Диссертация (Цифровая обработка телевизионных изображений для обнаружения препятствий на подстилающей поверхности в условиях фотометрических искажений), страница 13

При проектировании системыобнаружения препятствий необходимо учесть влияние подобных факторов. Ктаким шумам могут быть отнесены:1.Шумы, появление которых связано с возрастанием параметровпередаточнойфункциителекамеры(работааналого-цифровогопреобразователя и предусилителя) и низкой освещенностью [21, 36].2.Шумы, возникающие в светочувствительных элементах матрицытелекамеры. Уровень таких шумов связан с уровнем темнового тока,зависящего от, качества используемых полупроводниковых материалов,температуры элементов самой камеры и электромагнитных наводок (каквнутренних, так и внешних) [30, 31, 63].3.Шумы, накладывающиеся на полезный сигнал, передаваемый поканалу связи.

В частности, для данного алгоритма обнаружения препятствийэто может происходить при беспроводной передаче телевизионногоизображения с камеры через модуль приѐма-передачи на удалѐнный сервердля расчета данных.Степень зашумленности изображения зависит от интенсивности и видапомех [17]. При разработке системы обнаружения надо учесть возможноевлияние подобных факторов.96В связи с этим для надежного функционирования алгоритмаобнаружения, необходимо учитывать такие величины, как величину ошибкиизмерений, вызванную шумами различной интенсивности и природыиустойчивость к шуму.

На сегодняшний день широко распространеннымпоказателем оценки качества изображения является пиковое отношениесигнал/шум. Для изображений с 256 возможными значениями яркости:2552ПОСШ  10 lg,СКОCKO 1N(3.2)N (x  y )i 1ii2,где N – число пикселей изображения, xi и yi – значения пикселейзашумленного и исходного изображений, соответственно, а СКО –среднеквадратичная ошибка [5, 51].В построении модели шума и оценке его статистических характеристикзначительно помогают знание причины возникновения шумов и визуальныйанализ зашумленных кадров. Исследованы следующие модели шумов напредложенный алгоритм обнаружения [43, 59, 65]:Аддитивный белый гауссовский шум (АБГШ).

АБГШ можетвозникать на телевизионном изображении вследствие таких факторов, какшум фотосенсоров – из-за низкого уровня освещения или его высокойтемпературы, шум в электрических цепях. Эта модель может быть описанавыражением:g (x, y) = f(x, y)  (x, y) ,где f(x, y) – исходное изображение, а (x, y) – независящий от сигнала АБГШ.Функция плотности распределения вероятности гауссовой случайновеличины z задаѐтся выражением (рис.

3.12):p( z ) 21e  z   2 972 2,где μ – математическое ожидание случайной величины z, z – уровень яркостииз всех возможных значений для данного типа изображений (например, для8-битового z [0, 255] ), σ – среднеквадратичное отклонение (СКО), σ2 –дисперсия (мощность вносимого шума).Рис.

3.12. Плотность распределения вероятности гауссовой случайно величиныМультипликативныйшум.Такойтипшумаописываетсяследующим выражением:g (x, y) = f(x, y) (x, y) ,где (x, y) – мультипликативный шум, зависящий от сигнала исходногоизображениясопределеннойфункциейплотностираспределениявероятностей. Мультипликативный шум является примером спекл-шума.Коррелирует с первоначальным изображением, поэтому подавление такогошума без исходного незашумлѐнного сигнала является сложной задачей.Шум «соль и перец» – импульсный шум, при котором искажениеизображение происходит за счѐт влияния импульсов, то есть выбросов, свысокими положительными или отрицательными значениями и короткимипо длительности. Импульсный шум при обработке изображений возникает,например, из-за ошибок декодирования, которые приводят к появлению98черных и белых точек на изображении [1].

Шум «соль и перец» описываетсявыражением:g (x, y) = (1  p) f(x, y)  p  i(x, y) ,где p – бинарный параметр со значениями 1 и 0, который и отражаетмаксимальные и минимальные значения пиксела – «соль» и «перец», i(x, y) –модель импульсного шума.3.4.2. Влияние уровня шума на точность обнаруженияПрианализетестовогоизображениясистемаразмечаетизображение на 2 кластера: принадлежащий подстилающей поверхности ипринадлежащий фону. Точность работы системы определяется как точностьправильного обнаружения пикселей, представляющих препятствия. Приисследовании влияния шума на данный расчѐтный параметр в памятькомпьютера записывалась тестовая видеопоследовательность длительностью5 мин. Следует отметить, что изображение в видеопоследовательности былостатичным (движения платформы и каких-либо других объектов не было,камеранаходиласьнаодномитомжеместе).Тестоваявидеопоследовательность была записана с помощью виртуальной среды.После этого на тестовую видеопоследовательность накладывался шумразличной природы и интенсивности.Вопытеисследовалосьвлияниетрехвидовшумов:мультипликативный шум с нормальным (гауссовым) распределением, АБГШи шум «соль и перец».

Шум накладывался на все изображение равномерно,варьировалась только его дисперсия.Пиковое отношение сигнал/шум (ПОСШ) изображения определялосьпо формуле (3.2) для каждой интенсивности шума. ПОСШ являетсяпараметром, который характеризует качество изображения.Зависимостьточностиобнаруженияотуровняискусственноналоженного шума и от типа шума представлена на рис.

3.13 и табл. 3.2.99Из графика видно, что при уровне ПОСШ 38 дБ и больше все три видашума оказывают схожее воздействие на алгоритм обнаружения. Границейработоспособности для всех типов шумовых воздействий является величина25 дБ, при которой вероятность обнаружения алгоритма становиться менее50%, что равносильно угадываю величины.Таблица 3.2 Исследованные значения ПОСШ№1ПОСШ(дБ) 55234567473830252014Рис. 3.13. Зависимость вероятности обнаружения от типа шумаПри воздействии мультипликативного шума алгоритм лучше сохраняетспособность распознавать подстилающую поверхность. Это связано с тем,что мультипликативный шум дает более «размазанное» изображение, посравнению с гауссовым шумом.К шуму «соль и перец» алгоритм оказался менее устойчив.Объясняется это тем, что шум «соль и перец» очень сильно влияет нагистограммы эталонной области, что впоследствии сказывается на критерии100детектирования препятствий.

При низких значениях ПОСШ выбросынастолькосильноискажаютгистограммыэталоннойобласти,чтодетектирование становится невозможным.3.5. Изучения влияния числа кластеров на точность работыВажными параметрами работы системы являются число текущих иизученных моделей. Числом текущих моделей обозначается, сколькокластеров в эталонной модели выделяется на текущем изображении. Числоизученных моделей – число моделей, находящихся в памяти компьютера(тех, с которыми по факту производится сравнение).

Для проведенияэксперимента на вход алгоритма давалась всегда одна и так же статичнаятестоваявидеопоследовательность.Графикзависимоститочностиобнаружения от числа моделей представлен на рис. 3.14.Рис. 3.14. Зависимость точности обнаружения от числа текущих и изученных моделей.Анализ графика показывает, что максимальная точность обнаружениясконцентрирована относительно окрестности [2, 4] для числа текущихмоделей и [3, 5] для числа изученных моделей. В связи с этими101исследованиями была выбраны оптимальные параметры для работыалгоритма.Основной вклад в точность обнаружения вносит число, на котороепроисходит разделение эталонного кластера.

При числе кластеров больше 7,вероятность обнаружения падает ниже 50%. Эти данные можно объяснитьтем, выделенные модели становятся очень похожи друг на друга и системе нехватает чувствительности для определения принадлежности того или иногопикселя к модели. Увеличение же числа изученных цветовых моделей несильно влияет на результат работы системы. Незначительное изменениеможет быть связано с особенностями цветового состава изображения,которое поступает на вход алгоритма, а именно подстилающие поверхности,представленные более чем четырьмя цветами, встречаются редко.При исследовании алгоритма обнаружения препятствий проведеныэксперименты по определению производительности алгоритма.

Частотакадров выходной видеопоследовательности взята за главный параметр.Частота кадров на входе алгоритма составляет 25 кадров в секунду.Измеренная таким образом производительность, является весьмаотносительной величиной, так как зависит от технических характеристикустройства, на котором проводится эксперимент. В приведенных нижеопытах использовался персональный компьютер с двуядерным процессоромIntel Dual Core T6500(2,1 ГГц, 800МГц FSB), 2 Гб ОЗУ и видеоадаптеромCompare Nvidia GeForce G105M 1Гб.При определении производительности алгоритма на вход поступалаодна и та же тестовая видеопоследовательность.

Для определения числаобрабатываемых кадров в секунду вычислялось суммарное время обработки10 кадров, а затем делилось на число обработанных кадров. Вычислениевеличины кадр/с не по одному кадру снижает погрешность, связанную совнутренними часами компьютера. График зависимости числа кадр./спредставлен на рис. 3.15.102Рис. 3.15. Зависимость кадр./с от числа текущих и изученных моделей.Из графика видно, что для области наилучшего обнаружения частотавыходных кадров составила 19 кадр./с, что соответствует весьма высокойпроизводительности алгоритма. Анализ графика показывает, что добавлениееще одной изученной модели увеличивает время работа алгоритма на 1с.При передвижении МРП в помещении препятствия, с линейнымразмером менее 5 см, встречаются очень редко. Для того чтобы успетьобнаружить это препятствие необходимо 1 раз в 5 сек успевать хотя бы одинкадр.

С учетом производительности работы алгоритма за 1 секунду можнобудет передвинуться на 95см. Таком образом максимальная скоростьпередвижения будет составлять примерно 1 м/с. Скорость 1 м/с являетсявполне адекватной для передвижения внутри помещений.3.6. Изучения влияния контрастности на точность работыВажнойхарактеристикойвходногоизображенияявляетсяконтрастность. Контрастность изображения бывает яркостная и тоновая.103Яркостнаяконтрастностьпредставляетсобойразницумеждуфизической или видимой яркостью отдельных участков изображения.Вообще говоря, вычисление физической или видимой яркости можнорассматривать как конвертацию цветного изображения в ахроматическиецвета.

Поэтому яркостная контрастность — это сравнение двух участковизображения, приведенных к ахроматическим цветам.Если проанализировать RGB-гистограммы, то можно сделать вывод,что у контрастного изображения количество тѐмных и светлых пикселейдолжно быть приблизительно одинаковым, разница в их яркости —значительна, а основное место сосредоточения пикселей — возле границдиапазона.Хорошим критерием оценки яркостной контрастности будет дисперсияяркости пикселей изображения:2 1NN(Yp Y )2 .p 1Более универсальный безразмерный критерий оценки яркостнойконтрастности—отношениесреднеквадратическогоотклонениякмаксимально возможному значению яркости:C2.YmaxC изменяется в диапазоне [0,1]. Значение 0 соответствует однотонномуизображению, значение 1 — максимально контрастному. Оптимальноезначение контрастности зависит от типа объекта, представленного наизображении.Болеесложныйслучайпредставляеттоноваяконтрастность.Конвертированные в оттенки серого цвета могут иметь одинаковую яркость,но визуально чѐтко различаться.Можно вычислить «средний тон» пикселя для всего изображения.

Егоудобно выразить через средние значения RGB:104R1NNRp,p 1G1 NGp ,N p 1B1NNBp.p 1Расстояние в RGB кубе между пикселями изображения и «среднимтоном» определяется по формуле:dp R R   G p  G   Bp  B  .2p22В качестве оценки тоновой контрастности изображения можно взятьсреднее расстояние в RGB кубе между пикселями и «средним тоном»:С1NNdp.p 1В RGB-кубе максимальное расстояние между двумя точками равнодлине главой диагонали:dmax  3Rmax  3Gmax  3Bmax .Хорошуютоновуюконтрастностьбудутиметьпиксели,расположенные на расстоянии Rmax, Gmax или Bmax (длины ребра RGB-куба):d  Rmax .При исследовании алгоритма, для входного изображения включаласьпроцедурапредобработки,изменяющаятоновуюконтрастностьизображения.