МІНІСТЕРСТВО ОСВІТИ I НАУКИ УКРАЇНИ

ХАРКІВСЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ РАДІОЕЛЕКТРОНІКИ

Бобух Всеволод Анатолійович

УДК 621.397.331:004.056.55

СИНТЕЗ ОБЧИСЛЮВАЛЬНИХ СТРУКТУР ДЛЯ ОБРОБКИ ВІДЕОІНФОРМАЦІЇ У РЕАЛЬНОМУ ЧАСІ

05.13.13 – Обчислювальні машини, системи та мережі

АВТОРЕФЕРАТ

дисертації на здобуття наукового ступеня

кандидата технічних наук

Харків - 2007

Дисертацією є рукопис.

Робота виконана в Харківському національному університеті радіоелектроніки Міністерства освіти і науки України.

Науковий керівник: доктор технічних наук, професор

Руденко Олег Григорович,

Харківський національний університет радіоелектроніки,

зав. кафедри електронних обчислювальних машин.

Офіційні опоненти: доктор технічних наук, професор

Кривуля Геннадій Федорович,

Харківський національний університет радіоелектроніки,

зав. кафедри автоматизації проектування обчислювальної техніки;

доктор технічних наук, професор

Борисенко Олексій Андрійович,

Сумський державний університет,

зав. кафедри електроніки і комп’ютерної техніки.

Провідна установа:

Національний аерокосмічний університет ім. М.Є. Жуковського “Харківський авіаційний інститут”, м. Харків.

Захист відбудеться 06.06. 2007 р. о 13 годині на засіданні спеціалізованої вченої ради Д 64.052.01 в Харківському національному університеті радіоелектроніки за адресою: 61166 Харків, просп. Леніна, .

З дисертацією можна ознайомитись у бібліотеці Харківського національного університету радіоелектроніки за адресою: 61166 Харків, просп. Леніна, .

Автореферат розісланий 04.05. 2007 р.

Вчений секретар

спеціалізованої вченої ради С.Ф.Чалий

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Дисертаційна робота присвячена розробці моделей та методів обробки зображень у реальному часі. Сучасне суспільство вже не розглядається без систем візуального подання інформації. В Україні ці системи використовуються у телебаченні, кінематографі, електронних іграх, рекламі, у військовій та космічній галузях, у важкій промисловості, особливо у тих її галузях, де безпосередній контроль процесу людиною або надважкий, або неможливий. Не дивлячись на не менш стрімкий розвиток універсальної обчислювальної техніки, її можливостей ще й досі замало для обробки відеоінформації у реальному часі без втрат якості. Тому у більшості систем обробки відеоінформації використовуються спеціалізовані процесори. Закордонні зразки таких систем, зважаючи на їх вартість та вартість їх обслуговування, є недоступними для більшості українських телекомпаній. У військовій галузі закордонні зразки не можуть використовуватися у зв’язку з специфікою галузі. Промислові системи також занадто дорогі та складні в обслуговуванні. Наведені аргументи свідчать про актуальність розгляду питань, пов’язаних з розробкою вітчизняних систем для обробки відеоінформації у реальному часі.

Зв’язок роботи з науковими програмами, планами, темами. Дисертаційна робота Бобуха В.А. виконана в рамках держбюджетних тем № “Розробка математичних методів, алгоритмів та інструментальних засобів надшвидких перетворень зображень”, № _“Дослідження і розробка методів, структурних і архітектурних принципів, апаратних і програмних засобів швидких цифрових перетворень зображень”, а також госпдоговірних тем № “Розробка та виготовлення системи збору та обробки інформації про стан трубчастих печей виробництва феросплавів, що обертаються”, № _“Розробка програмного забезпечення автоматичної системи вимірювання рівнів розплавів шлаку та металу в руднотермічній електропечі”, в яких автор брав участь як виконавець, що виконувалися у ХНУРЕ.

Мета та завдання досліджень. Мета роботи полягає у розробці моделей колориметричних перетворень та методів удосконалення засобів захисту відеоінформації для підвищення ефективності її обробки у реальному часі. Для досягнення поставленої мети запропоновано вирішити такі основні задачі:

1. Провести аналіз ситуації у сфері засобів обробки відеоінформації на Україні, виділити потреби та перспективи. Розглянути існуючі моделі та методи виконання колориметричних перетворень зображень.

2. Розглянути штучну нейронну мережу СМАС (Cerebellar Model Articulation Controller – церебральна модель артикуляційного контролера) як базову обчислювальну структуру для виконання вказаних операцій обробки відеоінформації у реальному часі.

3. Запропонувати модель синтезу функцій присутності при мікшуванні зображень, яка б дозволила зменшити час на ініціалізацію системи для реалізації фігур та шторок довільного вигляду.

4. Розвинути модель кольорової корекції зображень на основі мережі СМАС до отримання можливості проводити кольорову корекцію у реальному для відеоінформації часі.

5. Запропонувати модель стиснення та фільтрації зображень, яка базується на поданні зображення у вигляді функції інтенсивності кольору від координат точки і дозволить зменшити об’єм зображень та проводити їх фільтрацію за різними ознаками, використовуючи єдиний засіб.

6. Розглянути базову ланку системи захисту відеоінформації від несанкціонованого доступу – генератор випадкових послідовностей на основі фізичного датчика. Запропонувати методи покращення статистичних та швидкісних характеристик генератора, що дозволять шифрувати відеоінформацію у реальному часі.

Об’єктами дослідження в роботі є процес обробки зображень у реальному часі та процес формування випадкової послідовності з сигналу датчика.

Предметом дослідження в роботі є моделі структур для обробки відеоінформації у реальному часі та методи генерації випадкових послідовностей.

Методи дослідження. Для досягнення поставленої мети у роботі був використаний апарат обробки інформації у нейронних обчислювальних структурах, що дозволив отримати моделі колориметричної обробки відеоінформації. Для побудови математичної моделі та розробки методів удосконалення генератора випадкових послідовностей були використані методи теорії ймовірності. Для перевірки працездатності отриманих моделей та структур, а також для висвітлення характеристик отриманих результатів використовувалися методи математичного та імітаційного моделювання.

Наукова новизна отриманих результатів полягає у такому.

1. Вперше запропонована модель синтезу функцій присутності при мікшуванні зображень, яка характеризується зменшенням кількості параметрів, необхідних для задання довільних фігур та шторок, і базується на використанні нейронної мережі СМАС. Це дозволило зменшити апаратні витрати та скоротити час, необхідний для ініціалізації системи обробки, що надало можливість реалізації складніших відеоефектів.

2. Вперше запропонована модель стиснення та фільтрації зображень, яка характеризується об’єднанням у ієрархічну структуру нейронних мереж СМАС, що потребують навчання у реальному часі. Це дозволило зменшити об’єм зображень та проводити їх фільтрацію за різними ознаками, використовуючи єдиний засіб.

3. Вперше запропоновано метод підвищення швидкодії генератора випадкових послідовностей на основі фізичного датчика, який характеризується використанням статистичної незалежності розсунутих у часі випадкових бітів, сформованих єдиним джерелом. Це дозволило шифрувати відеоінформацію у реальному часі, швидкість якої перевищує середню частоту датчика.

4. Набула подальшого розвитку модель кольорової корекції зображень, яка відрізняється можливістю задання передатних характеристик коректора, що залежать від усіх кольорів розкладання вхідного зображення у реальному для відеоінформації часі, та базується на використанні нейронної мережі СМАС. Модель дозволяє зменшити апаратні витрати при отриманні широких можливостей кольорової корекції.

Обґрунтованість і достовірність наукових положень, висновків та рекомендацій базується на експериментальних дослідженнях, проведених за допомогою програм математичного моделювання, розроблених у середовищі Delphi, а також шляхом розробки зразків пристроїв на їх основі. Розроблені і досліджені моделі, методи і структури для обробки відеоінформації впроваджені у різних галузях, що підтверджено відповідними актами.

Наукове та практичне значення отриманих результатів. Наукові результати дисертаційної роботи є внеском у теорію комп’ютерної графіки, зокрема, у розділ колориметричної обробки зображень у реальному часі. Крім того, отримані наукові результати є внеском до теорії генерації випадкових послідовностей. Практичне значення роботи полягає у тому, що запропоновані моделі та методи є апаратно орієнтовними та стали основою систем обробки відеоінформації у реальному часі та захисту інформації.

Впровадження отриманих результатів. Розроблені та досліджені моделі колориметричної обробки відеоінформації були використані на Побузькому феронікелевому комбінаті при розробці інфрачервоної телевізійної системи вимірювання температурних полів трубчастих печей, що обертаються. Методи покращення характеристик генератора випадкових послідовностей на основі фізичного датчика було використано при розробці акредитованих центрів сертифікації ключів у ЗАТ „Інститут інформаційних технологій”. Теоретичні результати та рекомендації впроваджені у навчальному процесі на кафедрі ЕОМ ХНУРЕ. Впровадження підтверджені відповідними актами.

Особистий внесок здобувача. У роботах, написаних у співавторстві, здобувачу належать: в [,] – адаптація алгоритмів обробки інформації нейронною мережею під задачі обробки зображень; в [,,,] – апаратна реалізація алгоритмів стиснення та фільтрації зображень на основі штучної нейронної мережі СМАС; в [] – розробка та удосконалення моделей та апаратних структур для кольорової корекції зображень та синтезу функцій присутності при мікшуванні зображень на основі нейронної мережі СМАС; [,–,] – розробка методів покращення характеристик генераторів випадкових послідовностей на основі фізичних датчиків шуму, їх реалізація та перевірка; в [] – розробка засобів та апаратних макетів для виконання мікшування та кольорової корекції зображень з використанням табличних методів синтезу функцій; в [,] – розробка програмного та апаратного забезпечення для проведення досліджень генератора випадкових послідовностей та його математичної моделі.

Апробація отриманих результатів. Основні результати дисертаційної роботи доповідалися й обговорювалися на 5–му, 6–му, 7–му, 8–му, 9–му Міжнародних молодіжних форумах „Радіоелектроніка та молодь у 21 столітті” (ХНУРЕ, м. Харків 24–26 квітня 2001 р., 23–25 квітня 2002 р., 22–24 квітня 2003 р., 13–15 квітня 2004 р., 19–21 квітня 2005 р.), 7–й, 9–й, 10–й Ювілейній Міжнародних наукових конференціях “Теорія і техніка передачі, прийому й обробки інформації” (ХНУРЕ, м. Харків, 1–4 жовтня 2001 р., 7–10 жовтня 2003 р., 28 вересня – 1 жовтня 2004 р.), 1–му та 2–му Міжнародних радіоелектронних форумах “Прикладна радіоелектроніка. Стан та перспективи розвитку” МРФ-2002 та МРФ-2005 (ХНУРЕ, м. Харків, 8–10 жовтня 2002 р., 19–23 вересня 2005 р.), на 6–й Міжнародній науково-практичній конференції “Сучасні інформаційні та електронні технології” (ОНПУ, м. Одеса, 23–27 травня 2005 р.). Пристрої, у яких втілені розроблені у дисертаційній роботі моделі та методи, були представлені на виставках різного рівня та впроваджені у виробництво.

Публікації. За тематикою роботи опубліковано 27 друкованих праць, у тому числі 7 статей (6 у виданнях, затверджених ВАК України) усі зі співавторами, 3 деклараційних патенти та 1 патент України, 16 тез доповідей на конференціях та форумах міжнародного рівня (2 без співавторів).

Структура і обсяг дисертаційної роботи. Дисертація складається з вступу, чотирьох розділів, висновків, списку використаних джерел з 105 найменувань та трьох додатків. Повний обсяг дисертації складає 147 сторінок основного тексту, містить 34 рисунка, 7 таблиць (у тому числі 3 на окремих сторінках).

ОСНОВНИЙ ЗМІСТ РОБОТИ

У першому розділі розглянуто загальний стан галузі обробки відеоінформації (ВІ) на Україні, наведено сфери її застосування, проведено огляд існуючих систем обробки ВІ та загальної структури системи обробки ВІ (рис.1), поставлено задачі дослідження.

Система обробки ВІ складається з декількох вхідних пристроїв (БВОВІ), які дозволяють вводити до системи обробки несинхронні сигнали різних стандартів, а також синтезовані сигнали (ГЛТ). Після декодування вхідна інформація обробляється БПКО (кольорова корекція, фільтрація) та зберігається в ОЗП, звідки під керуванням ГП читається на одну або обидві ШД. ПГП дозволяє виконувати складні нелінійні геометричні перетворення зображень. КП виконує мікшування, електронну рір-проекцію, соляризацію, пастерізацію та інші. Блок стиснення ВІ дозволяє зменшити її об’єм. БЗВІ від НСД виконує шифрування ВІ з використанням гамми, що формується з послідовностей, які генерує генератор випадкових послідовностей (ГВП). ЕОМ, що керує, та блок зв’язку з нею, реалізують інтерфейс користувача. Блок керування та синхронізації забезпечує роботу разом усіх блоків системи.

Рис.1. Структура системи обробки ВІ у реальному часі

На рис.1: СС і ДК – схема синхронізації та декодер, АЦП – аналого-цифровий перетворювач, БПКО – блок попередньої колориметричної обробки, ОЗП – оперативний запам’ятовуючий пристрій, БУ – блок управління, ФАЗ – формувач адрес запису, ГП – геометричний процесор, ЦКФ – цифровий конвертор форматів, ФФП – формувач функцій присутності, КАЛП – колориметричний арифметико-логічний пристрій, БШ – блок шифрування, ШД1 та ШД2 – шини даних 1 та 2, ША – шина адрес, ШКД – шина команд та даних, ШК – шина керування, АК – альфа-канал.

Визначено, що у роботі приділяється увага кольоровій корекції, мікшуванню, стисненню та фільтрації ВІ, формуванню випадкової послідовності для захисту ВІ.

Кольорова корекція дозволяє позбавитись викривлення передачі кольорів у пристроях, що регіструють та відображають ВІ. Для її якісного виконання необхідно формувати передатні характеристики коректора, що залежать від усіх кольорів розкладання зображення.

При мікшуванні зображень І1(х,у) та І2(х,у), яке можна описати залежністю (1), виникає задача синтезу функції присутності К(х,у), що визначає характер взаємодії зображень та утворює так звані фігури та шторки.

(1)

Стиснення зображень та відео дозволяє знизити об’єми даних, що передаються або зберігаються.

Фільтрація зображень дозволяє виділити характерні риси зображення або позбавитись небажаного шуму.

Об’єднуючою рисою вказаних перетворень зображень є необхідність апроксимації функцій від декількох змінних.

У другому розділі досліджується нейронна мережа СМАС, яка запропонована Дж. Альбусом як засіб для апроксимації функцій, що має властивості швидкого навчання для функцій довільного вигляду. Мережа СМАС може мати дві і більше (N) вхідних змінних (рис.2).

Рис.2. Структура нейронної мережі СМАС

Перетворення здійснюються у трьох шарах: L1, L2, L3. Вхідний шар L1 складається з нейронів, що реалізують кодування змінних та базисні функції. Вони для кожної змінної групуються у ступені , кількість яких дорівнює с та однакова для кожного рівня квантування змінної. Область квантування об’єднує ті дискретні значення вхідної змінної, на яких базисна функція відповідного нейрона має ненульові значення. Для змінної збудженими стають с нейронів. Всього на шарі L1 збуджуються N·с нейронів.

Внутрішній шар L2 складається з асоціативних нейронів, які мають зв’язок з N нейронами вхідного шару – по одному нейрону для кожної змінної. При будь-якій комбінації вхідних змінних збуджується с асоціативних нейронів. Загальна максимальна кількість асоціативних нейронів визначається залежністю (2). Фактично, асоціативні нейрони виконують функцію множення значень базисних функцій активних на шарі L1 нейронів.

Вихідний шар L3 має кількість нейронів, що дорівнює кількості функцій, яку обчислює мережа. Ці нейрони мають зв’язок з усіма асоціативними нейронами. Кожен зв’язок має вагу, що налаштовується. Сам нейрон виконує функцію алгебраїчного додавання добутків ваги та значення вихідного сигналу відповідних асоціативних нейронів. Ненульовий вихід мають тільки с нейронів другого шару, тому завжди виконується додавання с добутків.

, (2)

де – округлення до найближчого більшого цілого, R – кількість рівнів квантування змінних.

Кількість параметрів, які налаштовуються, можна зменшити шляхом гешування вектора асоціацій. Незалежно від засобу реалізації, гешування може призвести до виникнення колізій, позбавитись від яких неможливо. Тому гешування слід використовувати тільки тоді, коли переважне значення має кількість параметрів, що налаштовуються, а не якість апроксимації.

Узагальнює обчислення функції мережею СМАС вираз:

, (4)

де – значення обраної базисної функції, яке відповідне xj.

Навчання мережі СМАС виконується шляхом подачі на її входи комбінацій значень змінних та порівнянням бажаних, відповідних цим комбінаціям, значень функції y(k) з обчисленими мережею. Помилка використовується при корекції ваг (5). Суттєвим є те, що корегуються не усі, а тільки с значень ваг, які беруть участь у обчисленні даного значення функції. Це важливо під час роботи у реальному часі.

, (5)

де , г – визначає швидкість навчання.

Властивості мережі СМАС, а саме зменшення загальної кількості параметрів, які необхідно зберігати та передавати для апроксимації функції довільного вигляду у порівнянні з табличним заданням функції, обмежена кількість параметрів, що використовуються при обчисленні значення функції та налаштуванні ваг, дозволили запропонувати її як універсальний засіб для виконання кольорової корекції, мікшування, стиснення та фільтрації зображень.

У третьому розділі запропоновано методи підвищення швидкості формування та покращення статистичних властивостей випадкових послідов-ностей, що формують гамму для шифрування відеоінформації у реальному часі.

Використання генератора випадкових послідовностей (ГВП) у відеосистемі зумовлене необхідністю захисту інформації, що обробляється, від несанкціонованого доступу. Стійкість такої системи залежить від якості ключових параметрів, що використовуються, а саме від їх непередбачуваності. Таку властивість можливо отримати, тільки використовуючи ГВП на основі фізичного датчика. Найбільш прийнятним за характеристиками виявився фізичний датчик – шумовий діод КГ401, який має середню частоту 2 – 10 МГц. На рис.3.а подана схема підвищеної надійності для формування випадкової послідовності на основі датчиків обраного типу. На рис.3.б – часові діаграми формування випадкової послідовності.

а) б)

Рис.3. Схема ГВП та часові діаграми формування послідовності

На шумовому діоді формується аналоговий випадковий сигнал Uшд, котрий через розділовий конденсатор поступає на компаратор, що має невеликий гістерезис на вході (тригер Шмідта TS). Цей компаратор виконує аналого-цифрове перетворення випадкового сигналу та має на виході двійкову послідовність Uтш. Експериментальні дослідження показують, що в ній рівні логічної одиниці мають значно меншу довжину, ніж нулі. Тому для вирівнювання ймовірностей "нулів" та "одиниць", випадковий сигнал поступає на лічильний тригер Т, що має вихідний сигнал Uст. Дублювання каналів формування випадкових послідовностей не тільки підвищує надійність, але й частоту Fш послідовності, що формується. Виходи каналів об’єднуються елементом "ВИКЛЮЧНЕ АБО" та поступають на регістр зсуву.

Були створені пристрої та програмне забезпечення, що дозволили експериментально визначити, що кількість імпульсів у часовому інтервалі для обраного типу датчика розподілена за нормальним законом.

Запропоновано метод підвищення швидкодії ГВП на основі фізичного датчика, заснований на зменшенні статистичної залежності між розсунутими у часі бітами, що сформовані єдиним джерелом (рис.4.а).

а) б)

Рис.4. Методи підвищення ефективності ГВП

Експериментальні дослідження структури (рис.4.а) проводилися шляхом підрахунку у послідовностях, які сформовано, автокореляційних функцій між бітами, що знаходяться на різних часових відстанях. Встановлено, що статистична залежність зникає між бітами, що розсунуті на відстань, більшу декількох періодів середньої частоти формування випадкового сигналу джерелом. При цьому частота зсуву бітів у регістр перевищувала цю середню частоту. Отже, розсунуті у часі випадкові біти, сформовані єдиним джерелом, можна вважати такими, що сформовані незалежними джерелами. Об’єднавши декілька (М) таких, розсунутих у часі бітів схемою „ВИКЛЮЧНЕ АБО” можна отримати випадковий сигнал, середня частота якого у М разів перевищує середню частоту джерела шуму.

Покращення статистичних характеристик ГВП на основі фізичного датчика відбувається при так званому „переплутуванні бітів”, що реалізується при формуванні багаторозрядних випадкових чисел. Кожен біт такого числа дорівнює результату виконання операції „ВИКЛЮЧНЕ АБО” над розсунутими у часі випадковими бітами, що сформовані одним джерелом (рис.4.б). Метод дозволяє суттєво покращити автокореляційну функцію за рахунок формування з двох незалежних джерел, якими є розсунуті у часі біти. Покращення відбувається шляхом рівномірного розподілення значень автокореляційної функції між усіма значеннями відстаней між бітами у випадковому числі.

Комплексне застосування розглянутих структур дозволяє генерувати випадкові послідовності зі швидкістю, що у декілька разів перевищує середню частоту датчика випадкового сигналу, та такі що відповідають вимогам міжнародних стандартів за статистичними характеристиками.

У четвертому розділі подані розроблені моделі кольорової корекції, мікшування, стиснення та фільтрації зображень у вигляді структур відповідних блоків системи обробки відеоінформації у реальному часі.

Розглянуто запропоновану модель синтезу функцій присутності, у основу якої покладено нейронну мережу СМАС. Структура блока, що мікшує на її основі, наведена на рис.6.

Рис.6. Структура блока, що мікшує

Блок кодування змінних (БКЗ) виконує перетворення вхідного шару мережі СМАС. Вхідні змінні є координатами точки на екрані, які при розгортці зображення змінюються послідовно. Розглянуто алгоритм роботи та запропоновано структуру БКЗ для таких змінних. БКЗ дозволяє обчислити номери активних нейронів та аргументи їх базисних функцій без виконання операцій ділення та без необхідності ініціалізації. Запропоновано також не формувати значення базисних функцій та обчислювати їх добуток, а зважаючи на невелику кількість розрядів аргументів базисних функцій (до 5), зберігати у пам’яті (ОЗП ДБФ) самі значення добутків. Це дозволило б швидко та з мінімальними витратами обчислювати добутки базисних функцій довільного вигляду. Значення ваг записуються ЕОМ, що керує, через шину команд та даних (ШКД) до ОЗП ваг. Обчислені номери нейронів на ступенях та номери ступенів конкатенуються та утворюють адресу вибору ваги з пам’яті. Функцію нейрона третього шару виконує множник М1 та суматор, що накопичує У1-Rg1. У регістрі Rg2 формується обчислене значення функції присутності, яке безпосередньо можна використати при обчисленні співвідношення (1) над зображеннями, що послідовно розгортаються на шинах даних (ШД1 та ШД2) за допомогою множника М2, суматора У1, регістрів Rg3, Rg4 та допоміжних операційних елементів.

Запропонована модель синтезу функцій присутності при мікшуванні дає економію пам’яті для фігур довільної форми від 4 до 27 разів при значеннях с від 4-х до 32-х відповідно. Гешування вектора асоціацій не використовується з метою збереження якості апроксимації.

Прототипом моделі кольорової корекції відеоінформації на основі мережі СМАС є модель кольорової корекції зображень, що надходять від сканера на принтер. Головний недолік цієї моделі – призначення для обробки зображень, що формуються з низькою у порівнянні з відеоінформацією швидкістю. Удосконалена модель кольорової корекції відеоінформації втілена у структурі кольорового коректора, що наведена на рис.7.

Рис.7. Структура кольорового коректора

Нейронна мережа СМАС, що покладена у основу запропонованої моделі, як вхідні змінні отримує три кольорові складові зображення (R – червону, G – зелену та B – синю), які змінюються довільно. Характерною рисою структури є те, що для виключення операцій ділення, які необхідні для обчислення номерів активних нейронів та аргументів базисних функцій, у блоках кодування змінних (БКЗ) запропоновано використовувати кількість ступенів кодування, що дорівнює ступеням числа 2. Це дозволило операції ділення замінити додаванням та використати у якості потрібних значень відповідних розрядів суми змінної та номера ступеня кодування. У роботі наведено математичні основи такої заміни. Для кожної кольорової складової присутня окрема пам’ять ваг (ОЗП ваг), яка зберігає обчислені у ЕОМ, що керує, значення. Вихідний шар мережі СМАС складається з трьох нейронів, що обчислюють значення функції корекції у кожному кольоровому каналі, які залежать від усіх трьох вхідних кольорових складаючих зображення. Пристрій обрання ступеня (ПОС) формує номери ступенів кодування для блоків кодування змінних, формуючи обрану схему кодування.

Для прискорення процесу задання передатних характеристик користувачем (у роботі запропоновано спосіб задання) використовується гешування шляхом маскування частини старших розрядів адреси читання ОЗП ваг. Після закінчення процесу задання, гешування можна не робити, і цим зберегти максимально можливу якість апроксимації. Економія об’ємів пам’яті у запропонованому методі у порівнянні з табличним складе від 15,5 до 726 разів при значеннях с відповідно 4 та 32.

Запропонована модель стиснення та фільтрації зображень потребує реалізацію нейронної мережі СМАС, що навчається у реальному часі. Структуру такої мережі наведено на рис.8.

Рис.8. Структура мережі СМАС, що потребує навчання у реальному часі

Характерним при навчанні мережі СМАС є те, що якість апроксимації залежить від порядку надання мережі комбінацій ((x(k),y(k)),Iin(x(k),y(k))), що навчають. Тут x(k) та y(k) – координати k –ї точки, що навчає, зображення, яке стискається або фільтрується, Iin(x(k),y(k)) – значення інтенсивності кольорової складаючої у цій точці. Тому для мережі СМАС, яка стискає або фільтрує зображення, потрібно забезпечити довільний порядок чергування вхідних змінних. Для збереження можливості задання довільних значень кількості ступенів кодування с у діапазоні від 2-х до 32-х, а, відповідно, і співвідношення якість/розмір зображення, та уникнення виконання операцій ділення, кодування змінних (КЗ) запропоновано робити шляхом збереження в пам’яті (ОЗП КЗ) таблиць відповідності значень змінних значенням номерів активних нейронів першого шару та аргументів функцій їх активації.

Операційні елементи структури дозволяють після отримання комбінації, що навчає, обчислити значення функції використовуючи первинні значення ваг, порівняти це значення з потрібним та відкоригувати ваги згідно з алгоритмом (5) та записати нові значення у пам’ять (ОЗП ваг) на наступному кроці навчання. Паралельно обчислюється значення функції з використанням нових значень ваг, яке можна використати для обчислення помилки стиснення. Цю помилку можна зменшити при використанні ієрархічної мережі СМАС, що наведена на рис 9.

Рис.9 – Ієрархічна структура СМАС

Вхідне зображення, яке стискається ієрархічною структурою СМАС, обчислюється за виразом (6):

. (6)

Важливо підкреслити, що навчання мережі необхідне тільки у кодері. Обчислені ваги передаються мережам декодера, які відновлюють зображення і працюють зі змінними, що змінюються послідовно. Структура мереж СМАС декодера подібна до тієї, що наведена на рис.6 для блока, що мікшує.

Дивлячись на те, що зображення Ij(x,y), які формуються при стисненні вхідного зображення Iin(x,y), є такими, що включають групу частот або деяких ознак цього зображення, що визначається параметрами мережі СМАСJ та точками, які були використані при її навчанні. Саме тому можна вважати, що зображення Ij(x,y) є результатом фільтрації зображення Iin(x,y). Однак математичний опис такої фільтрації є предметом окремих досліджень.

Економія об’єму даних при стисканні складе від 3,9 до 29,1 разів в залежності від значення с. При об’єднанні мереж у ієрархічну структуру загальний об’єм даних збільшиться, однак збільшиться якість декодованого зображення.

У додатках наведено приклад синтезу функцій присутності, розглянуто засоби моделювання та модель структури блока, що мікшує, наведено акти впровадження результатів роботи.

ВИСНОВКИ

У роботі отримане нове рішення актуальних для України науково-практичних завдань, пов’язаних з обробкою відеоінформації у реальному часі.

У результаті виконання роботи отримано такі результати:

1. Проведено аналіз галузей, де використовується обробка відеоінформації у реальному часі, показано актуальність розробки апаратних засобів для її виконання. Розглянуто загальної структури системи обробки відеоінформації та алгоритмів реалізації базових колориметричних перетворень, що дозволило визначити задачі досліджень.

2. Запропоновано модель синтезу функцій присутності при мікшуванні зображень, у основі якої лежить нейронна мережа СМАС, яка навчається на програмній моделі та має вхідні змінні, що змінюються послідовно. Модель характеризується скороченням кількості параметрів, які необхідно задавати, від 2-х до 27-ми разів для фігур та шторок довільної форми у порівнянні з табличними методами при збереженні універсальності останніх. Це дозволило знизити час на ініціалізацію системи та реалізувати складніші відеоефекти.

3. Набула подальшого розвитку модель кольорової корекції зображень, у основі якої лежить нейронна мережа СМАС, яка навчається на програмній моделі та має кількість ступенів кодування, що дорівнює ступеню числа 2. Модель відрізняється можливістю синтезу передатних характеристик коректора у реальному для відеоінформації часі, що залежать від усіх кольорів розкладання вхідного зображення, та характеризується зменшенням кількості параметрів від 15-ти до 726-ти разів у порівнянні з табличними методами при збереженні їх універсальності. Запропоновано спосіб задання користувачем передатних характеристик кольорового коректора.

4. Запропоновано модель стиснення та фільтрації зображень, у основу якої покладено нейронну мережу СМАС, яка навчається у реальному часі. При стисненні зображень об’єм можна знизити від 3,9 до 29,1 разів у залежності від якості результату, що потребується. При фільтрації модель дозволяє виділити різні групи частот та якостей у залежності від параметрів мережі та точок зображення, що використовувалися під час навчання. Перевага моделі у тому, що вона дозволяє використовувати єдиний засіб для виконання стиснення зображень та їх фільтрації за різними ознаками.

5. Запропоновано метод підвищення швидкодії генератора випадкових послідовностей на основі фізичного датчика. В основі методу лежить виникнення статистичної незалежності між розсунутими у часі випадковими бітами, що сформовані єдиним джерелом. Метод дозволяє отримувати швидкість формування послідовності, достатню для шифрування відеопотоку у реальному часі, а також будь-якої інформації, швидкість формування якої перевищує середню частоту випадкового сигналу на виході датчика.

6. Запропоновані моделі колориметричної обробки відеоінформації впроваджені на ТОВ „Побузький феронікелевий комбінат” (с.м.т. Побузьке Голованівського району Кіровоградської обл.) у системі збору та обробки інформації про стан трубчастих печей, що обертаються. Запропонований метод підвищення швидкодії та покращення статистичних характеристик генератора випадкових послідовностей впроваджений у ЗАТ „Інститут інформаційних технологій”, у програмно-апаратних центрах сертифікації ключів ЗАТ „Інфраструктура відкритих ключів” та ТОВ „Арт-майстер”.

7. Теоретичні результати роботи використовуються у навчальному процесі на кафедрі ЕОМ ХНУРЕ у курсах „Спеціалізовані процесори”, „Штучні нейронні мережі”, а також у курсовому та дипломному проектуванні.

Основні результати дисертаційної роботи подані в публікаціях:

1. Бессонов А.А., Бобух В.А., Руденко О.Г. Фильтрация изображений с помощью нейронной сети СМАС // Вестник Херсонского государственного технического университета. – 2004. – №1(19). – C.378–384.

2. Бессонов А.А., Бобух В.А., Руденко О.Г. Применение нейронной сети СМАС при решении задач обработки изображений и ее аппаратная реализация //Бионика интеллекта. Информация, язык, интеллект.– 2004.– №1(61).– C.49–55.

3. Бобух В.А., Павлова Н.В. Реализация некоторых колориметрических преобразований изображений в реальном времени. // Бионика интеллекта. Информация, язык, интеллект. – 2006. – №2(65). – С.27–35.

4. Бобух В.А., Елаков С.Г., Торба А.А и др. Повышение быстродействия генераторов случайных последовательностей на основе физических датчиков //Радиотехника. – Харьков: ХНУРЭ, 2002. – Вып.126. – С.218–221.

5. Бобух В.А., Елаков С.Г., Руденко О.Г. Основные задачи колориметрической обработки изображений и их решение в цифровом видеопроцессоре // Вісник Національного технічного університету „ХПІ”. Збірник наукових праць. – Харків: НТУ „ХПІ”. – 2003. – №5. – С.17–22.

6. Бессонов А.А., Бобух В.А., Руденко О.Г. Аппаратная реализация нечёт-кой сети СМАС и ее применение для задач сжатия изображений // Автоматика. Автоматизация. Электротехнические комплексы и системы. – Херсон: Херсон-ский государственный технический университет – 2005. – №2(1). – С.47–52.

7. Бобух В.А., Торба А.А. Принципы построения генераторов случайных последовательностей // Контрольно-измерительные приборы и автоматика. Массовый ежемесячный научно-производственный журнал. – Харьков: Эргос. – 2005. – №8. – С.10–15.

8. Бобух В.А., Горбенко І.Д., Єлаков С.Г. та ін. // Генератор рівномірно розподілених випадкових чисел. Деклараційний патент України №59670 А, Опубл. 15.09.2003, Бюл. №9.

9. Бобух В.А., Єлаков С.Г., Торба А.А. та ін. // Генератор рівномірно розподілених випадкових послідовностей. Деклараційний патент України №61439 А, Опубл. 17.11.2003, Бюл. №11.

10. Бобух В.А., Єлаков С.Г., Торба А.А. та ін. // Генератор рівномірно розподілених випадкових послідовностей. Деклараційний патент України №68912 А, Опубл. 16.08.2004, Бюл. №8.

11. Бобух В.А., Єлаков С.Г., Торба А.А. та ін. //Генератор рівномірно розподілених випадкових чисел. Патент України №72655, Опубл. 15.03.2005, Бюл. №3.

12. Бобух В.А. Процессор цветокоррекции телевизионных изображений реального времени // 1 Международный радиоэлектронный форум “Прикладная радиоэлектроника. Состояние и перспективы развития” МРФ-2002. Сборник научных трудов. Часть 2. – Харьков: АН ПРЭ, ХНУРЭ, 2002. – С.281–283.

13. Бобух В.А., Торба А.А. Стенд для исследований генераторов случай-ных чисел //7 Международный молодёжный форум “Радиоэлектроника и моло-дёжь в ХХІ веке”. Сб. материалов форума. – Харьков: ХНУРЭ, 2003. – С. 473.

14. Бобух В.А., Торба А.А. Повышение быстродействия генераторов случайных последовательностей. // Международная научная конференция “Теория и техника передачи, приёма и обработки информации”. Сб. тезисов докладов по материалам Международной научной конференции. – Харьков: ХНУРЭ, 2003. – С.515–516.

15. Бобух В.А., Торба А.А. Исследование генераторов случайных чисел // 8-й международный молодежный форум “Радиоэлектроника и молодежь в XXI веке”: Сб. материалов форума. Ч.2. – Харьков: ХНУРЭ, 2004. – С.287.

16. Бессонов А.А., Бобух В.А., Руденко О.Г. Кодирование изображений с помощью иерархической искусственной нейронной сети СМАС // 10-я Юбилейная международная научная конференция “Теория и техника передачи, приёма и обработки информации”. Сб. тезисов докладов. Ч.2. – Харьков: ХНУРЭ, 2004. – С.299–300.

17. Бессонов А.А., Бобух В.А., Руденко О.Г. Аппаратная реализация ней-ронной сети СМАС для решения задач кодирования и фильтрации телевизион-ных изображений // Труды научно-практической конференции “Современные информационные и электронные технологии”. – Одесса, 2005. – С.149.

18. Бессонов А.А., Бобух В.А., Руденко О.Г. Применение нечеткой сети СМАС в задачах сжатия изображений // 2-й Международный радиоэлектронный форум “Прикладная радиоэлектроника. Состояние и перспективы развития” МРФ-2005. Сборник научных трудов. Том ІІІ. Международная конференция “Информационные системы и технологии”. – Харьков: АН ПРЭ, ХНУРЭ, 2005. – С.307–310.

19. Бобух В.А. Синтез функций присутствия при микшировании изображений в реальном времени. 1-а міжнародна конференція „Глобальні інформаційні системи. Проблеми та тенденції розвитку”: Зб. матеріалів конференції. – Харків: ХНУРЕ, 2006. – С.217–218.

АНОТАЦІЯ

Бобух Всеволод Анатолійович. Синтез обчислювальних структур для обробки відеоінформації у реальному часі. – Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.13 – Обчислювальні машини, системи та мережі. Харківський національний університет радіоелектроніки, Харків, 2007.

Дисертація присвячена питанням обробки відеоінформації у реальному часі, а саме виконанню кольорової корекції, мікшування, стиснення та фільтрації, а також засобам підвищення надійності захисту відеоінформації від несанкціонованого доступу.

Запропоновані та удосконалені моделі виконання вказаних операцій обробки зображень дозволили зменшити кількість параметрів, що зберігаються або передаються, у порівнянні з табличними засобами, при збереженні гнучкості та універсальності. Вони використані у інфрачервоній системі спостереження за станом трубчастих печей, що обертаються на феронікелевому виробництві та у експериментальних зразках систем обробки відеоінформації.

Запропоновані методи підвищення швидкодії та покращення статистичних характеристик генератора випадкових послідовностей на основі фізичного датчика, як елемента системи обробки відеоінформації, що визначає її стійкість до несанкціонованого доступу дозволили з необхідною швидкістю отримувати випадкові послідовності, що відповідають міжнародному стандарту AIS-31 та використані у програмно-апаратних акредитованих центрах генерації та сертифікації ключів.

Ключові слова: відеоінформація, зображення, мікшування, кольорова корекція, фільтрація, стиснення зображень, нейронна мережа СМАС, генератор випадкових послідовностей, закон розподілення, ПЛІС.

АННОТАЦИЯ

Бобух Всеволод Анатольевич. Синтез вычислительных структур для обработки видеоинформации в реальном времени. – Рукопись.

Диссертация на соискание учёной степени кандидата технических наук по специальности 05.13.13 – Вычислительные машины, системы и сети. Харьковский национальный университет радиоэлектроники, Харьков, 2007.

Диссертация посвящена вопросам выполнения цветовой коррекции, микширования, сжатия и фильтрации видеоинформации в реальном времени, а также средствам повышения надёжности её защиты от несанкционированного доступа. Цель работы состоит в разработке моделей колориметрических преобразований и улучшении средств защиты видеоинформации для повышения эффективности её обработки в реальном времени.

Проведен анализ ситуации на отечественном рынке обработки видеоинформации. Рассмотрены существующие средства для её реализации. Указаны перспективные направления развития этой сферы. Приведена структура системы обработки видеоинформации, указано назначение её блоков. Проведен анализ алгоритмов и методов выполнения указанных операций. Поставлены задачи, которые необходимо решить в ходе выполнения работы.

При выполнении указанных преобразований изображений необходимо осуществлять аппроксимацию функций от нескольких переменных. В качестве средства для её выполнения предложено использовать нейронную сеть СМАС. Рассмотрены общая структура сети СМАС, варианты её представления и этапы обработки информации в ней. Главным достоинством сети СМАС, определяющим её пригодность для работы в реальном времени, является участие в формировании значения выходной функции нескольких значений настраиваемых параметров, а не всего массива этих параметров. Это сокращает время реакции и обучения сети, а также объём хранимых и передаваемых параметров.

Предложена модель синтеза функций присутствия при микшировании изображений и усовершенствована модель цветовой коррекции изображений, в основе которых лежит нейронная сеть СМАС, использующая в аппаратной реализации настроенные значения параметров. Модели позволяют сократить количество хранимых и передаваемых параметров при сохранении универсальности по сравнению с табличными методами.

Предложена модель сжатия и фильтрации изображений, в основе которой лежит нейронная сеть СМАС, требующая обучения в реальном времени. Модель позволила снизить объем изображения для передачи и хранения и в зависимости от параметров сети и способов обучения выделять из изображения требуемые частоты или признаки.

Рассмотрен генератор случайных последовательностей, как элемент системы обработки видеоинформации, определяющий стойкость защиты такой системы от несанкционированного доступа. Обоснован выбор в качестве датчика случайного сигнала диода с Зенеровским пробоем. Рассмотрена структура и математическая модель генератора случайных последовательностей на основе выбранного датчика. Предложены методы повышения быстродействия и улучшения статистических характеристик генератора. Они позволяют с необходимой скоростью получать случайные последовательности, соответствующие международному стандарту AIS-31.

Предложенные модели обработки изображений в реальном времени использованы в инфракрасной системе сбора и обработки информации о состоянии трубчатых вращающихся печей ферроникелевого производства, а также в экспериментальных образцах систем обработки видеоинформации в реальном времени, разработанных на кафедре электронных вычислительных машин Харьковского национального университета радиоэлектроники.

Предложенные методы повышения быстродействия и улучшения статистических свойств генераторов случайных последовательностей на основе физических датчиков нашли применение в программно-аппаратных аккредитованных центрах генерации и сертификации ключей.

Ключевые слова: видеоинформация, изображение, микширование, цветовая коррекция, фильтрация, сжатие изображений, нейронная сеть СМАС, генератор случайных последовательностей, закон распределения, ПЛИС.

ANNOTATION

Bobukh Vsevolod. Synthesis of computing structures for processing a video information in real time. - Manuscript.

The tesis on competition of a scientific degree of Cand.Tech.Sci. (Ph.D.) on a speciality 05.13.13-computing, systems and networks. The Kharkov national university of radioelectronics, Kharkov, 2007.

The thesis is devoted to problems of the video information processing in real time, namely to fulfillment of a color correction, mixing, compression and filtration, and also means of increasing resistance of the video information protection from unauthorized access.

The offered and modified models of the indicated image processing operations fulfillment have allowed to reduce an amount of stored and transmitted parameters in a comparison with tabulared methods, with preservation of their flexibility and universality, and are used in an infra-red system of tubular rotated furnaces state observation on ferronickel production, and also in experimental samples of video processing systems.

Offered methods of speed increasing