Методы сопоставления изображений (1033991), страница 3

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 3)

При совмещении изображений индустриальных сцен точность методов часто повышают с помощью использования в качестве деталей изображений специальных маркеров, координаты которых можно измерить с высокой точностью благодаря их правильной форме. Обычно маркеры имеют круглую форму, которая в проекции на изображение становится эллиптической.

Классификация по типу задачи

Альтернативным путем классификации методов совмещения изображений является рассмотрение проблемы, в рамках которой решается задача совмещения. Обычно выделяют три вида адресуемых задач: объединение данных, оценка движения и выявление существенных изменений.

В первом типе задач основной целью является уменьшение шума путем усреднения (или некоторого более рафинированного процесса) по серии совмещенных изображений. Если изображения получены при использовании одного и того же сенсора, то методы совмещения разрабатываются в предположении идентичности данных, что существенно упрощает процедуру совмещения. Объединение данных также появляется, когда нужно найти соответствие между парой изображений, полученных при использовании различных сенсоров, что характерно для задач дистанционного сбора данных и биомедицинских приложений.

В случае задач дистанционного сбора данных часто требуется совмещать оптические и инфракрасные изображения, а также изображения, полученные с помощью интерферометров с синтезированной апертурой (SAR-изображения), а в случае биомедицинских приложений - изображения, полученные с помощью магнитного резонанса, и компьютерные томографические изображения. При объединении данных вместо одного из изображений может использоваться не визуальная информация, а, например, векторная информация (карта местности или схема какого-либо устройства) или цифровая карта высот. Таким образом, при совмещении изображений различной природы возникают существенные сложности, которые решаются по-своему в каждом конкретном случае.

Основной трудностью для методов, основанных на площадях, является то, что различные типы поверхностей по-разному меняют яркости при смене сенсора. Таким образом, изменение интенсивностей пикселей не описывается единым преобразованием яркости. Еще более сильным изменениям может подвергаться текстура. Более того, изображения могут обладать различной микроструктурой. Например, SAR-изображения подвержены спекл-шуму, из-за которого даже пиксели поверхности постоянной яркости имеют значения интенсивностей в очень широком диапазоне. Подобные особенности либо должны учитываться при совмещении, либо требуют специальной предобработки изображений.

При построении методов, основанных на деталях изображений, также возникают определенные сложности. Эти сложности связаны с необходимостью разработки различных методов для выделения одних и тех же деталей на изображениях разной природы. Сами детали, выделенные различными методами, могут иметь сильные отличия, что приводит к уменьшению точности совмещения. Различная природа изображений приводит к тому, что детали, присутствующие на изображении, полученном с помощью одного сенсора, могут отсутствовать на изображении, полученном с помощью другого сенсора, что приводит к сужению типов характерных признаков, которые можно использовать для совмещения.

В задачах определения движения (вторая категория) целью является оценить смещения твердых тел, накладывающихся на некоторый фон. В зависимости от конкретной задачи, сами тела могут быть как неподвижными (например, в задачах стереозрения), так и изменять свое положение от изображения к изображению. Поскольку в последнем случае типичными приложениями для таких методов совмещения является кодирование видеоинформации, сопровождение цели и создание автономных транспортных средств, важным аспектом методов совмещения является вычислительная эффективность. В связи с этим часто накладывают существенные ограничения на исходные данные: получение изображений при использовании одинаковых камер, сравнительно небольшое смещение камер и малый интервал времени между моментами получения изображений. С точки зрения задачи совмещения эти ограничения выражаются в том, что преобразование яркости близко к тождественному, изображения имеют одинаковое разрешение, глобальное пространственное преобразование ограничивается небольшими смещениями и поворотом, и отсутствуют существенные изменения. В задачах вычисления стереодиспаратности используется информация об эпиполярной геометрии камер, что также сильно облегчает процедуру совмещения. Основными сложностями здесь является существенная трехмерность сцен и наличие разрывов в полях смещения. Несмотря на то, что пространство поиска в этом классе задач определено практически однозначно, различными авторами используется весь спектр характерных признаков изображения и оценок качества преобразования.

Третья (последняя) категория включает обнаружение существенных различий, где основная сложность возникает из-за того, что сами объекты изображения могут существенно меняться вместе с изменениями в направлении съемки и освещения. Эта категория является наиболее общей и может включать все сложности, свойственные первым двум категориям. Дополнительная проблема здесь появляется из-за того, что в процессе совмещения производится попытка сопоставить данные, которые могут содержать сильные отличия. Учет таких отличий приводит к построению робастных методов совмещения, использующих внутреннюю оценку качества, инвариантную к выбросам.

Поскольку изменения носят структурный характер, и для их выявления необходимо построение и последующее сопоставление геометрических элементов, многие авторы предпочитают использовать методы совмещений, основанные на деталях изображений. Выбор конкретных деталей зависит от контекста совмещаемых изображений. Например, в производственных сценах наиболее популярными являются круглые метки (на изображениях принимающие форму эллипса), а при исследовании аэрокосмических изображений - отрезки прямых линий, углы, пересечения и многоугольники.

Однако в ряде приложений достаточным является указание областей, в которых произошли изменения. В этих случаях принятие решения о наличии или отсутствии изменений производится на основании статистических критериев в локальной области (например, коэффициент корреляции или количество взаимной информации), а совмещение часто производится методами, основанными на площадях, с применением критерия качества, аналогичного тому, который используется для принятия решения о присутствии изменений.

Заключение

Благодаря развитию компьютерной техники стало возможным создание и практическое применение автоматизированных методов совмещения, работающих с изображениями естественных и производственных сцен. Еще десять лет назад такие методы представляли лишь теоретический интерес. Совмещение изображений требуется во многих сферах человеческой деятельности: это и фотограмметрия, и проблемы зрения роботов, и задачи построения систем навигации автономных транспортных средств, и биомедицинские приложения. Благодаря обилию практических задач различными авторами было предложено большое число решений задачи совмещения, характерных для конкретной области применения.

Основные усилия разработчиков сейчас направлены по двум направлениям: усовершенствование существующих методов с целью получения полностью автоматических средств, предназначенных для совмещения конкретного типа изображений в конкретных приложениях, и обобщение накопленного опыта с целью построения универсальных систем совмещения, аналогичных зрительной системе человека. Последние, по-видимому, будут представлять иерархические системы, которые будут выполнять совмещение, используя несколько представлений различного уровня абстракции для каждого из изображений. В качестве таких представлений могут использоваться описания изображения отдельными пикселями, точками контуров, структурными элементами и символьное описание, требующее привлечения семантической информации.

Совместное использование различных описаний изображения требует единого подхода, в рамках которого эти описания строятся. В противном случае, иерархические системы будут представлять собой совокупность эвристик. По сути, создание подобного единого подхода - это решение проблемы интерпретации изображения, что и вызывает существенный интерес к задаче совмещения изображений как тестовой задаче в науке иконике. Некоторые авторы связывают надежды на решение этих вопросов с теоретико-информационным подходом, в котором, однако, на данный момент не учитываются физические аспекты формирования изображений, что пока делает их недостаточными для решения задачи интерпретации.

Важной техникой, позволяющей добиться большей производительности и надежности методов совмещения, является техника использования пирамиды изображения с постепенно улучшающимся разрешением. Однако конкретное применение этой техники во многом зависит от интуиции исследователя. Использование симметричной весовой функции, как показано в ряде работ, также приводит к более надежным методам совмещения за счет уменьшения числа локальных экстремумов.

Таким образом, в проблеме совмещения изображений наработан огромный эмпирический материал, однако, отсутствует общая теоретическая база, которую необходимо строить совместно с решением других задач интерпретации изобаржений.

Литература

G.Christensen, “Consistent linear-elastic transformation for image matching”. In 16^{th Conference on Information Processing in Medical Imaging, pages 224-247, June 1999}

I.J.Dowman, “Automating image registration and absolute orientation: solutions and problems”, Photogrammetric Record, 16(91): pp. 5-18, 1998.

M.Gabrani and O.J.Tretiak, “Surface-based matching using elastic transformation”. Pattern Recognition, 32:87-97, 1999.

D.Lagunovsky and S.Ablameyko, “Straight-line-primitive extraction in grey-scale object recognition”, Pattern Recognition Letters 20, pp. 1005-1014, 1999.

A.A.Mustafa, “Optimum template selection for image registration using ICMM”, 9th British Machine Vision Conference, 1998.

C.V.Stewart, “Robust parameter estimation in computer vision”, SIAM Reviews, September 1999.

P.Thevenaz, U.E.Ruttimann, and M.Unser, “A pyramid approach to subpixel registration based on intensity”, IEEE Transactions on image processing, vol. 7, no. 1, 1998.

^{Иллюстрации}

Рис. 1. Пример вычисления стереодиспаратности для контурных точек пары ректифицированных изображений.

Рис. 2. Разделение существенно трехмерной сцены на поверхности, для каждой из которых необходимо определять собственное проективное преобразование.

Рис. 3. Совмещение инфракрасного и радиолокационного (SAR) изображений. Из-за отсутствия однородного преобразования яркости для изображений, полученных с разных сенсоров, и наличия спекл-шума на SAR-изображении, методы, основанные на первоначальных значениях интенсивностей неприменимы, совмещение производится на основе структурных описаний.

Рис. 4. Пример совмещения оптического изображения с векторными данными (CAD-моделью карты местности).

Конец формы

https://studizba.com

Характеристики

Список файлов реферата