Эффективность применения в рекуррентных процедурах привязки изображений целевых функций качества на основе информационных мер

А.В. Жукова; С.В. Воронов

Эффективность применения в рекуррентных процедурах привязки изображений целевых функций качества на основе информационных мер

научная статья Страницы: 11-16

¹ аспирант, Ульяновский государственный технический университет
² к.т.н., доцент, кафедра «Радиотехника», Ульяновский государственный технический университет

Ключевые слова: цифровое изображение рекуррентное оценивание целевая функция взаимная информация энергия совместной плотности распределения вероятностей крутизна

Аннотация

Проведен сравнительный анализ эффективности использования целевых функций качества оценивания на основе информационных мер (взаимной информации Шеннона и Тсаллиса, мер F информации, исключающей F информации, энергии совместной плотности распределения вероятностей) на примере задачи рекуррентного оценивания параметров привязки изображений. В качестве мешающего фактора при экспериментальных исследованиях использован несмещенный аддитивный гауссовский шум. Показано, что среди исследованных информационных мер потенциально большую скорость сходимости оцениваемых параметров и меньшую дисперсию погрешности оценивания обеспечивает I мера F информации. Взаимная информация уступает мерам F информации и имеет большую зависимость от уровня шума.

Для цитирования

Жукова А.В., Воронов С.В. Эффективность применения в рекуррентных процедурах привязки изображений целевых функций качества на основе информационных мер // Радиотехника. 2016. № 9. С. 11–16.

Список источников

Brown L.G. A survey of image registration techniques // ACM Computing surveys. 1992. V. 24. P. 325−376.
De Castro E., Morandi C. Registration of translated and rotated images using ﬁnite Fourier transform // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1987. V. 9. № 5. P. 700−703.
Gonzalez R.C., Woods R.E. Digital image processing. Prentice Hall. New Jersey. 2002. 793 p.
Goshtasby A.A. Image registration. Principles, tools and methods: Advances in Computer Vision and Pattern Recognition. Springer. 2012. 441 p.
D\'Agostino E., Maes F., Vandermeulen D., Suetens P. An information theoretic approach for non-rigid image registration using voxel class probabilities // Med Image Anal. 2006. V. 6(3). P. 413−431.
Воронов С.В., Воронов И.В. Анализ эффективности информационных мер качества привязки изображений // Радиотехника. 2015. № 6. С. 32−36.
Воронов С.В. Использование взаимной информации как целевой функции качества оценивания параметров изображений // Радиотехника. 2014. № 7. С. 88−94.
Sevim Y., Atasoy A. Performance comparison of new nonparametric independent component analysis algorithm for different entropic indexes // Turkish Journal of Electrical Engineering & Computer Sciences. 2012. V. 20. P. 287−297.
Крашенинников В.Р. Основы теории обработки изображений: учебное пособие. Ульяновск: УлГТУ. 2003. 152 с.
Ташлинский А.Г., Тихонов В.О. Методика анализа погрешностей псевдоградиентного измерения параметров многомерных процессов // Известия ВУЗов. Сер. «Радиоэлектроника». 2001. Т. 44. № 9. С. 75−80.
Ташлинский А.Г. Оценивание параметров пространственных деформаций последовательностей изображений. Ульяновск: УлГТУ. 2000. 131 с.
Tashlinskii A.G. Pseudogradient Estimation of Digital Images Interframe Geometrical Deformations // Vision Systems: Segmentation & Pattern Recognition. Vienna (Austria): I‑Tech Education and Publishing. 2007. P. 465−494.

[1] Brown L.G. A survey of image registration techniques // ACM Computing surveys. 1992. V. 24. P. 325−376.

[2] De Castro E., Morandi C. Registration of translated and rotated images using ﬁnite Fourier transform // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1987. V. 9. № 5. P. 700−703.

[3] Gonzalez R.C., Woods R.E. Digital image processing. Prentice Hall. New Jersey. 2002. 793 p.

[4] Goshtasby A.A. Image registration. Principles, tools and methods: Advances in Computer Vision and Pattern Recognition. Springer. 2012. 441 p.

[5] D\'Agostino E., Maes F., Vandermeulen D., Suetens P. An information theoretic approach for non-rigid image registration using voxel class probabilities // Med Image Anal. 2006. V. 6(3). P. 413−431.

[6] Воронов С.В., Воронов И.В. Анализ эффективности информационных мер качества привязки изображений // Радиотехника. 2015. № 6. С. 32−36.

[7] Воронов С.В. Использование взаимной информации как целевой функции качества оценивания параметров изображений // Радиотехника. 2014. № 7. С. 88−94.

[8] Sevim Y., Atasoy A. Performance comparison of new nonparametric independent component analysis algorithm for different entropic indexes // Turkish Journal of Electrical Engineering & Computer Sciences. 2012. V. 20. P. 287−297.

[9] Крашенинников В.Р. Основы теории обработки изображений: учебное пособие. Ульяновск: УлГТУ. 2003. 152 с.

[10] Ташлинский А.Г., Тихонов В.О. Методика анализа погрешностей псевдоградиентного измерения параметров многомерных процессов // Известия ВУЗов. Сер. «Радиоэлектроника». 2001. Т. 44. № 9. С. 75−80.

[11] Ташлинский А.Г. Оценивание параметров пространственных деформаций последовательностей изображений. Ульяновск: УлГТУ. 2000. 131 с.

[12] Tashlinskii A.G. Pseudogradient Estimation of Digital Images Interframe Geometrical Deformations // Vision Systems: Segmentation & Pattern Recognition. Vienna (Austria): I‑Tech Education and Publishing. 2007. P. 465−494.

Аннотация

Для цитирования

Похожие статьи