Направления научных исследований кафедры в области цифровой обработки изображений

1. Направления научных исследований кафедрыв области цифровой обработки изображений Автоматическое определение параметров искажающих воздействий Классификация участков изображений Оценка качества изображений (с эталонным изображением и без него) Локально-адаптивная фильтрация и классификация изображений Сжатие изображений и видеоинформации Обнаружение объектов на изображениях Фильтрация, восстановление и реконструкция изображений Николай Пономаренко

2. Активные исследования проводятся с 1995 года Определяемые параметры: дисперсия аддитивного гауссовского шума дисперсия мультипликативного гауссовского шума вероятность импульсного шума (равномерный, соль и перец, компактный) вид функции рассеяния точки, ширина главного лепестка, уврони боковых лепестков (смаз) параметры смешанных искажений, например, смешанного аддитивного и мультипликативного шума Практические приложения: подавление шума на изображениях восстановление изображений (в том числе и при одновременно наличии шума и смаза) определение параметров сжатия изображений Автоматическое определение параметров искажающих воздействий Параметры шума: σ2=48, σμ2=0.098 (ошибка определения не более 10%) Николай Пономаренко

3. Активные исследования проводятся с 2004 года Области исследований: разработка и совершенствование критериев оценки визуального качества изображений при наличии эталона (full reference metrics) исследование HVS (human visual system) с целью более полного учета ее особенностей при оценке визуального качества изображения разработка критериев оценки качества изображений при отсутствии эталона (perceptual metrics) Практические приложения: - объективная оценка визуального качества результатов фильтрации, сжатия и пр. - определение оптимальной степени сжатия изображения Оценка качества изображений PSNR=18.72 dB, MSSIM=0.33, PSNR-HVS=18.72 dB PSNR=18.72 dB, MSSIM=0.45, PSNR-HVS=14.59 dB Николай Пономаренко

4. Активные исследования проводятся с 1994 года Направления исследований: разработка параметров локальной активности (признаков) использование нейроструктур для классификации участков изображений использование экспертных систем для классификации участков изображений использование гибридных методов для классификации участков изображений классификация многоканальных изображений Практические приложения: локально-адаптивная фильтрация классификация изображений и обнаружение объектов автоматический выбор ROI (region of interest) при сжатии изображений Классификация участков изображений Оптическое изображение системы ДЗ Результат классификации участков изображения на 5 классов Николай Пономаренко

5. Активные исследования проводятся с 1989 года Направления исследований: разработка и совершенствование нелинейных (в том числе робастных и векторных) методов фильтрации изображений фильтрация изображений с использованием ортогональных преобразований (ДКП, ДВП) построение фильтров с учетом ограничений на объем оперативной памяти и время обработки восстановление дефокусированных изображений с одновременным подавлением шума реконструкция отсутствующих фрагментов изображений Практические приложения: подавление различных шумов на изображениях предварительная обработка с целью повышения качества классификации участков изображения предварительная обработка сжимаемых изображений постфильтрация расжатых изображений с целью устранения блочного эффекта и эффекта Гиббса Фильтрация, восстановление и реконструкция изображений аддитивный шум, σ2=49 изображение после фильтрации Николай Пономаренко

6. Активные исследования проводятся с 1995 года Направления исследований: локально-адаптивные фильтры с мягким переключением локально-адаптивные фильтры с жестким переключением двухэтапные локально-адаптивные фильтры сохраняющие текстуру локально-адаптивные фильтры синтез локально-адаптивных фильтров для заданной конечной задачи интерпретации данных и критерия качества Практические приложения: эффективное подавление шумов на сложных изображениях подавление смеси импульсного шума с другими типами шумов предварительная обработка с целью повышения качества классификации участков изображения обработка изображения с целью максимизации критерия качества, обусловленного конечной интерпретационной задачей анализа изображений Локально-адаптивная фильтрация и классификация изображений РЛИ изображение Результат работы мультиоконного локально-адаптивного фильтра Николай Пономаренко

7. Активные исследования проводятся с 1997 года Направления исследований: обнаружение малоразмерных и малоконтрастных объектов на изображениях, искаженных шумом предварительная обработка изображений с целью повышения качества обнаружения объектов сжатие изображений без ухудшения качества последующего обнаружения объектов на них автоматический синтез локально-адаптивных многоэтапных обнаружителей объектов на изображениях, искаженных шумом обнаружение целей на многоканальных изображениях Практические приложения: обнаружение объектов на изображениях предварительная обработка изображений, предназначенных для обнаружения объектов «черным ящиком» Обнаружение объектов на изображениях Анализируемое изображение Детектирование (фрагмент)без шума, с шумом и после предварительной обработки Николай Пономаренко

8. Активные исследования проводятся с 2000 года Направления исследований: сжатие на основе ДКП фрактальное сжатие изображений высококачественное сжатие изображений с использованием схем разбиения сжатиевидео и многоканальных изображений сжатие изображений, искаженных шумом автоматический выбор степени сжатия изображения дополнительное сжатие (без внесения потерь) изображений JPEG и видео Motion JPEG автоматический выбор ROI (region of interest) при сжатии Практические приложения: высококачественное сжатие изображений и видео сжатие многоканальных данных систем ДЗ дополнительное сжатие изображений JPEG оптимальное сжатие “почти без потерь” (nearless) Сжатие изображений и видеоинформации Сравнение с JPEG2000 при аналогичной степени сжатия • Исходное • изображение • JPEG2000 • Наш метод Николай Пономаренко

9. Сжатие изображений и видеоинформации Спутниковая карта региона Хельсинки (σ2=100) и декодированное изображение для предложенного нами методасжатия (bpp=0.75) Николай Пономаренко