Нормированные уравнения модели:

Масштабные уравнения модели, полученные путем сопоставления коэффициентов в одноименных членах нормированных уравнений модели и оригинала в соответствии с необходимостью тождественности сходственных уравнений модели и оригинала:

из которых однозначно находятся требуемые величины КП операционных блоков модели.

Масштабные соотношения НУ и правых частей:

Основной недостаток данного типа НПВ – сравнительно большая погрешность решения задач, которая даже при относительной погрешности операционных блоков, построенных, как известно из схемотехники, на прецизионных резисторах и конденсаторах и операционных усилителях с очень большим коэффициентом усиления КУ=105…107, равной dОБЛ=100D/Umax=0,01…0,1%, достигает dмодели»1…5% из-за накоплений их погрешностей в сложных схемах аналоговых моделей.

Точность неалгоритмических вычислений повышают путем частичного или полного перехода от аналогового к цифровому моделированию, сохраняя основные преимущества НПВ – параллельное функционирование операционных блоков в вычислительном процессе. Применяются два основных подхода:

Реализация операционных блоков на цифровой схемотехнической элементной базе;

Распределение с учетом допустимой погрешности вычислений частей сложной задачи между аналоговым и цифровым процессорами.

ЭВМ, построенные с использованием сочетания аналогового и цифрового НПВ, т.е. аналогового и цифрового моделирования, называется гибридными вычислительными машинами (ГВМ), а ВС, представляющие собой комплекс ЦВМ и АВМ, объединенных с помощью ЦАП и АЦП, – гибридными (аналого-цифровыми) вычислительными комплексами (ГВК или АЦВК).

Следовательно, к НПВ, кроме аналогового математического моделирования, относятся:

· Цифровое моделирование (конечно-разностное и разрядное моделирование);

· Аналого-цифровое моделирование (частичное использование с целью повышения производительности параллельного НПВ в аналоговой части);

· Цифровой НПВ на основе неалгоритмического потокового программирования по степени готовности операндов, а не последовательности команд, как это принято в традиционно-абстрактной модели ЦВМ фон-Неймана.

Последний НПВ позволяет использовать для повышения производительности естественный параллелизм операций, имеющийся в большинстве решаемых задач. Однако он реализуется на основе особой функциональной и структурной организации цифрового процессора и особого машинного языка низкого уровня, отличающегося от ассемблера ЦВМ фон-Неймана, оставаясь по основным чертам абстрактной модели цифровой машиной, и поэтому к ГВМ не относится. ЭВМ этого типа организации принято называть потоковыми ЦВМ.

Особое место среди ГВМ занимают получившие весьма широкое распространение цифровые процессоры сигналов. В них не используется НПВ, а к ГВМ они относятся потому, что на входном и выходном их портах ввода-вывода дополнительно подключаются входной АЦП и выходной ЦАП, позволяющие по цифровым алгоритмическим программам обрабатывать аналоговые сигналы после их квантования по времени и по уровню. В настоящее время они успешно вытесняют сложную и недостаточно стабильную и технологичную преобразующую и вычислительную аналоговую схемотехнику. Однако для того, чтобы они с достаточной точностью обрабатывали широкополосные аналоговые сигналы (диапазон частот спектральных составляющих от 1 до 10 МГц) предъявляются очень высокие требования, как к быстродействию их элементной базы, так и производительности процессора. В них применяются сверхпараллельные функциональные узлы АЛУ, например однотактные матричные блоки умножения, однотактные параллельные двигатели и особая конвейерная организация структуры АЛУ и т.п. Со всеми этими методами организации, позволяющими повысить производительность, мы ознакомимся в этой дисциплине. Начнем с особенностей организации ГВМ и ГВК.

Аналоговое математической моделирование с применением аналоговой электронной и оптоэлектронной элементной базы на физическом уровне в настоящее время применяется сравнительно редко только в тех случаях, когда это дает выигрыш по сравнению с цифровой схемотехникой в 100…1000 раз по производительности, потребляемой мощности и габаритам. Это электронные и оптоэлектронные СБИС аналоговых нейрокомпьютеров, позволяющие строить узкоспециализированные ЭВМ, решающие некоторые сложные задачи за 10 мкс…1 мс. Это аналоговые процессоры нечеткого логического вывода, имитирующие в системах автоматики действия человека-оператора. Это однотактные оптические устройства преобразования Фурье плоских изображений, представляющие собой две системы линз, между которыми на пути световых лучей помещается полупрозрачный электрически управляемый транспарант обрабатываемого изображения. Результаты обработки снимаются матрицей фото-электрических преобразователей в задней фокальной плоскости. Машины такой организации относятся к специализированным и будут рассмотрены в следующей дополнительной учебной дисциплине.

2. Компьютерная обработка изображений

2.1 Определение компьютерной обработки изображений

Компьютерная обработка и распознавание изображений представляет собой быстро развивающуюся самостоятельную дисциплину. Компьютерная обработка изображений предполагает обработку цифровых изображений с помощью компьютеров или специализированных устройств, построенных на цифровых сигнальных процессорах. При этом под обработкой изображений понимается не только улучшение зрительного восприятия изображений, но и классификация объектов, выполняемая при анализе изображений.

В 60-е годы прошлого века получила развитие особая наука об изображениях – «иконика», которая посвящена исследованиям общих свойств изображений, целей и задач их преобразования, обработки и воспроизведения, распознавания графических образов [1].

Термин «иконика» происходит от греческого «eikon», что означает изображение, образ. Сегодня под ним понимают «создание и обработку изображений с помощью ЭВМ, что совпадает с понятием компьютерной обработки изображений.

Области применения цифровой обработки в настоящее время значительно расширяются, вытесняя аналоговые методы обработки сигналов изображений. Методы цифровой обработки широко применяются в промышленности, искусстве, медицине, космосе. Они применяются при управлении процессами, автоматизации обнаружения и сопровождения объектов, распознавании образов и во многих других приложениях.

Цифровая передача изображений с космических аппаратов, цифровые каналы передачи сигналов изображений требуют обеспечения передачи все больших потоков информации. Если при передаче цифрового сигнала цветного телевидения необходимо передавать потоки порядка 216 Мбит/с, то для передачи телевидения высокой четкости скорость передачи должна составлять порядка 1 Гбит/c. Формирование изображений, улучшение качества и автоматизация обработки медицинских изображений, включая изображения, создаваемые электронными микроскопами, рентгеновскими аппаратами, томографами и т.д., являются предметом исследования и разработки. Сегодня в медицинской технике широко применяются системы формирования изображения, его преобразования в цифровую форму, визуализация и документирование путем введения в компьютер изображений с помощью специализированных устройств захвата видео.

Автоматический анализ в системах дистанционного наблюдения широко применяется при анализе местности, в лесном хозяйстве, например, для автоматического подсчета площади вырубок, в сельском хозяйстве для наблюдения за созреванием урожая, при разведке, в системах противопожарной безопасности. Контроль качества производимой продукции выполняется благодаря автоматическим методам анализа сцен.

Компьютерная обработка изображений применяется в задачах экспертизы живописи неразрушающими методами [2]. Для восстановления старых фильмов применяются методы автоматической компенсации дефектов видеоматериала, полученного после преобразования киноизображения в видео.

Сегодня трудно представить область деятельности, в которой можно обойтись без компьютерной обработки изображений. Интернет, сотовый телефон, видеокамера, фотоаппарат, сканер, принтер, так прочно вошедшие в наш быт, – немыслимы без компьютерной обработки изображений.

При компьютерной обработке изображений решается широкий круг задач, таких как улучшение качества изображений; измерение параметров; спектральный анализ многомерных сигналов; распознавание изображений; сжатие изображений.

Устройства формирования изображений получили широкое распространение и применение в самых различных областях науки, техники, промышленности, медицине, биологии и др. [3–6]. Они являются неотъемлемыми компонентами систем и устройств, применяемых в фотокинотехнике, телевидении, системах технического зрения: дневного, ночного и теплового видения, при дистанционном зондировании Земли. Назначение этих систем предполагает решение комплекса технических и научных задач, требующих синтеза и анализа методов обработки, бинаризации, классификации изображений. Развитие микроэлектроники, переход от аналоговой формы сигналов к цифровой позволяют расширить палитру и повысить сложность применяемых алгоритмов для решения поставленных задач [7,8]. Рассмотрим некоторые из устройств формирования изображений.

2.2 Устройства формирования изображений