Телевизионные системы мониторинга КС-ЧС, страница 9

В этом материале рассмотрим некоторые методы пространственной фильтрации. Большинство из них относится к локальным методам. Реализация этих методов состоит из четырех основных этапов:

1. формирование локальной окрестности и ее центральной точки;

2. проведение операции на пикселями данной локальной окрестности;

3. присвоение результата операции (п. 2) центральной точке окрестности;

4. повторение операций, описанных в п.п. 1 – 3, для каждой точки изображения.

Далее приведем примеры применения некоторых видов пространственных фильтров.

Сначала считаем исходное изображение

Для лучшего понимания сути приведем реализацию метода для одной цветовой составляющей.

Испортим исходное изображение шумом типа ”соль и перец”.

Далее применим к этому зашумленному изображению различные виды пространственных фильтров и проанализируем результат обработки.

Прежде чем приступать к реализации локальных методов, необходимо расширить границы исходного изображения. Размеры расширения зависят от размеров маски фильтра. Если проводить фильтрацию с помощью встроенной функции imfilter, то параметры расширения можно задавать с помощью опций:

– ‘P’ – границы изображения расширяются значением Р. По умолчанию значение Р=0;
– ‘replicate’ – размер изображения увеличивается повторением величин на его боковых границах;
– ‘symmetric’ – размер изображения увеличивается путем зеркального отражения через границы;
– ‘circular’ – размер изображения увеличивается периодическим повторением двумерной функции;

В этом примере будем использовать не встроенную функцию imfilter и опции расширения, а приведем детальное описание работы нескольких пространственных фильтров. Размер изображения увеличим путем зеркального отражения через границы.

Приведем программную реализацию непосредственно самих методов

Поскольку вначале проводилось расширение исходного изображения, то теперь все результирующие изображения необходимо привести к исходным размерам.

Визуализируем полученные результаты.

При использовании фильтра типа арифметическое среднее качество устранения шума зависит от размеров локального окна. Увеличение размеров локального окна приводит к более качественному устранению шумовой составляющей. Недостаток этого фильтра состоит в том, что его применение приводит не только к устранению шумовой составляющей, но и размывает границы объектов, т.е. понижает качество визуального восприятия таких изображений.

Для устранения данного вида шума (‘соль и перец’) медианная фильтрация является одним из наиболее простых и эффективных методов. Размер локальной апертуры влияет на результат обработки, но не в такой степени как в других рассмотренных нами методах. Одно из основных преимуществ медианной фильтрации состоит в том, что она приводит к устранению импульсных выбросов, не размывая границ объектов.

Суть работы фильтра можно объяснить так. Из локальной области D удаляются наибольших и наименьших значений пикселей. Оставшиеся значения усредняются и формируют результат.

В данной работе приведены примеры работы нескольких наиболее известных методов пространственной фильтрации. Также в этой работе мы показали влияние изменения размеров локальной апертуры на результат обработки.

3.3. Разработка и описание пространственных и временных методов (алгоритмов) подавления ложных тревог в работе «Аларм 3.2»

Для борьбы с ложными тревогами вызванными естественными процессами, предлагается использовать в комбинации два основных метода: пространственной и временной фильтрации.

Первый метод, основан на пространственных характеристиках определённых объектов – положении и постоянстве во времени источника ложных тревог, а также конечных пространственных размеров ложной тревоги. С помощью данного метода можно бороться с такими источниками как: блики от форточек; включение, выключение света в окнах; изменение освещённости панелей домов из-за теней от облаков. Отдельно стоит отметить проблему движения Ж/Д поездов и автотранспорта. Перечисленные объекты точно, определены в пространстве, и не меняют своего положения, а также размеров. Заранее известны их пространственные координаты и координаты в плоскости кадра. Железные дороги и автострады, также чётко определены в пространстве, и их можно считать статичными объектами. Движение поездов и автотранспорта, происходит строго в пределах данных магистралей, и следовательно, также точно определено в пространстве. На основе данных свойств можно использоваться широко известный в области обработки изображений инструмент – маску. Предлагается ввести инструмент, который будет отмечать области изображения, не подлежащие обработки программой на наличие КС/ЧС. Таким образом можно исключить источники ложных тревог обусловленных Ж/Д поездами и автотранспортом.

Второй метод, основан на временных характеристиках определённых процессов связанных с наблюдаемой картиной городской застройки. С помощью данного метода можно бороться с такими источниками как: «дрожание листьев»; «качание деревьев»; качание ночных фонарей; блики от форточек; «пролёт птиц». Следует считать событие тревожным, если время его наблюдения, превышает время наиболее длительного ложного события – 3-5 сек. Таким образом производится усреднение яркостной составляющей изображения, исключающей влияние быстрых, случайных процессов.

Отдельно стоит отметить способ усреднения, сокращающий воздействие таких источников как «дрожание листьев»; «качание деревьев»; качание ночных фонарей, а также шумы видеосигнала. Способ заключается в усреднение яркостной составляющей по нескольким кадрам (2, 4, 8, 16), и является штатной функцией платы видеозахвата RT-826.

Однако наиболее эффективным методом снижения ложных тревог, будет комбинация перечисленных выше методов.

Алгоритм работы объединёного метода будет иметь следующий вид:

1. На кадр задаётся общий яркостный порог, определяющий максимальное и минимальное значения яркости. Значения ниже минимума и выше максимума считаются ложными, или относящимися к шумам и игнорируются программой;

Рис 3.1. Яркостные пороги

2. Режим сканирования заключается в последовательном попиксельном сравнении текущего кадра с эталоном, исключая области закрытые маской;

3. При появлении тревожного пикселя его координаты заносятся в буфер с привязкой к данному кадру;

4. При завершении сканирования кадра производится переход к следующему кадру и повторяются действия 1-3.

5. После сканирования n кадров, производится анализ собранной информации. Число n задаётся количеством проходов панорамы и берётся заведомо большим наиболее «длительных» ложных тревог, не поддающихся простому маскированию.

6. Анализ производится по двум критериям:

1ый критерий – пространственный. Если тревоги имеют хаотичное распределение по кадру, и представляют из себя преимущественно отдельные пиксели, то данные тревоги стоит относить к ложным. Если тревоги оказываются локализованными и имеют определённые размеры, то применяется 2ой критерий. Детализация наблюдаемой картины городской застройки сильно зависит от дальности наблюдения. Наибольшей детализацией обладают объекты находящиеся наиболее близко к точке наблюдения (СП-1), наименьшей – объекты находящиеся на грани предельной дальности обнаружения (12 км). В пространстве кадра, общий уровень детализации будет максимальным внизу кадра и уменьшаться ближе к верхнему краю. Поэтому кадр делиться на локальные зоны следующим образом:

Каждая зона состоит из элементов различных по площади (в пикселях). Самая нижняя зона – самая большая, состоит из квадратных элементов 16х16 пикселей. Следующая – 12х12. Далее 8х8, 4х4, 2х2.

16х16

12x12

8х8

2х2

4х4

Рис 3.2 Локальные зоны («Цена пикселя»)

2ой критерий – временной. Выявленные локализованные области, с тревожным перепадом яркости, сравниваются на всех n кадрах цикла. Если Область проявляется не на всех кадрах, или её размеры постоянны, то данную область стоит считать ложной тревогой.

Отдельную проблему представляет качание штатных дымных шлейфов.

Для её решения, предлагается следующий «метод определения штатных дымных шлейфов»:

– выделить заранее известные источники дымов;

– наложить на контур дыма маску;

– маска должна обновляться примерно каждые 10 минут (характерное время изменения ветровой обстановки в городе.

Изменение общей освещённости в течение дня корректируется постоянным обновлением эталонного кадра.

Алгоритм делиться на 3 основных блока (отмеченных пунктирной линией).

1ый блок: сканирование n кадров, выявление пикселей превышающих заданный порог, исключение пикселей закрытых маской, набор статистики.

Рис 3.3. Сканирование кадров

Предполагается установить количество сканируемых кадров равным 5, или примерно 30 секундам. Таким образом в буфере накапливаются статистические данные о предположительных тревогах.

2ой блок: временная фильтрация.

Любой дым характеризуется некими пространственными размерами и не может иметь хаотичного распространения в кадре в течении времени. Данный блок отвечает за поиск связанных областей. Координаты всех найденных связанных областей сохраняются в специальный промежуточный буфер. Далее методом логического умножения, исключаются все случайные тревоги, которые имеют хаотическое распределение по кадру и не имеют постоянства во времени. В итоге получается усреднённый кадр «Результат», имеющий лишь устойчивые отдельные пиксели. Далее производится восстановление координат хранящихся в буфере для каждого из 5 кадров за счёт сложения его с «Результатом». Итогом данный операции будет 5 наборов координат, соответствующих 5 кадром, содержащих только связанные, устойчивые во времени области.

3ий блок: пространственная фильтрация.

В данном блоке проводиться анализ каждой связанной области, найденной в предыдущем блоке, на динамику развития. Любой дым изменяет свои размеры с течением времени. Следовательно разность площадей вначале и в конце процесса должна быть не равной нулю. Вначале блока, для данной области проводиться поиск первого её проявления методом последовательного перебора кадров в обратном порядке и определение наличия данных координат в кадре. В момент нахождения начала события, проводится сравнение площади. Если разность площадей примерно равна нулю, то событие считается ложным. Если не равно нулю – то это тревожное событие.

Данный алгоритм, должен существенно повысить эффективность системы, и упростить работу оператора, привлекая его внимание лишь в случае реальных КС/ЧС.

Примеры работы алгоритма на конкретных ложных тревогах:

Усреднение.

Карта RT-826 обладает функцией накопления кадров. Данная функция сохраняет во встроенной памяти заданное количество кадров (2, 4, 8, 16), и производит усреднение выводя на экран лишь результирующий кадр, который далее обрабатывается программой «Аларм». Подобное усреднение, устраняет небольшие перепады яркости, такие как «Дрожание листьев», «качание деревьев», качание ночных фонарей.

Установка пороговых значений.

Задавая границы динамического диапазона по яркости, можно исключить такие ложные тревоги как блики.