Диссертация (1152160), страница 40
Текст из файла (страница 40)
В технических системах: положительное значениеразности изображений говорит об увеличении интенсивности излучения, а отрицательное значение – о снижении этой интенсивности.Для анализа динамики поведения видеообъекта выделим из разностнойматрицы два вектора: вектор положительных значений разности P(i,j) и векторотрицательных значений разности Q(m,n), в которых индексы показывают значения координат пикселей со значением больше нуля (i,j) и меньше нуля (m,n).На этом этапе делается переход от анализа изображения площади объекта канализу векторов, перечисляющих все точки этой плоской фигуры.
Это значительно снижает объѐм вычислений и требуемой памяти. К тому же вектора появляются только при нарушении нормального режима технологического процесса.По результатам изучения видеосъемки различных сортов муки определяются диапазоны длин векторов P(i,j) и Q(m,n).Амплитуда управляющего импульса определяется, исходя из принятыхусловий алгоритма управления ТП. Чаще всего возможен выбор пропорцио-249нального закона регулирования, при котором амплитуда управляющего импульса пропорциональна величине отклонения, т.е. длине вектора P(i,j) илиQ(m,n). В этом случае для предотвращения возникновения автоколебаний необходимо учитывать случайные колебания размеров векторов от кадра к кадру,что потребует небольшого увеличения времени запаздывания подачи управляющего импульса.
Это обстоятельство позволяет при исчислении динамики конкретного видеообъекта пользоваться обыкновенными дифференциальнымиуравнениями, а не их дискретным аналогом.4.2.2. Модуль обеспечения автоматического контроля цвета пищевых массдля системы компьютерного зренияВыполненные исследования позволили сформулировать функции, которые необходимо обеспечить для автоматического контроля в потоке цвета пищевых массс (на примере муки): автоматический сбор данных о цвете муки врежиме реального времени (online), поступающих от цифровой видеокамеры(ЦВК); ввод данных об оптимальных величинах цвета муки посредством человеко-машинного интерфейса; обработка данных; хранение данных; выборкаданных; реализация работы программного модуля; подготовка результатов(статистическая обработка); вывод данных в удобной форме.
Функциональнаяструктура модуля контроля цвета пищевых масс (на примере муки) в процессепроизводства с использованием СКЗ, представлена на рисунке 4.8.ТП производствамукиКонфетнаяМукамассаЦифроваявидеокамераБД заданныхцифровыхизображений мукиБЗОператорСредстваотображенияинформацииКомплексный модульсбора данных,системы обработки,хранения и принятиярешенийРисунок 4.8. Структура модуля автоматического контроля цветамуки АЭСКК в процессе производства250Информация об изменении цвета визуальных характеристик Y(t) мукификсируется цифровой видеокамерой (ЦВК) в момент времени tп и передаетсяна вход комплексного интеллектуального модуля ИЭСКК пищевой продукции(модуль сбора данных, системы обработки, хранения и принятия решений).Частота обновления изображений может быть от 30 Гц до 100 кГц. Следовательно, время обновлений tк может достигать от 10 мкс.
до 30 мс., это зависит от типа выбранной камеры. От количества критичных точек отслеживаемого изображения зависит длительность расчета изменений характеристик τa.Следовательно, информация о характеристиках объекта, полученная в результате обработки данных будет иметь временную задержку tк+τа, (временная задержка возникает в связи с дискретной скоростью передачи данных и проведением математического анализа, полученного изображения).В комплексном интеллектуальном модуле проводятся следующие операции: обработка видеокадров, поступающих на вход системы; анализ полученных изображений путем сравнения видеокадра ЦВК с эталонным кадромзадатчиком, поступающим из БД заданных цифровых изображений муки разного сорта; определение соответствия текущего состояния эталонному значению(заданному значению); передача полученного результата на средство отображения информации; передача результата оператору и принятие решения о необходимом воздействии на ТП производства муки с привлечением разработанной базы знаний (БЗ).Модуль автоматического контроля цвета муки интеллектуальной экспертной системы с установленной программой обработки видеокадров (например, ПП Matlab, взаимодействующий в режиме реального времени с VisualC++,Visual BASIC, Java), оценивает цвет исследуемых масс, что позволяет судитьоб одном из важнейших показателей качества готового продукта.4.2.3.
Методика разработки алгоритма объективной оценки качества изображений в СКЗ оценки цвета пищевых масс251Цифровые изображения могут быть объектами влияния самых разнообразных искажений во время сбора, обработки, сжатия, хранения, передачи ивоспроизведения информации, и на любой из этих стадий они могут привести кдеградации качества изображения в СКЗ. Поэтому были проведены исследования, направленные на повышение качества получаемых результатов, которыепоказали, что объективные показатели качества изображения могут быть классифицированы в зависимости от наличия исходного изображения (без искажений): 1) эталонные 2) неэталонные 3) псевдоэталонные.
Нами выбран наиболееперспективный подход известный как эталонный.Наиболее простой и широко распространѐнной методикой определениякачества изображения является оценка среднеквадратичной ошибки, вычисляемая путем усреднения квадратов разностей интенсивностей искаженных и эталонных пикселей изображения, наряду с соответствующим количеством пиковотношения сигнал – шум.
Этот метод привлекателен тем, что он прост для расчѐта, имеет чѐткий физический смысл и математически удобен в контексте оптимизации. В наших работах [14, 16, 17] предложены принципы измерения качества изображения, основанные на том факте, что зрительная система человека предрасположена к извлечению структурной информации из изображения.Для эталонного изображенияi(m,n) , где m,n – размеры искаженногои/или сжатого изображения iˆ(m,n) вычисляются локальные карты искажений{ f i (m, n)}, из которых впоследствии находятся факторы искажений { Fi }. Затем с помощью регрессионного анализа осуществляется подбор комбинацийвычисленных факторов для получения числа, отражающего качество искаженного изображения.Существует 5 основных факторов, из которых складывается оценка искажений PQS, необходимая для практической реализации разработанного модуляавтоматического контроля цвета пищевых масс в СКЗ.Первый фактор искажения F1 следует из определения:(4.30)252Эта ошибка используется для вычисления первой локальной карты искажений изображения:(4.31)Здесь- изотропическая пространственная надбавка области,соответствующая надбавке частоты, определенной стандартом CCIR -567 - 1:(4.32)с частотой среза fс = 5,56 циклов/градус на расстоянии 4-х кратной высотыизображения (4H); символ * обозначает свертку; u, v - соответственно горизонтальные и вертикальные пространственные частоты, измеряемые в циклах наградус.
Фактор искажения F1 вычисляется как(4.33)Сравниваемые изображения должны быть нормированы по яркости. Длявычисления матрицы [U, V] используется принцип, приведенный в [102]. ЗдесьU и V - матрицы горизонтальных и вертикальныx пространственных частот соответственно. Результатом вычисления значений [U, V] будет матрица размером [2*m, 2*n], поэтому в этом случае свертка осуществляется с использованием теоремы корреляции:(4.34)Здесь r12 - взаимная корреляция двух последовательностей данных x1 (n) иx2 (n) , а их ДПФ -образы равны соответственно X1 (k), X2 (k) ;- обозначает обратное дискретное преобразование Фурье.Для последовательностей x1 (n) с длиной N1 и x2 (n) с длиной N2 их линейная корреляция будет иметь длину N1 + N2 -1. Для этого последовательностьx1 (n) заменяют последовательностью x1а (n) , которая состоит из последова-253тельности x1 (n) с добавленными N2 - 1 нулями, а последовательность x2 (n) ,дополненная N1 - 1 нулями, превращается в последовательность x2а (n) [103].Второй фактор искажения F2 включает более полную модель визуального восприятия.
При его нахождении используется степенной закон преобразования изображения i(m,n) , приближенный к закону Вебера-Фехнера.Фактор F2 не учитывает значения ew (m,n) ниже порога восприятия T (который подбирается экспериментально). Здесь ew (m,n) взвешенная по частотеошибка, используемая для вычисления второй локальной карты искаженийизображения.Третий фактор искажения F3 определяется как функция двух параметров: горизонтальной и вертикальной ошибок неоднородностей. Данный факторвводится для учѐта искажений, вносимых большинством алгоритмов сжатияизображения (так называемые признаки конца блока)Четвертый фактор искажения F4 определяется как корреляционныйпоказатель между изображениями.Пятый фактор искажения F5 отражает ошибки в областях с большимконтрастом (по сути границы объектов):(4.35)(4.36)(4.37)(4.38)Здесь Sh (m, n) - маскирующий фактор, определяемый горизонтальнойфункцией локальной активностиVh (m, n) (аналогично определяется Sh (m, n)) .Функция Im (m,n) выделяет точки, значение которых после применения оператора Kirsch, больше или равно 6 (порог подбирался экспериментально с учетомтого, что изображения нормированы).254После того, как были вычислены все пять факторов, необходимо показатьсаму оценку PQS, которую вычисляли с помощью линейной комбинации вычисленных факторов { Fi }:(4.39)(при этом значений PQS будет лежать в пределах 0;1, где 1- это полноесовпадение изображений).