Диссертация (Разработка и исследование алгоритмов совмещения изображений от бортовых видеодатчиков с виртуальной моделью местности), страница 17

Модуль оценки качества получаемого совмещения.Входные данные: одно из исходных изображений и результат совмещения,полученный в модуле совмещения изображений.Выходные данные: результат оценки качества совмещения K.Схема организации модуля оценки качества представлена на рисунке 4.6.Алгоритм оценкии его параметрыИзображениеРезультатсовмещенияБлок оценкикачестваРезультатоценки KРисунок 4.6 – Схема организации модуля оценки качестваМодуль состоит из единственного блока оценки качества, в которомприменяется один из предложенных алгоритмов оценки качества: на основесравнения площадей пересекающихся контуров протяженных объектов, на основеопределения межпиксельного расстояния, либо по углам наклона междуближайшими отрезками.В результате взаимодействия описанных модулей, получаем программноесредство, позволяющее осуществлять всю цепочку действий по совмещениюизображений и оценивать качество получаемых результатов.4.2 Методика проведения экспериментовОбъектом испытаний являются алгоритмы совмещения изображений иоценки качества получаемых результатов.121Цели экспериментальных исследованийОсновной целью проведения экспериментальных исследований являетсяполученияподтвержденияэффективностипредложенныхалгоритмовпосравнению с существующими аналогами.Второй целью является проверка результатов работы предлагаемыхалгоритмов по оценке качества на соответствие экспертным оценкам.Методика испытаний следующая:1.

Оценка временных затрат при корреляционно-экстремальных методахсовмещения изображений: метод сеток и покрытий, мультистарт, генетическийалгоритм.2. Оценка временных затрат при совмещении изображений с использованиемалгоритма с применением единственной пары ключевых точек.3. Оценка временных затрат при совмещении с применением пошаговогоалгоритма поиска матрицы гомографии, использующего нахождение элементовматрицы гомографии по числу ключевых точек, отличному от 4.4.Оценкавременныхзатрат,необходимыхдляфункционированияалгоритмов оценки качества совмещения изображений.5. Сравнительный анализ временных затрат на работу предлагаемыхалгоритмов на применяемой вычислительной платформе с временными затратамипри аппаратной реализации.Экспериментальные исследования проводились на платформе:- CPU Intel Core i7-3630QM 2.4 ГГц;- ОЗУ 8 Гб, тип памяти DDR3;- видеопоследовательность обрабатывается кодеком h-264, частота сменыкадров 25 Гц.В качестве входных данных выступают видеопоследовательности от ТВ и(или) ТПВ камер общей длительностью 2ч 36мин и навигационные параметры.Размер кадра видеопоследовательностей 704×576.1224.2 Исследование методов поиска глобального экстремумаДляоценкиэффективностиалгоритмовоптимизацииприменяетсяметодика, изложенная в работе [70], где в качестве основных критериевопределения эффективности алгоритмов применяются следующие: точностьопределения координат глобального экстремума, вероятность нахожденияглобального экстремума, а также трудоемкость алгоритма оптимизации.Для исследования и сравнительного анализа трудоемкости и эффективностиметодов поиска глобального экстремума (метод сеток и покрытий (сканирование),генетический алгоритм, мультистарт) были выбраны следующие параметрыизображений: размер ВИ – 480х640, размер реального изображения (РИ) 320х400.Данный размер РИ соответствует примерно 42 % площади ВИ.Для более простого оценивания результата совмещения (определениявероятности корректного совмещения) оценивание методов поиска ГЭ будетпроизводиться на некотором множестве заранее сгенерированных виртуальныхизображений.

Используется набор из 125 изображений ВММ.Одно из полученных ВИ принимается за РИ (в качестве непосредственногоРИ будет выступать его подмножество размером 320х400), остальные, включаявыбранное изображений, представляют множество ВИ. При оговоренныхусловиях совмещение можно считать корректным, если наилучшие показателисовмещения (значение) будет именно у того ВИ, которое выступает в качествеРИ, а также будут верно определены координаты искомого фрагментаизображений.На приводимых далее графиках количество вызовов ЦФ указывается дляодного изображения ВММ, соответственно в полной серии из N экспериментовданная величина будет в N раз больше. В данном исследовании N=125.4.2.1 Метод покрытийВходным параметром для данного метода выступает величина шага,непосредственноопределяющаякорректного совмещения.количествовызововЦФивероятность123Зависимости количества вызовов ЦФ и вероятности корректного совмещенияот величины шага сканирования приведены на рисунках 4.7 и 4.8 соответственно.Рисунок 4.7 – Зависимость количества вызовов ЦФ от величины шагасканированияРисунок 4.8 – Зависимость вероятности корректного совмещения отвеличины шага сканированияНа рисунке 4.9 приводится зависимость вероятности корректногосовмещения от количества вызовов ЦФ для метода сканирования.Рисунок 4.9 – Зависимость вероятности корректного совмещения отколичества вызовов ЦФ124Для метода сеток (алгоритм сканирования) следует отметить следующуюособенность: при сканировании с шагом отличным от единицы, что соответствуетполному перебору вариантов, всегда имеется возможность того, что изображениябудут совмещены с некоторой ошибкой, величина которой не превышаетполовину шага сканирования.

Появление данной ошибки является естественным инеизбежным процессом и совмещение с неточностью в половину шага можносчитать корректным. Отсюда вытекает невозможность применения данногометода с большим значением шага сканирования из-за слишком высокойвероятности пропуска глобального экстремума. На рисунке 2.7 приведен видкорреляционной функции, рассчитанной с использованием функции Рао. ГЭвыражен четко и не имеет плоской окрестности, соответственно при большомзначении шага сканирования (более 5), найден он не будет, полученноесовмещение будет некорректно.Применение данного метода для совмещения изображений от бортовыхдатчиков с виртуальными изображениями с высокой вероятностью корректногосовмещения возможно лишь при небольших величинах шага сканирования, что необеспечивает должного быстродействия.4.2.2 МультистартМетод состоит в многократном (последовательном или параллельном)отыскании локальных минимумов из локальных точек.

При использовании этогометода считаются выполненными предположения о конечности числа точеклокальных экстремумов на области поиска.Входным параметром для данного метода выступает количество начальныхточек поиска. Это значение определяет как трудоемкость метода, так ивероятность корректного совмещения.Зависимости количества вызовов ЦФ и вероятности корректного совмещенияот числа начальных точек приведены на рисунках 4.10 и 4.11 соответственно.125Рисунок 4.10 – Зависимость количества вызовов ЦФ от количества начальныхточек поискаРисунок 4.11 – Зависимость вероятности корректного совмещения от количестваузлов поискаНарисунке4.12приводитсязависимостьвероятностикорректногосовмещения от количества вызовов ЦФ для метода мультистарт.

Трудоемкость иэффективность метода мультистарта в большой степени определяется видомполучаемой критериальной функции. При увеличении количества локальныхэкстремумовкачествополучаемыхрезультатоврезкоснижается.Такжекритичным является вопрос выбора метода локальной оптимизации по причинебольшого количества его вызовов.126Рисунок 4.12 – Зависимость вероятности корректного совмещения отколичества вызовов ЦФ для метода мультистарт4.2.3 Генетический алгоритмГенетический алгоритм в целом показывает весьма хорошие результаты поточности совмещения РИ и ВИ.Исходя из анализа результатов исследований, оптимальными настройкамигенетического алгоритма для решения задачи совмещения изображений сиспользованием стратегии кластеризации области поиска [71] (в исследованииприменяется кластеризация нулевого порядка, состоящая в запоминанииначальныхпараметроввычислительныезатратыпоиска,позволяющаясисключениясчетсущественноповторногосократитьпросчетаужевычисленных значений) и РИ, составляющем 42% от ВИ, являются:1.длительность эволюции (количество поколений): не менее 20;2.оператор селекции: усечение;3.давление селекции: 0,55;4.разновидность оператора кроссовера: 1-точечный или однородный;5.вероятность кроссовера: 25 % ÷ 30 %;6.вероятность мутации: 1 %.В качестве варьируемого параметра в исследовании выступает размерпопуляции.

Зависимости количества вызовов ЦФ и вероятности корректного127совмещения от размера популяции приведены на рисунках 4.13 и 4.14соответственно.Рисунок 4.12 – Зависимость вероятности корректного совмещения от размерапопуляцииРисунок 4.13 – Зависимость вероятности корректного совмещения от размерапопуляцииНарисунке4.14приводитсязависимостьвероятностисовмещения от количества вызовов ЦФ для генетического алгоритма.корректного128Рисунок 4.14 – Зависимость вероятности корректного совмещения отколичества вызовов ЦФПроанализировав полученные результаты, можно сделать следующиевыводы: ГА обеспечивает высокую надежность и имеет явные преимуществаперед методом сканирования и частным его случаем – полным перебором.Трудоемкость метода относительно невелика, однако обеспечивается приемлемаянадежность совмещения изображений.График для сравнения рассматриваемых методов поиска глобальногоэкстремума приведен на рисунке 4.15.Рисунок 4.15 – Зависимость вероятности корректного совмещения от количествавызовов ЦФ для трех методовСреди рассмотренных корреляционных методов совмещения изображенийнаилучшим является ГА: он обладает наименьшей трудоемкостью и обеспечивает129приемлемые результаты.

Однако, на обработку одной пары из реального ивиртуального изображения в случае однопоточной обработки требуется порядка9-12с машинного времени.Чутьлучшиерезультатыдемонстрируеталгоритм,основанныйнаиспользовании неравномерной сетки перебора координат [73]: на совмещениеодной пары изображений требуется 6-8 с.4.3Исследованиеалгоритмасовмещенияпоединственнойпареключевых точек4.3.1 Исследование методов оценки качества совмещения изображенийРассмотримсинтезированногопримерыоценкиизображенийкачестваалгоритмомсовмещенияреальногосравненияиплощадейпересекающихся протяженных фрагментов для различных вариантов совмещенияэтих изображений. На рисунке 4.16 приведены предварительно обработанные(выделены контуры горизонта реки и других более мелких объектов) реальное иотвечающее ему виртуальное изображения.аба – реальное изображение; б – виртуальное изображениеРисунок 4.16 – Исходные изображенияЗаливкой красным цветом на изображениях обозначаются множества D и D’,границами которых служат контуры реального и соответственно виртуальногоизображений.

На рисунке 4.16 эти контуры выделены черным цветом. Величина,равная отношению площади фрагмента, получаемого пересечением данных130закрашенных множеств, к их площади, позволяет судить о качестве выполненногосовмещения.Виртуальное изображение получено из цифровой карты местности понавигационным параметрам, которые содержат неизвестные ошибки. Поэтомупростое наложение изображений, представленных на рисунке 4.16, обнаруживаетсущественное несовпадение контуров основных объектов (линии горизонта иконтуры реки). Результат наложения изображений приведен на рисунке 4.17.Рисунок 4.17 –Результат простого наложения исходных изображенийНиже последовательно выполняются изменения одного или несколькихнавигационныхпараметров,чтосоответствуетвыборуопределенногоизображения ВММ, совмещение получаемого виртуального изображения среальным и оценка качества совмещения алгоритмом оценки отношенияплощадей протяженных объектов.Данные преобразования производятся в рамках предлагаемого алгоритмасовмещенияизображенийпоединственнойпареключевыхточек.Количественные характеристики качества совмещения приведены в таблице 4.1, авизуальные результаты совмещения – на рисунках 4.18а-к.131Таблица 4.1 – Результаты оценки качества совмещения изображений№ п/п,краткое описаниеЧислоточек Числообласти Dобласти Dточек Число общих точек Значенипересеченияе коэфф.областей D и D11.