അനലോഗ്, വ്യതിരിക്ത ചിത്രം. ഗ്രാഫിക് വിവരങ്ങൾ അനലോഗ് അല്ലെങ്കിൽ വ്യതിരിക്ത രൂപത്തിൽ അവതരിപ്പിക്കാവുന്നതാണ്. അനലോഗ് ഇമേജിൻ്റെ ഒരു ഉദാഹരണം തുടർച്ചയായി നിറം മാറുന്ന ഒരു പെയിൻ്റിംഗാണ്, കൂടാതെ വ്യത്യസ്ത നിറങ്ങളിലുള്ള വ്യക്തിഗത ഡോട്ടുകൾ അടങ്ങുന്ന ഒരു ഇങ്ക്‌ജെറ്റ് പ്രിൻ്റർ ഉപയോഗിച്ച് അച്ചടിച്ച ഒരു പാറ്റേണാണ് ഡിസ്‌ക്രീറ്റ് ഇമേജിൻ്റെ ഉദാഹരണം. അനലോഗ് (ഓയിൽ പെയിൻ്റിംഗ്). ഡിസ്ക്രീറ്റ്.

സ്ലൈഡ് 11അവതരണത്തിൽ നിന്ന് "വിവരങ്ങളുടെ എൻകോഡിംഗും പ്രോസസ്സിംഗും". അവതരണത്തോടുകൂടിയ ആർക്കൈവിൻ്റെ വലുപ്പം 445 KB ആണ്.

കമ്പ്യൂട്ടർ സയൻസ് ഒമ്പതാം ക്ലാസ്

മറ്റ് അവതരണങ്ങളുടെ സംഗ്രഹം

“ബ്രാഞ്ചിംഗ് സ്ട്രക്ചർ അൽഗോരിതം” - വ്യവസ്ഥയാണെങ്കിൽ, പിന്നെ പ്രവർത്തനം. നമുക്ക് എന്തറിയാം? പാഠ ഘടന. ബ്രാഞ്ചിംഗ് അൽഗോരിതം. അൽഗോരിതം പൂർത്തിയാക്കി പട്ടിക പൂരിപ്പിക്കുക. 85 മുതൽ 100 ​​വരെ പോയിൻ്റുകൾ ഉൾപ്പെടെ സ്കോർ ചെയ്യുന്ന വിദ്യാർത്ഥി മത്സരത്തിൻ്റെ രണ്ടാം റൗണ്ടിലേക്ക് മുന്നേറുന്നു. പോയിൻ്റുകളുടെ എണ്ണം നൽകി അവൻ രണ്ടാം റൗണ്ടിൽ എത്തിയോ എന്ന് നിർണ്ണയിക്കുക. a യ്ക്കും b യ്ക്കും ഇടയിലുള്ള ഏറ്റവും വലിയ സംഖ്യ കണ്ടെത്തുക. ഒരു പ്രോഗ്രാമിംഗ് ഭാഷയിൽ ഒരു പ്രോഗ്രാം എഴുതുക. ഒരു ബ്രാഞ്ചിംഗ് അൽഗോരിതം എന്നത് ഒരു അൽഗോരിതം ആണ്, അതിൽ വ്യവസ്ഥയെ ആശ്രയിച്ച്, ഒന്നോ അതിലധികമോ പ്രവർത്തനങ്ങൾ നടത്തുന്നു.

"കൃത്രിമ ബുദ്ധിയുടെ സൃഷ്ടി" - സിമുലേഷൻ സമീപനം. കൃത്രിമ ബുദ്ധി സംവിധാനങ്ങൾ നിർമ്മിക്കുന്നതിനുള്ള സമീപനങ്ങൾ. പരിണാമ സമീപനം. നിർമ്മിത ബുദ്ധി. നിരവധി ആളുകളുമായി സഹവസിക്കാൻ കഴിയും, വ്യക്തിപരമായ പ്രശ്നങ്ങളെ നേരിടാൻ സഹായിക്കുന്നു. ഘടനാപരമായ സമീപനം. ലോജിക്കൽ സമീപനം. വികസന സമയത്ത് പ്രശ്നങ്ങൾ. വികസന സാധ്യതകളും ആപ്ലിക്കേഷൻ്റെ മേഖലകളും.

"സൈക്ലിക് പ്രോഗ്രാമുകൾ" - ഡിജിറ്റൽ. മുൻവ്യവസ്ഥയോടെ ലൂപ്പ് ചെയ്യുക. തുക കണ്ടെത്തുക. പോസ്റ്റ് കണ്ടീഷൻ ഉള്ള ലൂപ്പ്. ഒരു പാരാമീറ്റർ ഉപയോഗിച്ച് ലൂപ്പ് ചെയ്യുക. യൂക്ലിഡിൻ്റെ അൽഗോരിതം. സൈക്ലിക് പ്രോഗ്രാമുകൾ. സ്വാഭാവിക സംഖ്യകളുടെ ആകെത്തുക കണ്ടെത്തുക. ഒരു ചക്രം എന്ന ആശയം. ഒരു പ്രാരംഭ ഫീസ്. ഫംഗ്ഷൻ ടാബുലേഷൻ. കണക്കാക്കുക. ഉദാഹരണം. ഡിവൈഡറുകൾ. കമ്പ്യൂട്ടർ സയൻസ്. അക്കങ്ങളുടെ എണ്ണം കണ്ടെത്തുക. കണ്ടെത്തുക. മൂന്നക്ക സ്വാഭാവിക സംഖ്യകളുടെ എണ്ണം കണ്ടെത്തുക. മൂന്നക്ക സംഖ്യകൾ. ഫംഗ്ഷൻ മൂല്യങ്ങളുടെ കൂട്ടം കണ്ടെത്തുക. ഡോളർ പരിവർത്തന പട്ടിക.

"എന്താണ് ഇമെയിൽ" - അയച്ചയാൾ. ഇമെയിൽ വിലാസം. ഇമെയിൽ ചരിത്രം. ഇ-മെയിലിൻ്റെ രൂപത്തെക്കുറിച്ചുള്ള ചോദ്യം. അക്ഷര ഘടന. മെയിൽ റൂട്ടിംഗ്. കത്ത്. ഇമെയിൽ. പകർത്തുക. തിയതി. എക്സ്-മെയിലർ. ഇമെയിൽ. ഇമെയിൽ എങ്ങനെ പ്രവർത്തിക്കുന്നു.

"ഇമെയിൽ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നു" - ഇമെയിൽ വിലാസം. മെയിൽബോക്സ്. ഇമെയിൽ പ്രോട്ടോക്കോൾ. ഫയൽ പങ്കിടൽ നെറ്റ്‌വർക്ക്. വിലാസം വേർതിരിക്കുക. ഇമെയിലിൻ്റെ പ്രയോജനങ്ങൾ. മെയിൽ ക്ലയൻ്റുകൾ. ഇമെയിലിൻ്റെ ഉപജ്ഞാതാവ്. വിലാസം. ഇമെയിൽ. ഇമെയിൽ ഉപയോഗിച്ച് പ്രവർത്തിക്കാനുള്ള സോഫ്റ്റ്വെയർ. ഇമെയിൽ എങ്ങനെ പ്രവർത്തിക്കുന്നു. ടെലികോൺഫറൻസ്. മെയിൽ സെർവർ. ഫയൽ പങ്കിടൽ.

"ഫോട്ടോഷോപ്പിൽ പ്രോസസ്സിംഗ്" - കൂൾ സഞ്ചി. ഒരു വ്യാജനെ എങ്ങനെ വേർതിരിക്കാം. റാസ്റ്റർ, വെക്റ്റർ ചിത്രങ്ങൾ. ആമുഖം. മുൻനിര സ്ഥലങ്ങൾ. അഡോബ് ഫോട്ടോഷോപ്പ് പ്രോഗ്രാം. റീടച്ചിംഗ്. ഫോട്ടോഷോപ്പിനൊപ്പം പ്രവർത്തിക്കുന്നതിനുള്ള മത്സരങ്ങൾ. തെളിച്ചം ക്രമീകരിക്കൽ. എന്റെ സുഹൃത്തുക്കൾ. പ്രായോഗിക ഭാഗം. സമാനമായ പ്രോഗ്രാമുകൾ. പ്രധാന ഭാഗം. ഡിസൈൻ. അസാധാരണ മൃഗങ്ങൾ. ഒന്നിലധികം ചിത്രങ്ങളുടെ മൊണ്ടേജ്.

മുൻ അധ്യായത്തിൽ, തുടർച്ചയായ ദ്വിമാന ഡൊമെയ്‌നിലെ ലീനിയർ സ്പേഷ്യൽ ഇൻവേരിയൻ്റ് സിസ്റ്റങ്ങളെ ഞങ്ങൾ പഠിച്ചു. പ്രായോഗികമായി, ഞങ്ങൾ കൈകാര്യം ചെയ്യുന്നത് പരിമിതമായ അളവുകളുള്ളതും അതേ സമയം വ്യതിരിക്തമായ പോയിൻ്റുകളിൽ അളക്കുന്നതുമായ ചിത്രങ്ങളാണ്. അതിനാൽ, ഇതുവരെ വികസിപ്പിച്ച രീതികൾ അത്തരം ഒരു മേഖലയിൽ പ്രയോഗിക്കാൻ കഴിയുന്ന തരത്തിൽ പൊരുത്തപ്പെടുത്തുകയും വിപുലീകരിക്കുകയും പരിഷ്കരിക്കുകയും വേണം. ശ്രദ്ധാപൂർവ്വം പരിഗണിക്കേണ്ട നിരവധി പുതിയ പോയിൻ്റുകളും ഉയർന്നുവരുന്നു.

വ്യതിരിക്തമായ മൂല്യങ്ങളിൽ നിന്ന് ഏത് സാഹചര്യത്തിലാണ് തുടർച്ചയായ ഇമേജ് കൃത്യമായി പുനർനിർമ്മിക്കാമെന്ന് സാമ്പിൾ സിദ്ധാന്തം നമ്മോട് പറയുന്നത്. അതിൻ്റെ പ്രയോഗക്ഷമത വ്യവസ്ഥകൾ പാലിക്കാത്തപ്പോൾ എന്താണ് സംഭവിക്കുകയെന്നും ഞങ്ങൾ പഠിക്കും. ഇതെല്ലാം വിഷ്വൽ സിസ്റ്റങ്ങളുടെ വികസനത്തിൽ നേരിട്ട് സ്വാധീനം ചെലുത്തുന്നു.

ഫ്രീക്വൻസി ഡൊമെയ്‌നിലേക്ക് നീങ്ങേണ്ട രീതികൾ, വ്യതിരിക്തമായ ഫോറിയർ പരിവർത്തനത്തിൻ്റെ വേഗത്തിലുള്ള കണക്കുകൂട്ടലിനുള്ള അൽഗോരിതം കാരണം ഭാഗികമായി ജനപ്രിയമായി. എന്നിരുന്നാലും, ഈ രീതികൾ ഒരു ആനുകാലിക സിഗ്നലിൻ്റെ സാന്നിധ്യം അനുമാനിക്കുന്നതിനാൽ ശ്രദ്ധിക്കേണ്ടതുണ്ട്. ഈ ആവശ്യകത എങ്ങനെ നിറവേറ്റാമെന്നും അത് ലംഘിക്കുന്നതിൻ്റെ അനന്തരഫലങ്ങൾ എന്താണെന്നും ഞങ്ങൾ ചർച്ച ചെയ്യും.

7.1 ചിത്രത്തിൻ്റെ വലുപ്പ പരിധി

പ്രായോഗികമായി, ചിത്രങ്ങൾക്ക് എല്ലായ്പ്പോഴും പരിമിതമായ അളവുകൾ ഉണ്ട്. H വീതിയും ഉയരവും ഉള്ള ഒരു ചതുരാകൃതിയിലുള്ള ചിത്രം പരിഗണിക്കുക. ഇപ്പോൾ അനന്തമായ പരിധികളിൽ ഫോറിയർ രൂപാന്തരത്തിൽ ഇൻ്റഗ്രലുകൾ എടുക്കേണ്ട ആവശ്യമില്ല:

പ്രവർത്തനം പുനഃസ്ഥാപിക്കുന്നതിന് എല്ലാ ആവൃത്തികളിലും നമ്മൾ അറിയേണ്ടതില്ല എന്നത് രസകരമാണ്. എന്നറിയുന്നത് ഒരു കടുത്ത പരിമിതിയെ പ്രതിനിധീകരിക്കുന്നു. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ഇമേജ് പ്ലെയിനിൻ്റെ പരിമിതമായ പ്രദേശത്ത് മാത്രം പൂജ്യമല്ലാത്ത ഒരു ഫംഗ്‌ഷനിൽ ഈ പ്രോപ്പർട്ടി ഇല്ലാത്ത ഒരു ഫംഗ്‌ഷനേക്കാൾ വളരെ കുറച്ച് വിവരങ്ങൾ മാത്രമേ അടങ്ങിയിട്ടുള്ളൂ.

ഇത് കാണുന്നതിന്, തന്നിരിക്കുന്ന ചിത്രത്തിൻ്റെ പകർപ്പുകൾ കൊണ്ട് സ്ക്രീൻ പ്ലെയിൻ മൂടിയിരിക്കുന്നതായി സങ്കൽപ്പിക്കുക. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, രണ്ട് ദിശകളിലും ആനുകാലികമായ ഒരു ഫംഗ്ഷനിലേക്ക് ഞങ്ങൾ ഞങ്ങളുടെ ചിത്രം വിപുലീകരിക്കുന്നു

x-ൽ കൂടാത്ത ഏറ്റവും വലിയ പൂർണ്ണസംഖ്യ ഇതാ. അത്തരത്തിലുള്ള ഒരു ഗുണിത ചിത്രത്തിൻ്റെ ഫോറിയർ രൂപാന്തരത്തിന് ഒരു രൂപമുണ്ട്

Ex-ൽ ഉചിതമായി തിരഞ്ഞെടുത്ത ഒത്തുചേരൽ ഘടകങ്ങൾ ഉപയോഗിക്കുന്നു. 7.1 അത് തെളിയിക്കപ്പെട്ടിരിക്കുന്നു

അതിനാൽ,

വ്യതിരിക്തമായ ആവൃത്തികൾ ഒഴികെ എല്ലായിടത്തും ഇത് പൂജ്യത്തിന് തുല്യമാണെന്ന് നാം കാണുന്നിടത്ത്, അത് കണ്ടെത്തുന്നതിന്, ഈ പോയിൻ്റുകളിൽ നമുക്ക് അറിഞ്ഞാൽ മതിയാകും. എന്നിരുന്നാലും, ഫംഗ്ഷൻ ലഭിക്കുന്നത്, അതിനുള്ള ഭാഗം വെട്ടിക്കളയുന്നതിലൂടെയാണ്. അതിനാൽ, ഇത് പുനഃസ്ഥാപിക്കുന്നതിന്, എല്ലാവർക്കുമായി മാത്രം അറിഞ്ഞാൽ മതി ഇത് എണ്ണാവുന്ന സംഖ്യകളുടെ ഒരു കൂട്ടമാണ്.

ഒരു ആനുകാലിക പ്രവർത്തനത്തിൻ്റെ പരിവർത്തനം വ്യതിരിക്തമായി മാറുന്നു എന്നത് ശ്രദ്ധിക്കുക. വിപരീത പരിവർത്തനത്തെ ഒരു ശ്രേണിയായി പ്രതിനിധീകരിക്കാം

ഇത് കാണാനുള്ള മറ്റൊരു മാർഗ്ഗം, വിൻഡോയ്ക്കുള്ളിലെ ചില ഫംഗ്‌ഷൻ വെട്ടിച്ചുരുക്കുന്നതിലൂടെ ലഭിച്ച ഫംഗ്‌ഷനായി ഒരു ഫംഗ്‌ഷനെ പരിഗണിക്കുക എന്നതാണ്. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, വിൻഡോ സെലക്ഷൻ ഫംഗ്‌ഷൻ ഇനിപ്പറയുന്ന രീതിയിൽ നിർവചിച്ചിരിക്കുന്നു.

ഒരു തുടർച്ചയായ ചിത്രം പരിഗണിക്കുക - രണ്ട് സ്പേഷ്യൽ വേരിയബിളുകളുടെ പ്രവർത്തനം x 1 ഒപ്പം x 2 എഫ്(x 1 , x 2) പരിമിതമായ ചതുരാകൃതിയിലുള്ള പ്രദേശത്ത് (ചിത്രം 3.1).

ചിത്രം 3.1 - തുടർച്ചയായ ചിത്രത്തിലേക്കുള്ള പരിവർത്തനം

സ്പേഷ്യൽ വേരിയബിളുമായി ബന്ധപ്പെട്ട് നമുക്ക് മാതൃകാ ഘട്ടം Δ 1 എന്ന ആശയം അവതരിപ്പിക്കാം. x 1, Δ 2 എന്നിവ വേരിയബിളിലൂടെ x 2. ഉദാഹരണത്തിന്, അച്ചുതണ്ടിൽ Δ 1 അകലത്തിൽ പരസ്പരം അകലെയുള്ള ബിന്ദുക്കൾ എന്ന് ഒരാൾക്ക് സങ്കൽപ്പിക്കാൻ കഴിയും. x 1 പോയിൻ്റ് വീഡിയോ സെൻസറുകൾ ഉണ്ട്. അത്തരം വീഡിയോ സെൻസറുകൾ മുഴുവൻ ചതുരാകൃതിയിലുള്ള പ്രദേശത്തും ഇൻസ്റ്റാൾ ചെയ്തിട്ടുണ്ടെങ്കിൽ, ചിത്രം ഒരു ദ്വിമാന ലാറ്റിസിൽ നിർവചിക്കപ്പെടും.

നൊട്ടേഷൻ ചുരുക്കാൻ, ഞങ്ങൾ സൂചിപ്പിക്കുന്നു

ഫംഗ്ഷൻ എഫ്(എൻ 1 , എൻ 2) രണ്ട് വ്യതിരിക്ത വേരിയബിളുകളുടെ പ്രവർത്തനമാണ്, ഇതിനെ ദ്വിമാന ശ്രേണി എന്ന് വിളിക്കുന്നു. അതായത്, സ്പേഷ്യൽ വേരിയബിളുകൾ ഉപയോഗിച്ച് ഒരു ഇമേജ് സാമ്പിൾ ചെയ്യുന്നത് സാമ്പിൾ മൂല്യങ്ങളുടെ ഒരു പട്ടികയിലേക്ക് വിവർത്തനം ചെയ്യുന്നു. പട്ടികയുടെ അളവ് (വരികളുടെയും നിരകളുടെയും എണ്ണം) നിർണ്ണയിക്കുന്നത് യഥാർത്ഥ ചതുരാകൃതിയിലുള്ള പ്രദേശത്തിൻ്റെ ജ്യാമിതീയ അളവുകളും ഫോർമുല അനുസരിച്ച് സാമ്പിൾ ഘട്ടത്തിൻ്റെ തിരഞ്ഞെടുപ്പും അനുസരിച്ചാണ്.

ചതുര ബ്രാക്കറ്റുകൾ [...] സംഖ്യയുടെ പൂർണ്ണസംഖ്യയെ സൂചിപ്പിക്കുന്നു.

തുടർച്ചയായ ഇമേജിൻ്റെ നിർവചനത്തിൻ്റെ ഡൊമെയ്ൻ ഒരു ചതുരമാണെങ്കിൽ എൽ 1 = എൽ 2 = എൽ,കൂടാതെ സാമ്പിൾ സ്റ്റെപ്പ് അച്ചുതണ്ടിൽ ഒരേ പോലെയായി തിരഞ്ഞെടുത്തിരിക്കുന്നു x 1 ഒപ്പം x 2 (Δ 1 = Δ 2 = Δ), പിന്നെ

കൂടാതെ പട്ടികയുടെ അളവ് എൻ 2 .

ഒരു ഇമേജ് സാമ്പിൾ ചെയ്യുന്നതിലൂടെ ലഭിച്ച പട്ടികയുടെ ഒരു ഘടകത്തെ വിളിക്കുന്നു " പിക്സൽ"അഥവാ " കൗണ്ട്ഡൗൺ". ഒരു പിക്സൽ പരിഗണിക്കുക എഫ്(എൻ 1 , എൻ 2). ഈ സംഖ്യ തുടർച്ചയായ മൂല്യങ്ങൾ സ്വീകരിക്കുന്നു. കമ്പ്യൂട്ടർ മെമ്മറിക്ക് വ്യതിരിക്ത സംഖ്യകൾ മാത്രമേ സംഭരിക്കാൻ കഴിയൂ. അതിനാൽ, മെമ്മറിയിൽ തുടർച്ചയായ മൂല്യം രേഖപ്പെടുത്താൻ എഫ്സ്റ്റെപ്പ് ഡി ഉപയോഗിച്ച് അനലോഗ്-ടു-ഡിജിറ്റൽ പരിവർത്തനത്തിന് വിധേയമാക്കണം എഫ്(ചിത്രം 3.2 കാണുക).

ചിത്രം 3.2 - തുടർച്ചയായ അളവ് അളവ്

അനലോഗ്-ടു-ഡിജിറ്റൽ പരിവർത്തനത്തിൻ്റെ പ്രവർത്തനം (നിലവിലുള്ള തുടർച്ചയായ മൂല്യത്തിൻ്റെ സാമ്പിൾ) പലപ്പോഴും വിളിക്കപ്പെടുന്നു ക്വാണ്ടൈസേഷൻ. ബ്രൈറ്റ്‌നെസ് ഫംഗ്‌ഷൻ്റെ മൂല്യങ്ങൾ _____ __________ എന്ന ഇടവേളയിലാണെങ്കിൽ, ക്വാണ്ടൈസേഷൻ ലെവലുകളുടെ എണ്ണം, തുല്യമാണ്

പ്രായോഗിക ഇമേജ് പ്രോസസ്സിംഗ് പ്രശ്നങ്ങളിൽ, അളവ് ക്യുമുതൽ വ്യാപകമായി വ്യത്യാസപ്പെടുന്നു ക്യു= 2 ("ബൈനറി" അല്ലെങ്കിൽ "ബ്ലാക്ക് ആൻഡ് വൈറ്റ്" ഇമേജുകൾ) വരെ ക്യു= 210 അല്ലെങ്കിൽ അതിൽ കൂടുതൽ (ഏതാണ്ട് തുടർച്ചയായ തെളിച്ച മൂല്യങ്ങൾ). ഏറ്റവും പതിവായി തിരഞ്ഞെടുത്തത് ക്യു= 28, അതിൽ ഒരു ഇമേജ് പിക്സൽ ഒരു ബൈറ്റ് ഡിജിറ്റൽ ഡാറ്റ ഉപയോഗിച്ച് എൻകോഡ് ചെയ്തിരിക്കുന്നു. മുകളിൽ പറഞ്ഞവയിൽ നിന്നെല്ലാം, കമ്പ്യൂട്ടറിൻ്റെ മെമ്മറിയിൽ സംഭരിച്ചിരിക്കുന്ന പിക്സലുകൾ, ആർഗ്യുമെൻ്റുകൾ (കോർഡിനേറ്റുകൾ?), ലെവലുകൾ എന്നിവയിലൂടെ യഥാർത്ഥ തുടർച്ചയായ ഇമേജ് സാമ്പിൾ ചെയ്യുന്നതിൻ്റെ ഫലമാണെന്ന് ഞങ്ങൾ നിഗമനം ചെയ്യുന്നു. (എവിടെ, എത്ര, എല്ലാം വ്യതിരിക്തമാണ്) സാമ്പിൾ ഘട്ടങ്ങൾ Δ 1 ആണെന്ന് വ്യക്തമാണ് , Δ 2 വേണ്ടത്ര ചെറുതായി തിരഞ്ഞെടുക്കണം, അതിനാൽ സാമ്പിൾ പിശക് നിസ്സാരവും ഡിജിറ്റൽ പ്രാതിനിധ്യം ആവശ്യമായ ഇമേജ് വിവരങ്ങൾ നിലനിർത്തുന്നു.

സാംപ്ലിംഗിൻ്റെയും ക്വാണ്ടൈസേഷൻ്റെയും ഘട്ടം ചെറുതാകുമ്പോൾ, കമ്പ്യൂട്ടർ മെമ്മറിയിൽ റെക്കോർഡ് ചെയ്യേണ്ട ഇമേജ് ഡാറ്റയുടെ അളവ് കൂടുതലാണെന്ന് ഓർമ്മിക്കേണ്ടതാണ്. ഈ പ്രസ്താവനയുടെ ഒരു ചിത്രീകരണമെന്ന നിലയിൽ, ഒരു ഡിജിറ്റൽ ഒപ്റ്റിക്കൽ ഡെൻസിറ്റി മീറ്റർ (മൈക്രോഡെൻസിറ്റോമീറ്റർ) ഉപയോഗിച്ച് മെമ്മറിയിൽ പ്രവേശിക്കുന്ന 50x50 മില്ലിമീറ്റർ വലിപ്പമുള്ള ഒരു സ്ലൈഡിലെ ഒരു ചിത്രം പരിഗണിക്കുക. ഇൻപുട്ട് ചെയ്യുമ്പോൾ, മൈക്രോഡെൻസിറ്റോമീറ്ററിൻ്റെ (സ്പേഷ്യൽ വേരിയബിളുകൾക്കുള്ള സാമ്പിൾ സ്റ്റെപ്പ്) ലീനിയർ റെസലൂഷൻ 100 മൈക്രോൺ ആണെങ്കിൽ, ഡൈമൻഷൻ പിക്സലുകളുടെ ദ്വിമാന ശ്രേണി എൻ 2 = 500×500 = 25∙10 4. ഘട്ടം 25 മൈക്രോണായി കുറച്ചാൽ, അറേയുടെ അളവുകൾ 16 മടങ്ങ് വർദ്ധിക്കും. എൻ 2 = 2000×2000 = 4∙10 6. 256 ലെവലുകളിൽ ക്വാണ്ടൈസേഷൻ ഉപയോഗിച്ച്, അതായത്, കണ്ടെത്തിയ പിക്സൽ ബൈറ്റ് ഉപയോഗിച്ച് എൻകോഡ് ചെയ്യുന്നതിലൂടെ, ആദ്യ സന്ദർഭത്തിൽ, റെക്കോർഡിംഗിന് 0.25 മെഗാബൈറ്റ് മെമ്മറിയും രണ്ടാമത്തെ കേസിൽ 4 മെഗാബൈറ്റും ആവശ്യമാണ്.

ചട്ടം പോലെ, സിഗ്നലുകൾ തുടർച്ചയായ രൂപത്തിൽ വിവര പ്രോസസ്സിംഗ് സിസ്റ്റത്തിലേക്ക് പ്രവേശിക്കുന്നു. തുടർച്ചയായ സിഗ്നലുകളുടെ കമ്പ്യൂട്ടർ പ്രോസസ്സിംഗിനായി, ഒന്നാമതായി, അവയെ ഡിജിറ്റൽ ആയി പരിവർത്തനം ചെയ്യേണ്ടത് ആവശ്യമാണ്. ഇത് ചെയ്യുന്നതിന്, സാമ്പിൾ, ക്വാണ്ടൈസേഷൻ പ്രവർത്തനങ്ങൾ നടത്തുന്നു.

ചിത്ര സാമ്പിൾ

സാമ്പിളിംഗ്- ഇതൊരു തുടർച്ചയായ സിഗ്നലിനെ സംഖ്യകളുടെ (സാമ്പിളുകൾ) ഒരു ശ്രേണിയിലേക്ക് പരിവർത്തനം ചെയ്യുന്നതാണ്, അതായത്, ചില പരിമിത-മാന അടിസ്ഥാനങ്ങൾക്കനുസരിച്ച് ഈ സിഗ്നലിൻ്റെ പ്രാതിനിധ്യം. തന്നിരിക്കുന്ന അടിസ്ഥാനത്തിൽ ഒരു സിഗ്നൽ പ്രൊജക്റ്റ് ചെയ്യുന്നതാണ് ഈ പ്രാതിനിധ്യം.

പ്രോസസ്സിംഗ് സംഘടിപ്പിക്കുന്നതിൻ്റെ വീക്ഷണകോണിൽ നിന്ന് സാമ്പിളിൻ്റെ ഏറ്റവും സൗകര്യപ്രദവും സ്വാഭാവികവുമായ മാർഗ്ഗം സിഗ്നലുകളെ അവയുടെ മൂല്യങ്ങളുടെ (സാമ്പിളുകൾ) പ്രത്യേക, പതിവായി അകലത്തിലുള്ള പോയിൻ്റുകളിൽ പ്രതിനിധീകരിക്കുക എന്നതാണ്. ഈ രീതിയെ വിളിക്കുന്നു റാസ്റ്ററൈസേഷൻ, കൂടാതെ സാമ്പിളുകൾ എടുക്കുന്ന നോഡുകളുടെ ക്രമം റാസ്റ്റർ. തുടർച്ചയായ സിഗ്നലിൻ്റെ മൂല്യങ്ങൾ എടുക്കുന്ന ഇടവേളയെ വിളിക്കുന്നു മാതൃകാ ഘട്ടം. സ്റ്റെപ്പിൻ്റെ റെസിപ്രോക്കൽ എന്ന് വിളിക്കുന്നു സാമ്പിൾ നിരക്ക്,

സാംപ്ലിംഗ് സമയത്ത് ഉയർന്നുവരുന്ന ഒരു പ്രധാന ചോദ്യം: ഈ സാമ്പിളുകളിൽ നിന്ന് അത് പുനർനിർമ്മിക്കുന്നതിന് ഏത് ആവൃത്തിയിലാണ് നമ്മൾ സിഗ്നൽ സാമ്പിളുകൾ എടുക്കേണ്ടത്? വ്യക്തമായും, സാമ്പിളുകൾ വളരെ അപൂർവ്വമായി എടുക്കുകയാണെങ്കിൽ, അതിവേഗം മാറുന്ന സിഗ്നലിനെക്കുറിച്ചുള്ള വിവരങ്ങൾ അവയിൽ അടങ്ങിയിരിക്കില്ല. ഒരു സിഗ്നലിൻ്റെ മാറ്റത്തിൻ്റെ നിരക്ക് അതിൻ്റെ സ്പെക്ട്രത്തിൻ്റെ ഉയർന്ന ആവൃത്തിയാൽ സവിശേഷതയാണ്. അങ്ങനെ, സാമ്പിൾ ഇടവേളയുടെ ഏറ്റവും കുറഞ്ഞ അനുവദനീയമായ വീതി സിഗ്നൽ സ്പെക്ട്രത്തിൻ്റെ ഏറ്റവും ഉയർന്ന ആവൃത്തിയുമായി ബന്ധപ്പെട്ടിരിക്കുന്നു (അതിന് വിപരീത അനുപാതം).

ഏകീകൃത സാമ്പിളിൻ്റെ കാര്യത്തിൽ, ഇനിപ്പറയുന്നവ ശരിയാണ്: കോട്ടൽനിക്കോവിൻ്റെ സിദ്ധാന്തം 1933-ൽ "ടെലികമ്മ്യൂണിക്കേഷനിൽ വായുവിൻ്റെയും വയറിൻ്റെയും ശേഷി" എന്ന കൃതിയിൽ പ്രസിദ്ധീകരിച്ചു. അത് പറയുന്നു: തുടർച്ചയായ സിഗ്നലിന് ആവൃത്തിയാൽ പരിമിതപ്പെടുത്തിയിരിക്കുന്ന ഒരു സ്പെക്ട്രം ഉണ്ടെങ്കിൽ, ഒരു കാലയളവ് ഉപയോഗിച്ച് എടുത്ത അതിൻ്റെ വ്യതിരിക്ത സാമ്പിളുകളിൽ നിന്ന് അത് പൂർണ്ണമായും അവ്യക്തമായും പുനർനിർമ്മിക്കാൻ കഴിയും, അതായത്. ആവൃത്തിയോടെ.

ഫംഗ്ഷൻ ഉപയോഗിച്ച് സിഗ്നൽ പുനഃസ്ഥാപനം നടത്തുന്നു . മേൽപ്പറഞ്ഞ മാനദണ്ഡങ്ങൾ തൃപ്തിപ്പെടുത്തുന്ന ഒരു തുടർച്ചയായ സിഗ്നലിനെ ഒരു പരമ്പരയായി പ്രതിനിധീകരിക്കാൻ കഴിയുമെന്ന് Kotelnikov തെളിയിച്ചു:

.

ഈ സിദ്ധാന്തത്തെ സാംപ്ലിംഗ് സിദ്ധാന്തം എന്നും വിളിക്കുന്നു. ചടങ്ങ് എന്നും വിളിക്കപ്പെടുന്നു സാമ്പിൾ ഫംഗ്ഷൻ അല്ലെങ്കിൽ Kotelnikov 1915-ൽ വിറ്റേക്കർ ഈ തരത്തിലുള്ള ഒരു ഇൻ്റർപോളേഷൻ സീരീസ് പഠിച്ചെങ്കിലും. സാമ്പിൾ ഫംഗ്‌ഷന് സമയത്തിൽ അനന്തമായ വിപുലീകരണമുണ്ട്, ഒപ്പം അതിൻ്റെ ഏറ്റവും വലിയ മൂല്യത്തിൽ എത്തുന്നു, ഐക്യത്തിന് തുല്യമാണ്, അത് സമമിതിയിൽ.

ഈ പ്രവർത്തനങ്ങളിൽ ഓരോന്നും ഒരു ആദർശത്തിൻ്റെ പ്രതികരണമായി കണക്കാക്കാം കുറഞ്ഞ പാസ് ഫിൽട്ടർ(ലോ-പാസ് ഫിൽട്ടർ) ഡെൽറ്റ പൾസിലേക്ക് കൃത്യസമയത്ത് എത്തിച്ചേരുന്നു . അങ്ങനെ, അതിൻ്റെ വ്യതിരിക്ത സാമ്പിളുകളിൽ നിന്ന് തുടർച്ചയായ സിഗ്നൽ പുനഃസ്ഥാപിക്കുന്നതിന്, അവ ഉചിതമായ ലോ-പാസ് ഫിൽട്ടറിലൂടെ കടന്നുപോകണം. അത്തരമൊരു ഫിൽട്ടർ കാര്യകാരണമല്ലാത്തതും ശാരീരികമായി യാഥാർത്ഥ്യമാകാത്തതുമാണെന്ന് ശ്രദ്ധിക്കേണ്ടതാണ്.

മുകളിലുള്ള അനുപാതം അർത്ഥമാക്കുന്നത് അവയുടെ സാമ്പിളുകളുടെ ക്രമത്തിൽ നിന്ന് പരിമിതമായ സ്പെക്ട്രം ഉപയോഗിച്ച് സിഗ്നലുകൾ കൃത്യമായി പുനർനിർമ്മിക്കുന്നതിനുള്ള സാധ്യതയാണ്. പരിമിതമായ സ്പെക്ട്രം സിഗ്നലുകൾ- ഫ്യൂറിയർ സ്പെക്ട്രം നിർവചന പ്രദേശത്തിൻ്റെ പരിമിതമായ ഭാഗത്ത് മാത്രം പൂജ്യത്തിൽ നിന്ന് വ്യത്യാസമുള്ള സിഗ്നലുകളാണ്. ഒപ്റ്റിക്കൽ സിഗ്നലുകളെ അവയിലൊന്നായി തരംതിരിക്കാം, കാരണം ഒപ്റ്റിക്കൽ സിസ്റ്റങ്ങളിൽ ലഭിച്ച ചിത്രങ്ങളുടെ ഫോറിയർ സ്പെക്ട്രം അവയുടെ മൂലകങ്ങളുടെ പരിമിതമായ വലിപ്പം കാരണം പരിമിതമാണ്. ആവൃത്തി വിളിക്കുന്നു നിക്വിസ്റ്റ് ആവൃത്തി. ഇൻപുട്ട് സിഗ്നലിൽ സ്പെക്ട്രൽ ഘടകങ്ങൾ ഉണ്ടാകാൻ പാടില്ലാത്ത പരിമിതപ്പെടുത്തുന്ന ആവൃത്തിയാണിത്.

ഇമേജ് ക്വാണ്ടൈസേഷൻ

ഡിജിറ്റൽ ഇമേജ് പ്രോസസ്സിംഗിൽ, ബ്രൈറ്റ്നസ് മൂല്യങ്ങളുടെ തുടർച്ചയായ ചലനാത്മക ശ്രേണിയെ പല പ്രത്യേക തലങ്ങളായി തിരിച്ചിരിക്കുന്നു. ഈ നടപടിക്രമം വിളിക്കുന്നു ക്വാണ്ടൈസേഷൻ. ഒരു തുടർച്ചയായ വേരിയബിളിനെ പരിമിതമായ മൂല്യങ്ങൾ എടുക്കുന്ന ഒരു വ്യതിരിക്ത വേരിയബിളാക്കി മാറ്റുന്നതിലാണ് ഇതിൻ്റെ സാരാംശം. ഈ മൂല്യങ്ങളെ വിളിക്കുന്നു ക്വാണ്ടൈസേഷൻ ലെവലുകൾ. പൊതുവേ, പരിവർത്തനം ഒരു സ്റ്റെപ്പ് ഫംഗ്ഷനിലൂടെ പ്രകടിപ്പിക്കുന്നു (ചിത്രം 1). ഇമേജ് സാമ്പിളിൻ്റെ തീവ്രത ഇടവേളയുടേതാണെങ്കിൽ (അതായത്, എപ്പോൾ ), തുടർന്ന് യഥാർത്ഥ സാമ്പിളിനെ ക്വാണ്ടൈസേഷൻ ലെവൽ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുന്നു, എവിടെ – ക്വാണ്ടൈസേഷൻ പരിധികൾ. തെളിച്ച മൂല്യങ്ങളുടെ ചലനാത്മക ശ്രേണി പരിമിതവും തുല്യവുമാണെന്ന് അനുമാനിക്കപ്പെടുന്നു.

അരി. 1. ക്വാണ്ടൈസേഷൻ വിവരിക്കുന്ന പ്രവർത്തനം

ഈ കേസിലെ പ്രധാന ദൌത്യം പരിധികളുടെയും ക്വാണ്ടൈസേഷൻ ലെവലുകളുടെയും മൂല്യങ്ങൾ നിർണ്ണയിക്കുക എന്നതാണ്. ഈ പ്രശ്നം പരിഹരിക്കാനുള്ള ഏറ്റവും ലളിതമായ മാർഗ്ഗം ഡൈനാമിക് ശ്രേണിയെ തുല്യ ഇടവേളകളായി വിഭജിക്കുക എന്നതാണ്. എന്നിരുന്നാലും, ഈ പരിഹാരം മികച്ചതല്ല. ഭൂരിഭാഗം ചിത്ര എണ്ണങ്ങളുടെയും തീവ്രത മൂല്യങ്ങൾ ഗ്രൂപ്പുചെയ്‌തിട്ടുണ്ടെങ്കിൽ, ഉദാഹരണത്തിന്, “ഇരുണ്ട” പ്രദേശത്ത്, ലെവലുകളുടെ എണ്ണം പരിമിതമാണെങ്കിൽ, അസമമായി കണക്കാക്കുന്നത് നല്ലതാണ്. "ഇരുണ്ട" മേഖലയിൽ കൂടുതൽ തവണ അളവെടുക്കേണ്ടത് ആവശ്യമാണ്, കൂടാതെ "വെളിച്ചം" മേഖലയിൽ കുറവ് പലപ്പോഴും. ഇത് ക്വാണ്ടൈസേഷൻ പിശക് കുറയ്ക്കും.

ഡിജിറ്റൽ ഇമേജ് പ്രോസസ്സിംഗ് സിസ്റ്റങ്ങളിൽ, ഒരു ഇമേജ് എൻകോഡ് ചെയ്യുന്നതിന് ആവശ്യമായ വിവരങ്ങളുടെ അളവ് അവയുടെ എണ്ണത്തെ ആശ്രയിച്ചിരിക്കുന്നതിനാൽ, ക്വാണ്ടൈസേഷൻ ലെവലുകളുടെയും ത്രെഷോൾഡുകളുടെയും എണ്ണം കുറയ്ക്കാൻ അവർ ശ്രമിക്കുന്നു. എന്നിരുന്നാലും, ക്വാണ്ടൈസ് ചെയ്ത ഇമേജിൽ താരതമ്യേന ചെറിയ അളവിലുള്ള ലെവലുകൾ ഉള്ളതിനാൽ, തെറ്റായ രൂപരേഖകൾ പ്രത്യക്ഷപ്പെടാം. ക്വാണ്ടൈസ് ചെയ്ത ചിത്രത്തിൻ്റെ തെളിച്ചത്തിലെ പെട്ടെന്നുള്ള മാറ്റത്തിൻ്റെ ഫലമായി അവ ഉണ്ടാകുന്നു, മാത്രമല്ല അതിൻ്റെ മാറ്റത്തിൻ്റെ പരന്ന പ്രദേശങ്ങളിൽ പ്രത്യേകിച്ചും ശ്രദ്ധേയമാണ്. മനുഷ്യൻ്റെ ദർശനം ബാഹ്യരേഖകളോട് പ്രത്യേകിച്ച് സെൻസിറ്റീവ് ആയതിനാൽ തെറ്റായ രൂപരേഖകൾ ചിത്രത്തിൻ്റെ ദൃശ്യ നിലവാരത്തെ ഗണ്യമായി കുറയ്ക്കുന്നു. സാധാരണ ഇമേജുകൾ ഏകീകൃതമായി കണക്കാക്കുമ്പോൾ, കുറഞ്ഞത് 64 ലെവലുകൾ ആവശ്യമാണ്.

ചിത്രങ്ങളെയും ശബ്ദത്തെയും പ്രതിനിധീകരിക്കുന്നതിനുള്ള അനലോഗ്, വ്യതിരിക്തമായ രീതികൾ

ഒരു വ്യക്തിക്ക് ചിത്രങ്ങളുടെ രൂപത്തിൽ (ദൃശ്യം, ശബ്ദം, സ്പർശനം, രസം, ഘ്രാണം) വിവരങ്ങൾ ഗ്രഹിക്കാനും സംഭരിക്കാനും കഴിയും. വിഷ്വൽ ഇമേജുകൾ ചിത്രങ്ങളുടെ രൂപത്തിൽ (ഡ്രോയിംഗുകൾ, ഫോട്ടോഗ്രാഫുകൾ മുതലായവ) സംരക്ഷിക്കാൻ കഴിയും, കൂടാതെ ശബ്ദ ചിത്രങ്ങൾ റെക്കോർഡുകൾ, മാഗ്നറ്റിക് ടേപ്പുകൾ, ലേസർ ഡിസ്കുകൾ മുതലായവയിൽ റെക്കോർഡ് ചെയ്യാവുന്നതാണ്.

ഗ്രാഫിക്, ഓഡിയോ ഉൾപ്പെടെയുള്ള വിവരങ്ങൾ ഇതിൽ അവതരിപ്പിക്കാനാകും അനലോഗ്അഥവാ വ്യതിരിക്തമായരൂപം. അനലോഗ് പ്രാതിനിധ്യം ഉപയോഗിച്ച്, ഒരു ഭൗതിക അളവ് അനന്തമായ മൂല്യങ്ങൾ എടുക്കുന്നു, അതിൻ്റെ മൂല്യങ്ങൾ തുടർച്ചയായി മാറുന്നു. ഒരു വ്യതിരിക്തമായ പ്രാതിനിധ്യം ഉപയോഗിച്ച്, ഒരു ഭൗതിക അളവ് മൂല്യങ്ങളുടെ പരിമിതമായ സെറ്റ് എടുക്കുന്നു, അതിൻ്റെ മൂല്യം പെട്ടെന്ന് മാറുന്നു.

വിവരങ്ങളുടെ അനലോഗ്, വ്യതിരിക്തമായ പ്രാതിനിധ്യത്തിൻ്റെ ഒരു ഉദാഹരണം നമുക്ക് നൽകാം. ഒരു ചെരിഞ്ഞ തലത്തിലും ഗോവണിപ്പടിയിലും ഒരു ബോഡിയുടെ സ്ഥാനം നിർണ്ണയിക്കുന്നത് X, Y കോർഡിനേറ്റുകളുടെ മൂല്യങ്ങളാൽ, ഒരു ശരീരം ചെരിഞ്ഞ തലത്തിലൂടെ നീങ്ങുമ്പോൾ, അതിൻ്റെ കോർഡിനേറ്റുകൾക്ക് തുടർച്ചയായി മാറിക്കൊണ്ടിരിക്കുന്ന മൂല്യങ്ങൾ എടുക്കാം. ഒരു നിശ്ചിത ശ്രേണിയിൽ നിന്ന്, ഒരു സ്റ്റെയർകേസിലൂടെ നീങ്ങുമ്പോൾ - ഒരു നിശ്ചിത മൂല്യങ്ങൾ മാത്രം, അത് പെട്ടെന്ന് മാറുന്നു (ചിത്രം .1.6).

ഗ്രാഫിക് വിവരങ്ങളുടെ അനലോഗ് പ്രാതിനിധ്യത്തിൻ്റെ ഒരു ഉദാഹരണം, ഉദാഹരണത്തിന്, ഒരു പെയിൻ്റിംഗ്, അതിൻ്റെ നിറം തുടർച്ചയായി മാറിക്കൊണ്ടിരിക്കുന്നു, കൂടാതെ ഒരു ഇങ്ക്‌ജെറ്റ് പ്രിൻ്റർ ഉപയോഗിച്ച് പ്രിൻ്റ് ചെയ്‌തതും വ്യത്യസ്ത നിറങ്ങളിലുള്ള വ്യക്തിഗത ഡോട്ടുകൾ അടങ്ങുന്നതുമായ ഒരു ചിത്രമാണ് വ്യതിരിക്തമായ പ്രാതിനിധ്യം. ശബ്‌ദ വിവരങ്ങളുടെ അനലോഗ് സംഭരണത്തിൻ്റെ ഒരു ഉദാഹരണം ഒരു വിനൈൽ റെക്കോർഡാണ് (ശബ്‌ദ ട്രാക്ക് അതിൻ്റെ ആകൃതി തുടർച്ചയായി മാറ്റുന്നു), കൂടാതെ ഡിസ്‌ക്രീറ്റ് ഒരു ഓഡിയോ സിഡിയാണ് (വ്യത്യസ്‌ത പ്രതിഫലനമുള്ള പ്രദേശങ്ങൾ ഉൾക്കൊള്ളുന്ന ശബ്‌ദ ട്രാക്ക്).

ഗ്രാഫിക്, ശബ്‌ദ വിവരങ്ങൾ അനലോഗിൽ നിന്ന് വ്യതിരിക്ത രൂപത്തിലേക്ക് പരിവർത്തനം ചെയ്യുന്നത് നടത്തുന്നത് സാമ്പിൾ, അതായത്, തുടർച്ചയായ ഗ്രാഫിക് ഇമേജും തുടർച്ചയായ (അനലോഗ്) ശബ്ദ സിഗ്നലും പ്രത്യേക ഘടകങ്ങളായി വിഭജിക്കുന്നു. സാമ്പിൾ പ്രക്രിയയിൽ എൻകോഡിംഗ് ഉൾപ്പെടുന്നു, അതായത്, ഓരോ മൂലകത്തിനും ഒരു കോഡിൻ്റെ രൂപത്തിൽ ഒരു പ്രത്യേക മൂല്യം നൽകുന്നു.

സാമ്പിളിംഗ്തുടർച്ചയായ ചിത്രങ്ങളും ശബ്ദവും കോഡുകളുടെ രൂപത്തിൽ ഒരു കൂട്ടം വ്യതിരിക്ത മൂല്യങ്ങളാക്കി മാറ്റുന്നതാണ്.

പരിഗണിക്കേണ്ട ചോദ്യങ്ങൾ

1. ഗ്രാഫിക്, ഓഡിയോ വിവരങ്ങൾ അവതരിപ്പിക്കുന്നതിനുള്ള അനലോഗ്, ഡിസ്ക്രീറ്റ് രീതികളുടെ ഉദാഹരണങ്ങൾ നൽകുക.

2. സാമ്പിൾ പ്രക്രിയയുടെ സാരാംശം എന്താണ്?