Практическая работа №22 Обрезка дополнительных цветов и цветовых диапазонов

Задание. Порядок выполнения работы
1. Сформировать в среде MathCad тестовое черно-белое изображение.
2. Выполнить аддитивное зашумление каждого элемента изображения с применением 3 видов шума из 6 перечисленных в теоретической части данной работы.
3. Выполнить оценку качества полученных зашумленных изображений с применением критериев, описанных формулами (15) – (27).
4. Провести сравнительный анализ полученных оценок качества зашумленных изображений для каждого из примененных к исходному изображению видов шума.
5. Сделать выводы по влиянию различных видов шума на качество изображения.

Практическая работа №27
Характеристика изображения на основе метода главных компонентов алгоритм разделения символов
Как было сказано в п.7.1., решение задачи методом главных компонент сводится к поэтапному преобразованию матрицы исходных данных X( см. рисунок 7.1.1, а),б), в)).
Пусть X– матрица исходных данных размерностьюn*m(n– число объектов наблюдения, m– число элементарных аналитических признаков);
Z– матрица центрированных и нормированных значений признаков, Элементы матрицы вычисляют по формуле:
; (7.2.1)
R– матрица парных корреляций:
R = (1/n)*Z’*Z. (7.2.2.)

Рис. 7.2.1 Схема математических преобразований
Если предварительная стандартизация данных не проводилась, то на данном шаге получают матрицу
S = (1/n)*X’*X, (7.2.3)
При этом элементы матрицы Xдля расчета будут центрированными величинами.
Опишем дальнейшие шаги вычислений для метода главных компонент и математический смысл полученных результатов.
Обозначим через Λдиагональную матрицу собственных (характеристических) чисел.
(7.2.4.)
Множество решений λ_jнайдем из характеристического уравнения (7.2.5)
|R - λE| =0, (7.2.5)
здесь Λ - характеристики вариации, или показатели дисперсии каждой главной компоненты.
Суммарное значение Σλ_jравно сумме дисперсий элементарных признаковX_j. При условии стандартизации исходных данных, эта сумма равна числу элементарных признаковm.
Решение характеристического уравнения относительно λ, когда число признаковmдостаточно велико и матрицаR большой размерности, вызывает трудности при расчете определителя|R|.Они успешно преодолеваются с применением различных методов матричной алгебры.
Наиболее эффективен и легко поддается алгоритмизации метод Фадеева, который базируется на рекуррентных соотношениях. Если А - некоторая симметрическая матрица размерностьюm x m, то её определитель находится по следу матриц, производных изА:
А ₁ = А | P₁=trA₁ | B₁=A₁- P₁E
A₂ = AB₁ | P₂=(1/)2trA₂ | B₂ =A₂-P₂E
……………… | ……………………... | ………………
| |
A_m-1=AB_m-1 | P_m-1= (1/(m-1)) trA_m-1 | B_m-1 = A_m-1 – P_m-1E
A_m = AB_m-1 | P_m = (1/m)trA_m | B_m = A_m- P_mE, B_m=0
На заключительном этапе расчетов Pmесть определитель матрицыA(Pm= |A|). Для проверки вычислений используется условие:B_m = 0.
После вычислений рекуррентных соотношений записывается характеристический многочлен:
P_m (λ)= λ^m – P1λ^m-1 – P2λ^m-2 - …-P_m (7.2.6)
Приравняем характеристический многочлен к нулю и найдем корни λ_j этого уравнения.
Обозначим через Vматрицу нормированных собственных векторов. Число векторовV_j первоначально равно m, т.е. j = 1, 2, 3, …, m.ПолучаютV_j преобразованием ненормированных собственных векторовU:
V_j =U_j/|U_j| , (7.2.7)
где |U_j| - норма вектора U , т.е.|U_j| = (u_1j²+u_2j²+…+u_mj²)^1/2
Необходимость повторного нормирования пространства обобщенных признаковR^F объясняется механическим появлением в ходе расчетов результатов, искажающих нормированное пространство. В свою очередь собственные векторыU_jнаходят из матричного уравнения:
(R- λE)U = 0 , (7.2.8.)
Реально это означает решение mсистем линейных уравнений для каждогоλ_jприj = 1..m. В общем виде система имеет вид:
(7.2.9)
Приведенная система объединяет однородные линейные уравнения, и так как число ее уравнений равно числу неизвестных, она имеет бесконечное множество решений. Конкретные значения собственных векторов при этом можно найти, задавая произвольно , по крайней мере, величину одной компоненты каждого вектора.
A– матрица факторного отображения, ее элементыa_rj– весовые коэффициенты. ВначалеAимеет размерностьm*m– по числу элементарных признаковX_j, затем в анализе остаетсяr наиболее значимых компонент,r ≤ m. Вычисляют матрицуAпо известным данным матрицы собственных чиселΛи нормированных собственных векторовVпо формуле
A = VΛ^1/2. (7.1.6)
F– матрица значений главных компонент размерностьюr*n,F = A^-1Z’ илиF=λ^-1A’Z’ илиF= Λ^-1/2 V’Z’.
Эта матрица в общем виде записывается:
(7.2.10)
Задание. Порядок выполнения работы
1. Сформировать в среде MathCad тестовое черно-белое изображение.
2. Выполнить аддитивное зашумление каждого элемента изображения с применением 3 видов шума из 6 перечисленных в теоретической части данной работы.
3. Выполнить оценку качества полученных зашумленных изображений с применением критериев, описанных формулами (15) – (27).
4. Провести сравнительный анализ полученных оценок качества зашумленных изображений для каждого из примененных к исходному изображению видов шума.
5. Сделать выводы по влиянию различных видов шума на качество изображения.