в задаче пространственно-избирательной ранговой фильтрации цифровых оптических изображений.
Практическая значимость. Результаты исследований показывают преимущества применения предлагаемого комбинированного обнаружителя модальных аппликативных искажений с усеченным гауссовским распределением яркости в условиях априорной неопределенности.
Самойлин Е.А., Татаринцев С.В., Дронов Д.Ю., Скугоров К.Е. Обнаружение аппликативных искажений на цифровых изображениях на основе комбинирования нейронной сети и статистически оптимального алгоритма // Нейрокомпьютеры: разработка, применение. 2021. T. 23. № 5. С. 21−32. DOI: https://doi.org/10.18127/j19998554-202105-02.
- Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера. 2012. 1104 с.
- Хуанг Т.С., Эклунд Дж.-О., Нуссбаумер Г.Дж., Зохар Ш., Юстуссон Б.И., Тян Ш.-Г. Быстрые алгоритмы в цифровой обработке изображений. М.: Радио и связь. 1984. 224 с.
- Грузман И.С., Киричук В.С., Косых В.П., Перетягин Г.И., Спектор А.А. Цифровая обработка изображений в информационных системах: Учебное пособие. Новосибирск: Изд-во НГТУ. 2000. 168 с.
- Юхно П.М. Преднамеренные оптические помехи высокоточному оружию. М.: Радиотехника. 2017. 640 с.
- Самойлин Е.А. Пространственно-избирательная фильтрация полутоновых изображений // Радиотехника. 2006. № 12. С. 42–45.
- Самойлин Е.А., Славнов К.В., Татаринцев С.В. Синтез алгоритма работы статистически оптимального обнаружителя модальных аппликативных помех с усеченным гауссовским распределением яркости на цифровых оптических изображениях // Радиотехника. 2021. Т. 85. № 1. С. 96–103.
- Самойлин Е.А. Синтез статистически оптимальных обнаружителей импульсных помех при фильтрации изображений // Радиотехника. 2009. № 9. С. 25–31.
- Степанов О.А. Нейросетевые алгоритмы в задаче нелинейного оценивания. Взаимосвязь с байесовским подходом // Сб. материалов ХI конф. молодых ученых. СПб.: ГНЦ ОАО Концерн ЦНИИ «Электроприбор». 2009. С. 39–65.
- Кирсанов Э.А., Сирота А.А. Обработка информации в пространственно-распределенных системах радиомониторинга: статистический и нейросетевой подходы. М.: ФИЗМАТЛИТ. 2012. 344 с.
- Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. М.: Мир. 1992. 240 с.
- Левин Б.Р. Теоретические основы статистической радиотехники. Кн. 1. М.: Сов. радио. 1969. 752 с.
- Самойлин Е.А. Повышение степени функциональной полноты нейроподобных элементов модели нейронной сети // Нейрокомпьютеры: разработка, применение. 2010. № 10. С. 17–26.