Диссертация (1095112), страница 10

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

Текст из файла (страница 10)

Сложение результата шагов 1 и 2;4. Однократная эрозия результата шага 3;5. Вычитание из результата шага 1 результата двух- трехпроходнойдилатации результата, полученного на 4 шаге.Существенно повысить качество получаемых результатов возможно, еслипроизвести обработку исходного изображения медианным фильтром с окномбольшого размера (5х5, 7х7 или 9х9 в зависимости от характера сцены). Решениеоб увеличении размера фильтра принимается, исходя из количества пикселейграниц, остающихся на результирующем изображении после примененияописанного алгоритма.Входеэкспериментальныхисследованийнатурныхвидеосъемокподстилающей поверхности, установлено, что оптимальным является количествопикселей границ N  [500 , 2500 ] .

При большем значении N с высокой долейуверенностиможноутверждать,чтонаизображенииосталисьмалоинформативные объекты. При N<500 количество элементов, оставшихся наизображении часто недостаточно для дальнейшей обработки.На рисунке 2.10а-д приведены результаты практического примененияпредлагаемого алгоритма применительно к изображениям, зафиксированнымсенсорами технического зрения летательного аппарата. На рисунке 2.10гпредставлено изображение, построенное по виртуальной модели местности длянавигационных данных, зафиксированных в момент съемки рассматриваемого63реального изображения. Его совмещение с использованием методов контурногоанализа с изображением, приведенном на рисунке 2.10д, существенно проще, чемс изображением на рисунке 2.10б.абвгдеа – исходное ч/б ТВ изображение; б – границы, выделенные с использованиемдетектора Кенни; в – отфильтрованные на шагах 2-4 малоинформативные объекты;г – итоговый результат; д – итоговый результат в случае применения медианного фильтра;е – изображение, построенное по виртуальной модели местностиРисунок 2.10 – Изображения на разных стадиях выполнениятехнологической цепочки64Применение описанного алгоритма выделения контуров протяженныхобъектов позволяет существенно повысить эффективность совмещения реальныхизображений и изображений, построенных по виртуальной модели местности, наоснове методов и алгоритмов контурного анализа.

Это достигается за счетуменьшения на изображениях количества контуров малой протяженности,которые негативно влияют на результаты совмещений.2.3.4 Разработка алгоритма получения связных контуровС целью повышения информативности изображения, полученного спомощью алгоритма выделения контуров протяженных объектов, проводитсядополнительная обработка полученного изображения с выделенными границами:дополнение границ и удаление единичных пикселей на изображении.Предложенный алгоритм дополнения границ основан на оценке окружениякаждой точки изображения. Обработка производится по всем пикселямследующим образом:1) оценивается яркость пикселя, и если пиксель имеет белый цвет, тоанализируется его окружение.2) если по одному из указанных на рисунке 2.11 направлений имеютсяпиксели черного цвета, то этот пиксель считается пропуском и его необходимозаполнить.ХХХХРисунок 2.11 – Шаблоны дополнения контуровТакже производится удаление единичных черных пикселей, окруженных совсех сторон фоном.После того, как получено максимально обработанное изображение границ,требуется получить описание контуров как связного множества точек.

Не смотряна то, что представление кривой в виде последовательности точек с координатамиx, y, считается крайне неэффективным, именно оно и является конечной целью65данного этапа. В дальнейшем описание контуров будет преобразовано к болееудобному для хранения и обработки виду. Пример исходного изображения,подлежащего оконтуриванию, приведен на рисунке 2.12.Рисунок 2.12 – Пример исходного изображения для получения связных контуровПолучение описания контуров как связного множества точек происходитследующим образом:1)просматриваютсяпикселирастровогочерно-белогоизображения,полученного в результате предыдущих шагов;2) если найден черный пиксель, он принимается как начало контура,помечается текущим пикселем для анализа, начинается итеративное выполнениешагов 3-5.

Черные пиксели, включенные в состав некоторого контура,исключаются из дальнейшего рассмотрения.3) просматриваются пиксели, соседние с текущим, в порядке, показанном нарисунке 2.13. В случае нахождения в позициях 1-8 единственного соседа, ондобавляется в контур и помечается как текущий, операция повторяется;5 1 63 Х 48 2 7Рисунок 2.13 – Порядок просмотра точек при оконтуривании664) если в позициях 1-2 или 3-4 обнаруживается несколько соседних пикселей,происходит создание двух контуров, обход которых выполняется независимо.Контуры в направлениях 1, 3 считаются основными, 2, 4 – вспомогательными.Требуется некоторым образом корректно обрабатывать ту часть списка,которая была накоплена к моменту разветвления («хвост» списка).

Предлагаетсяпоступать следующим образом:- если длина «хвоста» мала, и не превышает 10-12 элементов, отбросить его;- если длина основного или вспомогательного списка после разветвленияоказалась слишком маленькой (менее 10-12 элементов), он отбрасывается.- если длина как «хвоста», так и основного со вспомогательным списковдостаточно велики, то создаются 3 независимых списка:«хвост» + основной контур;«хвост» + вспомогательный контур;вспомогательный + основной контуры.Иллюстрация приведена на рисунке 2.14.Рисунок 2.14 – Оконтуривание при наличии разветвлений5) если в позициях 1-8 нет черных пикселей, обход контура прекращается,происходит возврат к шагу 1.6) в случае разветвления контура на шаге 4, происходит склейка полученныхфрагментов следующим образом: происходит зеркальная перестановка пикселейвспомогательного контура (в направлениях 2, 4) относительно среднего элемента,67этот контур ставится в начало основного контура, полученного в результатепрохода в направлениях 1,3.7) если просмотрены все пиксели изображения, происходит завершениеработы алгоритма.Иллюстрация применения предложенного алгоритма приведена на рисунке2.15 на рисунке ниже: пусть зеленый пиксель – место начала, в нём такжепроисходит разветвления на шаге 4, розовый – основной контур, голубой –вспомогательный.

Обход оканчивается в правой стороне контура, когдавстречаются розовый и голубой контуры. Затем последний элемент голубогоконтура становится первым, первый – последним и эта структура ставится передэлементами голубого контура. В итоге получаем связную последовательностьточек, аппроксимирующих контур.Рисунок 2.15 – Иллюстрация применения алгоритмаВ результате после обработки всего изображения мы получаем наборсвязных контуров. Естественным и логичным представляется удалить из негоконтуры малой протяженности, содержащие менее 25-30 точек. В итоге имеемсвязные контуры большой длины, соответствующие протяженным объектам наисходном изображении.2.3.6 Разработка алгоритма сокращения количества точек в контурахКонтуры, получаемые с применением алгоритма из пункта 2.3.4, содержат всебе весьма большое количество точек. Это не всегда удобно для дальнейшейобработки, а зачастую усложняет последующие процедуры поиска ключевых68точек.

Поэтому требуется некоторым образом «проредить» получаемые контуры.Одним из наиболее простых и действенных методов является поиск угловыхточек, то есть аппроксимацияполученных контуров многоугольниками.Аппроксимирующие многоугольники должны содержать минимальное числовершин (угловых точек), но при этом достаточно точно повторять контурыобъекта.

Эти требования противоречивы, поэтому к их конкретному описаниюпредъявляются особые требования.Поиску уголковых структур на векторных изображениях посвящен ряд работ[51, 52]. В [52] для детектирования углов на изображении в каждой точкеобрабатываемогоконтурапроизводится аппроксимацияучастков контураотрезками, образующими уголковую структуру. Параметры пары линейныхфункцийнаходятсяметодомнаименьшихквадратов.Затемнаходитсяквадратичная ошибка аппроксимации контура углом, вычисляется значениекритерия  2 , с помощью которого находится вероятность p1 гипотезы о том, чтоданныйучастокконтураявляетсяуголком.Послеэтогооцениваетсяпротивоположная гипотеза о том, что данный участок является плавноизменяющейся кривой. Для получения ответа на этот вопрос осуществляетсяаппроксимация рассматриваемого участка контура полиномом третьей степени.Вновь вычисляются квадратичная ошибка аппроксимации, значение критерия  2и находится вероятностьp2противоположной гипотезы.

Из сравненияполученных значений p1 и p2 вероятности гипотез делается вывод, какая из нихправдоподобнее.Приведенные в работе [52] результаты апробации метода на реальныхизображениях говорят о хорошем качестве детектирования углов и, в частности,на зашумленных изображениях. Очевидный недостаток метода кроется в высокойвычислительной сложности, не позволяющей использовать его в СТЗ на бортулетательного аппарата.В [37] для решения этой задачи предложен алгоритм, основанный навычислении косинусов углов между двумя прямыми, проходящими через69текущую точку контура. Алгоритм основан на выборе в качестве вершинаппроксимирующего многоугольника тех точек контура, в которых достигаетсялокальный максимум оценок косинусов углов при этих вершинах.

Остальныеточки контура исключаются из дальнейших расчетов. Оценки косинусов угловвычисляются по соседним точкам с обеих сторон, причем количество таких точекm– настраиваемый параметр алгоритма.В каждой точке контура вычисляется косинус угла между прямымиL1 : y  k1 x и L2 : y  k 2 x , проходящими через рассматриваемую точку и через mпикселей справа и слева от этой точки.p1 p2  k1k2cos  1  k12 1  k22(2.7)mВ формуле (2.7): p1  1, p2  1 , k1  kˆ1, k2  kˆ2 , если  xi  0 .

Если жеi 1m xi  0 , то знаки в равенствах меняются на противоположные, т.е.i 1p1  1, p2  1 ; k1  kˆ1 , k 2  kˆ2 .Оптимальная оценка k углового коэффициента каждой прямой находится mкак оценка метода наименьших квадратов (МНК) по формуле k   yi xii 1m xi2 . Вi 1этой формуле ( xi , yi ) – координаты точек Ai , i  1, m в подвижной системекоординат Oxy для углового коэффициента k1 и ( xi , yi ) – координаты точекBi , i  1, m – для углового коэффициента k 2 .На рисунке 2.16 приведен результат работы алгоритма при разных значенияхпараметра m.70абва – m=50, в контуре остается 135 точек; б – m=150, в контуре остается 56 точек;в – m=500, в контуре остается 53 точкиРисунок 2.16 – Результат работы алгоритма сокращения числа точекконтуров в зависимости от параметра m2.3.7 Разработка алгоритма установления однозначного соответствиямежду угловыми точкамиПосле получения связных контуров и сокращении числа точек в них донескольких десятков, требуется установить взаимно-однозначное соответствиемежду точками контуров на совмещаемых изображениях.

Характеристики

Список файлов диссертации