Цифровая обработка изображений

Алгоритмическая обработка изображений, представленных в цифровом виде

Цифровая обработка изображений — это использование цифрового компьютера для обработки цифровых изображений с помощью алгоритма . ^{[1] [2]} Как подкатегория или область цифровой обработки сигналов , цифровая обработка изображений имеет много преимуществ по сравнению с аналоговой обработкой изображений . Она позволяет применять гораздо более широкий спектр алгоритмов к входным данным и позволяет избежать таких проблем, как накопление шума и искажений во время обработки. Поскольку изображения определяются в двух измерениях (возможно, больше), цифровая обработка изображений может быть смоделирована в виде многомерных систем . На создание и развитие цифровой обработки изображений в основном влияют три фактора: во-первых, развитие компьютеров; ^[3] во-вторых, развитие математики (особенно создание и совершенствование теории дискретной математики); ^[4] в-третьих, возрос спрос на широкий спектр приложений в области охраны окружающей среды, сельского хозяйства, военной промышленности и медицинской науки. ^[5]

История

Многие из методов цифровой обработки изображений, или цифровой обработки изображений, как ее часто называли, были разработаны в 1960-х годах в Bell Laboratories , Jet Propulsion Laboratory , Massachusetts Institute of Technology , University of Maryland и нескольких других исследовательских учреждениях с применением к спутниковым снимкам , преобразованию стандартов проводного фото , медицинской визуализации , видеотелефонии , распознаванию символов и улучшению фотографий. ^[6] Целью ранней обработки изображений было улучшение качества изображения. Она была направлена ​​на то, чтобы люди улучшали визуальный эффект людей. При обработке изображений входными данными является изображение низкого качества, а выходными данными является изображение с улучшенным качеством. Распространенная обработка изображений включает улучшение изображения, восстановление, кодирование и сжатие. Первым успешным приложением была Американская лаборатория реактивного движения (JPL). Они использовали методы обработки изображений, такие как геометрическая коррекция, градационное преобразование, удаление шума и т. д. на тысячах лунных фотографий, отправленных космическим детектором Ranger 7 в 1964 году, принимая во внимание положение Солнца и окружающую среду Луны. Влияние успешного картирования карты поверхности Луны компьютером было успешным. Позже была выполнена более сложная обработка изображений на почти 100 000 фотографий, отправленных космическим аппаратом, так что были получены топографическая карта, цветовая карта и панорамная мозаика Луны, что позволило достичь исключительных результатов и заложить прочную основу для высадки человека на Луну. ^[7]

Однако стоимость обработки была довольно высокой с вычислительным оборудованием той эпохи. Это изменилось в 1970-х годах, когда цифровая обработка изображений распространилась по мере того, как стали доступны более дешевые компьютеры и специализированное оборудование. Это привело к тому, что изображения обрабатывались в реальном времени для некоторых специализированных задач, таких как преобразование телевизионных стандартов . Поскольку компьютеры общего назначения становились быстрее, они начали брать на себя роль специализированного оборудования для всех операций, кроме самых специализированных и ресурсоемких. С появлением быстрых компьютеров и сигнальных процессоров в 2000-х годах цифровая обработка изображений стала наиболее распространенной формой обработки изображений и обычно используется, потому что это не только самый универсальный метод, но и самый дешевый.

Датчики изображения

Основой современных датчиков изображения является технология металл-оксид-полупроводник (МОП), ^[8] изобретенная в Bell Labs между 1955 и 1960 годами, ^{[9] [10] [11] [12] [13] [14]} Это привело к разработке цифровых полупроводниковых датчиков изображения, включая прибор с зарядовой связью (ПЗС), а позднее и датчик КМОП . ^[8]

Устройство с зарядовой связью было изобретено Уиллардом С. Бойлом и Джорджем Э. Смитом в Bell Labs в 1969 году. ^[15] Исследуя технологию МОП, они поняли, что электрический заряд является аналогом магнитного пузыря и что он может храниться на крошечном МОП-конденсаторе . Поскольку было довольно просто изготовить ряд МОП-конденсаторов в ряд, они подключили к ним подходящее напряжение, чтобы заряд мог передаваться от одного к другому. ^[8] ПЗС — это полупроводниковая схема, которая позже использовалась в первых цифровых видеокамерах для телевизионного вещания . ^[16]

Датчик с активными пикселями NMOS (APS) был изобретен компанией Olympus в Японии в середине 1980-х годов. Это стало возможным благодаря достижениям в производстве полупроводниковых приборов MOS , при этом масштабирование MOSFET достигло микронных , а затем и субмикронных уровней. ^{[17] [18]} Датчик с активными пикселями NMOS был изготовлен командой Цутому Накамуры в Olympus в 1985 году. ^[19] Датчик с активными пикселями CMOS (CMOS-датчик) был позже разработан командой Эрика Фоссума в Лаборатории реактивного движения NASA в 1993 году. ^[20] К 2007 году продажи датчиков CMOS превзошли продажи датчиков CCD. ^[21]

Датчики изображения MOS широко используются в технологии оптических мышей . Первая оптическая мышь, изобретенная Ричардом Ф. Лионом в Xerox в 1980 году, использовала чип датчика интегральной схемы NMOS размером 5  мкм . ^{[22] [23]} С момента появления первой коммерческой оптической мыши IntelliMouse в 1999 году большинство устройств оптических мышей используют датчики CMOS. ^{[24] [25]}

Сжатие изображения

Важным достижением в технологии сжатия цифровых изображений стало дискретное косинусное преобразование (DCT), метод сжатия с потерями, впервые предложенный Насиром Ахмедом в 1972 году. ^[26] Сжатие DCT стало основой для JPEG , который был представлен Объединенной группой экспертов по фотографии в 1992 году. ^[27] JPEG сжимает изображения до гораздо меньших размеров файлов и стал наиболее широко используемым форматом файлов изображений в Интернете . [ ^28] Его высокоэффективный алгоритм сжатия DCT в значительной степени ответственен за широкое распространение цифровых изображений и цифровых фотографий , ^[29] при этом по состоянию на 2015 год ежедневно производилось несколько миллиардов изображений JPEG ^{[обновлять]}. ^[30]

Медицинские методы визуализации производят очень большие объемы данных, особенно с помощью КТ, МРТ и ПЭТ. В результате хранение и передача электронных данных изображений невозможны без использования сжатия. ^{[31] [32] Сжатие изображений} JPEG 2000 используется стандартом DICOM для хранения и передачи медицинских изображений. Стоимость и осуществимость доступа к большим наборам данных изображений через низкие или различные полосы пропускания дополнительно решаются с помощью другого стандарта DICOM, называемого JPIP , для обеспечения эффективной потоковой передачи сжатых данных изображений JPEG 2000. ^[33]

Цифровой сигнальный процессор (ЦСП)

Электронная обработка сигналов была революционизирована широким внедрением технологии МОП в 1970-х годах. ^{[34] Технология} интегральных схем МОП стала основой для первых однокристальных микропроцессоров и микроконтроллеров в начале 1970-х годов, ^[35] а затем и для первых однокристальных цифровых сигнальных процессоров (DSP) в конце 1970-х годов. ^{[36] [37]} С тех пор DSP-чипы широко используются в цифровой обработке изображений. ^[36]

Алгоритм сжатия изображений с дискретным косинусным преобразованием (DCT) широко применяется в чипах DSP, и многие компании разрабатывают чипы DSP на основе технологии DCT. DCT широко используются для кодирования , декодирования, видеокодирования , аудиокодирования , мультиплексирования , управляющих сигналов, сигнализации , аналого-цифрового преобразования , форматирования яркости и цветовых различий, а также цветовых форматов, таких как YUV444 и YUV411 . DCT также используются для операций кодирования, таких как оценка движения , компенсация движения , межкадровое предсказание, квантование , перцепционное взвешивание, энтропийное кодирование , переменное кодирование и векторы движения , а также операций декодирования, таких как обратная операция между различными цветовыми форматами ( YIQ , YUV и RGB ) для отображения. DCT также широко используются для чипов кодера/декодера телевидения высокой четкости (HDTV). ^[38]

Медицинская визуализация

В 1972 году инженер британской компании EMI Хаусфилд изобрел рентгеновский компьютерный томограф для диагностики головы, который обычно называют КТ (компьютерная томография). Метод ядра КТ основан на проекции сечения головы человека и обрабатывается компьютером для реконструкции поперечного изображения, которое называется реконструкцией изображения. В 1975 году EMI успешно разработала КТ-устройство для всего тела, которое получило четкое томографическое изображение различных частей человеческого тела. В 1979 году эта диагностическая методика получила Нобелевскую премию. ^[7] Технология цифровой обработки изображений для медицинских приложений была включена в Зал славы космических технологий Космического фонда в 1994 году. ^[39]

По состоянию на 2010 год во всем мире было проведено 5 миллиардов исследований медицинской визуализации. ^{[40] [41]} Радиационное воздействие от медицинской визуализации в 2006 году составило около 50% от общего воздействия ионизирующего излучения в Соединенных Штатах. ^[42] Медицинское оборудование для визуализации производится с использованием технологий полупроводниковой промышленности , включая интегральные микросхемы КМОП , силовые полупроводниковые приборы , датчики, такие как датчики изображения (в частности, датчики КМОП ) и биосенсоры , а также процессоры, такие как микроконтроллеры , микропроцессоры , цифровые сигнальные процессоры , медиапроцессоры и устройства на кристалле . По состоянию на 2015 год ежегодные поставки чипов медицинской визуализации составляют 46 миллионов единиц и 1,1 миллиарда долларов . ^{[43] [44][обновлять]} 

Задачи

Цифровая обработка изображений позволяет использовать гораздо более сложные алгоритмы и, следовательно, может предложить как более совершенную производительность при выполнении простых задач, так и реализацию методов, которые были бы невозможны аналоговыми средствами.

В частности, цифровая обработка изображений представляет собой конкретное применение и практическую технологию, основанную на:

• Классификация
• Извлечение признаков
• Многомасштабный анализ сигнала
• Распознавание образов
• Проекция

Некоторые методы, используемые при цифровой обработке изображений, включают в себя:

• Анизотропная диффузия
• Скрытые марковские модели
• Редактирование изображений
• Восстановление изображения
• Независимый компонентный анализ
• Линейная фильтрация
• Нейронные сети
• Уравнения с частными производными
• Пикселизация
• Сопоставление точечных объектов
• Анализ главных компонент
• Самоорганизующиеся карты
• Вейвлеты

Цифровые преобразования изображений

Фильтрация

Цифровые фильтры используются для размытия и повышения резкости цифровых изображений. Фильтрация может быть выполнена:

• свертка со специально разработанными ядрами (массив фильтров) в пространственной области ^[45]
• маскирование определенных частотных областей в частотной (Фурье) области

В следующих примерах показаны оба метода: ^[46]

Заполнение изображения в области фильтрации Фурье

Изображения обычно дополняются перед преобразованием в пространство Фурье. Представленные ниже изображения, прошедшие высокочастотную фильтрацию, иллюстрируют последствия различных методов дополнения:

Обратите внимание, что фильтр верхних частот показывает дополнительные края при заполнении нулями по сравнению с повторным заполнением краев.

Примеры кода фильтрации

Пример MATLAB для высокочастотной фильтрации в пространственной области.

img = checkerboard ( 20 ); % сгенерировать шахматную доску % ************************** ПРОСТРАНСТВЕННАЯ ОБЛАСТЬ ***************************** klaplace =[ 0 - 1 0 ; - 1 5 - 1 ; 0 - 1 0 ]; % Ядро фильтра Лапласа X = conv2 ( img , klaplace ); % Тестовый свертываемый img с % ядром Лапласа 3x3 figure () imshow ( X ,[]) % показать заголовок, отфильтрованный Лапласом ( 'Обнаружение края Лапласа' )             

Аффинные преобразования

Аффинные преобразования позволяют выполнять базовые преобразования изображений, включая масштабирование, поворот, перенос, зеркальное отражение и сдвиг, как показано в следующих примерах: ^[46]

Чтобы применить аффинную матрицу к изображению, изображение преобразуется в матрицу, в которой каждая запись соответствует интенсивности пикселя в этом месте. Затем местоположение каждого пикселя может быть представлено как вектор, указывающий координаты этого пикселя в изображении, [x, y], где x и y — строка и столбец пикселя в матрице изображения. Это позволяет умножить координату на матрицу аффинного преобразования, которая дает позицию, в которую будет скопировано значение пикселя в выходном изображении.

Однако, чтобы разрешить преобразования, требующие преобразований переноса, необходимы 3-мерные однородные координаты . Третье измерение обычно устанавливается на ненулевую константу, обычно 1, так что новая координата равна [x, y, 1]. Это позволяет умножить вектор координат на матрицу 3 на 3, что позволяет выполнять сдвиги переноса. Таким образом, третье измерение, которое является константой 1, допускает перенос.

Поскольку умножение матриц ассоциативно, несколько аффинных преобразований можно объединить в одно аффинное преобразование, умножив матрицу каждого отдельного преобразования в том порядке, в котором эти преобразования выполняются. Это приводит к одной матрице, которая при применении к точечному вектору дает тот же результат, что и все отдельные преобразования, выполненные последовательно над вектором [x, y, 1]. Таким образом, последовательность матриц аффинного преобразования можно свести к одной матрице аффинного преобразования.

Например, 2-мерные координаты допускают только вращение вокруг начала координат (0, 0). Но 3-мерные однородные координаты можно использовать для того, чтобы сначала перевести любую точку в (0, 0), затем выполнить вращение и, наконец, перевести начало координат (0, 0) обратно в исходную точку (противоположность первому перемещению). Эти 3 аффинных преобразования можно объединить в одну матрицу, тем самым допуская вращение вокруг любой точки на изображении. ^[47]

Удаление шума с помощью морфологии

Математическая морфология подходит для шумоподавления изображений. Структурные элементы важны в математической морфологии .

Следующие примеры относятся к структурным элементам. Функция шумоподавления, изображение как I и структурный элемент как B показаны ниже и в таблице.

например ${\displaystyle (I')={\begin{bmatrix}45&50&65\\40&60&55\\25&15&5\end{bmatrix}}B={\begin{bmatrix}1&2&1\\2&1&1\\1&0&3\end{bmatrix}}}$

Определим Dilation(I, B)(i,j) = . Пусть Dilation(I,B) = D(I,B) ${\displaystyle max\{I(i+m,j+n)+B(m,n)\}}$

D(I', B)(1,1) = ${\displaystyle max(45+1,50+2,65+1,40+2,60+1,55+1,25+1,15+0,5+3)=66}$

Определим Erosion(I, B)(i,j) = . Пусть Erosion(I,B) = E(I,B) ${\displaystyle min\{I(i+m,j+n)-B(m,n)\}}$

Е(I', В)(1,1) = ${\displaystyle min(45-1,50-2,65-1,40-2,60-1,55-1,25-1,15-0,5-3)=2}$

После расширения После эрозии ${\displaystyle (I')={\begin{bmatrix}45&50&65\\40&66&55\\25&15&5\end{bmatrix}}}$ ${\displaystyle (I')={\begin{bmatrix}45&50&65\\40&2&55\\25&15&5\end{bmatrix}}}$

Метод открытия — это просто сначала эрозия, а затем расширение, тогда как метод закрытия — наоборот. В действительности D(I,B) и E(I,B) могут быть реализованы с помощью Convolution

Приложения

Цифровые фотоснимки

Цифровые камеры обычно включают специализированное цифровое оборудование для обработки изображений — либо выделенные чипы, либо дополнительные схемы на других чипах — для преобразования необработанных данных с их датчика изображения в скорректированное по цвету изображение в стандартном формате файла изображения . Дополнительные методы постобработки повышают резкость краев или насыщенность цвета для создания более естественно выглядящих изображений.

Фильм

«Мир Дикого Запада» (1973) был первым художественным фильмом, в котором использовалась цифровая обработка изображений для пикселизации фотографии с целью имитации точки зрения андроида. ^[48] Обработка изображений также широко используется для создания эффекта хромакея , который заменяет фон актеров естественными или художественными пейзажами.

Распознавание лиц

Процесс распознавания лиц

Распознавание лиц можно реализовать с помощью математической морфологии , дискретного косинусного преобразования , которое обычно называют DCT, и горизонтальной проекции (математики) .

Общий метод с методом на основе признаков

Метод обнаружения лиц на основе признаков использует тон кожи, определение контуров, форму лица и особенности лица (например, глаза, рот и т. д.) для обнаружения лиц. Тон кожи, форма лица и все уникальные элементы, которые есть только у человеческого лица, можно описать как черты.

Объяснение процесса

1. Для пакета изображений лиц сначала извлеките диапазон тонов кожи, сделав выборку изображений лиц. Диапазон тонов кожи — это всего лишь фильтр кожи.
   1. Индекс структурного сходства (SSIM) можно применять для сравнения изображений с точки зрения извлечения тона кожи.
   2. Обычно для фильтра кожи подходят цветовые пространства HSV или RGB. Например, в режиме HSV диапазон тонов кожи составляет [0,48,50] ~ [20,255,255]
2. После фильтрации изображений по тону кожи для получения контуров лица используются морфология и DCT для удаления шума и заполнения недостающих участков кожи.
   1. Для заполнения отсутствующей кожи можно использовать метод открытия или метод закрытия.
   2. DCT — избегать объектов с кожей, похожей на тон. Так как человеческие лица всегда имеют более высокую текстуру.
   3. Для обнаружения края лица можно применять оператор Собеля или другие операторы.
3. Чтобы расположить такие человеческие черты, как глаза, используя проекцию, и найти пик гистограммы проекции, можно получить такие детализированные черты, как рот, волосы и губы.
   1. Проекция — это просто проецирование изображения для просмотра высокой частоты, которая обычно является положением объекта.

Метод улучшения качества изображения

На качество изображения могут влиять вибрация камеры, передержка, слишком централизованное распределение уровней серого, шум и т. д. Например, проблему шума можно решить с помощью метода сглаживания, а проблему распределения уровней серого можно улучшить с помощью выравнивания гистограммы .

Метод сглаживания

В рисовании, если есть какой-то неудовлетворительный цвет, берется какой-то цвет вокруг неудовлетворительного цвета и усредняется. Это простой способ думать о методе сглаживания.

Метод сглаживания может быть реализован с помощью маски и свертки . Возьмем для примера небольшое изображение и маску, как показано ниже.

изображение есть ${\displaystyle {\begin{bmatrix}2&5&6&5\\3&1&4&6\\1&28&30&2\\7&3&2&2\end{bmatrix}}}$

маска это ${\displaystyle {\begin{bmatrix}1/9&1/9&1/9\\1/9&1/9&1/9\\1/9&1/9&1/9\end{bmatrix}}}$

После свертки и сглаживания изображение ${\displaystyle {\begin{bmatrix}2&5&6&5\\3&9&10&6\\1&9&9&2\\7&3&2&2\end{bmatrix}}}$

Наблюдение за изображением[1, 1], изображением[1, 2], изображением[2, 1] и изображением[2, 2].

Исходный пиксель изображения — 1, 4, 28, 30. После сглаживания маски пиксель становится 9, 10, 9, 9 соответственно.

новое изображение[1, 1] = * (изображение[0,0]+изображение[0,1]+изображение[0,2]+изображение[1,0]+изображение[1,1]+изображение[1,2]+изображение[2,0]+изображение[2,1]+изображение[2,2]) ${\displaystyle {\tfrac {1}{9}}}$

новое изображение[1, 1] = пол( * (2+5+6+3+1+4+1+28+30)) = 9 ${\displaystyle {\tfrac {1}{9}}}$

новое изображение[1, 2] = пол({ * (5+6+5+1+4+6+28+30+2)) = 10 ${\displaystyle {\tfrac {1}{9}}}$

новое изображение[2, 1] = пол( * (3+1+4+1+28+30+7+3+2)) = 9 ${\displaystyle {\tfrac {1}{9}}}$

новое изображение[2, 2] = пол( * (1+4+6+28+30+2+3+2+2)) = 9 ${\displaystyle {\tfrac {1}{9}}}$

Метод гистограммы уровня серого

Обычно, если гистограмма уровня серого получена с изображения, как показано ниже. Изменение гистограммы на равномерное распределение с изображения обычно называется выравниванием гистограммы .

Рисунок 1

Рисунок 2

В дискретном времени площадь гистограммы уровня серого равна (см. рисунок 1), а площадь равномерного распределения равна (см. рисунок 2). Очевидно, что площадь не изменится, поэтому . ${\displaystyle \sum _{i=0}^{k}H(p_{i})}$ ${\displaystyle \sum _{i=0}^{k}G(q_{i})}$ ${\displaystyle \sum _{i=0}^{k}H(p_{i})=\sum _{i=0}^{k}G(q_{i})}$

Из равномерного распределения вероятность равна , в то время как ${\displaystyle q_{i}}$ ${\displaystyle {\tfrac {N^{2}}{q_{k}-q_{0}}}}$ ${\displaystyle 0<i<k}$

В непрерывном времени уравнение имеет вид . ${\displaystyle \displaystyle \int _{q_{0}}^{q}{\tfrac {N^{2}}{q_{k}-q_{0}}}ds=\displaystyle \int _{p_{0}}^{p}H(s)ds}$

Более того, основываясь на определении функции, метод гистограммы уровней серого подобен поиску функции , удовлетворяющей условию f(p)=q. ${\displaystyle f}$

Вызовы

1. Шум и искажения : несовершенства изображений из-за плохого освещения, ограниченных возможностей датчиков и сжатия файлов могут привести к нечетким изображениям, что повлияет на точность преобразования изображений.
2. Изменчивость качества изображения : Различия в качестве и разрешении изображения, включая размытость изображений и неполную детализацию, могут препятствовать единообразной обработке в базе данных.
3. Обнаружение и распознавание объектов : идентификация и распознавание объектов на изображениях, особенно в сложных сценариях с множеством объектов и преград, представляет собой значительную проблему.
4. Аннотация и маркировка данных : маркировка разнообразных и множественных изображений для машинного распознавания имеет решающее значение для точности дальнейшей обработки, поскольку неправильная идентификация может привести к нереалистичным результатам.
5. Интенсивность вычислительных ресурсов : доступ к достаточным вычислительным ресурсам для обработки изображений может быть сложным и дорогостоящим, что препятствует прогрессу без достаточных ресурсов.

Смотрите также

• Цифровое изображение
• Компьютерная графика
• Компьютерное зрение
• CVIPинструменты
• Оцифровка
• преобразование Фурье
• Свободное граничное условие
• GPGPU
• Гомоморфная фильтрация
• Анализ изображения
• Общество интеллектуальных транспортных систем IEEE
• Спектральный анализ методом наименьших квадратов
• Многомерные системы
• Релаксационная маркировка
• Программное обеспечение для дистанционного зондирования
• Стандартное тестовое изображение
• Сверхразрешение
• Полное шумоподавление вариации
• Машинное зрение
• Ограниченная вариация
• Радиомика

Ссылки

1. Чакраворти, Прагнан (2018). «Что такое сигнал? [Конспект лекций]». Журнал обработки сигналов IEEE . 35 (5): 175–177. Bibcode : 2018ISPM...35e.175C. doi : 10.1109/MSP.2018.2832195. S2CID  52164353.
2. Гонсалес, Рафаэль (2018). Цифровая обработка изображений . Нью-Йорк, Нью-Йорк: Pearson. ISBN 978-0-13-335672-4. OCLC  966609831.
3. Нагорнов, Николай Н.; Ляхов, Павел А.; Бергерман, Максим В.; Калита, Диана И. (2024). «Современные тенденции улучшения технических характеристик приборов и систем цифровой обработки изображений». IEEE Access . 12 : 44659–44681. Bibcode : 2024IEEEA..1244659N. doi : 10.1109/ACCESS.2024.3381493 . ISSN  2169-3536.
4. Ямни, Мохамед; Дауи, Ашраф; Абд Эль-Латиф, Ахмед А. (февраль 2024 г.). «Эффективная стеганография цветных изображений на основе новой адаптированной хаотической динамической системы с дискретными ортогональными преобразованиями моментов». Математика и компьютеры в моделировании . doi :10.1016/j.matcom.2024.01.023.
5. Хунг, Че-Лун (28 мая 2020 г.). «Вычислительные алгоритмы обработки медицинских изображений». Current Medical Imaging . 16 (5): 467–468. doi :10.2174/157340561605200410144743. PMID  32484080.
6. Азриэль Розенфельд, Обработка изображений с помощью компьютера , Нью-Йорк: Academic Press, 1969
7. Gonzalez, Rafael C. (2008). Цифровая обработка изображений . Woods, Richard E. (Richard Eugene), 1954– (3-е изд.). Upper Saddle River, NJ: Prentice Hall. стр. 23–28. ISBN 978-0-13-168728-8. OCLC  137312858.
8. Williams, JB (2017). Электронная революция: изобретение будущего. Springer. стр. 245–248. ISBN 978-3-319-49088-5.
9. US2802760A, Линкольн, Дерик и Фрош, Карл Дж., «Окисление полупроводниковых поверхностей для контролируемой диффузии», выпущено 1957-08-13 
10. Frosch, CJ; Derick, L (1957). «Защита поверхности и селективная маскировка во время диффузии в кремнии». Журнал электрохимического общества . 104 (9): 547. doi :10.1149/1.2428650.
11. KAHNG, D. (1961). «Устройство на основе поверхности кремния-диоксида кремния». Технический меморандум Bell Laboratories : 583–596. doi :10.1142/9789814503464_0076. ISBN 978-981-02-0209-5.
12. Лойек, Бо (2007). История полупроводниковой инженерии . Берлин, Гейдельберг: Springer-Verlag Berlin Heidelberg. стр. 321. ISBN 978-3-540-34258-8.
13. Лигенца, Дж. Р.; Спитцер, В. Г. (1960). «Механизмы окисления кремния в паре и кислороде». Журнал физики и химии твердого тела . 14 : 131–136. Bibcode : 1960JPCS...14..131L. doi : 10.1016/0022-3697(60)90219-5.
14. Лойек, Бо (2007). История полупроводниковой инженерии . Springer Science & Business Media . стр. 120. ISBN 9783540342588.
15. Джеймс Р. Джейнсик (2001). Научные приборы с зарядовой связью. SPIE Press. С. 3–4. ISBN 978-0-8194-3698-6.
16. Бойл, Уильям С.; Смит, Джордж Э. (1970). «Полупроводниковые приборы с зарядовой связью». Bell Syst. Tech. J . 49 (4): 587–593. Bibcode :1970BSTJ...49..587B. doi :10.1002/j.1538-7305.1970.tb01790.x.
17. Fossum, Eric R. (12 июля 1993 г.). «Активные пиксельные датчики: динозавры ли CCDS?». В Blouke, Morley M. (ред.). Charge-Coupled Devices and Solid State Optical Sensors III . Proceedings of the SPIE. Vol. 1900. pp. 2–14. Bibcode :1993SPIE.1900....2F. CiteSeerX 10.1.1.408.6558 . doi :10.1117/12.148585. S2CID  10556755. 
18. Фоссум, Эрик Р. (2007). «Активные пиксельные датчики» (PDF) . Эрик Фоссум . S2CID  18831792. Архивировано (PDF) из оригинала 29 августа 2019 г.
19. Мацумото, Казуя и др. (1985). «Новый МОП-фототранзистор, работающий в режиме неразрушающего считывания». Японский журнал прикладной физики . 24 (5A): L323. Bibcode : 1985JaJAP..24L.323M. doi : 10.1143/JJAP.24.L323. S2CID  108450116.
20. Фоссум, Эрик Р.; Хондонгва, ДБ (2014). «Обзор закрепленного фотодиода для датчиков изображения ПЗС и КМОП». Журнал IEEE Общества электронных приборов . 2 (3): 33–43. doi : 10.1109/JEDS.2014.2306412 .
21. "Продажи датчиков изображения CMOS продолжают расти рекордными темпами". IC Insights . 8 мая 2018 г. Архивировано из оригинала 21 июня 2019 г. Получено 6 октября 2019 г.
22. Lyon, Richard F. (2014). «Оптическая мышь: раннее биомиметическое встроенное зрение». Достижения во встроенном компьютерном зрении . Springer. стр. 3–22 (3). ISBN 9783319093871.
23. Lyon, Richard F. (август 1981). «Оптическая мышь и архитектурная методология для интеллектуальных цифровых датчиков» (PDF) . В HT Kung; Robert F. Sproull; Guy L. Steele (ред.). VLSI Systems and Computations . Computer Science Press. стр. 1–19. doi :10.1007/978-3-642-68402-9_1. ISBN 978-3-642-68404-3. S2CID  60722329. Архивировано (PDF) из оригинала 26 февраля 2014 г.
24. Брэйн, Маршалл; Кармак, Кармен (24 апреля 2000 г.). «Как работают компьютерные мыши». HowStuffWorks . Получено 9 октября 2019 г. .
25. Benchoff, Brian (17 апреля 2016 г.). «Создание первой цифровой камеры». Hackaday . Получено 30 апреля 2016 г. . Cyclops был первой цифровой камерой
26. Ахмед, Насир (январь 1991). «Как я придумал дискретное косинусное преобразование». Цифровая обработка сигналов . 1 (1): 4–5. Bibcode :1991DSP.....1....4A. doi :10.1016/1051-2004(91)90086-Z. Архивировано из оригинала 10 июня 2016 года . Получено 10 октября 2019 года .
27. "T.81 – Цифровое сжатие и кодирование неподвижных изображений с непрерывным тоном – требования и рекомендации" (PDF) . CCITT . Сентябрь 1992 г. Архивировано (PDF) из оригинала 17 июля 2019 г. . Получено 12 июля 2019 г. .
28. Светлик, Джо (31 мая 2018 г.). «Объяснение формата изображения JPEG». BT Group . Архивировано из оригинала 5 августа 2019 г. Получено 5 августа 2019 г.
29. Каплан, Пол (24 сентября 2013 г.). «Что такое JPEG? Невидимый объект, который вы видите каждый день» . The Atlantic . Архивировано из оригинала 9 октября 2019 г. Получено 13 сентября 2019 г.
30. Баранюк, Крис (15 октября 2015 г.). «Блокировка JPeg: варианты ограничений, предложенные комитетом». BBC News . Архивировано из оригинала 9 октября 2019 г. Получено 13 сентября 2019 г.
31. Нагорнов, Николай Н.; Ляхов, Павел А.; Валуева, Мария В.; Бергерман, Максим В. (2022). "RNS-Based FPGA Accelerators for High-Quality 3D Medical Image Wavelet Processing Using Scaled Filter Coefficients". IEEE Access . 10 : 19215–19231. Bibcode : 2022IEEEA..1019215N. doi : 10.1109/ACCESS.2022.3151361 . ISSN  2169-3536. S2CID 246895876. Медицинские системы визуализации создают все более точные изображения с улучшенным качеством, используя более высокие пространственные разрешения и цветовую битовую глубину. Такие улучшения увеличивают объем информации, которую необходимо хранить, обрабатывать и передавать. 
32. Dhouib, D.; Naït-Ali, A.; Olivier, C.; Naceur, MS (июнь 2021 г.). «Стратегия сжатия на основе ROI наборов данных 3D МРТ мозга для беспроводной связи». IRBM . 42 (3): 146–153. doi :10.1016/j.irbm.2020.05.001. S2CID  219437400. Из-за большого объема данных медицинских изображений процесс передачи усложняется в приложениях телемедицины. Таким образом, для адаптации потоков битов данных к ограничениям, связанным с ограничением полосы пропускания, необходимо уменьшить размер данных путем сжатия изображений.
33. Синь, Гантао; Фань, Пинъи (11 июня 2021 г.). «Метод сжатия без потерь для многокомпонентных медицинских изображений на основе анализа больших данных». Scientific Reports . 11 (1): 12372. doi : 10.1038/s41598-021-91920-x . ISSN  2045-2322. PMC 8196061 . PMID  34117350. 
34. Грант, Дункан Эндрю; Говар, Джон (1989). Мощные МОП-транзисторы: теория и применение. Wiley . стр. 1. ISBN 978-0-471-82867-9. Полевой транзистор металл-оксид-полупроводник (МОП-транзистор) является наиболее часто используемым активным устройством в сверхбольшой интеграции цифровых интегральных схем (СБИС). В 1970-х годах эти компоненты произвели революцию в электронной обработке сигналов, системах управления и компьютерах.
35. Ширрифф, Кен (30 августа 2016 г.). «Удивительная история первых микропроцессоров». IEEE Spectrum . 53 (9). Институт инженеров по электротехнике и электронике : 48–54. doi :10.1109/MSPEC.2016.7551353. S2CID  32003640. Архивировано из оригинала 13 октября 2019 г. Получено 13 октября 2019 г.
36. "1979: Single Chip Digital Signal Processor Introduced". The Silicon Engine . Computer History Museum . Архивировано из оригинала 3 октября 2019 года . Получено 14 октября 2019 года .
37. Таранович, Стив (27 августа 2012 г.). «30 лет DSP: от детской игрушки до 4G и дальше». EDN . Архивировано из оригинала 14 октября 2019 г. Получено 14 октября 2019 г.
38. Станкович, Радомир С.; Астола, Яакко Т. (2012). «Воспоминания о ранней работе в области DCT: интервью с К. Р. Рао» (PDF) . Перепечатки из Early Days of Information Sciences . 60 . Архивировано (PDF) из оригинала 13 октября 2019 г. . Получено 13 октября 2019 г. .
39. "Space Technology Hall of Fame:Induced Technologies/1994". Space Foundation. 1994. Архивировано из оригинала 4 июля 2011 года . Получено 7 января 2010 года .
40. Roobottom CA, Mitchell G, Morgan-Hughes G (ноябрь 2010 г.). «Стратегии снижения радиации при компьютерной томографической ангиографии сердца». Клиническая радиология . 65 (11): 859–67. doi : 10.1016/j.crad.2010.04.021 . PMID  20933639.
41. Scialpi M, Reginelli A, D'Andrea A, Gravante S, Falcone G, Baccari P, Manganaro L, Palumbo B, Cappabianca S (апрель 2016 г.). "Визуализация опухолей поджелудочной железы: обновление" (PDF) . International Journal of Surgery . 28 (Suppl 1): S142-55. doi : 10.1016/j.ijsu.2015.12.053 . hdl :11573/908479. PMID  26777740. Архивировано (PDF) из оригинала 24 августа 2019 г.
42. Rahbar H, Partridge SC (февраль 2016 г.). «Мультипараметрическая МРТ-визуализация рака молочной железы». Клиники магнитно-резонансной томографии Северной Америки . 24 (1): 223–238. doi :10.1016/j.mric.2015.08.012. PMC 4672390. PMID 26613883  . 
43. "Объем мирового производства чипов для медицинской визуализации резко возрастет в течение следующих пяти лет". Silicon Semiconductor . 8 сентября 2016 г. Получено 25 октября 2019 г.
44. Banerjee R, Pavlides M, Tunnicliffe EM, Piechnik SK, Sarania N, Philips R, Collier JD, Booth JC, Schneider JE, Wang LM, Delaney DW, Fleming KA, Robson MD, Barnes E, Neubauer S (январь 2014 г.). «Многопараметрический магнитный резонанс для неинвазивной диагностики заболеваний печени». Журнал гепатологии . 60 (1): 69–77. doi :10.1016/j.jhep.2013.09.002. PMC 3865797. PMID  24036007 . 
45. Чжан, М. З.; Ливингстон, А. Р.; Асари, В. К. (2008). «Высокопроизводительная архитектура для реализации двумерной свертки с квадрантными симметричными ядрами». Международный журнал компьютеров и приложений . 30 (4): 298–308. doi :10.1080/1206212x.2008.11441909. S2CID  57289814.
46. Гонсалес, Рафаэль (2008). Цифровая обработка изображений, 3-й . Пирсон Холл. ISBN 978-0-13-168728-8.
47. Хаус, Кейзер (6 декабря 2016 г.). Аффинные преобразования (PDF) . Основы физически обоснованного моделирования и анимации. AK Peters/CRC Press. ISBN 978-1-4822-3460-2. Архивировано (PDF) из оригинала 30 августа 2017 г. . Получено 26 марта 2019 г. . {{cite book}}: |website=проигнорировано ( помощь )
48. Краткая ранняя история компьютерной графики в кино. Архивировано 17 июля 2012 г. на Wayback Machine , Ларри Йегер , 16 августа 2002 г. (последнее обновление), получено 24 марта 2010 г.

Дальнейшее чтение

• Соломон, К.Дж.; Брекон, Т.П. (2010). Основы цифровой обработки изображений: практический подход с примерами в Matlab . Wiley-Blackwell. doi :10.1002/9780470689776. ISBN 978-0-470-84473-1.
• Вильгельм Бургер; Марк Дж. Бердж (2007). Цифровая обработка изображений: алгоритмический подход с использованием Java. Springer . ISBN 978-1-84628-379-6.
• Р. Фишер; К. Доусон-Хау; А. Фицгиббон; К. Робертсон; Э. Трукко (2005). Словарь компьютерного зрения и обработки изображений . John Wiley. ISBN 978-0-470-01526-1.
• Рафаэль К. Гонсалес; Ричард Э. Вудс; Стивен Л. Эддинс (2004). Цифровая обработка изображений с использованием MATLAB . Pearson Education. ISBN 978-81-7758-898-9.
• Тим Моррис (2004). Компьютерное зрение и обработка изображений . Palgrave Macmillan. ISBN 978-0-333-99451-1.
• Випин Тьяги (2018). Понимание цифровой обработки изображений . Taylor and Francis CRC Press. ISBN 978-11-3856-6842.
• Милан Шонка; Вацлав Главац; Роджер Бойл (1999). Обработка изображений, анализ и машинное зрение . PWS Publishing. ISBN 978-0-534-95393-5.
• Гонсалес, Рафаэль С.; Вудс, Ричард Э. (2008). Цифровая обработка изображений . Upper Saddle River, NJ: Prentice Hall. ISBN 978-0-13-168728-8. OCLC  137312858.
• Ковалевский, Владимир (2019). Современные алгоритмы обработки изображений: компьютерные изображения на примере C# . [Нью-Йорк, Нью-Йорк]. ISBN 978-1-4842-4237-7. OCLC  1080084533.{{cite book}}: CS1 maint: location missing publisher (link)

Внешние ссылки

• Лекции по обработке изображений, Алана Питерса. Университет Вандербильта. Обновлено 7 января 2016 г.
• Обработка цифровых изображений с помощью компьютерных алгоритмов