WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 | 2 ||

«Г.А.Медведев, В.А.Морозов Практикум на ЭВМ по анализу временных рядов Учебное пособие Медведев Г.А., Морозов В.А. Практикум на ЭВМ по анализу временных рядов [Электронный ресурс]: Учебное пособие. — ...»

-- [ Страница 3 ] --

(6.36) i= Первые (p + 1) уравнений (6.36) могут быть разрешены относительно матриц r(0), r(1),..., r(p), если использовать тот факт, что r( ) = r ( ). КМ r( ) для > p получаются рекуррентно из (6.36). Производящая функция КМ, представленная + G(z) = = r( )z, выражается в виде G(z) = (z)Q (z 1 ) = A1 (z)B(z)QB (z 1 )(A1 (z 1 )). (6.37) Таким образом, если набор матриц {Ai } и {Bj } известен, то корреляционные характеристики процесса (6.28) могут быть найдены из (6.32), (6.34) или (6.36). В том случае, когда {Ai }, {Bj } неизвестны, необходимо строить процедуру их оценивания. Рассмотрим случай гауссовского процесса АРСС (p, q). При этом для оценивания параметров процесса может быть использован ММП. Чтобы построить гауссовскую функцию правдоподобия (ГФП) для выборки {xt, 1 t N }, составим вектор с nN компонентами x = (x11,..., x1n, x21,..., x2n,..., xN 1,..., xN n ) = (x, x,..., x ). Матрица ковариации такого 1 2 N вектора имеет размер (nN nN ) и может быть представлена в блочной форме: r(0) r(1)... r(N 1) r (1) r(0)... r(N 2). R = M{xx } = (6.38)............ r (N 1) r (N 2)... r(0) В (6.38) блоками матрицы R являются матрицы r( ), 0 N 1, определенные в (6.34). ГФП с учетом введенных обозначений имеет вид 1 L(R) = (2)nN/2 (detR)1/2 exp x R1 x. (6.39) Так как матрица R симметрическая, она задается nN (nN + 1)/2 элементами. Для оценивания этих параметров необходимо найти такую совокупность элементов, которая бы доставляла L(R) максимум. Эта задача чрезвычайно сложная в вычислительном отношении и вряд ли удобная в смысле практического воплощения. Вместе с тем элементы матрицы R, точнее ее блоки, находятся по формулам (6.32) (6.34), выражаются через {Ai }, {Bj }, Q и содержат в общей 1 сложности около n2 ( 2 + p + q) независимых элементов, поэтому вычислить зна1 чения ГФП (6.39) можно, если известны n2 ( 2 +p+q) чисел, при помощи (6.32) (6.34) и (6.38). Поиск максимума ГФП (6.39) в пространстве этих переменных задача менее трудная, чем указанная выше, так как N обычно существенно больше, чем n. Тем не менее она остается еще достаточно сложной. Более удобным является использование при построении ГФП оценок предсказания, о которых речь пойдет в § 6.2, где будет обсуждена и проблема оценивания параметров. В случае, когда процесс {xt } не является гауссовским, получать оценки неизвестных корреляционных характеристик или параметров разностного уравнения (6.28) можно точно таким же путем, максимизируя ГФП (6.39). Но только в этом случае полученные оценки не будут оценками ММП, а будут М-оценками неизвестных параметров, идея построения которых рассматривалась в § 2.4. Лабораторная работа 22. Оценивание числовых характеристик многомерных временных рядов Цель работы. Освоить технику статистической обработки временных рядов. Провести сравнительный анализ различных подходов к построению многомерных доверительных областей. Порядок выполнения работы Построить модель стационарного многомерного временного ряда с n > 2 на основе разложения (6.6). Для этого задать конечную последовательность матриц {Cj, j }, такую, что < 0 < ;

задать положительно определенную матрицу Q, у которой отдельные, но не все, недиагональные элементы были бы нулевыми;

задать вектор m математических ожиданий компонент mi ряда {xt }. Провести имитацию этого многомерного временного ряда и получить его реализацию {xt, 1 t N }. Задание 1. Основываясь на (6.8), (6.5), вычислить матрицы r( ) = (rij ( )), n + (ij ( )), а также величину r = i=1 = rij ( ) и матрицу GN по формуле (6.12).

Поскольку матрицы Cj = 0, j [, ], неограниченные суммы в формулах для r и GN окажутся ограниченными. Задание 2. Построить оценки m, r( ) и ( ) по формулам (6.9), (6.19) и (6.20) соответственно. Выяснить, насколько сильно отличается от нуля (m m) (m m) и от r величина N (m m) (m m), что подтверждает свойства (6.10) и (6.11). Сравнить матрицы (m m)(m m) и GN, проиллюстрировав свойство (6.12). Провести сравнительный анализ матриц r( ) и r( ), а также ( ) и ( ) для некоторых значений = 0, 1, 2,.... Задание 3. Для нескольких значений построить доверительные области (6.13) и (6.18). Найти объемы этих областей и сравнить их. Объем доверительной области (6.18) вычисляется как объем n-мерного параллелепипеда V(18) = 2 Доверительная область (6.13) ляется по формуле V 1 n n di.

i= это n-мерный эллипсоид. Его объем вычис n/2 |detT | 2 = (1 (n))n/2 n 1+ n i, i= где T матрица, столбцами которой являются собственные векторы, соответствующие указанным собственным значениям;

(·) гамма-функция;

{i } собственные значения матрицы G1. Иначе говоря, для вычисления объема nN мерного эллипсоида, задаваемого матрицей G1, необходимо диагонализировать N эту матрицу, т.е. представить ее в виде G1 = T diag{i }T. N Задание 4. Выбрать две некоррелированные компоненты исследуемого временного ряда и проверить их на независимость, используя декорреляцию (6.24) и критерий (6.25). Проделать то же самое для двух коррелированных компонент рассматриваемого временного ряда. Задание 5. Задать две различные модели каузальных обратимых процессов АРСС (p, q). Провести имитацию двухмерного временного ряда с компонентами, определяемыми этими моделями, в двух вариантах: 1) белые шумы, порождающие обе компоненты, независимые;

2) белые шумы, порождающие компоненты временного ряда, зависимые (один способ введения зависимости: белый шум, порождающий вторую компоненту, это белый шум первой компоненты, сдвинутый на несколько тактов вперед или назад, т.е. Wt,2 = Wt±,1 ;

другой способ введения зависимости: если Wt вектор белых шумов из первого вари анта, то вектор белого шума во втором варианте Wt = AWt, где A матрица, отличающаяся от диагональной). В каждом варианте испытывать компоненты временного ряда на независимость с использованием декорреляции (6.24) и анализа остатков. Задание 6. Задать модель многомерного процесса АРСС (p, q), определив необходимые числовые величины для моделирования этого процесса в соответствии с (6.28), т.е. p, q, {Ai, 1 i p}, {Bj, 1 j q}, Q. Параметры должны быть выбраны так, чтобы обеспечить каузальность и обратимость процесса xt. Использовать два метода для определения КМ процесса xt, применяя формулы (6.32) (6.34) в одном случае и уравнение (6.36) в другом. Провести сравнительный анализ этих методов по сложности и точности. Задание 7. Провести моделирование двухмерного гауссовского процесса АРСС (p, q) с небольшими значениями p и q. Получить КМ процесса выборочным методом и ММП. Провести сравнительный анализ этих методов по сложности и точности.

6.2. Прогнозирование многомерных временных рядов и оценка их параметров на основе предсказания Пусть {xt = (xt1, xt2,..., xtn ), t = 1, 2,...} n-мерный временной ряд со средним значением M{xt } = 0 и функцией ковариации, задаваемой (n n)матрицей R0 (i, j) = M {xi x }. Как и в скалярном случае, наилучшая линейная j ( ) оценка (НЛО) предсказания xN + значения вектора xN + по множеству N наблюдений {xt, 1 t N } оценка, которой соответствует минимальное зна( ) ( ) чение среднеквадратичного отклонения xN + от xN + при условии, что xN + линейно связана с наблюдениями {xt, 1 t N }. Обозначим НЛО предсказания на один шаг xN + (1) xN +1 N = j= CN j xN +1j, N = 1, 2,..., (6.40) где CN j (n n)-матрицы коэффициентов НЛО предсказания. Для инноваций компонент НЛО предсказания характерно, что они ортогональны ко всем компонентам векторов наблюдаемой выборки, т.е. для всякого k, 1 k n, имеет место M{(xN +1,k xN +1,k )xN +1i,j } = 0, 1 j n, 1 i N, или в векторной форме M{(xN +1 xN +1 )x +1i } = 0, 1 i N. Отсюда и из N (6.40) для матриц коэффициентов НЛО предсказания получаются соотношения N j= CN j R0 (N + 1 j, N + 1 t) = R0 (N + 1, N + 1 t), 1 t N. В слустационарный СП с КМ, определяемой (6.3), это соотношение N j= чае, когда {xt } упрощается:

CN j r(t j) = r(t), 1 t N.

(6.41) Система N матричных уравнений (6.41) эквивалентна системе N n2 скалярных уравнений относительно элементов матричных коэффициентов НЛО предсказания. Более популярным представлением НЛО предсказания по сравнению с (6.40) является представление xN +1 через инновации, так как оно позволяет построить более удобную вычислительную процедуру определения коэффициентов. В этом случае вместо (6.40) имеем N xN +1 = j= N j (xN +1j xN +1j ), (6.42) где {N j, 1 j N } последовательность (n n)-матриц, которые могут быть найдены рекуррентно при помощи следующей процедуры. Пусть МК ошибок предсказания обозначена через VN : VN = M{(xN +1 xN +1 )(xN +1 xN +1 ) }. (6.43) где матричные коэффициенты N j вычисляются рекуррентно по формулам V0 = R0 (1, 1);

N,N k = R0 (N + 1, N + 1) k1 j=0 N,N j Vj k,kj Vk1, N 1 j= Тогда для НЛО предсказания xN +1 в виде (6.42) справедливы соотношения N = 0, 0, N xN +1 = (6.44) N j (xN +1j xN +1j ), N > 0, j= 0 k N 1;

(6.45) VN = R0 (N + 1, N + 1) R0 (i, j) M{xi x }. j N,N j Vj N,N j.

Здесь = Последовательность вычислений по рекуррентным соотношениям (6.45) следующая: V0 ;

11, V1 ;

22, 21, V2 ;

33, 32, 31 и т.д. В вычислительном отношении использование НЛО предсказания в виде (6.44), (6.45) предпочтительнее, чем в виде (6.40), (6.41). При этом параллельно Если, как и ранее, обозначить КМ стационарного процесса {xt } через r( ) (см.(6.3)), то матричную АКФ процесса {zt } можно представить в виде 1 i j l = max(p, q), r(i j), p r(i j) Ak r(i + k j), 1 i l < j 2l, k=1 0 q Rz (i, j) = (6.47) Bk QBk+ji, l < i j i + q, k=0 0, l < i, i + q < j, 0 (Rz (i, j)), j < i.

находится МК ошибок предсказания VN, характеризующая точность предсказания отдельных компонент. Рассмотрим проблему предсказания многомерных случайных процессов АРСС (p, q). Пусть теперь xt n-мерный процесс, определяемый разностным уравнением (6.28). Пусть 1 t max(p, q), xt, p zt = x (6.46) Aj xtj, max(p, q) < t. t j= Здесь матрицы {Ak }, {Bk } и Q определены соотношением (6.28) и предполагается, что Bk = 0, если k > q. С процессом {zt } удобнее работать потому, что его 0 АКФ Rz (i, j) = 0 для |i j| > q, i, j > l, l = max(p, q). Оценка предсказания на один шаг вычисляется по формулам: N 1 N j (xN +1j xN +1j ), 1 N l, j=1 (6.48) xN +1 = q p Ai xN +1i + N j (xN +1j xN +1j ), N > l;

i=1 j= Коэффициенты N j, 1 j N, и VN находятся по формулам (6.45), куда вместо 0 R0 (i, j) подставляются Rz (i, j), вычисляемые по формулам (6.47). Как отмечалось в гл.4, в скалярном случае коэффициенты N j и VN не зависели от дисперсии белого шума. В многомерном случае эти коэффициенты (уже матричные) зависят от вида МК белого шума Q. В случае, когда {xt } является обратимым процессом, инновации (xN +1 xN +1 ) могут рассматриваться как аппроксимации WN +1 для N 1 в том смысле, что при N M{(xN +1 xN +1 WN +1 )(xN +1 xN +1 WN +1 ) } 0. Отсюда следует, что при N N j Bj, 1 j q, и VN Q. Рассмотрим важный случай процесса АРСС (1,1). При этом разностное уравнение (6.28) упрощается: xt = Axt1 + Wt + BWt1, 152 t = 1, 2,..., (6.50) M{(xN +1 xN +1 )(xN +1 xN +1 ) } = VN.

(6.49) det(I Az) = 0, |z| 1. НЛО предсказания имеет вид xN +1 = AxN + N 1 (xN xN ), N 1. (6.51) Рекуррентные соотношения (6.45) упрощаются: V0 = r(0), 1 N 1 = BQVN 1, Матричная корреляционная функция процесса (6.46) определяется соотношенями i, j = 1, r(0), QB, 1 i, j = i + 1, (6.52) R0 (i, j) = Q + BQB, 1 < i = j, 0, 1 i, j > i + 1, 0 (R (i, j)), j < i.

N = 1, 2,..., (6.53) VN = Q + BQB N 1 VN 1 N 1.

Для того чтобы воспользоваться рекуррентными формулами, нужно вначале получить r(0). Из уравнений Юла Уолкера (6.36) имеем r(0) Ar (1) = Q + BQ(A + B ), r(1) Ar(0) = BQ.

являющееся линейным уравнением относительно n2 элементов матрицы r(0). Решив (6.54) и затем последовательно разрешая (6.53), получим необходимые данные для построения НЛО предсказания в виде (6.51). Предсказание многомерных процессов АРСС (p, q) на шагов вперед, > 1, по выборке из N векторов производится также с использованием инноваций по формулам ( ) xN + Определив r(1) из второго уравнения и подставляя его в первое, получим уравнение r(0) Ar(0)A = AQB + BQA + Q + BQB, (6.54) = N + 1 j= N + 1,j (xN + j xN + j ), q (1) (1) 1 l N;

p xN + = i= ( ) Ai xN + i + ( i) j= N + 1,j (xN + j xN + j ), > l N, (6.55) где l = max(p, q). Для > q второе слагаемое в последней формуле исчезает. ( ) НЛО предсказания xN +, = 1, 2,..., определяются рекуррентно по формулам (6.55) для всякого фиксированного N. Понятно, что в большинстве прак( ) тических случаев N > l, и поэтому для определения xN + практически всегда используется только второе соотношение (6.55). В частном случае процесса АРСС (1,1) имеем x xN + = A N + 1 =... = A 1 xN +1.

( ) ( 1) (1) (6.56) В более общем случае АРСС (p, q) удобно при фиксированном N воспользо( ) ваться обозначением xN + = g( ). Тогда из (6.55) для g( ) получаем векторное разностное уравнение g( ) A1 g( 1)... Ap g( p) = 0, (qi) > q, (6.57) с начальными условиями g(q i) = xN +qi, 0 i p 1. Таким образом, для этого случая проблема нахождения НЛО предсказания свелась к решению разностного уравнения (6.57) относительно g( ). На основе оценок предсказания может быть построена процедура оценивания неизвестных параметров многомерного процесса АРСС (p, q). Применяя многомерный инновационный алгоритм к процессу zt, определяемому (6.46), можно убедиться, что xt+1 xt+1 = zt+1 zt+1, t = 1, 2,.... Поэтому ГФП для реали зации {xt, 1 t N } может быть записана в виде L(A, B, Q) = (2) nN N j= где матрицы Vj и определяющие их матрицы N j, вычисляемые по формулам (6.45), связаны с матрицами {Ai }, {Bj } и Q через соотношения (6.47). По сравнению с (6.39) такой вид ГФП является более предпочтительным, поскольку в (6.58) вычислительные операции производятся с векторами и матрицами размерности n, а не nN, как это предусматривалось при использовании (6.39). Таким образом, оценивание параметров процесса АРСС (p, q) сводится к задаче максимизации (6.58) в пространстве (n2 (p + q) + n(n + 1)/2) переменных, значения которых задают набор матриц {Ai }, {Bj }, Q. Такая максимизация может быть произведена только численными методами. При этом могут возникнуть существенные трудности, связанные с тем, что ГФП (6.58) имеет довольно сложную структуру с несколькими локальными минимумами. Кроме того, может оказаться, что (6.58) имеет несколько глобальных максимумов. Это соответствует тому, что наблюдаемый процесс порождается неидентифицируемой моделью АРСС. Для оценивания параметров в таких случаях большое значение имеет удачный выбор начального набора параметров, от которого отталкивается алгоритм максимизации. Опыт проведения вычислительных работ в области максимизации подобных функций говорит о том, что, прежде чем осуществлять многомерный процесс максимизации, полезно произвести анализ каждой компоненты в отдельности как скалярного временного ряда. Это соответствует тому, что в модели многомерного временного ряда (6.28) случайные векторы Wt имеют некоррелированные компоненты. Полученные таким образом пара метры обобщаются, по ним строятся оцениваемые матрицы {Ai }, {Bi }. Затем detVj 1/ e 1 N j= 1 (xj j ) Vj1 (xj j ) x x, (6.58) максимизируется (6.58) по Q, что дает Q. Таким образом, данный набор матi }, {Bi }, Q и принимается в качестве исходного набора параметров при риц {A максимизации ГФП (6.58) в пространстве полной размерности. Проблема идентифицируемости АРСС (p, q) возникает только тогда, когда p > 0 и q > 0. Для каузальной АР (p) или обратимого СС (q) матрицы коэффициентов и МК белого шума Q определяются единственным образом. Для нахождения параметров АР (p) модели по заданной выборке наблюдений можно построить достаточно простую вычислительную процедуру, основанную на уравнениях Юла Уолкера (6.36). Для АР (p) они превращаются в уравнения p p r(0) Ai r(i) = Q;

i= r( ) = j= Aj r( j), 1 p.

(6.59) Подставляя в (6.59) выборочные значения матриц r( ), подсчитанные по формуле (6.19), получаем систему линейных уравнений относительно элементов матриц {Ai } и Q. Если процесс {xt } является гауссовским, то, максимизируя (6.58), находим оценки ММП неизвестных параметров. Если же {xt } не является гауссовским, то получаемые описанным способом оценки можно рассматривать как многомерные М-оценки с функцией критерия, заданной в виде ГФП. Оценка порядков p и q процесса АРСС (p, q) может быть произведена подобно тому, как это было описано в § 4.3. Обычно используется информационный критерий Акаике, статистика которого в данном случае вычисляется в виде AIC = 2ln L(A1,..., Ap, B1,..., Bq, Q) + 2k, (6.60) где первое слагаемое в первой части вычисляется с помощью (6.58), а k равно полному числу оцениваемых скалярных параметров (если все элементы оцениваемых матриц неизвестны, то k = n2 (p + q) + n(n + 1)/2). Лабораторная работа 23. Прогнозирование многомерных временных рядов Цель работы. Ознакомиться с методами прогнозирования многомерных временных рядов. Исследовать проблему увеличения сложности алгоритмов предсказания с увеличением размерности. Рассмотреть возможность оценивания неизвестных параметров моделей временного ряда с использованием оценок предсказания. Порядок выполнения работы Задать многомерную модель АРСС (p, q). Удобно в качестве модели взять уже рассмотренную ранее модель при выполнении задания 6 лабораторной работы 22. Естественно также воспользоваться и выборкой наблюдений из этого задания. Задание 1. Построить одношаговые НЛО предсказания тремя способами: с помощью формул (6.40), (6.41);

(6.44), (6.45);

(6.47) (6.49). Представить процессы оценок предсказания и предсказываемого процесса на одном графике и провести сравнительный анализ по точности предсказания и по сложности вычислений. Рассмотреть скорость сходимости VN Q и N j Bj при увеличении N. Задание 2. Задать модель процесса АРСС (1,1). Произвести имитацию процесса в соответствии с этой моделью. Воспользоваться формулами (6.50) (6.54) для построения НЛО предсказания. По формулам (6.55) построить НЛО предсказания на шагов вперед. Исследовать точность предсказания от значения величины. Рассмотреть возможность использования соотношения (6.57) для построения НЛО предсказания при различных. Произвести сравнительный анализ точности и сложности по сравнению с предыдущим подходом. Задание 3. Использовать реализацию процесса предыдущего задания для построения оценок матриц A, B, Q с помощью максимизации ГФП (6.58). Рассмотреть различные способы определения начальных значений оцениваемых параметров. Задание 4. Рассмотреть применение информационного критерия Акаике для оценивания порядков процесса АРСС. Изучить влияние информации о параметрах на точность определения порядка модели.

6.3. Взаимные спектры и их оценивание Пусть {xt } многомерный ССП с матричной автоковариационной функцией r( ), элементы которой являются абсолютно суммируемыми, r( ) = (rlj ( )). Компоненты {xtj, 1 j n} имеют спектральные плотности. Определим flj () = 1 + rlj ( )ei, =.

(6.61) Если l = j, то fll () представляет собой спектральную плотность l-й компоненты {xtl } временного ряда {xt }. Если l = j, то flj () будем называть взаимной спектральной плотностью (кросс-спектром) компонент {xtl } и {xtj } временного ряда {xt }. Составим из flj () матрицу f () = (flj ()), которая называется матрицей спектральных плотностей (МСП) или спектром многомерного временного ряда {xt }. Для вещественных ССП {xt } спектральные плотности fll () являются вещественными функциями. Однако flj (), l = j, не обязательно должны быть вещественными. Обычно они являются комплексными функциями. С одной стороны, flj () = clj () + iqlj (), где clj () коспектр или коспектральная плотность;

qlj () квадратурный спектр. В соответствии с этим f () = c() + iq(), где c() и q() коспектральная и квадратурная МСП соответственно. С другой стороны, flj () = ulj ()eivlj (), где ulj = |flj ()| амплитуда спектра или амплитудный спектр;

vlj () фаза спектра или фазовый спектр. 2 Квадратичной функцией когерентности Klj () называется отношение 2 Klj () = |flj ()|2 /fll ()fjj (), а Klj () коэффициентом когерентности Klj () = ulj () fll ()fjj ().

(6.62) Справедливы соотношения flj () = fjl (), 0 Klj () = Kjl () 1 для всех. Если {xt1 } и {xt2 } являются входом и выходом инвариантного по времени (стационарного) линейного фильтра, то коэффициент когерентности K12 () временных рядов {xt1 } и {xt2 } равен единице, K12 () = 1,. Если {yt1 } и {yt2 } являются выходами стационарных линейных фильтров, входы которых {xt1 } и {xt2 }, т.е.

+ + yt1 = j= j xtj,1, yt2 = j= j xtj,2, то коэффициент когерентности выходных рядов {yt1 } и {yt2 } в точности равен коэффициенту когерентности входных рядов. Коэффициент когерентности некоррелированных временных рядов равен нулю. Рассмотрим стационарный линейный фильтр с аддитивным шумом + xt,2 = j= j xtj,1 + yt.

(6.63) Тогда имеют место соотношения f22 () = fy () + |f22 ()|2 /f11 ();

2 fy () = (1 K21 ())f22 ();

2 y (6.64) = 2 (1 K21 ())f22 () d.

Рассмотрим задачу оценивания МСП с помощью многомерной периодограммы многомерного временного ряда {x1, x2,..., xN }, где xt n-мерный выборочный вектор. Определим ДПФ J() многомерного ряда соотношением 1 J(j ) = N N xt eitj, t= (6.65) N частот Фурье. Периодограмма где j = 2j/N : N 2 1 j N 2 временного ряда {xt } задается на множестве этих частот как совокупность матриц IN (j ) = J(j )J (j ), (6.66) где обозначает не только транспонирование, но и комплексную сопряженность элементов транспонированной матрицы. Этот смысл будет придаваться обозначению и в дальнейшем. Расширенную периодограмму определяем на всем множестве частот [, ], полагая, что для [0, ] выполняется равенство IN () = IN (k ), если | k | < N или = k + N, а для [, 0) считается IN () = IN (). Элементы матрицы IN () будем записывать Ilj (), опуская для краткости индекс N, 1 l, j n. Причем Ill () представляет собой периодограмму l-й компоненты многомерного ряда {xt }. Функция Ilj () называется взаимной или кросспериодограммой. На множестве частот Фурье она имеет значения Ilj (k ) = 1 N N N xtl eitk t=1 t= xtj eitk.

(6.67) Если k любая частота Фурье, не равная нулю, и x ряда {x1, x2,..., xN }, то IN (k ) = | |

( ) = ( ), < 0. Пеr r где r( ) = N t=1 риодограмма на нулевой частоте IN (0) = N xx. Пусть m = M{xt }. Тогда lim (IN (0) N mm ) = 2f (0), lim M{IN ()} = 2f (), = 0, где f () N N МСП процесса {xt }. Если процесс {xt } допускает линейное разложение + xt = j= cj Wtj, (6.68) где Wt n-мерный случайный процесс НОР векторов, то M{Wt } = 0, } = Q. M{Wt Wt Компоненты матриц cj удовлетворяют условию + j= |cj (k, l)| |j| < +, 1 k, l n. Периодограмма IN () = (Iij ()) про цесса {xt },. Тогда, если 0 < 1 < 2 <... < k <, матрицы IN (1 ),..., IN (k ) при N сходятся к независимым случайным матрицам, j-я из которых распределена как Vk Vk, где Vk n-мерный комплексный вектор с нормальным распределением, M{Vk } = 0, M{Vk Vk } = 2f (k ). Если l и j частоты Фурье из [0, ], то при N cov(I (l ), Ipq (k )) = (2)2 [fp (l )fq (l ) + fq (l )fp (l )], k = l = 0 или, = (2)2 fp (l )fq (l ), 0 < l = k <, 0, l = k. (6.69) Состоятельную оценку МСП процесса (6.68) можно получить при помощи сглаживания периодограммы. Пусть qN (k) последовательность весовых коэффициентов, определенных в § 5.1, gN (k) = gN (k): gN (k) = 1, |k|

(6.70) Определим оценку МСП f () равенством 1 f () = 2 gN (k)IN ( + k ), |k|

(6.71) Число p, рассматриваемое при различных N, должно вести себя следующим образом: при N p, но p/N 0, 1 f (0) = Re gN (0)IN (1 ) + 2 p gN (k)IN (k+1 ).

k= (6.72) Имеют место следующие асимптотические свойства этих оценок. Если весо вые коэффициенты для всех элементов f () одинаковы, то N lim M{f ()} = f (), (6.73) cov(f (), fpq ()) = 2 gN (k) N lim |k|p fp ()fq () + fq ()fp (), = = 0 или, = fp ()fq (), 0 < = <, 0, =. Заметим, что для комплексных векторов ковариация вычисляется по прави лу cov(X, Y) = M{XY} M{X}M{Y}. Коспектральная МСП c() = (f ()+ +f ())/2 имеет состоятельную оценку вида c() = (f () + f ())/2. Квад ())/2 имеет состоятельную оценку q () = ратурная МСП q() = (f () f = (f () f ())/2. Предположение об одинаковых весовых коэффициентах gN (k) для всех элементов является несущественным, оно лишь упрощает фор мулировку асимптотических свойств. Оценка f () асимптотически нормально распределена. В качестве оценки амплитудного спектра ulj () = |flj ()| выберем ulj () = c2 () + qlj () h(lj, qlj ). lj 2 c (6.74) Если ulj () > 0, то при N СВ ulj () асимптотически нормальна с матема тическим ожиданием M{lj ()} = ulj () и дисперсией u 1 D{lj ()} = u 2 gN (k) |k|p h c 2 2 2 (fll fjj + clj qlj )+ + h q 2 2 (fll fjj + qlj c2 ) + 4 lj h c h clj qlj. q Дисперсию ulj () можно выразить через коэффициент когерентности (асимпто тически). Если Klj () > 0, то 1 D{lj ()} = u2 () u 2 lj 2 gN (k) |k|p 1+ 1. 2 Klj () Как видно, для малых Klj () дисперсия ulj () велика. В качестве оценки фазового спектра vlj () = argflj () выберем vlj () = arg(lj () + ilj ()) (, ]. c q (6.75) Если Klj () > 0, то такая оценка при N асимптотически нормальна с па1 1 2 1. раметрами M{lj ()} = vlj (), D{lj ()} = u2 () v v gN (k) 2 2 lj Klj () Если Klj () = 0, то вектор (lj () glj ()) распределен асимптотически нормальc но с нулевым средним и КМ 1 2 gN (k) |k|p |k|p fll ()fjj () 0 0 fll ()fjj ().

2 В качестве оценки квадратичной функции когерентности (КФК) Klj () вы берем |Klj ()|2, где |Klj ()| = c2 () + qlj ()/ fll ()fjj (). lj (6.76) Если Klj () > 0, то |Klj ()| распределен асимптотически нормально с парамет1 2 2 2 gN (k) 1 Klj (). рами M{|Klj ()|} = |Klj ()|, D{|Klj ()|} = 2 Используя асимптотическое распределение оцениваемых параметров, несложно построить доверительные интервалы для этих параметров. Удобно пользоваться такими доверительными интервалами, ширина которых не зависит от. Для коэффициента когерентности такой интервал можно построить. Возьмем вместо |Klj ()| его преобразование = arctg |Klj ()|. Случайная величина распределена асимптотически нормально с параметрами M{} = 2 = arctg |Klj ()|, D{} = 1 gN (k). Поэтому асимптотический доверительный 2 интервал для arctg Klj () получается в виде 1 arctg |Klj ()| ± 1 (1 ) 2 2 gN (k) |k|p 2 1 Klj () 1 |k|p |k|p, (6.77) В условиях справедливости (6.69) |Klj ()|2 будет распределен как квадрат множественного коэффициента корреляции, так, что в (6.78) имеет F -распределение со степенями свободы 2 и 4p при справедливой гипотезе Klj () = 0. Поэтому эта гипотеза отвергается, если > F1 (2, 4p), где F1 (2, 4p) квантиль F - распределения со степенями свободы 2 и 4p на уровне 1 (о свойствах этого квантиля см. задание 1 лабораторной работы 21). Лабораторная работа 24. Оценивание взаимных спектров и коэффициентов когерентности Цель работы. Ознакомиться со свойствами взаимных спектров многомерных временных рядов. Научиться строить оценки взаимных спектров и коэффициентов когерентности. Проанализировать их свойства. Порядок выполнения работы Задать модель многомерного временного ряда, например процесса АРСС (p, q), уже исследованного в задании 6 лабораторной работы 22. Задание 1. Вычислить МСП для выбранной модели многомерного временного ряда при помощи формулы (6.61). Вычислить все взаимные спектры: коспектр, квадратурный, амплитудный, фазовый, а также коэффициент когерентности. Задание 2. Для выборки многомерного временного ряда построить периодограмму (6.66), (6.67). При построении периодограммы пользоваться алгоритмом БПФ. Задание 3. Построить состоятельную оценку МСП по формулам (6.70) (6.72). На базе этой оценки построить оценки для коспектра, квадратурного, амплитудного и фазового спектров. Задание 4. Вычислить параметры среднее и дисперсию асимптотических распределений для оценок с учетом того, что асимптотически все оценки распределены по нормальному закону. Построить доверительные интервалы на выбранном уровне значимости, вычисления иллюстрировать графиками. Проанализировать полученные результаты. Задание 5. Построить оценку коэффициента когерентности. Вычислить параметры асимптотического распределения и построить доверительный интервал на базе этих вычислений для arctg |Klj ()|. Проанализировать, какими доверительными интервалами удобнее пользоваться.

и ширина этого интервала не зависит от. В случае, когда gN (k) = 1/(1 + 2p), |k| p, гипотеза Klj () = 0 может быть использована против альтернативной гипотезы Klj () > 0 при помощи статистики = 2p|Klj ()|2 /(1 |Klj ()|2 ). (6.78) Глава ОБРАБОТКА ИЗОБРАЖЕНИЙ 7.1. Основные понятия Термин “обработка изображений” включает обычно распознавание образов, кодирование и непосредственно обработку двухмерных изображений. В данной главе первые две задачи не рассматриваются. Под обработкой изображений понимается выполнение различных операций над данными, которые носят принципиально двухмерный характер. Обработку изображений можно подразделить на коррекцию геометрических искажений, улучшение визуального качества, восстановление и реконструкцию изображений. При коррекции геометрических искажений в изображении применяются пространственные преобразования, с помощью которых устраняются геометрические искажения или обеспечивается возможно более точное совмещение изображений относительно друг друга. Целью улучшения визуального качества является получение улучшенного (например, в результате подавления шума, оптимизации контраста, подчеркивания границ изображений) представления изображений, таких, что содержащаяся в них существенная информация искажена, но тем не менее может визуально восприниматься и без обработки. Восстановление изображений включает оценку параметров искажения и использование ее для коррекции исходных данных. Под реконструкцией изображений подразумевается извлечение деталей в сильно искаженных изображениях при наличии данных об искажениях. Обозначим через f (x, y) двухмерное изображение, получаемое телевизионной камерой или другим устройством, дающим изображение. Здесь x и y пространственные координаты, т.е. координаты плоскости изображения, а величина f в произвольной точке (x, y) пропорциональна яркости (интенсивности) изображения в этой точке. Для получения удобной формы функции изображения f (x, y) с точки зрения вычисления ее необходимо дискретизировать как на плоскости, так и по амплитуде (интенсивности). Дискретизацию по пространственным координатам (x, y) будем называть дискретизацией изображения, а амплитудную дискретизацию квантованием по интенсивности или квантованием по уровню серого. Последний термин применяется для одноцветных изображений и подтверждает тот факт, что тон изображения меняется в серой гамме от черного к белому. Предположим, что непрерывное изображение дискретизировано равномерно на N рядов и M столбцов, причем каждая дискретная величина проквантована по интенсивности. Такая система, называемая цифровым изображением, может быть представлена в виде f (0, 0) f (0, 1) f (1, 0) f (1, 1) f (x, y) =...... f (N 1, 0) f (N 1, 1) где x и y теперь дискретные переменные, т.е. x = 0, 1,..., N 1;

y = 0, 1,..., M 1. Каждый элемент системы называется элементом изображения, или элементом картинки, или пикселом. Обычно на практике величины N и M, а также число уровней дискретной интенсивности каждого квантованного пиксела задают в виде целых спепеней числа 2. Рассмотрим несколько простых взаимосвязей между пикселами в цифровом изображении. При обсуждении отдельного пиксела будем использовать сокращенные обозначения p и q. Для подгруппы пикселов используется обозначение S. Пиксел p с координатами (x, y) имеет четыре горизонтальных и вертикальных соседних пиксела с координатами (x + 1, y), (x 1, y), (x, y + 1), (x, y 1). Эта группа пикселов, называемая “четыре соседа p”, обозначается N4 (p). Четыре диагональных соседних пиксела p имеют координаты (x+1, y+1), (x+1, y1), (x 1, y + 1), (x 1, y 1) и обозначаются ND (p). Эти точки вместе с четырьмя указанными выше называются “восемь соседей p” и обозначаются через N8 (p). Пусть V ряд значений интенсивности пикселов, которые могут быть соединены. Например, если требуется связать пикселы с интенсивностью, равной 59, 60, 61, то V = {59, 60, 61}. Рассмотрим три типа связей. 1. Четырехсвязный тип. Два пиксела p и q со значениями интенсивностей из V являются четырехсвязными, если q относится к группе N4 (p). 2. Восьмисвязный тип. Два пиксела p и q со значениями интенсивностей из V являются восьмисвязными, если q относится к группе N8 (p). 3. m-связный тип (смешанная связь). Два пиксела p и q со значениями интенсивностей из V являются m-связными, если q относится к группе N4 (p) или q относится к группе ND (p) и множество N4 (p) N4 (q) пустое.

... f (0, M 1)... f (1, M 1),......... f (N 1, M 1) Рис. 7.1 Рассмотрим для примера систему пикселов (рис. 7.1, a). Предположим, что V = {1, 2}. Тогда связи восьми соседних пикселов с пикселом, имеющим значе ние 2, обозначим штриховыми линиями (рис. 7.1, б). Отметим неопределенность полученных связей ввиду их множественности. Эта неопределенность исчезает при использовании m-связной системы (рис. 7.1, в). Два изображения подгрупп S1 и S2 примыкают друг к другу, если несколько пикселов из S1 примыкают к пикселам из S2. Для пикселов p и q с координатами (x, y) и (s, t) соответственно определим расстояния: 1) Eвклидово D(p, q) = [(x s)2 + (y t)2 ]1/2 ;

2) модульное D4 (p, q) = |x s| + |y t|;

3) шахматное D8 (p, q) = max(|x s|, |y t|). Путь от пиксела p к пикселу q представляет собой последовательность определенных пикселов с координатами (x0, y0 ),..., (xn, yn ), где (x0, y0 ) = (x, y);

(xn, yn ) = (s, t);

n длина пути. Можно подразделить пути на 4-, 8-, mмерные в зависимости от типа используемого примыкания. Когда имеют дело с m-связностью, величина расстояния (длина пути) между двумя пикселами зависит не только от координат, но и от значений пикселов вдоль пути, а также от их соседей. Рассмотрим для примера систему пикселов, в которой p, p1, p2, p3, p4 имеют значения 0 или 1: p3 p4 p1 p2 p Если предположить связность пикселов со значением 1 при p1 и p3 равными 0, то m-расстояние между p и p4 равно 2. Если p1 или p3 равно 1, расстояние равно 3. Если же p1 и p3 равно 1, то расстояние будет равно 4. Лабораторная работа 25. Моделирование цифровых изображений Цель работы. Получить на ПЭВМ детерминированные и стохастические изображения, провести квантование отсчетов изображения, оценить расстояния между пикселами. Порядок выполнения работы Получение детерминированных (бинарных, двухцветных) изображений производится с помощью построения светлого (темного) объекта на темном (светлом) фоне. Получение стохастических (случайных) изображений производится с помощью искажения детерминированных изображений случайным шумом с последующим квантованием. заданное детерминированное Пусть g(x, y) (x = 1,..., N ;

y = 1,..., N ) изображение, для которого g(x, y) принимает значение 0 для темного пиксела и 1 для светлого. Будем полагать, что изображение f (x, y) искажается гладким шумом, если f (x, y) = g(x, y) + (x, y), где совокупность {(x, y)} НОР СВ с непрерывным распределением и импульсным шумом, если случайно выбранные точки объекта заменяются точками фона и наоборот. Задание 1. Построить n-угольник, расположенный симметрично относительно центра экрана, со стороной длиной a. Параметры n, a принимают значения: a = 4, 6, 10 см, n = 3, 4, 5. Задание 2. Построить эллипс (круг) с большой осью длиной a и малой длиной b. Параметры a, b принимают следующие значения: a = 4, 6, 10 см, b = 4, 5, 7 см. Задание 3. Построить произвольный сложный детерминированный объект (план дома, автомобиль и т.д.). Задание 4. Получить стохастические изображения из заданий 1–3, исказив эти изображения шумом (x, y). В качестве распределения использовать равномерное распределение на интервале (a, b) : a = 0, b = 1, 2, 3 и нормальное распределение с нулевым средним и дисперсией 2 = 0,1;

0,25;

0,5. Задание 5. Получить стохастические изображения из заданий 1–3, искажая их импульсным шумом. Зашумляемые точки расположить равномерно на прямоугольном изображении размером N M пикселов. Количество зашумляемых точек взять равным Q = 0,01P · 0,1P · 0,5P ;

P = N M. Задание 6. Получить квантованные изображения из заданий 4, 5. Результатом выполнения этого задания являются шесть цифровых изображений (при фиксированных значениях параметров), которые будем называть изображениями №1, 2,..., 6. Для квантования применить равномерный код, где число уровней квантования светлоты выбирается из условия L = 2b, где b число двоичных разрядов (бит), отведенных для кодирования отсчетов. Правило квантова ния имеет следующий вид: отсчет f (x, y) принадлежит уровню k(f (x, y) = k), если dk1 < f (x, y) dk, dk = fmin + k(fmax fmin )/L, d0 = fmin, где fmin, fmax минимальное и максимальное значения изображения f (x, y) соответственно. Параметр L принимает значения: L = 2, 4, 6, 8, 16, 64, 256. Найти m-расстояние между двумя любыми вершинами многоугольника для полученных квантовых изображений многоугольника. Положить L = 2, 4;

V = V1, V2 ;

V1 = 1;

V2 = {3, 4}.

7.2. Геометрия изображений Рассмотрим ряд геометрических преобразований изображений. Все преобразования записываются в трехмерной декартовой системе координат, в которой координаты точки обозначаются как (x, y, z). Смещение. Предположим, что требуется сместить точку с координатами (x, y, z) в новое место, используя перемещения (x0, y0, z0 ). Смещения выполняются по формулам x = x + x0 ;

y = y + y0 ;

z = z + z0, где (x, y, z ) координаты новой точки. Эти выражения могут быть записаны в матричной форме x x 1 0 0 x0 y = 0 1 0 y0 y, z 0 0 1 z0 z 1 или или V = T V, где V вектор, содержащий однородные начальные координаты;

V конечные;

T матрица преобразования. Изменение масштаба. Масштабирование на коэффициенты Sx, Sy, Sz по осям X, Y, Z производится с помощью матрицы Sx 0 00 0 Sy 0 0 S= 0 0 Sz 0 0 0 01 следующим образом: V = SV. Вращение. Вращение точки относительно координатных осей X на угол, Y на угол, Z на угол выполняется соответственно с помощью матриц cos 0 sin 0 1 0 0 0 0 cos sin 0 1 0 0, R = 0 R = sin 0 cos 0, 0 sin cos 0 0 0 0 1 0 0 0 1 cos sin 0 0 sin cos 0 0. R = 0 0 1 0 0 0 x 1 y 0 = z 0 0 0 1 0 x 0 x0 y 0 y0, 1 z0 z 01 Взаимные и обратные преобразования. Реализация нескольких преобразований может быть представлена одной матрицей преобразования размерностью 4 4. Например, смещение, масштабирование и вращение точки V относительно оси Z записывается в виде V = R [S(T V)] = AV. Необходимо отметить, что эти матрицы обычно не переставляются, поэтому важен порядок их применения. Данные приемы распространяются для одновременных преобразований группы из m точек с помощью одного преобразования. Пусть v1,..., vm представляют координаты m точек. Если сформировать матрицу V размерностью 4 m, столбцами которой являются векторы v1,..., vm, то одновременное преобразование этих точек с помощью матрицы преобразования A записывается в виде V = AV, где i-й столбец vi матрицы V содержит координаты преобразованной точки, соответствующей vi. Оптические преобразования. Оптические преобразования проецируют точки трехмерного пространства на плоскость, т.е. определяют способ отображения пространственных объектов. На рис. 7.2 изображена схема формирования изображения. Рис. 7. Пусть система координат камеры (x, y, z) имеет плоскость изображения, совпадающую с плоскостью xy, а оптическая ось, установленная по центру линзы, направлена вдоль оси z. Таким образом, центр плоскости изображения является началом координат, а центр линзы имеет координаты (0, 0, ) ( фокусное расстояние линзы). Предполагается, что система координат камеры совпадает с декартовой системой координат. Спроецированные на плоскость изображения точки трехмерного пространства определяются из уравнений x= X, Z y= Y. Z Лабораторная работа 26. Геометрические преобразования изображений Цель работы. Получить элементарные преобразования изображения на плоскости и проекции трехмерных объектов на плоскость. Порядок выполнения работы Использовать шесть цифровых изображений из лабораторной работы 25. Задание 1. Изображение №1 увеличить в 2 раза и повернуть на 45o. Задание 2. Изображение №2 уменьшить в 1,5 раза и переместить вверх на 4 см. Задание 3. Изображение №4 повернуть на 60o, переместить влево на 2 см и вниз на 4 см и уменьшить в 2 раза. Задание 4. Спроецировать единичный куб на плоскость xy. Центр куба находится на расстоянии от плоскости xy и повернут на 45o относительно Z. Параметр принимает значения = 2, 10, 20. Задание 5. Увеличить единичный куб в 3 раза, повернуть на 60o вокруг оси y, на 30o вокруг оси x и на 45o вокруг оси z и спроецировать его на плоскость xy. Расстояние центра куба от плоскости xy принимает значения = 5, 20, 50. Спроецированное изображение переместить на 2 см вниз и 3 см вправо. Задание 6. Для любого сложного объекта (деталь дома и т.д.) сделать преобразования, аналогичные заданию 5.

7.3. Улучшение изображений Процедура улучшения изображений сводится к выполнению комплекса операций с целью либо улучшения визуального восприятия изображения, либо преобразования его в форму, более удобную для визуального или машинного анализа. Сглаживание. Данные операции используются для снижения шума и других помех, которые могут появляться на изображении в результате дискретизации, квантования, передачи или возмущений внешней среды. Для улучшения изображений применяются линейные преобразования, такие, как суперпозиция, свертка, дискретная линейная фильтрация. Дискретный оператор суперпозиции (линейной фильтрации) конечного массива отсчетов f (x, y), x, y = 0, 1,..., N 1, с конечным массивом h(i, j;

p, q), i, j = 0, 1,..., L 1, определяется соотношением p q Q(p, q) = x=0 y= f (x, y)h(p x + 1, q y + 1;

p, q), (7.1) где p, q = 0, 1,..., M 1, а массивы f и h имеют нулевые значения вне областей изменения соответствующих индексов. Массив h называется маской, которая обычно представляет собой небольшую (например, размерность 3 3) матрицу. Элементы ее выбираются таким образом, чтобы обнаружить заданное свойство изображения. Если величины 1, 2,..., 9 представляют собой коэффициенты маски пиксела (x, y) и его восьми соседей (табл. 7.1), операция линейной фильтрации (7.1) определяется соотношением Q(x, y) = 1 f (x 1, y 1) + 2 f (x 1, y) + 3 f (x 1, y + 1)+ + 4 f (x, y 1) + 5 f (x, y) + 6 f (x, y + 1) + +7 f (x + 1, y 1) + 8 f (x + 1, y) + 9 f (x + 1, y + 1), 168 (7.2) где x, y = 0, 1,..., N 1. Таким образом, перемещая маску от пиксела к пикселу на исходном изображении и производя операцию (7.2), получаем преобразованное изображение. Хотя иногда применяются и другие формы масок (например, круг), квадратные формы более предпочтительны из-за простоты их реализации. Кроме того, применяются маски размерностей больше, чем 3 3. Для сглаживания изображений с целью подавления шумов используются маски трех типов: 111 111 1 1 1) H = 1 1 1, 2) H = 1 2 1, 9 10 1 1 1 1 1 1 121 1 2 3 1 3) H = 2 4 2, где H = 4 5 6. 16 121 7 8 9 Таблица 7.1 (x–1, y+1) (x–1, y–1) (x–1, y) (x, y–1) (x, y) (x, y+1) (x+1, y–1) (x+1, y) (x+1, y+1) Эти массивы нормированы для того, чтобы процедура подавления шума не вызывала смещения средней яркости обработанного изображения. Первая маска соответствует также усреднению по окрестности 1 g(x, y) = P f (n, m), где P число точек в окрестности;

S множество (n,m)S координат точек в окрестности точки (x, y) с учетом самой точки (x, y). Подавление шума на изображении можно осуществить с помощью медианной фильтрации. Медианный фильтр представляет собой скользящее окно (маску), охватывающее нечетное число элементов изображения. Центральный элемент заменяется медианой всех элементов изображения в окне. Медианой дискретной последовательности a1,..., an для нечетного n является тот ее элемент, для которого существуют (n 1)/2 элементов, меньших или равных ему по величине и больших или равных ему по величине. Пусть окно размерностью 3 3 содержит элементы, равные 10, 20, 20, 20, 15, 20, 20, 25, 100, которые упорядочиваются по возрастанию: 10, 15, 20, 20, 20, 20, 20, 25, 100. Таким образом, медианой является значение 20, которым надо заменить значение центрального элемента окна. Медианный фильтр эффективно подавляет разрозненные импульсные помехи. Если имеется несколько изображений одного объекта gi (x, y), то для подавления гладких шумов используется усреднение изображения. Пусть g(x, y) исходное изображение, представляющее собой сумму неискаженного изображения f (x, y) и шумового сигнала n(x, y), g(x, y) = f (x, y) + n(x, y). Предполагается, что шум не коррелирован и имеет нулевое среднее значение. Тогда для усредненного изображения 1 g (x, y) = k k gi (x, y) i= 2 2 получим M{g(x, y)} = f (x, y), g (x, y) = 1 n (x, y), где k количество изобра k 2 2 жений;

g (x, y) и n (x, y) дисперсии усредненного изображения и шума соот ветственно. При возрастании k функция g (x, y) приближается к неискаженному изображению. Специальный тип сглаживания изображений применяется для бинарных изображений, т.е. принимающих значения 0 для темных точек и 1 для светлых. Помехи в этом случае проявляются в виде таких эффектов, как наличие размытых границ, небольших окружностей, стертых углов и отдельных точек. Для сглаживания используется булева функция, вычисляемая в окрестности с центром в пикселе p. В процессе сглаживания, во-первых, заполняются небольшие (размером в один пиксел) пробелы на темных местах изображения;

во-вторых, ликвидируются незначительные дефекты в виде трещин на прямоугольных сегментах;

в-третьих, спрямляются небольшие выпуклости вдоль прямоугольных сегментов;

в-четвертых, удаляются изолированные одиночные значения;

в-пятых, восстанавливаются утраченные угловые точки. Используя табл. 7.2, два первых процесса сглаживания можно осуществлять с помощью булева выражения B1 = p + b · g · (d + e) + d · e · (b + g), Таблица 7. a d f b p g c e h (7.3) где точка и плюс обозначают соответственно логические операции И и ИЛИ.

Тогда, если B1 = 1, присваиваем пикселу p значение 1, в противном случае 0. Уравнение (7.3) применяется одновременно ко всем пикселам. Третий и четвертый результаты процесса сглаживания реализуются с помощью определения булева выражения B2 = p · [(a + b + c) · (e + g + h) + (b + c + e) · (d + f + g)]. (7.4) Восстановление точек верхних правых углов, нижних правых, верхних левых и нижних левых производится с помощью функций: B3 = p · (d · f · g) · (a + b + c + e + h) + p;

170 (7.5) B4 = p · (a · b · d) · (c + e + f + g + h) + p;

B5 = p · (e · g · h) · (a + b + c + d + f ) + p;

B6 = p · (b · c · e) · (a + d + f + g + h) + p.

(7.6) (7.7) (7.8) Видоизменение гистограмм. Гистограмма распределения яркостей изображения естественного происхождения, подвергнутого линейному квантованию, обычно имеет перекос в сторону малых уровней и яркость большинства элементов изображения ниже средней. На темных участках подобных изображений детали часто оказываются неразличимыми. Метод видоизменения гистограммы предусматривает преобразование яркостей исходного изображения с тем, чтобы гистограмма распределения яркостей обработанного изображения приняла желаемую форму. Процедуру видоизменения гистограммы можно рассматривать как монотонное поэлементное преобразование sk = T (rk ) входной интенсивности rk в выходную интенсивность sk. Сначала рассмотрим задачу получения гистограммы обработанного изображения с равномерным распределением. Для этого используется преобразование k sk = T (rk ) = j= nj = n k pr (rj ) j= (7.9) для 0 rk 1, k = 0, 1,..., L 1, где rk нормализованное значение интенсивности;

nk число появлений данной интенсивности на изображении;

n общее число пикселов на изображении;

pr (rk ) оценка вероятности интенсивности rk ;

L число дискретных уровней интенсивности. Если требуется получить изображение с заданной гистограммой (плотностью вероятностей pz (z)), то применяются следующие преобразования:

k sk = T (rk ) = j=0 i pr (rj );

G(zj ) = j= pz (zj );

(7.10) (7.11) zj = G1 (si ), где pr (rj ) вычисляется из исходного изображения, а гистограмма pr (rj ) задается независимо от опыта. Два требуемых для определения гистограммы преобразования можно объединить в одно: z = G1 (s) = G1 [T (r)], которое связывает интенсивности исходного изображения с интенсивностями выходного изображения. Пороговое разделение. Один из путей отделения объектов от фона с сильно отличающимися интенсивностями выбор порогового значения T, которое разделяет эти группы интенсивностей. Тогда любая точка (x, y), для которой f (x, y) > T, принадлежит объекту, а в противном случае фону. В общем случае порог T является функцией T = T [x, y, p(x, y), f (x, y)], где f (x, y) интенсивность точки (x, y);

p(x, y) некоторое частное свойство этой точки, например, средняя интенсивность окрестности с центром в точке (x, y). Пороговое изображение получается путем определения g(x, y) = 1, f (x, y) > T, 0, f (x, y) T.

Когда величина T зависит только от f (x, y), порог называется глобальным. Если величина T зависит как от f (x, y), так и от p(x, y), то порог называется локальным. Если к тому же величина T зависит от пространственных координат x и y, порог называется динамическим. Глобальный порог можно оценить по гистограмме изображения (рис. 7.3).

Рис. 7.3 Локальное улучшение качества. Приведенные методы преобразования гистограмм являются общими в смысле изменения интенсивности пикселов с помощью функции преобразования на всем поле изображения. Хотя методы дают общее улучшение качества, часто необходимо выделять детали на достаточно малых участках изображения. Решением данной проблемы является усовершенствование функций преобразования, основанных на распределении интенсивности или на других свойствах, в окрестности каждого пиксела заданного изображения. В частности, рассмотренные выше гистограммные методы легко трансформируются для локального улучшения качества. Трансформация заключается в определении окрестности размером n m и перемещении ее центра от пиксела к пикселу. В каждом положении вычисляется гистограмма точек в данной окружности и определяется функция преобразования гистограммы. Эта функция служит для отображения пиксела, расположенного в центре окрестности. Затем центр участка размерностью n m перемещается на соседний пиксел и процесс повторяется. Лабораторная работа 27. Улучшение цифровых изображений Цель работы. Преобразовать цифровые изображения на ПЭВМ для улучшения визуального восприятия. Порядок выполнения работы Использовать шесть цифровых изображений из лабораторной работы 25. Задание 1. Осуществить операции подавления шума изображений №1 и 4, используя линейный и медианный фильтры. Исследовать вопрос о влиянии выбора размера и формы масок на качество обработанного изображения. Сделать вывод о применимости фильтров для подавления гладких и импульсных шумов. Задание 2. Смоделировать K реализаций изображений №1 и 4 (K = 10, 50, 100). Получить усредненное изображение. Сделать вывод о применимости усреднения для подавления гладких и импульсных шумов. Задание 3. Преобразовать яркость изображений №1, 2, 4 с помощью процедуры видоизменения гистограмм (формула (7.9)). Преобразованное изображение должно иметь равномерное на интервале (0,1) распределение. Вывести на экран дисплея гистограммы исходных и преобразованных изображений. Задание 4. Преобразовать яркость изображений №1, 2, 4 с помощью процедуры видоизменения гистограмм (формулы (7.9) (7.11)). Преобразованное изображение должно иметь гистограмму, изображенную на рис. 7.4.

Рис. 7. Задание 5. Получить из изображений №1 бинарное изображение с помощью порогового разделения. В качестве порога использовать среднее значение яркости на всем изображении. Затем провести бинарное сглаживание по формулам (7.3) (7.8). Задание 6. Преобразовать яркость изображений №1, 2, 4 с помощью процедуры выравнивания гистограмм (см. задание 3) на локальных участках изображения. Сравнить полученное изображение с изображением из задания 3. Исследовать вопрос об оптимальном выборе размеров локальных областей. Вывести на экран дисплея гистограммы исходных и преобразованных изображений.

7.4. Выделение границ (кромок, краев) изображений Основным принципом большинства методов определения границ является вычисление частных производных. Поясним это положение с помощью рис. 7.5. Отметим, что участки кривой, соответствующей границе (переход от темной области к светлой), представляют собой наклонные, а не вертикальные линии, какие должны быть в случае изменения интенсивности. Это подтверждает тот факт, что кромки на цифровом изображении в результате дискретизации обычно слегка размыты. В указанной модели границы, с одной стороны, первая производная всех участков кривой с постоянной интенсивностью равна нулю и является постоянной величиной на участках изменения интенсивности. С другой стороны, вторая производная равна нулю на всех участках, кроме начальных и конечных точек изменения интенсивности. Поэтому величина первой производной может быть использована для обнаружения наличия границы, а знак второй производной для определения того, на темной (фон) или на светлой (объект) стороне границы располагается пиксел границы. Градиент изображения f (x, y) в точке (x, y) определяется как двухмерный вектор f Gx x = f. G[f (x, y)] = Gy y Модуль данного вектора задается соотношением G[f (x, y)] = [G2 x + G2 ]1/2 y = f x 2 2 1/ + f y, которое в дальнейшем будем называть градиентом. На практике, как правило, градиент аппроксимируется абсолютными значениями G[f (x, y)] |Gx | + |Gy |. = (7.12) Из уравнения (7.12) следует, что вычисление градиента основано на нахождении первых производных. Для цифрового изображения это достигается несколь Рис. 7. кими путями. Один из подходов состоит в аппроксимации производных с помощью конечных разностей: Gx = Gy = f = f (x, y) f (x 1, y);

x f = f (x, y) f (x, y 1). y (7.13) (7.14) Несколько более сложный способ включает пикселы в окрестности размерностью 3 3 с центром в точке (x, y): Gx = [f (x + 1, y 1) + 2f (x + 1, y) + f (x + 1, y + 1)] [f (x 1, y 1) + 2f (x 1, y) + f (x 1, y + 1)];

Gy = [f (x 1, y + 1) + 2f (x, y + 1) + f (x + 1, y + 1)] [f (x 1, y 1) + 2f (x, y 1) + f (x + 1, y 1)].

(7.15) (7.16) Вычисление по формулам (7.15), (7.16) делает градиент менее чувствительным к помехам. В соответствии с изложенным в § 7.3 значения Gx и Gy можно определить с помощью масок Hx и Hy : 1 2 1 1 0 1 0 0, Hy = 2 0 2. Hx = 0 1 2 1 1 0 Эти маски обычно называют операторами Собеля. Перемещая маски по изображению f (x, y), получают градиенты во всех его точках. Существует ряд способов формирования выходного изображения g(x, y), основанных на вычислении градиента. Простейшим способом является задание функции g в точке (x, y) значения, равного величине градиента входного изображения f в этой точке, т.е. g(x, y) = G[f (x, y)]. (7.17) применение следую(7.18) где T неотрицательная пороговая величина. Данными способами задаются разрывы в интенсивности представления образа объекта. В идеальном случае этими методами определяются пикселы, лежащие на границе между объектом и фоном. На практике данным рядом пикселов редко полностью характеризуется граница из-за шума, разрывов на границе вследствии неравномерной освещенности и т.д. Требуются алгоритмы построения границ объектов из соответствующих последовательностей пикселов. Локальный анализ. Все точки, являющиеся подобными в некоторой окрестности, соединяются, образуя границу из пикселов, обладающих рядом общих свойств. Для определения подобных точек необходимо найти градиент и направление градиента. Пиксел контура (x, y ) подобен по величине градиента в определенной ранее окрестности (x, y) пикселу с координатами (x, y), если справедливо неравенство |G[f (x, y)] G[f (x, y )]| T, где T пороговое значение. Направление градиента устанавливается по углу вектора градиента = arctg 176 Gy. Gx (7.20) (7.19) Другой способ получения дискретного изображения щих соотношений: 1, G[f (x, y)] > T, g(x, y) = 0, G[f (x, y)] T, Угол пиксела контура с координатами (x, y ) в некоторой окрестности (x, y) подобен углу пиксела с координатами (x, y) при выполнении неравенства | | < A, (7.21) где A пороговое значение угла. На основе этих определений подобия соединим точку (x, y ) в некоторой окрестности пиксела с точкой (x, y), если выполняются соотношения (7.19), (7.21). Данный процесс применяется для каждой точки. Глобальный анализ. Исследуем метод соединения граничных точек путем определения их расположения на кривой специального вида. Первоначально найдем подпоследовательность точек изображений, лежащих на прямых линиях. Существует бесконечное число линий, проходящих через точку (xi, yi ), но все они удовлетворяют уравнению yi = axi + b при различных значениях a и b. Однако если записать это уравнение в виде b = xi a + yi и рассмотреть плоскость ab, то получается уравнение одной линии для фиксированной пары чисел (xi, yi ). Точка (xj, yj ) также имеет в пространстве параметров связанную с ней линию, которая пересекает другую линию, связанную с точкой (xi, yi ) в точке (a, b ), где значения a, b параметры линии, на которой расположены точки (xi, yi ), (xj, yj ) в плоскости xy. Фактически все точки, расположенные на этой линии, в пространстве параметров будут иметь линии пересечения в точке (a, b ) (рис. 7.6). Процедура определения точек, лежащих на прямых линиях, состоит в следующем. Находятся допустимые величины параметров линий (amin, amax ), (bmin, bmax ) и k значений параметров в допустимых областях: amin, bmin, где h1 = amin + h1, bmin + h2, amin + 2h1, bmin + 2h2,...,..., amax, bmax, Тогда для каждой точки (xi, yi ) в плоскости образа полагаем параметр a равным каждому из допустимых значений на оси a и вычисляем соответствующее значение b, используя уравнение b = xi a + yi. Полученное значение b затем округляется до ближайшего допустимого значения на оси b. Если выбор ap приводит к вычислению bq, то cpq = cpq + 1 (начальные значения матрицы C нулевые). После завершения процедуры имеем cpq координат точек, лежащих на линии y = ap x + bq. Если линия принимает вертикальное положение, то параметры a и b стремятся к бесконечности. Для устранения этой трудности применяется нормальное bmax bmin amax amin, h2 = ;

k k c11 C =... ck матрица собирающих элементов... c1k.......... ckk Рис. 7. Рис. 7.7 представление линии в виде xcos + ysin =. (7.22) Смысл параметров поясняет рис. 7.7, на котором вместо параметров a и b используются параметры и. Процедура выполняется по аналогии с выше изложенной. Данная процедура применима к любой функции вида g(x, c) = 0, где x вектор координат;

c вектор коэффициентов. Например, геометрическое место точек, лежащих на окружности (x c1 )2 + (y c2 )2 = c2, 3 (7.23) может быть определено с помощью подхода, изложенного выше. Основное отличие заключается в том, что имеются три параметра c1, c2, c3. Лабораторная работа 28. Выделение границ на изображении Цель работы. Освоить методы выделения границ на идеальных и зашумленных изображениях, провести сравнительный анализ алгоритмов. Порядок выполнения работы Использовать шесть цифровых изображений из лабораторной работы 25. Задание 1. Определить границы на идеальных (незашумленных) изображениях многоугольника, эллипса и сложного объекта и на зашумленных изображениях этих же объектов (изображения №1 3) с помощью алгоритмов (7.17), (7.18). Вычисление градиентов произвести по формуле (7.12), а производных по формулам (7.13) (7.16). Задание 2. Определить границы на изображениях из задания 1 с помощью алгоритма (7.19) (7.21). Для вычисления градиента использовать формулы (7.12), (7.15), (7.16). Исследовать качество алгоритма в зависимости от выбора параметров T, A и уровня шума. Задание 3. Выделить границы на зашумленном изображении светлого квадрата на темном фоне, используя глобальный анализ при условии, что уравнения прямой задаются соотношением (7.22). Вывести на экран дисплея график преобразования Хоуга (график зависимости от ). Исследовать качество алгоритма в зависимости от числа уровней квантования параметров и. Задание 4. Определить границы на зашумленном изображении светлого круга на темном фоне, используя глобальный анализ. Для представления окружности применить уравнение (7.23). Исследовать качества алгоритма в зависимости от числа уровней квантования параметров c1, c2, c3 и уровня шума.

7.5. Сегментация изображений Сегментацией называется процесс подразделения изображения на составляющие части или объекты. Алгоритмы сегментации, как правило, основываются на двух принципах разрывности и подобии. В первом случае методы сегментации базируются на определении контуров, а во втором на определении порогового уровня и устранении шумовых искажений. Определение порогового уровня. Рассмотрим гистограмму изображения, состоящую из суммы значений функции плотности вероятности. В случае бимодальной гистограммы аппроксимирующая ее функция задается уравнением p(z) = P1 p1 (z) + P2 p2 (z), где интенсивность z случайная величина;

P1 и P2 априорные вероятности появления двух видов уравнения интенсивности на изображении (светлого и темного);

p1 (z) и p2 (z) плотности вероятностей. Для определения оптимального значения порога по интенсивности используется то значение z = T, при котором P1 p1 (T ) = P2 p2 (T ). Если в качестве распределения p1 (z), p2 (z) применяются гауссовские с математическими ожиданиями µ1, µ2 и 2 2 дисперсиями 1, 2 соответственно, то оптимальный порог T находится из уравнения AT 2 + BT + C = 0, (7.24) где B= 2 2 A = 1 2 ;

2 2(µ1 (7.25) (7.26) 2 P1. (7.27) 1 P2 Определение оптимального порога можно осуществить аналогичным образом в некоторых локальных подобластях всего изображения. В этом случае для каждой подобласти будет свой оптимальный порог. Если изображение имеет многомодальную гистограмму, представляемую в виде суммы n функций плотности вероятности p(z) = P1 p(z) +... + Pn pn (z), то задача оптимизации порогового уровня сводится к определению принадлежности данного пиксела к одному из n классов. Данный пиксел интенсивности z принадлежит k-му классу, если Pk pk (z) > Pj pj (z), j = 1,..., n;

j = k. Оптимальный порог Tkj определяется из уравнения Pk pk (Tkj ) = Pj pj (Tkj ). Возможность выбора “хорошего” порогового уровня существенно увеличивается, если пики гистограмм являются высокими, узкими, симметричными и разделены глубокими провалами. Одним из подходов к улучшению вида гистограмм может быть рассмотрение только тех пикселов, которые лежат на границе (или около нее) между объектами и фоном. Для этого можно использовать гра2f 2f диент (7.12) и лапласиан L[f (x, y)] = +. Для дискретных изображений x2 y 2 оператор Лапласа определяется следующим образом:

2 2 22 C = 1 µ2 2 µ2 + 21 2 ln 2 2 µ2 1 );

L[f (x, y)] = [f (x + 1, y) + f (x 1, y) + f (x, y + 1) + f (x, y 1)] 4f (x, y). Эти два оператора можно использовать для формирования трехуровневого образа 0, G[f (x, y)] < T, s(x, y) = +, G[f (x, y)] T, L[f (x, y)] 0,, G[f (x, y)] T, L[f (x, y)] < 0, где символы 0, “+”, “” представляют три различных уровня освещенности, а T пороговый уровень. Предположим, что темный объект располагается на светлом фоне, тогда применение данного преобразования дает образ S(x, y), в котором все пикселы, не лежащие на контуре, помечены 0, все пикселы на темной стороне контура помечены “+”, на светлой “”. Таким образом, гистограмма строится по значениям пикселов, помеченных “+” и “”. Данная процедура может применяться для создания сегментированного, бинарного образа, в котором 1 соответствует искомым объектам, а 0 фону. Областно-ориентированная сегментация. Пусть R область изображения. Рассмотрим сегментацию как процесс разбиения R на n подобластей R1, R2,..., Rn, так, что выполняются следующие условия:

n 1) i=1 Ri Ri = R;

2) связная область, i = 1, 2,..., n;

3) Ri Rj = для всех i и j, i = j;

4) P (Ri ) есть истина для i = 1, 2,..., n;

5) P (Ri Rj ) есть ложь для i = j, где P (Ri ) логический предикат, определенный на точках из множества Ri ;

пустое множество. Четвертое условие определяет свойства, которым должны удовлетворять пикселы в сегментированной области. Например, P (Ri ) =ИСТИНА, если все пикселы в Ri имеют одинаковую интенсивность. Рассмотрим два алгоритма областно-ориентированной сегментации: расширение области за счет объединения пикселов;

разбиение и объединение области. Алгоритм 1. Расширение области сводится к процедуре группирования пикселов или подобластей в большие объединения. Простейшей из них является агрегирование пикселов. Процесс начинается с выбора множества узловых точек, с которых происходит расширение области в результате присоединения к узловым точкам соседних пикселов с похожими характеристиками (интенсивность, цвет). При использовании данного алгоритма сталкиваемся с двумя проблемами: выбором начальных узлов и определением подходящих свойств для включения точек в различные области в процессе расширения. Выбор множества, состоящего из одной или нескольких начальных точек, следует из постановки задачи. Например, выбор наиболее ярких пикселов является естественным начальным шагом в алгоритме процесса расширения области. Алгоритм 2. Процедура расширения области имеет в качестве начальных условий множество узловых точек. Однако можно сначала разбить образ на ряд произвольных непересекающихся областей и затем объединять и (или) разбивать эти области с целью удовлетворения условий, сформулированных в начале данной главы. Итеративный алгоритм может быть изложен следующим образом. Пусть R является полной областью образа, на которой определен предикат P. Один из способов состоит в успешном разбиении площади образа на все меньшие квадратные области, так, что для каждой области Ri, P (Ri ) =ИСТИНА. Процедура начинается с рассмотрения всей области R. Если P (R) =ЛОЖЬ, область разбивается на квадранты. Если для какого-либо квадранта P принимает значение ЛОЖЬ, этот квадрант разбивается на подквадранты и т.д. После операции разбиения производится операция объединения областей, имеющих одинаковые свойства по предикату P. Таким образом, процедура разбиения и объединения имеет следующий вид: 1) разбиение области Ri, для которой P (Ri ) =ЛОЖЬ, на четыре непересекающихся квадранта;

2) объединение соседних областей Rj и Rk, для которых P (Ri Rk ) =ИСТИНА;

3) выход на останов, когда дальнейшее объединение или разбиение невозможно. Лабораторная работа 29. Сегментация изображений Цель работы. Выделить объекты на изображении, используя алгоритмы сегментации, провести сравнительный анализ алгоритмов. Порядок выполнения работы Использовать все шесть цифровых изображений из лабораторной работы 25. Задание 1. Отделить объект от фона на изображениях №1, 2, используя для этого пороговое решающее правило. В качестве порога T выбрать порог, вычисленный по уравнению (7.24). Предполагается, что изображения искажены гауссовским шумом с нулевым средним и дисперсией 2 = 0,25. Поэтому 2 2 в формулах (7.25) (7.27) следует положить µ1 = 0, µ2 = 1, 1 = 2 = 0,25, P1 = P2 = 0,5. Задание 2. Отделить объект от фона на изображениях №1, 2, используя пороговое решающее правило. Порог находится по гистограмме (значение T, разделяющее пики гистограмм), которая строиться по пикселам, расположенным на границе между объектом и фоном (пикселы, принимающие значения “+” или “” на трехуровневом образе s(x, y)). Задание 3. Произвести сегментацию изображений №1, 2 с помощью алгоритма разбиения и объединения области. Присвоить значению предиката P (Ri ) =ИСТИНА, если средний уровень яркости в этой области больше порога T. В качестве порога T использовать порог из задания 2.

7.6. Специальные модели изображений Пространственную статистическую зависимость между пикселами в двухмерном множестве соседей можно задать моделями случайного поля (МСП). Эти модели подразделяются на глобальные по признаку соответствия множества соседей, используемого в модели, целому изображению и на локальные по признаку соответствия его ограниченной (локальной) части. Локальные МСП характеризуют статистическую зависимость интенсивности изображения в точке (m, n) от значений интенсивности в соседних точках, представляя интенсивность x(m, n) как линейную комбинацию значений {x(m + k, n + l), (k, l) S} и аддитивного шума, где S множество соседей, не включающее точку (m, n). Два неэквивалентных способа взаимодействия между отсчетами изображения приводят к двум классам локальных МСП: одновременных и условных АР моделей. Одновременная АР модель является фундаментальной моделью класса локальных МСП. Если стационарное изображение {x(m, n), (m, n) } определено на бесконечной решетке = {(m, n), m, n }, то его одновременное АР (ОАР) представление имеет вид x(m, n) = (k,l)S akl x(m + k, n + l) + (m, n), (7.28) где (m, n) двухмерная последовательность независимых и одинаково распределенных значений шума с нулевым средним и дисперсией 2 ;

A = {ak,l ;

(k, l) S} вектор неизвестных коэффициентов модели. Множество соседей S должно быть симметричным. При выборке модели из класса локальных МСП, соответствующей некоторому конечному изображению, появляются две основные группы задач. Первая из них связана с оценкой параметров модели при заданном множестве соседей, а вторая с определением типа модели, наилучшим способом согласующейся с реальным изображением. Реальное изображение можно рассматривать как конечный блок бесконечного изображения, заданного на бесконечной решетке. Параметры ОАР модели на бесконечной решетке могут быть найдены с помощью МНК: 1 A= (m,n) Y (m, n)Y (m, n) 1 M (m,n) Y (m, n)x(m, n);

(7.29) (m,n) 2 = [x(m, n) A Y (m, n)]2, (7.30) Y (m, n) = col [x(m + k, n + l);

(k, l) S], операция col (·) операция развертки двухмерного множества (матрицы) в вектор-столбец;

M размер квадрата изображения, заданного на решетке. Оценки, полученные с помощью МНК, в общем случае являются асимптотически состоятельными и несмещенными для ОАР модели только с односторонним множеством соседей S. Разрешение проблемы сложности при рассмотрении вопроса оценки параметров ОАР моделей осуществляется переходом к подклассу моделей на конечных решетках. Для таких моделей конечная решетка k делится на два подмножества: внутреннее I и внешнее B, так, что B = {(m, n) | (m, n) k, (m + k, n + l) k для (k, l) S}, I = k B. Тогда для конечного изображения {x(m, n), (m, n) k } вводится тороидальная ОАР модель: x(m, n) = (k,l)S ak,l x(m + k, n + l) + (m, n), (m, n) I ;

(m, n) B, (7.31) x(m, n) = (k,l)S ak,l x1 (m + k, n + l) + (m, n), (7.32) где x1 (m + k, n + l) = x(m + k, n + l), если (m + k, n + l) k, x[(k m 1), (l n 1)], если (m + k, n + l) k ;

знак означает суммирование по модулю M + 1. Для гауссовского распределения отсчетов изображения оценки параметров ОАР модели на конечной решетке определяются с помощью итерационной процедуры метода максимального правдоподобия: At+1 = t = где T= (m,n)k R 1 T t V 1 U t, t = 0, 1, 2,... ;

t = 0, 1, 2,..., (7.33) (7.34) 1 M (m,n)k [x(m, n) A Y (m, n)]2, Y (m, n)Y (m, n);

Y (m, n)x(m, n);

(m,n)k (Smn Smn Cmn Cmn );

U= R= (m,n)k V= (m,n)k Cmn ;

Cmn = col Smn = col cos sin 2 [(m 1)k + (n 1)l], M 2 [(m 1)k + (n 1)l], M (k, l) S ;

(k, l) S.

Начальное значение A0 выбирается равным T 1 U, суммирование проводится по всем (m, n) k. Оценить коэффициенты ОАР модели можно также с использованием спектрального представления случайного поля X(1, 2 ) = 1 M x(m, n)ei(m1 + n2 ).

(m,n)k (7.35) Данный спектр определяется на области mj k = (1, 2 ) | j = 2, M 0 mj M, j = 1, 2.

Если k распространить на всю численную решетку, то спектральная плотность случайного поля задается соотношением g(1, 2 ) = M {X(1, 2 ) X(1, 2 )}, (7.36) где черта сверху символ комплексной сопряженности. Для спектральной плотности ОАР модели получаем формулу g1 (1, 2 ) = (k,l)S 2 ak,l ei(1 k + 2 l) 2.

(7.37) Спектральное представление распределено по нормальному закону в каждой точке (1, 2 ), имеет нулевое математическое ожидание, и для различных точек (1, 2 ) спектральные представления статистически независимы. При этом, как следует из (7.36), дисперсией такого спектрального представления является спектральная плотность g(1, 2 ). Таким образом, плотность вероятностей спектрального представления случайного поля имеет вид 2 p(X() | ) = (2)M / g() 1/ exp 1 |X()|2 /g(), где = (1, 2 ). Пусть z() = |X()|2, p(z | g1 ) = (2)M 2 / g1 () exp 1 (Z()/g1 ()).

(7.38) Функция Z() = Z(1, 2 ) может быть вычислена по реализации случайного поля с помощью формулы (7.35) для каждой пары (1, 2 ). Параметры ОАР модели могут быть оценены с помощью ММП: ak,l = arg max p(Z | g1 ), ak,l где p(Z | g1 ) определяются формулой (7.38). Введем для удобства функцию F (, A) соотношением g1 () = 2 /(1 F (, A)). Упорядочим элементы множества S, присвоив им номера S = {s(1), s(2),..., s(N ) }, s(j) = (k, l), и введем в рассмотрение векторы A = (as(1),..., as(N ) ), B() = (cos s(1),..., cos s(N ) ), C() = (sin s(1),..., sin s(N ) ), где s = 1 k + 2 l. Тогда функцию F (, A) можно записать в форме F (, A) = 2A B() A (B()B () + C()C ())A. Логарифм функции правдоподобия принимает вид ln p(Z | A) = = 1 M2 ln 2 2 2 M2 1 ln 2 2 2 (ln g() + Z()/g()) = [ln 2 ln (1 F (, A)) + Z() (1 F (, A))]. Таким образом, неизвестные параметры 2 и A спектральной плотности g() по ММП должны находиться как решение уравнения M 2 ln 2 + Z() (1 F (, A)) ln (1 F (, A)) min. 2 2, A (7.39) По переменной 2 функция, стоящая в левой части (7.39), является гладкой и выпуклой книзу, поэтому оценка 2 вычисляется следующим образом: 2 = 1 M2 Z()(1 F (, A)). (7.40) Учитывая (7.40) в (7.39), приходим к уравнению относительно вектора A M2 + ln 1 M Z()(1 F (, A)) ln (1 F (, A)) = Z()(1 F (, A)) =M + ln M 2 (1 F (, A)) min.

A (7.41) Функция в левой части (7.41) является в общем случае многоэкстремальной, и поэтому при ее минимизации необходимо использовать глобальный алгоритм. Однако в качестве приближенного способа минимизации можно применять и локальные алгоритмы. Экстремальные значения параметров A находятся из уравнения 1 1 F (, A) F (, A) = 0. A Z()(1 F (, A)) M 2 Z() (7.42) Обозначим B()B () + C()C () = H(), тогда (7.42) записывается в виде 1 1 F (, A) M 2 Z() Z()(1 F (, A)) |B() + H()A| = 0.

(7.43) Приведем простую итерационную процедуру поиска параметра A. Пусть A(k) оценка параметра A на k-м шаге, тогда A(k + 1) = B() + M 2 Z() Z()(1 F (, A(k))) где в качестве A(0) берется любая точка, обеспечивающая стационарность ОАР |ak,l (0)| < 1. модели, т.е. выполнение неравенства (k,l)S F (, A(k)) (B() + H()A(k)), 1 F (, A(k)) k = 0, 1,..., При использовании подкласса условных АР моделей предполагается, что порождающий их шум является коррелированным. Условно-марковская модель (УМ) является одной из моделей данного подкласса. Изображение, удовлетворяющее УМ на бесконечной решетке, задается уравнением x(m, n) = (k,l)S ak,l x(m + k, n + l) + (m, n), (7.44) где множество соседей симметрично, т.е. ak,l = ak,l, (k, l) S;

(m, n) стационарная гауссовская шумовая последовательность, удовлетворяющая условиям M{(m, n)} = 0, (m, n) = (k, l),, M{(m, n), (k, l)} = amk,nl, (m k, n l) S, 0, в остальных случаях.

При задании УМ на конечной решетке используется, как для ОАР модели, тороидальное представление решетки. Для обеспечения стационарности модели должно выполняться условие 1 2A mn > 0, (m, n) k, где A = = col [ak,l, (k, l) S1 ];

mn = col {cos 2 [(m 1)k + (n 1)l], (k, l) S1 };

мноM жество S1 является такой половиной множества соседей S, что S = S1 S1, 1 =, S1 = {(k, l) | (k, l) S1 }. S1 S Оценка параметров УМ находится следующим образом: 1 Ac = где Q(m, n) = col [x(m + k, n + l) + x(m k, n l), (k, l) S1 ];

0 подмножество множества k. Данная оценка не является единственной, поскольку суммирование по другому подмножеству 1 = k 0 дает другую оценку, которая может отличаться от Ac. МНК-оценка AМНК модели (7.6) аналогична оценке (7.45), но суммирование производится по множеству I. Q(m, n)Q (m, n) Q(m, n)x(m, n), (7.45) Решение задачи выбора множества соседей для локальных МСП базируется на критерии Байеса. Использование байесовского подхода приводит к следующему решению. Выбирается множество соседей Sr, если r = arg min{Jr }, где Jr = (m,n) (7.46) r r ln [1 2A Cmn (r) + A Qmn (r)Ar + (7.47) + M 2 ln r + mr ln (M 2 ) ;

Q(m, n) = Smn (r)Smn (r) + Cmn (r)Cmn (r), Cm,n (r) = col Sm,n (r) = col mr cos sin 2 [(m 1)k + (n 1)l], (k, l) Sr, M 2 [(m 1)k + (n 1)l], (k, l) Sr, M количество точек на множестве соседей Sr. Для УМ решающее правило выбора множества соседей также имеет вид (7.46), где Jr = r ln [1 2A mn (r)] + M 2 ln r + mr ln (M 2 );

cos 2 [(m 1)k + (n 1)l], (k, l) S1r, M (7.48) (m,n) m,n (r) = col S1r такая половина множества соседей Sr, что Sr = S1r S1r, S1r S1r =, S1r = {(k, l) | (k, l) S1r }. Выбор модели из класса локальных МСП, наилучшим образом соответствующих данному изображению, проводится на основе рассмотренных выше критериев при условии, что множество соседей фиксировано. Процедура выбора модели состоит в вычислении конкретного значения Jr для различных моделей, описывающих данное локальное изображение, и принятии той из них, которой соответствует наименьшее значение Jr. Лабораторная работа 30. Оценивание параметров МСП, порождаемых уравнениями АР Цель работы. Смоделировать изображения, удовлетворяющие уравнениям АР, оценить параметры авторегрессионного уравнения. Порядок выполнения работы Получить модель изображения №1, имеющего ОАР представление (7.28). Множество S = {(1, 0), (0, 1), (1, 0), (0, 1)}. Числовые значения для коэффициентов akl могут быть взяты следующими: 1) a10 = 0,12, a10 = 0,12, a01 = 0,14, a0 1 = 0,14;

2) a10 = 0,24, a10 = 0,24, a01 = 0,1, a0 1 = 0,1, где (m, n) множество независимых гауссовских случайных величин с нулевым средним и дисперсией 2. Дисперсия может принимать значения 2 = 0,5;

1,0. Значения для множества узлов решетки (m, n) I находятся по формуле xt (m, n) = (k,l)S akl xt1 (m + k, n + l) + t (m, n), x0 (m, n) = 0 (m, n), (m, n).

t = 1,..., tk, Параметр tk может принимать значения tk = 5;

10. Изображение xtk (m, n), где (m, n) I искомое изображение. Получить модель изображения №2, имеющего ОАР представление (7.31), (7.32). Параметры akl, S, 2 аналогичны параметрам модели №1. Алгоритм получения модели №2 Ш а г 1. Смоделировать поле независимых гауссовских случайных величин (m, n), (m, n) с нулевым средним и дисперсией 2. Ш а г 2. Произвести БПФ поля (m, n), которое заключается в последовательном применении одномерного БПФ для строк и столбцов (или наоборот) исходного поля. Ш а г 3. Разделить каждый элемент преобразованного изображения (m, n) на (m, n): (m, n) = (m, n)/(m, n), (m, n) = 1 2A mn.

Ш а г 4. Произвести обратное БПФ для изображения (m, n), (m, n). Получить модель изображения №3, имеющего условно-марковское представление (7.44) на тороидальной решетке. Алгоритм аналогичен алгоритму №2, только в качестве значения (m, n) принимается (m, n) = ((m, n))1/2. Задание 1. Оценить множество соседей S для моделей №1 3. Для нахождения множества S моделей №1, 2 использовать (7.46), (7.47), а для модели №3 (7.46), (7.48). Искать множество S среди множеств S1,..., S4, где S1 = {(1, 0), (1, 0), (0, 1), (0, 1)};

S2 = {(2, 0), (1, 0), (1, 0), (0, 2), (0, 1), (0, 1), (0, 2)};

S3 = {(1, 0), (1, 1), (1, 0), (1, 1), (0, 1), (0, 1), (1, 1), (1, 1)} = N8 (p);

S4 = {(1, 1), (1, 1), (1, 1), (1, 1)} = ND (p). Задание 2. Оценить параметры изображения из модели №1 по формулам по формулам (7.33), (7.34), из модели №3 по (7.29), (7.30), из модели №2 формулам (7.30), (7.45). Сравнить качество получаемых оценок и сделать выводы о применимости алгоритмов для оценивания параметров. ЛИТЕРАТУРА 1. Алберт А. Регрессия, псевдоинверсия и рекуррентное оценивание. М.: Наука, 1977. 2. Алгоритмы и программы восстановления зависимостей / Под ред. В.Н.Вапника. М.: Наука, 1984. 3. Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976. 4. Белокуров А.А., Сечко В.В. Стохастические модели в задачах анализа и обработки изображений // Зарубежная радиоэлектроника. 1985. №5. С. 3–18. 5. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, 1974. Вып. 1;

Вып. 2. 6. Большев Л.Н., Смирнов Н.В. Таблицы математической статистики. М.: Наука, 1983. 7. Бриллинджер Д. Временные ряды. Обработка данных и теория. М.: Мир, 1980. 8. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. М.: Наука, 1979. 9. Кендалл М.Дж., Стьюарт А. Многомерный статистический анализ и временные ряды. М.: Наука, 1976. 10. Кендалл М.Дж., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973. 11. Конев В.В. Последовательные оценки параметров стохастических динамических систем. Томск: Изд-во Томского ун-та, 1985. 12. Крамер Г., Лидбеттер М. Стационарные случайные процессы. М.: Мир, 1969. 13. Лэйримор У.Э. Статистические выводы в стационарных случайных полях // ТИИЭР. 1977. Т. 65. №6. С. 176–189. 14. Медведев Г.А. Простой алгоритм восстановления неизвестной функции // Изв. АН СССР. Техническая кибернетика. 1974. №3. С. 156–161. 15. Мюллер П., Нойман П., Шторм Р. Таблицы по математической статистике. М.: Финансы и статистика, 1982. 16. Никифоров И.В. Последовательное обнаружение изменения свойств временных рядов. М.: Наука, 1983. 17. Обнаружение изменения свойств сигналов и динамических систем / Под ред. М.Бассвиль, А.Банвениста. М.: Мир, 1989. 18. Прэтт У. Цифровая обработка изображений. М.: Мир, 1982. 19. Смоляк С.А., Титаренко Б.П. Устойчивые методы оценивания. М.: Статистика, 1980. 20. Справочник по прикладной статистике / Под ред. Э.Ллойд, У.Ледерман. М.: Финансы и статистика, 1990. 21. Фомин В.Н. Рекуррентное оценивание и адаптивная фильтрация. М.: Наука, 1984. 22. Фу К., Гонсалес Р., Ли К. Робототехника. М.: Мир, 1989. 23. Хеннан Э. Многомерные временные ряды. М.: Мир, 1974. 24. Химмельблау Д. Прикладное нелинейное программирование. М.: Мир, 1975. 25. Хогг Р.В. Введение в помехоустойчивое оценивание // Устойчивые статистические методы оценки данных. М.: Машиностроение, 1984. С. 1–18. 26. Хорп Р., Джонсон Ч. Матричный анализ. М.: Мир, 1989. 27. Хьюбер П. Робастность в статистике. М.: Мир, 1984. 28. Энджел Й. Практическое введение в машинную графику. М.: Радио и связь, 1984.

Оглавление ОСНОВНЫЕ ОБОЗНАЧЕНИЯ................. 3 4 5 6 6 8 9 11 15 18 18 24 26 31 33 40 41 46 48 54 55 59 61 61 ОСНОВНЫЕ СОКРАЩЕНИЯ.................. ПРЕДИСЛОВИЕ....................................... про...

1 СТАЦИОНАРНЫЕ СЛУЧАЙНЫЕ ПРОЦЕССЫ И ВРЕМЕННЫЕ РЯДЫ.................. 1.1. Основные понятия и числовые характеристики........ 1.2. Стационарность и эргодичность................. 1.3. Спектральные свойства...................... 1.4. Статистические критерии.................... Лабораторная работа 1. Исследование стационарного случайного цесса.................................

2 ОЦЕНИВАНИЕ ФУНКЦИИ РЕГРЕССИИ. ВЫДЕЛЕНИЕ ТРЕНДОВ........................... 2.1. Оценивание полиномиального тренда методом наименьших квадратов......................... Лабораторная работа 2. Выделение полиномиального тренда...... 2.2. Оценивание функции регрессии. Общий случай........... Лабораторная работа 3. Изучение функций регрессии.......... 2.3. Оценивание функции регрессии. Рекуррентные методы.......................... Лабораторная работа 4. Рекуррентные методы оценивания функции регрессии.................................. 2.4. Метод максимального правдоподобия. М-оценки.......... Лабораторная работа 5. Оценивание функции регрессии. Метод максимального правдоподобия........................ 2.5. Устойчивые процедуры оценивания параметров регрессии.... Лабораторная работа 6. Устойчивые методы оценивания параметров регрессии................................. 2.6. Аппроксимация функции регрессии сплайнами........... Лабораторная работа 7. Приближение функции регрессии сплайнами. 3 СТАЦИОНАРНЫЕ ПРОЦЕССЫ АВТОРЕГРЕССИИ СКОЛЬЗЯЩЕГО СРЕДНЕГО................ 3.1. Основные понятия............................ Лабораторная работа 8. Вычисление ковариационных и частных ковариационных функций.......................... 3.2. Оценивание параметров процесса авторегрессии и процессов скользящего среднего................... Лабораторная работа 9. Исследование методов оценивания процессов АР (p) и СС (q)............................. 3.3. Оценивание параметров процесса АРСС............... Лабораторная работа 10. Оценивание параметров процесса АРСС (p, q) 3.4. Обнаружение разладки процессов АРСС............... Лабораторная работа 11. Обнаружение разладки процессов АР (p).. 4 ПРОГНОЗИРОВАНИЕ ВРЕМЕННЫХ РЯДОВ....... 4.1. Прогнозирование тренда........................ Лабораторная работа 12. Прогнозирование нормально распределенных временных рядов............................ Лабораторная работа 13. Прогнозирование значений тренда...... 4.2. Предсказание ССП........................... Лабораторная работа 14. Предсказание стационарных временных рядов 4.3. Построение моделей на основе предсказания............ Лабораторная работа 15. Определение параметров моделей АРСС (p,q) на основе предсказания......................... Лабораторная работа 16. Исследование остаточных разностей в процессе построения моделей временного ряда............... 4.4. Прогнозирование нестационарных случайных процессов, построенных на основе АРСС...................... Лабораторная работа 17. Прогнозирование процессов, порождаемых моделью ПАРСС (p, d, q)........................ Лабораторная работа 18. Исследование процессов, порождаемых моделью СПАРСС (p, d, q) (P, D, Q)s................... 4.5. Калмановская фильтрация и прогнозирование........... Лабораторная работа 19. Калмановская фильтрация и прогнозирование 5 СПЕКТРАЛЬНЫЙ АНАЛИЗ ВРЕМЕННЫХ РЯДОВ... 5.1. Спектральные представления СП и оценивание спектральных плотностей................................ Лабораторная работа 20. Оценивание спектральной плотности временного ряда................................. 5.2. Выделение скрытых периодичностей................. Лабораторная работа 21. Выявление скрытых периодичностей.....

66 72 73 82 82 89 90 90 93 94 94 100 101 107 108 108 116 117 118 122 123 123 135 135 6 МНОГОМЕРНЫЕ ВРЕМЕННЫЕ РЯДЫ.......... 140 6.1. Оценивание числовых характеристик многомерных числовых рядов..................... 140 Лабораторная работа 22. Оценивание числовых характеристик многомерных временных рядов........................ 6.2. Прогнозирование многомерных временных рядов и оценка их параметров на основе предсказания................... Лабораторная работа 23. Прогнозирование многомерных временных рядов................................... 6.3. Взаимные спектры и их оценивание................. Лабораторная работа 24. Оценивание взаимных спектров и коэффициентов когерентности........................... 7 ОБРАБОТКА ИЗОБРАЖЕНИЙ............... 7.1. Основные понятия............................ Лабораторная работа 25. Моделирование цифровых изображений... 7.2. Геометрия изображений........................ Лабораторная работа 26. Геометрические преобразования изображений 7.3. Улучшение изображений........................ Лабораторная работа 27. Улучшение цифровых изображений..... 7.4. Выделение границ (кромок, краев) изображений.......... Лабораторная работа 28. Выделение границ на изображении...... 7.5. Сегментация изображений....................... Лабораторная работа 29. Сегментация изображений........... 7.6. Специальные модели изображений.................. Лабораторная работа 30. Оценивание параметров МСП, порождаемых уравнениями АР............................. ЛИТЕРАТУРА...........................

Pages:     | 1 | 2 ||



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.