В настоящей статье описан разработанный для генерации изображений программный модуль. Данный модуль позволяет формировать различные случайные поля яркости и может быть использован для получения различных по своим статистическим свойствам изображений.
Ключевые слова: статистический анализ изображений, авторегрессионные модели, случайные поля, цифровая обработка изображений, JavaScript
Стоит отметить, что сегодня разработка программных продуктов становится неотъемлемой частью исследования во многих областях науки и техники. Проведение вычислительных экспериментов — отличный способ исследовать свойства реального сигнала или явления на основе его модели.
При этом в области обработки изображений особое внимание в последних работах уделялось дважды стохастическим моделям случайных полей [1–8]. Несомненно, они дают более адекватное описание реальных изображений в большинстве случаев, однако существует узкий класс задач, где авторегрессионные случайные поля [9, 10] также могут быть с успехом использованы. В связи с этим существует задача разработки программного пакета для имитации таких изображений.
В связи с этим на языке JavaScript был написан программный комплекс для моделирования авторегрессионных случайных полей яркости. Данный язык программирования является языком высокого уровня и позволяет создавать приложения под любые операционные системы. Следовательно, основным преимуществом разработанного программного продукта является его кросс-платформенность. Кроме того, программа может быть запущена и на мобильных устройствах.
Легко записать модель Хабиби:
.(1)
В модели (1) использованы следующие параметры:
− 
— коэффициент корреляции по строке;
− 
— коэффициент корреляции по столбцу;
−
— среднеквадратичное отклонение моделируемого поля;
− 
— нормальная случайная добавка.
В программном комплексе реализована процедура имитации такого изображения. На рис. 1 представлен вид при старте программы.
Рис. 1. Стартовое меню
Работа с программой подразумевает, что пользователь введет необходимые данные: дисперсию случайного поля, коэффициент корреляции по столбцу, коэффициент корреляции по строке, размеры изображения (рис. 1)
После того, как установлен набор входных данных, пользователь должен нажать на кнопку «Изображение». Нажатие на данную кнопку приводит к реализации модели. При этом полученное изображение с соответствующим эквалайзингом будет показано в левой части окна браузера.
Кнопка «Очистить» необходима для случая, когда пользователь вводит новые параметры, чтобы смоделировать новое изображение.
На рис. 2 показан пример имитации сильно коррелированного изображения.
Рис. 2. Имитация коррелированного изображения
На рис. 3 показана реализация слабо коррелированного изображения.
Рис. 3. Имитация изображения с корреляционными параметрами (0,05:0,05)
Таким образом, программный продукт позволяет моделировать авторегрессионные изображения. Во второй версии программы будет возможность реализации моделей с кратными корнями характеристических уравнений.
Литература:
- Васильев К. К., Дементьев В. Е., Андриянов Н. А. Оценивание параметров дважды стохастических случайных полей // Радиотехника. 2014. № 7. С. 103–106.
- Vasil'ev K. K., Dement'ev V. E., Andriyanov N. A. Doubly stochastic models of images // Pattern Recognition and Image Analysis (Advances in Mathematical Theory and Applications). 2015. Т. 25. № 1. P. 105–110.
- Васильев К. К., Дементьев В. Е., Андриянов Н. А. Анализ эффективности оценивания изменяющихся параметров дважды стохастической модели // Радиотехника. 2015. № 6. С. 12–15.
- Андриянов Н. А., Васильев К. К., Дементьев В. Е. Разработка программного комплекса для решения задач фильтрации случайных полей // Современные тенденции в науке, технике, образовании. Сборник научных трудов по материалам Международной научно-практической конференции: в 3-х частях. 2016. Ч. 1, С. 40–41.
- Васильев К. К., Дементьев В. Е., Андриянов Н. А. Исследование точности обнаружения и распознавания сигналов простейших геометрических форм на фоне дважды стохастической модели // Вопросы радиоэлектроники. Серия: Техника телевидения. 2015. № 6 (23). С. 67–71.
- Андриянов Н. А., Данилов А. Н. Сервис службы заказа такси с прогнозированием статистики на основе комплексных математических моделей // Успехи современной науки. 2016. Т. 2. № 10. — С. 114–116.
- Андриянов Н. А. Дискретные дважды стохастические авторегрессионные модели случайных полей // Современные проблемы проектирования, производства и эксплуатации радиотехнических систем. 2014. № 1 (9). С. 69–72.
- Андриянов Н. А., Кутузов В. И. Применение алгоритма обнаружения одномерных протяженных аномалий к смешанным моделям случайных полей // Современные проблемы проектирования, производства и эксплуатации радиотехнических систем. 2016. № 1 (10). С. 123–127.
- Васильев К. К., Павлыгин Э. Д., Гуторов А. С. Многомодельные алгоритмы обработки данных системы мобильных РЛС // Автоматизация процессов управления. 2014. № 4 (38). С. 4–13.
- Васильев К. К., Балабанов В. В. Обнаружение точечных сигналов на фоне мешающих изображений. // Радиотехника, 1991, N 10, с. 86–89.
