Курс по обработке сигналов
Математический спецкурс для студентов 2 и 3 курсов, а также магистров и студентов ВВО. |
Лекторы: А. С. Лукин, А. С. Крылов. Осенний семестр 2014. Лекции проходят по понедельникам в 16:20, ауд. 612. Первая лекция — 13 октября. Формат курса: лекции + практическое задание + экзамен.
Экзамен: 22 декабря, 16:20, ауд. 759.
Билеты экзамена
1 | Звуковые сигналы и их восприятие. Цифровые и аналоговые сигналы. Дискретизация. Теорема Котельникова. Наложение спектров (алиасинг). Фильтрация. Линейные системы. Свертка. Простейшие двумерные фильтры для изображений. |
2 | Дискретное преобразование Фурье. Его базисные функции. Размытие спектра, весовые окна. Быстрое преобразование Фурье. Быстрая свертка в частотной области. Секционная свертка. |
3 | Фильтрация. Быстрая свертка в частотной области. Секционная свертка. Свойства фильтров: АЧХ, ФЧХ, конечность импульсного отклика. Проектирование фильтров. Частотные характеристики простых двумерных фильтров. |
4 | Спектральный анализ. Мощность сигнала, теорема Парсеваля. Спектрограммы, усреднение во времени. Кратковременное преобразование Фурье (STFT). Размытие спектра, весовые окна. Частотно-временное разрешение. |
5 | Непрерывное вейвлет-преобразование. Дискретное вейвлет-преобразование. Пирамидальное представление изображений. Банки фильтров: понятие и примеры. Свойства STFT и MDCT. Применение банков фильтров в алгоритме спектрального вычитания. |
6 | Применения вейвлетов и банков фильтров. Психоакустическая компрессия звука. Звуковые сигналы и их восприятие. Слуховая маскировка. Устройство алгоритма mp3. Эффект пред-эха. |
7 | Применения вейвлетов и банков фильтров. Подавление стационарных шумов. STFT как банк фильтров. Частотно-временное разрешение. Метод спектрального вычитания. Проблема «музыкального шума». |
8 | Виды шумов в изображениях. Медианная фильтрация. Билатеральный фильтр. Алгоритм нелокального усреднения. Подавление вейвлет-коэффициентов. Метод главных компонент и шумоподавление на его основе. |
9 | Корреляция и автокорреляция, их вычисление. Линейное предсказание сигнала и его применения. Нахождение оптимальных коэффициентов линейного предсказания. Метод интерполяции LSAR. |
10 | Психоакустика. Восприятие звука ухом. Слуховые пороги, область слышимости. Одновременная и временная маскировка. Спектр гармонических сигналов, форманты. |
11 | Квантование. Свойства шума квантования. Дитеринг. Формирование спектра шума квантования (noise shaping). Слышимость шума квантования. Диффузия ошибки при квантовании изображений. |
12 | Теорема о преобразовании Фурье свертки. Доказательство. Иллюстрация применения. |
13 | Модель размытия изображений. Применение теоремы о свертке для восстановления размытых изображений. Фурье-дескрипторы в задаче оценки качества изображений глаз. |
14 | Восстановление размытых изображений. Неустойчивость этой операции. Регуляризирующий алгоритм восстановления размытых изображений. |
15 | Линейные методы увеличения изображений. Ядра свертки при увеличении. Артефакты увеличения. Спектр света и его восприятие. Аддитивные и субтрактивные цветовые системы. Цветовые системы, равномерные к восприятию. |
16 | Нелинейные методы увеличения изображений: интерполяция вдоль границ, NEDI. Метрики близости изображений: PSNR, MSE. Функция чувствительности к контрасту. Понятие о визуальной маскировке. |
17 | Алгоритмы изменения длительности и высоты звучания. Передискретизация (resampling). Гранулярный метод. Вокодерный метод. Понятие о сдвиге формант. Нахождение основного тона сигнала с помощью автокорреляции. |
Лекции
13 окт. | Дискретизация. Свёртка. ДПФ.Звуковые сигналы и их восприятие. Цифровые и аналоговые сигналы. Дискретизация. Теорема Котельникова. Наложение спектров (алиасинг). Фильтрация. Линейные системы. Свёртка. Простейшие двумерные фильтры для изображений. Дискретное преобразование Фурье. Понятие о спектральном анализе. | Слайдызапись |
20 окт. | Теорема о преобразовании Фурье свёртки.Доказательство. Иллюстрация применения.Восстановление размытых изображений.Модель размытия изображений. Применение теоремы о свёртке для восстановления размытых изображений. Неустойчивость этой операции. Регуляризирующий алгоритм восстановления размытых изображений.Фурье-дескрипторы в задаче оценки качества изображений глаз. | Слайды СлайдыСлайды |
27 окт. | Спектральный анализ. Быстрая свёртка. Фильтрация.Мощность сигнала, теорема Парсеваля. Размытие спектра, весовые окна. Оконное преобразование Фурье (STFT). Спектрограммы, усреднение спектра по времени. Частотно-временное разрешение. Быстрая свёртка в частотной области. Секционная свёртка. Свойства фильтров. Проектирование фильтров. Частотные характеристики простых двумерных фильтров. Применения свёртки: звуковой эквалайзер, моделирование реверберации. | Слайдызапись |
10 ноя. | Вейвлеты и банки фильтров.Непрерывное вейвлет-преобразование. Дискретное вейвлет-преобразование. Квадратурные зеркальные фильтры. Пирамидальное представление данных. Банки фильтров, основанные на ДПФ: STFT, MDCT. | Слайдызапись (+конец 3 лекции) |
17 ноя. | Применения банков фильтров.Психоакустическая компрессия звука. Слуховая маскировка. Устройство алгоритма mp3. Подавление стационарных шумов. Метод спектрального вычитания. STFT как банк фильтров, полосовые гейты. Проблема «музыкального шума» и методы борьбы с ним. Расширение полосы частот в аудиосигнале. | Слайдызапись (+конец 4 лекции) |
24 ноя. | Основы визуального восприятия.Спектр света и его восприятие. Аддитивные и субтрактивные цветовые системы. Закон Вебера, гамма-коррекция. Цветовые системы, равномерные к восприятию. Метрики близости изображений: PSNR, MSE. Функция чувствительности к контрасту. Понятие о визуальной маскировке. Кортекс-преобразование и его использование в метриках близости изображений.Шумоподавление для изображений.Виды шумов и терминология. Подавление импульсных шумов. Медианная фильтрация. Подавление стационарных шумов. Билатеральный фильтр. Алгоритм нелокального усреднения (non-local means) и его оптимизация. Подавление вейвлет-коэффициентов. Метод главных компонент (PCA) и шумоподавление на его основе. | Слайды записьСлайдызапись |
1 дек. | Линейное предсказание. Интерполяция аудиосигнала.Корреляция и автокорреляция. Авторегрессионная модель сигнала. Нахождение оптимальных коэффициентов регрессии. Применения LPC в сжатии и интерполяции сигналов. Метод интерполяции LSAR. Подавление искажений клиппирования и щелчков в аудиосигнале.Консультация по практическому заданию. | Слайды записьзапись |
8 дек. | Квантование, дитеринг.Шум квантования. Дитеринг. Формирование спектра шума квантования (noise shaping). Восприятие шумов квантования.Изменение длительности и высоты звучания.Передискретизация и эффект замедленной плёнки. Алгоритмы временной области: гранулярный подход, автокорреляция. Алгоритмы частотной области: фазовый вокодер, проблема фазовой когерентности.Основы психоакустики.Основной тон гармонических звуков. Музыкальный звукоряд. Разрешающая способность слуха по частоте. Маскировка. Речеобразование, форманты.Коррекция формант при сдвиге высоты тона.Форманты и тембр голоса. Сдвиг формант при передискретизации. Определение основного тона. Коррекция формант с помощью банка фильтров. | Слайды записьСлайдызаписьСлайдызаписьСлайдызапись |
15 дек. | Линейные и нелинейные методы увеличения изображений.Ядра свёртки при линейном увеличении. Артефакты увеличения. Нелинейные методы: интерполяция вдоль границ, метод NEDI, метод регуляризации обратной задачи.Консультация перед экзаменом. | Слайды |
Практическое задание
Предлагается реализовать «Шумоподавление для звука».
Срок сдачи задания — 17 декабря. Задание (исходные коды и exe) нужно отправить архивом на адрес с темой письма «Задание по спецкурсу». Не забудьте вложить в архив readme-файл с указанием вашей фамилии и списка выполненных пунктов. Если письмо не отправляется из-за наличия exe в архиве, сделайте архив с паролем либо воспользуйтесь файлообменным сервисом.
Баллы за практическое задание
Источник: http://imaging.cs.msu.ru/ru/courses/dspcourse
Введение в цифровую обработку сигналов
В данной статье представлены основы цифровой обработки сигналов (ЦОС, DSP, digital signal processing), приводящие к серии статей по статистике и теории вероятности.
Что такое цифровая обработка сигналов?
DSP манипулирует различными типами сигналов с целью фильтрации, измерения или сжатия и создания аналоговых сигналов. Аналоговые сигналы отличаются приемом информации и переводом ее в электрические импульсы разной амплитуды, тогда как информация цифрового сигнала преобразуется в двоичный формат, где каждый бит данных представлен двумя различимыми амплитудами.
Еще одна заметная разница заключается в том, что аналоговые сигналы могут быть представлены как синусоидальные волны, а цифровые сигналы представлены как прямоугольные волны.
ЦОС можно найти практически в любой области, будь то обработка нефти, воспроизведение звука, радар и гидролокатор, обработка медицинских изображений или телекоммуникации – по сути, любое приложение, в котором сигналы сжимаются и воспроизводятся.
Аналоговый и цифровой сигналы
Так что же такое цифровая обработка сигналов? Цифровая обработка сигналов принимает сигналы, такие как звук, голос, видео, температура или давление, которые уже оцифрованы, а затем математически управляет ими.
Затем эта информация может быть представлена как дискретное время, дискретная частота или другие дискретные формы, чтобы эта информация могла обрабатываться в цифровом виде.
В реальном мире для приема аналоговых сигналов (звука, света, давления или температуры) и преобразования их в нули и единицы для цифрового формата необходим аналого-цифровой преобразователь.
DSP содержит четыре ключевых компонента:
- Вычислительная система: математические манипуляции, вычисления и процессы путем организации связи программы, или задачи, из памяти программ и информации, хранящейся в памяти данных.
- Память данных: хранит информацию, подлежащую обработке, и работает совместно с памятью программ.
- Память программ: в ней хранятся программы, или задачи, которые DSP будет использовать для обработки, сжатия или управления данными.
- Ввод/вывод: он может зависеть от различных вещей, в зависимости от области, в которой используется DSP, т.е. внешних портов, последовательных портов, таймеров и подключения к внешнему миру.
Ниже приведено представление о том, как выглядят эти четыре компонента цифровой обработки сигналов в общей конфигурации системы.
Ключевые компоненты цифоровой обработки сигналов (ЦОС)
DSP фильтры
Фильтр Чебышева – это цифровой фильтр, который может использоваться для разделения одной полосы частот от другой. Эти фильтры известны своим основным атрибутом, скоростью, и хотя они не являются лучшими в категории производительности, они более чем достаточны для большинства приложений.
Конструкция фильтра Чебышева была спроектирована вокруг математической методики, известной как z-преобразование. В принципе, z-преобразование преобразует дискретный во времени сигнал, состоящий из последовательности действительных или комплексных чисел, в представление в частотной области.
Отклик фильтра Чебышева обычно используется для достижения более быстрого спада, допуская волнистость на частотной характеристике. Эти фильтры называются фильтрами 1 рода, что означает, что пульсации на частотной характеристике допускаются только в полосе пропускания.
Фильтр Чебышева, как правило, является линейным по своей характеристике, а нелинейный фильтр может привести к появлению в выходном сигнале частотных составляющих, отсутствующих во входном сигнале.
Зачем использовать цифровую обработку сигналов?
Чтобы понять, как цифровая обработка сигналов, или DSP, сопоставляется с аналоговой схемотехникой, можно сравнить две системы с назначением какого-либо фильтра.
В то время как аналоговый фильтр будет использовать усилители, конденсаторы, индуктивности или резисторы и будет доступным и простым в сборке, будет довольно сложно его настроить, или изменить его порядок.
Однако, то же самое можно сделать с помощью DSP системы, просто упростив проектирование и модификацию. Работа фильтра на DSP системе основана на программном обеспечении, поэтому можно выбрать из нескольких фильтров.
Кроме того, для создания гибких и регулируемых фильтров с характеристиками высокого порядка требуется только программное обеспечение DSP, тогда как для аналогового решения требуется дополнительное аппаратное обеспечение.
Например, практический полосовой фильтр с заданной частотной характеристикой должен иметь управление частотой среза, настройку полосы пропускания, управление шириной полосы пропускания, бесконечное затухание в полосе задерживания и характеристику в полосе пропускания, которая является полностью плоской с нулевым фазовым сдвигом.
Если использовать аналоговые методы, фильтры второго порядка потребуют много звеньев с высоким уровнем добротности, что в конечном итоге означает, что его будет очень сложно отрегулировать и подстроить. Подходя к этой задаче с помощью программного обеспечения DSP, возможно использование конечной импульсной характеристики (КИХ, FIR, finite impulse response), т.е.
С учетом этих различий в проектировании, программное обеспечение DSP выбирается из-за его гибкости и простоты по сравнению с проектами аналоговых схем фильтров.
Использование DSP при создании этого полосового фильтра не является чересчур страшной задачей. Реализация DSP и изготовление фильтров становятся намного проще, так как вам нужно просто одинаково запрограммировать каждый DSP чип, состоящий в устройстве.
Однако, используя аналоговые компоненты, вы рискуете натолкнуться на неисправные компоненты, на необходимость настройки схемы и «программирования» фильтра для каждой отдельной аналоговой схемы.
DSP создает доступный и менее утомительный способ создания фильтра для обработки сигналов и повышает точность настройки и регулировки фильтров в целом.
Ацп и цап
Электронное оборудование активно используется практически во всех областях. Аналого-цифровые преобразователи (АЦП, ADC, Analog to Digital Converter) и цифро-аналоговые преобразователи (ЦАП, DAC, Digital to Analog Converter) являются важными компонентами для любых вариантов DSP в любой области.
Эти два конвертирующих интерфейса необходимы для преобразования сигналов реального мира, чтобы цифровое электронное оборудование могло принимать любой аналоговый сигнал и обрабатывать его.
Для примера, возьмите микрофон: АЦП преобразует аналоговый сигнал, собранный входом аудиоаппаратуры, в цифровой сигнал, который после обработки может выводиться динамиками или мониторами.
Пока он проходит через цифровую систему аудиооборудования, программное обеспечение может добавлять эхо-сигналы или регулировать темп и высоту тона голоса, чтобы получить идеальный звук.
С другой стороны, ЦАП преобразует уже обработанный цифровой сигнал обратно в аналоговый сигнал, который используется оборудованием аудиовыхода, таким как мониторы. Ниже приведено изображение, показывающее, как работает приведенный пример, и как его аудиосигналы могут быть восстановлены из цифрового формата, а затем выведены в виде аналоговых сигналов через мониторы.
Пример использования цифровой обработки сигналов в аудиосистемах
Тип аналого-цифрового преобразователя, известный как АЦП последовательного приближения (или «digital ramp ADC»), включает в себя компаратор.
Значение аналогового напряжения в некоторый момент времени сравнивается с заданным стандартным напряжением.
Компаратор переключит выходной сигнал, когда напряжение «пилы» ЦАП превысит напряжение входного аналогового сигнала. Переключение компаратора останавливает двоичный счетчик, который теперь удерживает цифровое значение, соответствующее аналоговому напряжению в этот момент. Рисунок ниже показывает работу АЦП последовательного приближения.
Принцип работы АЦП последовательного приближения
Применения DSP
Существует множество вариантов цифровых сигнальных процессоров, которые могут выполнять разные вещи в зависимости от выполняемого приложения. Некоторые из этих вариантов: обработка аудиосигнала, сжатие аудио и видео, обработка и распознавание речи, цифровая обработка изображений, радиолокационные приложения.
Разница между каждым из этих приложений заключается в том, как цифровой сигнальный процессор может обрабатывать каждый вход. Существует пять различных аспектов, которые варьируются для каждого DSP: тактовая частота, размер ОЗУ, ширина шины данных, размер ПЗУ и напряжение входа/выхода.
Все эти компоненты действительно будут влиять на формат вычислений, скорость, организацию памяти и ширину данных процессора.
Одной из известных архитектурных схем является гарвардская архитектура. Эта конструкция позволяет процессору одновременно обращаться к двум банкам памяти с помощью двух независимых наборов шин.
Данная архитектура может выполнять математические операции, одновременно получая дополнительные инструкции. Другая архитектура – архитектура памяти фон Неймана. Так как в ней есть только одна шина данных, инструкции не могут быть загружены во время выполнения команд.
Это создает пробку, которая, в конечном счете, замедляет выполнение приложений DSP. Хотя эти процессоры похожи на процессор, используемый в обычном компьютере, эти цифровые сигнальные процессоры являются специализированными.
Это часто означает, что для выполнения задач DSP процессоры требуют использовать арифметику с фиксированной точкой.
Другим аспектом является дискретизация, т.е. преобразование непрерывного сигнала в дискретный сигнал. Одним из основных ее приложений является преобразование звуковых сигналов. Дискретизация аудиосигналов использует цифровые сигналы и импульсно-кодовую модуляцию для воспроизведения звука.
Необходимо, чтобы люди слышали звук от 20 Гц до 20 кГц. Частоты дискретизации выше, чем около 50-60 кГц, не могут предоставить человеческому уху больше информации.
При помощи этой технологии дискретные отсчеты аудиосигналов могут быть воспроизведены, используя различные фильтры с программным обеспечением DSP, Ацп и цап.
Я надеюсь, что эта статья предоставила информацию, достаточную, чтобы получить общее представление о том, что такое DSP процессоры, как они работают, и что они используются во множестве областей. Если у вас есть какие-либо вопросы или мысли, пожалуйста, оставляйте комментарии ниже!
Оригинал статьи:
- Donald Krambeck. An Introduction to Digital Signal Processing
Источник: https://radioprog.ru/post/471
М. М. Лукашевич, р. Х. Садыхов цифровая обработка сигналов и изображений
Министерствообразования Республики Беларусь
Учреждениеобразования
«Белорусскийгосударственный университет
информатикии радиоэлектроники»
Кафедраэлектронных вычислительных машин
Лабораторныйпрактикум для студентов специальностиI-40 02 01
«Вычислительныемашины, системы и сети»
всехформ обучения
Версия3.0
МинскБГУИР 2010
УДК621.391(076.5)
ББК32.811.3я73
Л84
Рецензент:
ведущийнаучный сотрудник ОИПИ НАН Беларуси,
канд.техн. наук А.А. Дудкин
Лукашевич, М. М.
Л 84 |
Цифровая обработка сигналов и изображений: лабораторный практикум для студ. спец. I-40 02 01 «Вычислительные машины, системы и сети» всех форм обуч. / М. М. Лукашевич, Р. Х. Садыхов – Минск : БГУИР, 2010. – 35 c. ISBN 978-985-488-598-8 |
В лабораторном практикуме содержатся методические указания к выполнению лабораторных работ, предназначенные для изучения некоторых разделов дисциплины «Цифровая обработка сигналов и изображений». Изложены методы пространственной обработки изображений, алгоритмы фильтрации изображений, основные аспекты кластерного анализа при распознавании образов. Практикум дополняет уже изданные авторами методические указания к лабораторным работам, посвященные анализу сигналов, дискретным преобразованиям и теории нейронных сетей. |
УДК 621.391(076.5)
ББК 32.811.3я73
ISBN 978-985-488-598-8 |
© Лукашевич М. М., Садыхов Р. Х., 2010 |
© УО «Белорусский государственный университет информатики и радиоэлектроники», 2010 |
Общие теоретические сведения………………………………………………. Лабораторная работа №1 Гистограмма и гистограммная обработка. Поэлементная обработка изображений. Фильтрация изображений…… Теоретические сведения………………………………………………………. Задание для лабораторной работы……………………………………………. Лабораторная работа №2 Кластерный анализ в распознавании образов………………………………………………………………………. Теоретические сведения…………………………………………………… Задание для лабораторной работы………………………………………… Литература……………………………………………………………………… |
4 11 11 23 24 24 32 34 |
Общие теоретические сведения
Изображение– это двумерное отображение наблюдаемойсцены, возникающее в результатерегистрации лучистой энергии, исходящейиз наблюдаемой сцены, с помощью некоторогоустройства – сенсора (совокупностисенсоров).
Регистрируемый сенсоромсигнал возникает в результатевзаимодействия источника «освещения»с элементами изображаемой «сцены».
Цвет– это психическое свойство человеческогозрения, возникающее при наблюденииобъектов и света, а не физические свойстваобъектов и света; результат взаимодействиясвета сцены и зрительной системычеловека.
Большинствоустройств ввода данных в современныхсистемах обработки изображений, а такжеподавляющее большинство цифровых фото-и видеокамер используют сенсоры в формедвумерного массива (матрицы).
Типичнымчувствительным элементом являетсяматрица на основе приборов с зарядовойсвязью (ПЗС) или ChargeCoupled Device(CCD).
Ответная реакция каждого элементапропорциональна интегралу световойэнергии, попадающей на поверхностьэтого элемента за время экспозиции(рис. 1).
а |
б |
Рис.1: а – элемент CCD-матрицы;б – CCD-матрица
Вобщем виде конструкция CCD-элементавыглядит следующим образом: кремниеваяподложка p-типа оснащается каналами изполупроводника n-типа. Над каналамисоздаются электроды из поликристаллическогокремния с изолирующей прослойкой изоксида кремния.
После подачи на такойэлектрод электрического потенциала вобеднённой зоне под каналом n-типасоздаётся потенциальнаяяма, назначениекоторой – хранить электроны. Фотон,проникающий в кремний, приводит кгенерации электрона, который притягиваетсяпотенциальной ямой и остаётся в ней.
Большее количество фотонов (яркий свет)обеспечивает больший заряд ямы. Затемнадо считать значение этого заряда,именуемого также фототоком,и усилить его.
Считывание фототоковCCD-элементовосуществляется так называемымипоследовательнымирегистрами сдвига,которые преобразовывают строку зарядовна входе в серию импульсов на выходе.Данная серия представляет собойаналоговый сигнал, который в дальнейшемпоступает на усилитель.
Существуетдве основные формы представленияизображений: непрерывнаяи дискретная.Очень редко изображения, получаемые винформационных системах, имеют цифровуюформу. Преобразование изображений кцифровому виду включает в себя дваэтапа.
При цифровом представлении каждому изквантованных значений яркости ставитсяв соответствие двоичное число, чем идостигается возможность ввода изображенияв ЭВМ.
Компьютерыобрабатывают не изображения, а толькомассивы дискретных чисел. Таким образом,изображение представляется в видедвумерного массива чисел. Точка в2D-сетке называетсяпикселем(pixel)(рис. 2, а,б).
Это название является сокращениемпонятияpictureelement(элемент изображения). Пиксель представляетэнергетическую освещенность всоответствующем месте сетки. Положениепикселя задается с помощью общепринятогообозначения для матриц.
а |
б |
Рис.2: а – положение пикселя в 2D-сетке;б – матричное представление изображения
Размерпикселя цифрового изображения определяетсяразрешением, а минимальная разницамежду яркостями пикселя определяетсяглубиной цвета. Разрешение изображенияизмеряется количеством пикселей,расположенных на единице длины.
Какправило, в качестве единицы длины приоцифровке изображений используетсядюйм, в таком случае разрешение измеряетсяв количестве пикселей на дюйм (dotsperinch,dpi).
Глубина цветаопределяется количествомразличных значений, которое можетпринимать пиксель.
Какправило, изображения квантуются в 256уровней яркости. Тогда каждый пиксельзанимает 8 бит или 1 байт. Этот битовыйразмер хорошо подходит к архитектурестандартных компьютеров, которые могутобращаться к памяти побайтово.
Крометого, разрешающая способность являетсяприемлемой для того, чтобы создатьиллюзию непрерывного изменения в уровняхяркости, поскольку относительноеразрешение зрительной системы человекапо интенсивности не лучше, чемприблизительно 2%.
В общем виде значениеQ(число уровней (градаций) яркости) обычновыбирают равным целочисленной степенидвойки:
. (1)
Дискретныеуровни яркости расположены с постояннымшагом и принимают целые значения винтервале [0, Q-1].Общее количество битов b,необходимое для хранения цифровогоизображения, определяется по формуле
. (2)
Наилучшаяглубина цвета зависит от спецификизадачи и типа исходных изображений.Наиболее часто встречаются следующиеслучаи:
-
2 уровня яркости (черный и белый) – бинарное изображение;
-
256 уровней яркости (1 байт на пиксель) – полутоновое изображение;
-
65 536 уровней яркости (2 байта на пиксель) – полутоновое изображение;
-
16,7 млн цветов (3 байта – красный, синий, зеленый – на пиксель) – цветное изображение;
-
4,3 млрд цветов (4 байта – голубой, сиреневый, желтый, черный – на пиксель) – цветное изображение.
Последнеепредставление используется, как правило,лишь в издательских системах, тогда какпервые четыре способа широко распространеныв обработке изображений.
Источник: https://StudFiles.net/preview/1557682/
Add comment