Байесовский анализ влияния экспериментальных шумов на адаптацию компьютерных оптоэлектронных приборов автоматизации спектрозональных физических исследований тема автореферата и диссертации по физике, 01.04.01 ВАК РФ

Введение.

Глава 1. Анализ методов обработки изображений в компьютерных оптоэлектронных приборах автоматизации физических исследований, определение цели и задач диссертации.

1.1. Развитие телевизионно-измерительных систем (ТИС) и методов подавления влияния экспериментальных шумов на информацию об объекте физических исследований.

1.2. Свойства и способы описания многокомпонентных спектро-зональных изображений (МСИ).

1.3. Интерпретация экспериментальных данных на основе согласования фазового пространства признаков (ФПП) ТИС и набора калибровочных значений измеряемой физической величины.

1.4. Анализ методов статистической оценки МСИ по ФПП.

1.5. Определение цели и задач диссертации.

Глава 2. Математическая модель и критерии байесовской оценки информации спектрозональных изображений (БОИСИ).

2.1. Теоретические основы анализа влияния экспериментальных шумов на информацию МСИ по его фазовому портрету и постановка задачи моделирования.

2.2. Разработка метода БОИСИ для оптимизации построения кластеров в ФПП МСИ по заданной энтропии объекта спектрозональных физических исследований.

2.3. Математическая модель условной плотности апостериорной вероятности в методе БОИСИ.

2.4. Разработка методики и критериев БОИСИ.

2.4.1. Агломеративный алгоритм БОИСИ.

2.4.2. Вопрос оптимизации статистической оценки МСИ по ФПП для различного класса задач в системах автоматизации спектрозональных физических исследований.

2.5. Способ интерпретации экспериментальных данных, представленных в виде МСЖ, на основе БОИСИ.

2.6. Выводы по второй главе.

Глава 3. Экспериментальная проверка адекватности метода БОИСИ при обработке цифровых МСИ.

3.1. Построение тестовых изображений для исследования метода БОИСИ.

3.2. Исследования метода БОИСИ на предмет адекватной кластеризации ФПП МСИ и определение погрешности методики БОИСИ.

3.3. Исследование методики и критериев БОИСИ в рамках определения устойчивости интерпретации экспериментальных данных и эффективности сжатия информации цифровых МСИ.

3.4. Выводы по третьей главе.

Глава 4. Применение метода БОИСИ в сфере автоматизации спектрозональных физических исследований и в смежных с ней областях.

4.1. Основные характеристики компьютерных оптоэлектронных приборов, влияющие на адаптацию ТИС к определенному классу объектов спектрозональных физических исследований.

4.2. Использование метода БОИСИ для анализа влияния экспериментальных шумов на результаты исследования процесса массо-переноса топливных струй и изучения зависимости коэффициента отражения земной поверхности от формы рельефа с помощью компьютерных оптоэлектронных приборов "Приз-14/20" и сканер HP ScanJet 4C + ЭВМ".

4.3. Применение метода БОИСИ для автоматического выделения изотермических областей реакции СВС и расслоения топографической основы по типам объектов местности в информационно-измерительных комплексах "VBRT 300" и "сканер HP ScanJet 4С + ЭВМ".

4.4. Применение критерия оптимизации в методе БОИСИ для эффективного сжатия информации цветных аэрокосмических снимков с помощью подавления влияния шума.

Внедрение прогрессивных телевизионно-измерительных систем (ТИС) в сфере автоматизации физических исследований обусловлено стремлением к повышению точности экспериментальных данных. На современном этапе развития этих систем возникает новый класс приборов со сложной структурой представления информации, что требует поиска альтернативных методов ее обработки.

Автоматизация экспериментов с помощью компьютерных опто-электронных приборов является одним из эффективных средств увеличения информативности физических исследований. Формирующийся класс ТИС на основе компьютерных оптоэлектронных приборов использует спектральные характеристики объекта физических исследований для повышения точности определения его пространственных параметров. Такие системы регистрируют поток излучения в нескольких зонах спектра и представляют экспериментальные данные в виде многокомпонентных спектрозональных изображений (МСИ). Правильное выделение полезной информации из зашумленного изображения и ее точная интерпретация является важной задачей автоматизации физических исследований на базе вычислительной техники. Анализ влияния экспериментальных шумов позволяет определять достоверность результатов выполняемых измерений и адаптацию выбранной ТИС к проводимому физическому исследованию.

Идентификация параметров объекта наблюдения по МСИ возможна только при совместном рассмотрении всех его компонентов. Данное условие не позволяет обобщить для МСИ большинство методов обработки цифровых монохромных изображений.

При формировании МСИ цифровая ТИС принимает ряд фазовых состояний, которые являются результатом регистрации спектральных характеристик в разных точках объекта физических исследований. Полный набор состояний, в которых способна находиться ТИС, представляет фазовое пространством признаков (ФПП) МСИ. Распределение вероятностей появления фазовых состояний в МСИ является его фазовым портретом. Воздействие экспериментальных шумов отражается на фазовом портрете МСИ объекта наблюдения, что дает возможность разрабатывать методы статистической оценки МСИ по ФПП.

Актуальность темы диссертации обусловлена поиском оптимальной статистической оценки МСИ по ФПП, обеспечивающей наиболее достоверное и полное представление информации об объекте спектро-зональных физических исследований. Выбранный нами в диссертации байесовский метод является наиболее перспективным в этой области.

Цель работы заключается в построении метода совместной обработки компонентов МСИ, обеспечивающего наиболее точный и полный анализ влияния экспериментальных шумов на фиксируемую информацию, а также в выработке методики и критериев байесовской оценки МСИ по ФПП, позволяющих минимизировать недостоверность экспериментальных данных в зависимости от класса задач, решаемых компьютерными оптоэлектронными приборами автоматизации спектрозо-нальных физических исследований.

Для достижения поставленной цели решались следующие задачи:

- построить математическую модель воздействия обобщенного источника шума регистрирующей аппаратуры на фазовый портрет МСИ;

- обосновать выбор меры подобия фазовых состояний и на ее основе разработать метод байесовской оценки информации спектрозональ-ных изображений (БОИСИ) для оптимизации построения кластеров в

ФПП по заданной энтропии объекта спектрозональных физических исследований;

- разработать методику БОИСИ;

- выработать критерии минимизации недостоверной информации в байесовской оценке МСИ по ФПП для различного класса задач, решаемых компьютерными оптоэлектронными приборами автоматизации спектрозональных физических исследований.

Научная новизна работы заключается в следующем:

- разработанный метод БОИСИ позволяет проводить совместную обработку компонентов МСИ и оптимизировать их статистическую оценку по ФПП;

- анализ влияния экспериментальных шумов на информацию МСИ объекта спектрозональных физических исследований выполняется на основе байесовской оценки фазового портрета этого изображения с использованием меры корреляции фазовых состояний и энтропийного критерия;

- метод БОИСИ позволяет определять достоверность экспериментальных данных и адаптацию конкретной компьютерной оптоэлектрон-ной ТИС для проведения спектрозональных физических исследований с заданной точностью;

- предложенный способ интерпретации экспериментальных данных МСИ на основе БОИСИ обладает адаптивностью к нестационарности обобщенного источника шума регистрирующей аппаратуры, а использование выработанного критерия адекватности фиксируемой информации и набора калиброванных фазовых состояний позволяет определить диапазон изменения внешних условий наблюдения за объектом, в рамках которого не требуется выполнять рекалибровку компьютерной оптоэлектронной ТИС автоматизации спектрозональных физических исследований.

Методы исследования, примененные в работе

В данной диссертационной работе применялась теория информации, теория вероятностей и математическая статистика, методы обработки и кодирования цифровых изображений, байесовский метод решающего правила, численное моделирование и кластерный анализ.

На всех этапах исследования проводилось сопоставление экспериментальных данных с результатами обработки тестовых изображений, теоретических расчетов и существующих альтернативных методов.

Практическая ценность работы

Результаты диссертационной работы применены в сфере автоматизации спектрозональных физических исследований, а также могут быть использованы в смежных с ней областях, требующих обработки и анализа МСИ. В частности, сфера приложения результатов включает в себя технологии автоматизированного дистанционного контроля параметров теплофизических процессов (в том числе параметров реакции самораспространяющегося высокотемпературного синтеза (СВС)) и процесса массопереноса в топливных струях, обработки аэрокосмических снимков, создания цифровых географических информационных систем (ГИС) на основе оригиналов карт и планов. Применение результатов исследований возможно в автоматизированных системах контроля и управления. Например, таких как сортировка зерна на основе фотометрических измерений.

На защиту выносятся три положения диссертации:

1. Метод БОИСИ, основанный на совместном рассмотрении компонентов МСИ, который позволяет оптимизировать их статистическую оценку по ФПП и оценивать достоверность результатов физических исследований.

2. Методика БОИСИ и использующий ее способ идентификации параметров объекта наблюдения по МСИ, который обладает адаптивностью к изменяющимся условиям дистанционного контроля и позволяет в определенных рамках обходится без рекалибровки ТИС автоматизации спектрозональных физических исследований.

3. Критерии минимизации недостоверной информации в БОИСИ при обработке экспериментальных данных спектрозональных физических исследований.

Структура и объем работы

Диссертация состоит из введения, 4 глав, заключения, списка литературы и приложения. Работа изложена на 120 страницах машинописного текста, содержит 60 рисунков, 1 таблицу, список литературы из 118 наименований.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

1. Разработан метод совместной обработки компонентов МСИ на основе байесовской оценки их фазового портрета, который позволяет оптимизировать расположение кластеров в ФПП МСИ и минимизировать вероятные потери информации об объекте спектрозональных физических исследований в результате анализа влияния экспериментальных шумов. Это позволяет определять достоверность экспериментальных данных и адаптацию конкретной ТИС для проведения спектрозональных физических исследований с заданной точностью.

2. Введенная мера подобия фазовых состояний и энтропийный критерий при получении байесовской оценки МСИ позволили корректно решить задачу восстановления информации об объекте спектрозональных физических исследований из зашумленного изображения.

3. Разработана методика БОИСИ, относительная погрешность которой обратно пропорциональна логарифму от числа фазовых состояний в БОИСИ. Максимальная погрешность данной методики составляет 5,3%.

4. На основе предложенных методики и критериев БОИСИ разработан способ идентификации параметров объекта спектрозональных физических исследований по цифровым МСИ, обладающий адаптивностью к нестационарности обобщенного источника шума. Выработанный критерий адекватности информации МСИ и набора калиброванных фазовых состояний дает возможность определить диапазон изменения условий наблюдения за объектов, в рамках которого не требуется выполнять рекалибровку компьютерной оптоэлектронной ТИС автоматизации спектрозональных физических исследований.

Автор выражает искреннюю благодарность научному руководителю доктору технических наук Гуляеву Юрию Павловичу и научному консультанту кандидату технических наук Гуляеву Павлу Юрьевичу за большую помощь в научно-исследовательской деятельности. Огромное спасибо кандидату технических наук Гумирову М. А., Карелиной И. В., аспиранту Демьяному В. В. за помощь в написании рукописи диссертации. Автор благодарит зам. директора Алтайского научного центра порошковых технологий Яковлева В. И., научного секретаря ИВЭП СО РАН Ротанову И. Н., сотрудника комитета по строительству и архитектуре Шитикову Г. П., кандидата технических наук Еськова А. В., аспирантов Танькова А. В., Коротких В. М. за научное сотрудничество и помощь в проведении экспериментов.

ЗАКЛЮЧЕНИЕ

1. Кравцова В. И. Космические методы картографирования. - М.: Издательство МГУ, 1995.

2. Якушенков Ю. Г. Основы оптико-электронного приборостроение. Учебник для вузов. М.: Советское радио, 1977.

3. Якушенков Ю. Г. Теория и расчет оптико-электронных приборов. -М.: Машиностроение, 1989.

4. Хуанг. Цифровая голография. ТИИЭР, 1971, т. 59, №9.

5. Борн М., Вольф Э. Основы оптики. М.: Наука, 1970.

6. Домбругов Р. М. Телевидение. Киев: Вища школа, 1988.

7. Казанцев Г. Д., Курячий М. И., Пустынский И. Н. Измерительное телевидение. М.: Высшая школа, 1994.

8. Твердотельное телевидение. Телевизионные системы с переменными параметрами на ПЗС и микропроцессорах//Л. И. Хромой, Н. В. Лебедев, А. К. Цыцулин, А. Н. Куликов; под ред. И. А. Росселевича. М.: Радио и связь, 1986.

9. Путятин Е. П., Аверин С. И. Обработка изображений в робототехнике. М.: Машиностроение, 1990.

10. Ю.Кривошеев М. И. Основы телевизионных измерений. М.: Связь, 1976.11.3авалишин Н. В., Мучник И. Б. Модели зрительного восприятия и алгоритмы анализа изображений. М.: Наука, 1974.

11. Эндрюс Г. Применение вычислительных машин для обработки изображений. М.: Энергия, 1977.

12. Уинстон П. Искусственный интеллект. М.: Мир, 1980.

13. Уинстон П. Психология машинного зрения. М.: Мир, 1978.

14. Василенко Г. И. Теория восстановления сигналов. М.: Советское радио, 1979.

15. Гончарский А. В. Реконструктивная обработка и анализ изображений в задачах вычислительной диагностики. М.: Издательство МГУ, 1993.

16. Красильников Н. Н. Красильникова О. И. Шум пространственной дискретизации изображений. В кн.: Методы цифровой обработки, передачи и отображения телевизионной информации: Межвузовский сборник, 1982, вып. 156.

17. Обработка графической информации на ЭВМ//Сборник статей. -Киев: Техника, 1974.

18. Обработка изображений при помощи ЦВМ. Тематический выпуск. -ТИИЭР, 1972, т. 60, №7.

19. Обработка изображений при помощи цифровых вычислительных машин// Сборник статей. М.: Мир, 1973.

20. Голд Б ., Рэйдер Ч. Цифровая обработка сигналов. М.: Советское радио, 1973.

21. Карташев В. Г. Основы теории дискретных сигналов и цифровых фильтров. М.: Высшая школа, 1982.

22. Альберт А. Регрессия, псевдоинверсия и рекуррентное оценивание, М.: Наука, 1977.

23. Ремез Е. Я. Общие вычислительные методы чебешевского приближения. АН УССР, Киев, 1957.

24. Robinson G. S., Frei W. Final Research Report on Computer Processing of ERTS Images. University of Southern California, Image Processing Institute, Report USCIPI 640, September 1975.

25. Сондхи. Реставрация изображений: устранение пространственно-инвариантных искажений. ТИИЭР, 1972, т. 60, №7.

26. Стокхэм Т. Цифровое восстановление сигналов посредством неопределенной инверсной свертки. ТИИЭР, 1975, т. 63, №4.

27. Рабинер JI. Голд Б. Теория и применение цифровой обработки сигналов. М.: Мир, 1979.

28. Tikonow A. N. Regularization on Incorrectly Posed Problems. Soviet Mathematics, 4, 6.

29. Тихонов В. И. Статистическая радиотехника. М.: Радио и связь, 1984.

30. Прэтт У., Кейн Ж., Эндрюс X. Кодирование изображений посредством преобразования Адамара. ТИИЭР, 1969, т.57, №1.

31. Уинтц П. Кодирование изображений посредством преобразований. -ТИИЭР, тематический вып. "Обработка изображений посредством вычислительных машин", 1972, т. 60, №7.

32. Хант. Цифровая обработка изображений. ТИИЭР, 1975, т. 63, № 4.

33. Хармут X. Ф. Передача информации ортогональными функциями. -М.: Связь, 1975.

34. Хуанг, Шрайбер, Третьяк. Обработка изображений. ТИИЭР, 1971, т. 59, №11.

35. Цифровая обработка сигналов. Тематический выпуск. ТИИЭР, 1975, т. 63, №4.

36. Ярославский JI. П. Введение в цифровую обработку изображений. -М.: Советское радио, 1979.

37. Нуссбаумер Г. Вычисление двумерных сверток и дискретного Фурье преобразования//Быстрые алгоритмы в цифровой обработке изображений. М.: Радио и связь, 1984.

38. Prett W. Generalized Wiener Filter Computation Techniques. IEEE, Trans. Computer, C-21, 7 (July 1972).

39. Розенфельд А. Нелинейные методы обнаружения ступенчатого сигнала. ТИИЭР, 1970, т.58, №6.

40. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин. М.: Мир, 1972.

41. Тененбаум Д., Вейль С. Подсистема анализа областей для интерактивного анализа сцен// Труды 4 Международной объединенной конференции по искусственному интеллекту. Тбилиси, 1975, т.8.

42. Холл. Сравнение трех методов цифровой пространственной фильтрации. ТИИЭР, 1972, т. 60, №7.

43. Kreins Е. R., Allison L. J. Color Enhancement of Nimbus High Resolution Infrared Radiometer Data. Appl. Opt., 9, 3, 681 (March 1970).

44. Нахи H. Применение метода рекуррентной оценки в статистической задаче улучшения качества изображений. ТИИЭР, 1972, т.60, №7.51.0'Нейл Э. Введение в статистическую оптику. М.: Мир, 1966.

45. Хабиби А. Двумерная байесовская оценка изображений. ТИИЭР, 1972, т.60, №7.

46. Фукунага. Введение в статистическую теорию распознавания образов. М.: Наука, 1979.

47. Катыс Г. П. Обработка визуальной информации. М.: Машиностроение, 1990.

48. Денисов Д. А. Компьютерные методы анализа видеоинформации. -Издательство красноярского университета, 1993.

49. Цифровая обработка телевизионных и компьютерных изображений// Под редакцией Зубарева Ю. Б., Дворковича В. П. М.: Международный центр научной и технической информации, 1997.

50. Прэтт У. Цифровая обработка изображений. М.: Мир, 1982.

51. Лебедев Д. С., Цуккерман И. И. Телевидение и теория информации. -М.: Госэнергоиздат, 1965.

52. Карпова О. М., Старков М. А. Информационные свойства изображений// Автометрия, 1982. №2, с.27, №5.

53. Анисимов Б. В., Злобин В. К., Курганов В. Д. Распознавание и цифровая обработка изображений. М.: Высшая школа, 1983.

54. Оптическая и цифровая обработка изображений// Сборник научных трудов. М.: Наука, 1988.

55. Адаптивные методы обработки изображений// Сборник научных трудов. М.: Наука, 1988.

56. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигналов. М.: Мир, 1988.

57. Василенко Г. И., Тараторин А. М. Востановление изображений. М.: Радио и связь, 1986.

58. Бейтс Р. Восстановление и реконструкция изображений. М.: Мир, 1989.

59. Блейхут Р. Быстрые алгоритмы цифровой обработки сигналов. М.: Мир, 1989.

60. Бутаков Е. А. Обработка изображений на ЭВМ. М.: Радио и связь, 1987.

61. Обработка изображений и цифровая фильтрация// Сборник статей под редакцией Хуанга. М.: Мир, 1979.

62. Миддлтон Д. Введение в статистическую теорию связи. М.: Советское радио, т. 1, 1961, т. 2, 1962.

63. Старков М. А. Статистическая модель бинарных изображений// Автометрия, 1979. № 5.

64. Прэтт У. Применение моделей стохастических текстур для обработки изображений. ТИИЭР, 1981, т. 69, № 5.

65. Харалик Р., Келли Г. Использование методов распознавания образов и автоматической классификации для анализа многокомпонентных изображений. ТИИЭР, 1969, т.57, №4.

66. Белман Р. Введение в теорию матриц. М.: Наука, 1976.

67. Гентмахер Ф. Р. Теория матриц. М.: Наука, 1988.

68. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.

69. Шеннон К. Э. Работы по теории информации и кибернетики. Издательство иностранная литература, 1963.

70. Ковалевский В. А. Методы оптимальных решений в распознавании изображений. М.: Наука, 1976.

71. Nahi N., Assefi Т. Bayesian Recursive Image Estimation, in: Proceedings Two Dimensional Digital Signal Processing Conference, University of Missouri, October 1971.

72. Fulc G. L. The Effect of Source Noise on Quantization Accurancy and PE Statistics. JPL Tech. Memo, 1965.

73. Красильников H. H. Статистические характеристики квантования изображений. Техника средств связи. Сер. Техника телевидения, 1983, вып. 5.

74. Johnson S. Hierarchical clustering schemes. Psychometrika, 32.

75. Миллер Т., Пауэл Д. Использование DELPHI 3. Специальное издание. К.: Диалектика, 1997.

76. Пол И. Объектно-ориентированное программирование с использованием С++. К.: НИПФ "Диа Софт Лтд", 1995.

77. Сван Т. Программирование для Windows в Borland С++. М.: Бином, 1995.

78. Сван Т. Освоение Borland С++ 4.5. Практический курс. К.: Диалектика, 1996.

79. Сван Т. Освоение Borland С++ 4.5. Энциклопедия функций. К.: Диалектика, 1996.

80. Торрот П. Супер библия DELPHI 3. К.: издательство "ДиаСофт", 1997.

81. Хаиекамп Д., Вилькеи П. Введение в профессиональное программирование под Windows. М.: Эком., 1996.

82. Фейсон Т. Объектно-ориентированное программирование на Borland С++ 4.5. К.: "Диалектика", 1996.

83. Фролов А. В., Фролов Г. В. Графический интерфейс GDI в MS Windows. М.: "Диалог-МИФИ", 1994.

84. Хемминг Р. В. Численные методы для научных работников и инженеров. М.: Наука, 1968.

85. Полупроводниковые формирователи сигналов изображения// Под ред. П. Йесперса, Ф. Ван де Виле, Н. Уайта. М.: Мир, 1979.

86. Айриг С., Айриг Э. Сканирование: профессиональный подход. -Минск: Попурри, 1997.

87. В. Еськов, А. В. Долматов. Статистическая оценка параметров массо-переноса в топливных струях// Проблемы промышленных СВС- технологий. Материалы второй международной конференции. г. Барнаул, 1998.

88. П. Ю. Гуляев, Ю. П. Гуляев, А. В. Долматов. Байесовское восстановление цвета цифровых изображений//Вестник СГГА.- г. Новосибирск, 1997.

89. Гуляев П. Ю., Долматов А. В. Регистрация пространственной динамики быстроразвивающегося высокотемпературного теплофизи-ческого процесса//Датчики электрических и неэлектрических величин. Материалы второй международной конференции. г. Барнаул, 1995.

90. В. Долматов, А. В. Таньков. Статистические методы разделения составляющих спектра реакции СВС//Проблемы промышленных СВС-технологий. Материалы второй международной конференции. г. Барнаул, 1998.

91. Долматов А. В. Программный комплекс для статистической оценки изображения реакции СВС// Проблемы промышленных СВС- технологий. Материалы второй международной конференции. г. Барнаул, 1998.

92. Гуляев Ю. П., Долматов А. В. Обработка цифрового изображения экологических ареалов //ТИС для устойчивого развития окружающей среды. Материалы международной конференции ИнтеркартоЗ. г. Новосибирск, 1997.

93. Гуляев Ю. П., Долматов А. В. Концептуальная модель паспорта участка застройки в системе управления ГИС- градостроительного кадастра//Материалы 68-й научно-технической конференции преподавателей СГГА. г. Новосибирск, 1998.

94. Н. Ф. Вдовин, А. В. Долматов. Разработка программного обеспечения Строительного паспорта участка в базе данных ГИС градостроительного кадастра Алтайского края//Материалы международной конференции Интеркарто4. г. Барнаул, 1998.

95. Халучин Е. И., Жалковский Е. А. Цифровые карты. М.: Недра, 1992.

96. Юб.Аргайл Е. Методы обнаружения ступенчатого сигнала. ТИИЭР, 1971, т.59, №1,с.123-125.

97. Брайс К., Феннема К. Анализ сцен при помощи выделения областей// Сборник "Интегральные роботы". М.: Мир, 1975, т.2.

98. Дорофеюк А. А. Алгоритмы автоматической классификации. Автоматика и телемеханика, № 32, 1928-1958, декабрь, 1971.

99. Ю9.Кубба М. Автоматическое выделение деталей изображения в присутствии хаотических шумов. ТИИЭР, 1963, №11.

100. ПО.Грэхэм Д. Передача изображений посредством кодирования двумерных контуров. ТИИЭР, тематический вып. "Сокращение избыточности", 1967, т.55, №3.111 .Кодирование и обработка изображений//Сборник статей. М.: Наука, 1988.

101. Кунт М. Блочное кодирование графических материалов//ТИИЭР, 1980.-Т. 68, №7.

102. З.Старков М.А., Пинчук А. И. Эффективное кодирование изображений// Техника средств связи. Техника телевидения, 1981. вып. 3.

103. Джайн А. Сжатие видеоинформации: Обзор. ТИИЭР, 1981, т. 69, №3.

104. Котман С. Сокращение избыточности как практический метод сжатия данных. ТИИЭР, тематический вып. "Сокращение избыточности", 1967, т. 55, №3.

105. Пб.Сокращение избыточности. Тематический выпуск. ТИИЭР, 1967, т. 55, №3.

106. Цуккерман И. И., Кац Б. М., Лебедев Д. С. Цифровое кодирование телевизионных изображений. М.: Радио и связь, 1981.

107. Эндрюс С., Девис Ж., Шварц Г. Адаптивное сжатие данных. ТИИЭР, тематический вып. "Сокращение избыточности", 1967, т.55, №3.