ЖУРНАЛ РАДИОЭЛЕКТРОНИКИ. ISSN 1684-1719. 2021. № 9
Оглавление выпускаТекст статьи (pdf)
DOI: https://doi.org/10.30898/1684-1719.2021.9.2
УДК: 004.932.1; 004.932.2; 004.942
КОДИРОВАНИЕ ИЗОБРАЖЕНИЙ ВЫБОРКАМИ ОТСЧЕТОВ,
МОТИВИРОВАННОЕ МЕХАНИЗМАМИ РЕГИСТРАЦИИ ИЗЛУЧЕНИЯ
В ЗРИТЕЛЬНОЙ СИСТЕМЕ ЧЕЛОВЕКА
В. Е. Анциперов 1, В. А. Кершнер 1, Р.А. Ефимов 2
1 Институт радиотехники и электроники им. В. А. Котельникова РАН,
125009, Москва, ул. Моховая, 11, корп. 7
2 Российский университет транспорта (МИИТ),
127994, Москва, ул. Образцова, 9, стр. 9
Статья поступила в редакцию 29 сентября 2021 г.
Аннотация. В данной работе приводятся результаты исследования вопросов наиболее адекватного в смысле моделирования механизмов формирования зрительной системой человека входных видеоданных. Адекватность здесь понимается как максимальное соответствие способов представления данных регистрации падающего излучения материальными детекторами способам кодирования данных в сетчатке зрительной системы. В этой связи в работе обсуждаются общие статистические вопросы формирования (фото) отсчетов и на их основе формализуется концепция идеального устройства формирования (идеальных) изображений. Обсуждаются возникающие на практике проблемы при работе непосредственно с “идеальными” изображениями и предлагается способ их редукции к выборкам отсчетов фиксированного (контролируемого) размера, которые, собственно, и составляют представление данных регистрации. Приведены результаты иллюстративных вычислительных экспериментов по выборочному кодированию обычных цифровых изображений, заданных пиксельными данными. В частности, приведены примеры сгенерированных для заданного цифрового изображения выборок отсчетов разных размеров. На основе приведенных результатов обсуждается зависимость характеристик отсчетных представлений от размеров выборки.
Ключевые слова: кодирование/представление изображения, датчик изображения на основе однофотонного лавинного диода (spad), фотоотсчеты, идеальное устройство формирования изображения, концепция идеального изображения, представление выборки изображения, цифровая (dsp) камера.
Abstract. The paper presents the results of a study of input video data adequate formation/coding in modern imaging systems. Adequacy is understood here as the maximal correspondence between the ways of the radiation registration by material detectors and the ways of data coding in the retina of the human visual system. In this connection, the paper discusses general statistical issues of (photo) counts photoelectric detection and, on this basis, formalizes the concept of an ideal image formation by (ideal) visualization device. The problems arising in practice when working directly with ideal images are discussed and a method of their reduction to count sample of fixed (controllable) size, which, in fact, constitute the representation (coding) of registered data, is proposed. Results of illustrative computational experiments on count coding of the common digital images given by pixel data are presented. Examples of count samples of different sizes generated for the tested digital image are given. Based on the given results, the dependence of characteristics of sampling representations on the parameter of sample size is discussed.
Key words: image coding/representation, spad image sensor, photocounts, ideal imaging device, ideal image concept, image sample representation, dsp camera.
Литература
1. Fox M. Quantum Optics: An Introduction. New York, Oxford U. Press. 2006. 400 p. https://doi.org/10.1063/1.2784691
2. Holst G.C. CMOS/CCD sensors and camera systems. Bellingham, SPIE Press. 2011. 408 p. https://doi.org/10.1117/3.2524677
3. Fossum E.R., Teranishi N., et al. Photon-Counting Image Sensors. Basel, MDPI. 2017. 366 p. https://doi.org/10.3390/books978-3-03842-375-1
4. Robbins M. Electron-Multiplying Charge Coupled Devices-EMCCDs. Single-Photon Imaging. 2011. P.103-121. https://doi.org/10.1007/978-3-642-18443-7_6
5. Dutton N.A.W., Gyongy I., Parmesan L., et al. A SPAD-based QVGA image sensor for single-photon counting and quanta imaging. IEEE Transactions on Electron Devices. V.63. №1. 2016. P.189-196. https://doi.org/10.1109/TED.2015.2464682
6. Aull B.F., Schuette D.R., Young D.J., et al. A study of crosstalk in a 256x256 photon counting imager based on silicon Geiger-mode avalanche photodiodes. IEEE Sensors Journal. V.15. №4. 2015. P.2123-2132. https://doi.org/10.1109/JSEN.2014.2368456
7. Gonzalez R.C., Woods R.E. Digital Image Processing (3rd Edition). Prentice Hall Inc. 2007. 976 p.
8. Gabriel C.G., Perrinet L., et al. Biologically Inspired Computer Vision: Fundamentals and Applications. Weinheim, Wiley-VCH. 2015. 480 p. http://doi.org/10.1002/9783527680863
9. Rodieck, R.W. The First Steps in Seeing. Massachusetts, Sinauer Associates. 1998. 568 p.
10. Barber D. Bayesian Reasoning and Machine Learning. Cambridge, Cambridge Univ. Press. 2012.
11. Morimoto K., Ardelean A., et al. Megapixel time-gated SPAD image sensor for 2D and 3D imaging applications. Optica. 2020. V.7. №4. P.346-354. https://doi.org/10.1364/optica.386574
12. Goodman J.W. Statistical Optics (2nd. Edition). New York, Wiley. 2015. 544 p.
13. Pal N.R., Pal S.K. Image model, poisson distribution and object extraction. International Journal of Pattern Recognition and Artificial Intelligence. 1991. V.5. №3. P.459-483. https://doi.org/10.1142/S0218001491000260
14. Antsiperov V. Maximum Similarity Method for Image Mining. Proceedings of the Pattern Recognition ICPR International Workshops and Challenges. 2021. V.12665. P.301-313. https://doi.org/10.1007/978-3-030-68821-9_28
15. Koch K., McLean J., et al. How much the eye tells the brain? Current biology. 2006. V.16. №14. P.1428-1434. https://doi.org/10.1016/j.cub.2006.05.056
16. Streit R.L. Poisson Point Processes: Imaging, Tracking and Sensing. New York, Springer. 2010. 273 p. https://doi.org/10.1007/978-1-4419-6923-1
17. Gallager R. Stochastic Processes: Theory for Applications. Cambridge, Cambridge University Press. 2013. 553 p. https://doi.org/10.1017/CBO9781139626514
18. Antsiperov V. Machine Learning Approach to the Synthesis of Identification Procedures for Modern Photon-Counting Sensors. Proceedings of the 8th International Conference on Pattern Recognition Applications and Methods ICPRAM. 2019. P.814-821. https://doi.org/10.5220/0007579208140821
19. Bertero M., Boccacci P., Desidera G., Vicidomini G. Image deblurring with Poisson data: from cells to galaxies. Inverse Problems. 2009. V.25. №12. P.123006. https://doi.org/10.1088/0266-5611/25/12/123006
20. Robert C.P., Casella G. Monte Carlo Statistical Methods (2-nd edition). New York, Springer-Verlag, 2004. 649 p. https://doi.org/10.1007/978-1-4757-4145-2
21. The USC-SIPI Image Database. University of Southern California. 2021/08/21. http://sipi.usc.edu/database/
22. Silverman B.W. Density Estimation for Statistics and Data Analysis. London, Chapman & Hall/CRC. 1998. https://doi.org/10.1201/9781315140919
Для цитирования:
Анциперов В.Е., Кершнер В.А., Ефимов Р.А. Кодирование изображений выборками отсчетов, мотивированное механизмами регистрации излучения в зрительной системе человека. Журнал радиоэлектроники [электронный журнал]. 2021. №9. https://doi.org/10.30898/1684-1719.2021.9.2