Телекомунікаційна система для передавання адаптивно масштабованих цифрових зображень
DOI:
https://doi.org/10.31861/sisiot2025.1.01012Ключові слова:
телекомунікаційні системи, масштабування цифрових зображень, алгоритми інтерполяції, відеокамера, Інтернет речейАнотація
Розроблено апаратно-програмне забезпечення телекомунікаційної системи, яка призначена для передавання адаптивно масштабованих цифрових зображень. Система складається з підсистем передачі та прийому. Апаратне забезпечення підсистеми передачі містить USB-відеокамеру, мікрокомп’ютер Raspberry Pi3 та радіомодуль nRF24L01 №1. Апаратне забезпечення підсистеми прийому містить радіомодуль nRF24L01 №2, мікроконтролер Funduino Uno та комп’ютер. Радіомодуль nRF24L01 має відносно низьку швидкість передачі, але забезпечує низьке енергоспоживання. Розроблено програмне забезпечення системи на мові Python та C++. У підсистемі передачі за допомогою програми cam2nrf зчитується зображення з відеокамери, зменшується його масштаб методом інтерполяції і виконується передача зменшеного зображення через радіомодуль №1. У підсистемі прийому зчитується зменшене зображення через радіомодуль №2, збільшується його масштаб методом інтерполяції. Зміна масштабу зображень виконується методом білінійної або бікубічної інтерполяції. Програма nrf_rx, яка виконується на мікроконтролері Funduino Uno, використовується для прийому бездротових даних за допомогою радіомодуля nRF24L01. У програмі recv_img, яка виконується на компʼютері, виконується зчитування зображення з мікроконтролера Funduino Uno, його масштабування, візуалізація та збереження. Адаптивність масштабування забезпечується за рахунок вибору алгоритму інтерполяції зображення залежно від його середнього просторового періоду TCR, який обчислюється на основі енергетичного спектру Фурʼє початкового зображення. Для значень періоду TCR < 4.5 пікселів виконується білінійна інтерполяція, а в іншому випадку – бікубічна. Тестування телекомунікаційної системи для передаванні реальних зображень показано її працездатність. За рахунок зменшення розміру зображення у 2 рази час передачі зменшується у 4 рази при незначному зниженні візуальної якості зображення-результату. Таке масштабування зображень особливо ефективне при передачі зображень через канали з низькою пропускною здатністю. Розроблене апаратно-програмне забезпечення може використовуватися в системах Інтернету речей для передачі зображень.
Завантажити
Посилання
R. Gonzalez and R. Woods, Digital Image Processing, 4th ed. New York, NY, USA: Pearson/Prentice Hall, 2018.
S. V. Balovsyak, O. V. Derevyanchuk, Ya. V. Derevianchuk, V. V. Tomash, and S. V. Yarema, “Segmentation of railway transport images using fuzzy logic,” Trans Motauto World, vol. 7, no. 3, pp. 122–125, 2022.
Zh. Hu, D. Uhryn, Yu. Ushenko, V. Korolenko, V. Lytvyn, and V. Vysotska, “System programming of a disease identification model based on medical images,” in Proc. SPIE: Sixteenth Int. Conf. Correlation Optics, vol. 12938, pp. 129380F-1–129380F-4, 2024. doi: 10.1117/12.3009245.
S. Palani, Principles of Digital Signal Processing. Cham, Switzerland: Springer, 2022.
D. Kim and D. Hwang, Eds., Intelligent Imaging and Analysis. Basel, Switzerland: MDPI, 2020.
W. Burger and M. J. Burge, “Geometric Operations,” in Digital Image Processing. Texts in Computer Science. Cham, Switzerland: Springer, 2022, pp. 601–637. doi: 10.1007/978-3-031-05744-1_21.
G. Liu, “The novel bilateral quadratic interpolation image super-resolution algorithm,” Int. J. Image, Graphics and Signal Process. (IJIGSP), vol. 13, no. 3, pp. 55–61, 2021. doi: 10.5815/ijigsp.2021.03.05.
P. Prystavka and O. Cholyshkina, “Pyramid image and resize based on spline model,” Int. J. Image, Graphics and Signal Process. (IJIGSP), vol. 14, no. 1, pp. 1–14, 2022. doi: 10.5815/ijigsp.2022.01.01.
S. Balovsyak, I. Fodchuk, Kh. Odaiska, Yu. Roman, and E. Zaitseva, “Analysis of X-ray Moiré images using artificial neural networks,” in Proc. 3rd Int. Workshop Intelligent Inf. Technol. Syst. Inf. Security (IntelITSIS), Khmelnytskyi, Ukraine, Mar. 23–25, 2022, CEUR Workshop Proc., pp. 187–197.
Waifu2x. [Online]. Available: https://waifu2x.udp.jp/index.uk.html
A. Geron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. Sebastopol, CA, USA: O’Reilly Media, 2019.
O. Berezsky, P. Liashchynskyi, O. Pitsun, P. Liashchynskyi, and M. Berezkyy, “Comparison of deep neural network learning algorithms for biomedical image processing,” CEUR Workshop Proc., pp. 135–145, 2022.
K. Mahmut, “Image interpolation with spiking neural network based pixel similarity,” Signal, Image and Video Process., vol. 18, pp. 6925–6936, 2024. doi: 10.1007/s11760-024-03362-3.
Z. Cheng, “Research on image up-scaling and super-resolution based on convolutional neural network,” Highlights Sci., Eng. Technol., vol. 72, pp. 1258–1263, 2023. doi: 10.54097/ef4k8k08.
D. Suresha and H. N. Prakash, “Data content weighing for subjective versus objective picture quality assessment of natural pictures,” Int. J. Image, Graphics and Signal Process. (IJIGSP), vol. 9, no. 2, pp. 27–36, 2017.
S. Balovsyak and Y. Hnatiuk, “Analysis of results of scaling digital images by interpolation algorithms,” Security Infocommun. Syst. Internet Things (SISIOT), vol. 2, no. 1, pp. 1–6, 2024. doi: 10.31861/sisiot2024.1.01007.
S. Balovsyak, Kh. Odaiska, O. Yakovenko, and I. Iakovlieva, “Adjusting the brightness and contrast parameters of digital video cameras using artificial neural networks,” in Proc. SPIE: Sixteenth Int. Conf. Correlation Optics, vol. 12938, pp. 129380I-1–129380I-4, 2024. doi: 10.1117/12.3009429.
S. V. Balovsyak and Kh. S. Odaiska, “Automatic highly accurate estimation of Gaussian noise level in digital images using filtration and edges detection methods,” Int. J. Image, Graphics and Signal Process. (IJIGSP), vol. 9, no. 12, pp. 1–11, 2017. doi: 10.5815/ijigsp.2017.12.01.
S. Sharma and T. Varma, “Discrete combined fractional Fourier transform and its application to image enhancement,” Multimedia Tools Appl., vol. 83, pp. 29881–29896, 2024. doi: 10.1007/s11042-023-16742-7.
E. Rajaby and S. M. Sayedi, “A structured review of sparse fast Fourier transform algorithms,” Digit. Signal Process., vol. 123, 103403, 2022. doi: 10.1016/j.dsp.2022.103403.
C. Fowlkes, D. Martin, and J. Malik, “Local figure/ground cues are valid for natural images,” J. Vision, vol. 7, no. 8, pp. 1–9, 2007.
The Berkeley Segmentation Dataset and Benchmark. BSDS300. [Online]. Available: https://www.eecs.berkeley.edu/Research/Projects/CS/vision/bsds
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Безпека інфокомунікаційних систем та Інтернету речей
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
