Пояснительная записка (1234696), страница 2

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

Текст из файла (страница 2)

Рисунок 4 – Используемая последовательность цветов

Алгоритм обработки изображений решает две основные задачи:

– детекцию полос на изображении и определение положения центральной линии для каждой полосы (выделение полос);

– определение цвета для каждого выделенного участка полосы (классификация по цветам).

3.1 Выделение центров полос

Алгоритмы выделения полос для различных картин подсветки с цветовым кодированием можно разделить на два типа: с выделением краев (edges) и с выделением пиков (peaks). Используемая картина подсветки содержит промежутки черного цвета и требует использования алгоритма второго типа. Для выделения полос на изображении можно использовать прямой метод поиска локальных максимумов, метод пересечения нулевой линии второй производной (детектор лаплассиана гауссиана (LoG)) или метод Канни (Canny) [6]. Зарегистрированное изображение содержит три цветовых канала (R,G,B), поэтому для применения вышеупомянутых методов требуется или преобразование к одному каналу с использованием его для обработки, или объединение результатов выделения полос по нескольким каналам. После первичного выделения центров полос данными методами обычно производится субпиксельное уточнение координат максимумов или с использованием интерполяции параболой [7], или определением центра тяжести по нормализованным значениям в окрестности.

В различных работах предложены следующие методы решения данной задачи: в работе [9] использовался метод Канни (Canny) по яркостной составляющей (Y) после преобразования в цветовое пространство YCbCr; в работе [7] использовался прямой метод поиска локальных максимумов вдоль линий сканирования по трем цветовым каналам R, G, B с последующим объединением результатов на этапе субпиксельного уточнения; в работе [9] выделение центров полос осуществлялось по второй производной значения цвета (V) после преобразования в цветовое пространство HSV.

На рисунке 5 представлено изображение, зарегистрированное в темной комнате. В работе [5] были рассмотрены реализации алгоритмов поиска максимумов и определения их цвета, работающие для изображения, произведенного без сторонней засветки. Однако, при добавлении внешнего источника света, алгоритмы показывали неустойчивую работу.

Рисунок 5 – Изображение, зарегистрированное

в темной комнате без засветки

Для выбора оптимального цветового преобразования для выделения максимумов был проведен анализ сечений изображений, зарегистрированных в ходе проведения экспериментов, и оценена пригодность использования различных величин с точки зрения выбора надежных пороговых значений алгоритма. В работе [7] были показаны значения различных величин: цветовых каналов R, G и B, среднего арифметического по трем данным каналам, яркостной составляющей (Y) после преобразования в YCbCr и значения цвета (V) после преобразования в HSV в сечении изображения объекта, перпендикулярном направлению проецируемых полос. Также, в работе [7] был сделан вывод, что при использовании линейной комбинации цветов (R+G+B) чистые цвета сильно подавляются, и могут быть пропущены. По результатам анализа можно сделать вывод, что наиболее стабильную детекцию центров полос можно получить, используя значение цвета V.

Рисунок 6 – Значения различных величин в

сечении изображения объекта

В среде MatLab были реализованы алгоритмы выделения центров полос по значению цвета V и среднеквадратичного из каналов RGB с использованием прямого метода поиска локальных максимумов и метода, подобного методу Канни. При реализации прямого метода поиска максимумов были заданы два пороговых значения: – минимальное абсолютное значение в предполагаемом максимуме, – минимальное значение разности значений в предполагаемом максимуме и его «соседях». При реализации метода Канни на этапе немаксимального подавления вместо значений модуля градиента в первом случае используются непосредственно сами значения V, как в работе [5], а во втором случае-среднеквадратичное из RGB. Перед преобразованием изображения в цветовое пространство HSV к изображению был применен сглаживающий фильтр Гаусса; для субпиксельного уточнения координат максимумов использовалась интерполяция параболой по строке изображения.

Количественная оценка зависимости результатов детекции полос от используемого цветового канала (R+G+B, Y или V) производилась по изображениям объекта в виде гладкой белой плоскости («Плоскость») и гладкого белого объекта (гипсовый бюст Ленина, «Бюст»). Сравнивалось количество точек центров полос, обнаруженных алгоритмом при работе по рассматриваемому цветовому каналу изображения при подсветке картиной с цветными полосами, и количество точек центров полос, обнаруженных тем же алгоритмом при работе по каналу яркости Y изображения при подсветке картиной с белыми полосами. Значения порогов для каждого цветового канала были выбрано там, где максимальное значение для данного цветового канала в пределах рассматриваемого фрагмента изображения, – единая для всех каналов фиксированная величина. Результаты подтвердили сделанный ранее вывод о предпочтительном использовании значения цвета V.

Для оценки зависимости результатов детекции полос от используемого метода (прямой метод поиска локальных максимумов или метод Канни) использовались те же изображения. Количественная оценка в данном случае возможна только для объекта «Плоскость», поскольку для него можно определить «истинное» количество точек центров полос как произведение количества полос на количество строк изображения. Для обоих методов при детекции полос на плоском объекте по V был получен одинаковый максимальный результат. Для объекта «Бюст» возможно проведение качественной оценки, результаты детекции полос приведены на рисунке 7. Видно, что метод Канни позволяет детектировать больше точек локальных максимумов при том же пороговом значении за счет использования «сильного» и «слабого» порогов, однако это преимущество незначительно.

Рисунок 7 – Результаты работы алгоритмов выделения полос:

а – прямой метод, б – метод Канни

Основным преимуществом метода Канни является то, что выбранные точки уже связаны в фрагменты полос, что можно использовать далее на этапах классификации и декодирования для повышения общей надежности работы алгоритма.

3.2) Классификация выделенных полос по цвету. Кластеризация

На данном этапе решается задача классификации выделенных точек-центров полос по цвету на 7 типов: 6 типов, соответствующих 6 используемым цветам и «неклассифицированные» точки, которые нельзя надежно соотнести ни с одним из используемых цветов. Для решения данной задачи можно применить ряд различных методов, среди которых можно выделить две группы: методы с фиксированными порогами и адаптивные методы.

Рассмотрим возможные варианты решения этой задачи в различных цветовых пространствах: YCbCr и HSV, представленные в литературе. Классификация производится пороговым методом, пороговые значения выбраны заранее (рисунки 8). Использование алгоритма кластеризации позволяет адаптировать алгоритм к изменению внешней освещенности и повысить надежность классификации при работе с цветными объектами. Рассмотрим алгоритмы кластеризации в цветовых пространствах YCbCr (по разностным компонентам Cb и Cr) и HSV (по насыщенности S и тону Н).

Рисунок 8 – Гистограмма, полученная с белой плоскости

На качество гистограммы сильно влияет структура объекта, а также угол падения солнечных лучей (рисунок 9, а, б).

Рисунок 9 – Влияние структуры объекта на качество гистограммы;

а – гистограмма, полученная при обработке кадра с белым бюстом;

б – гистограмма, полученная при обработке кадра с цветной игрушкой;

Алгоритм кластеризации состоит из двух повторяющихся действий:

– отнести каждую точку к кластеру, расстояние до центральной точки которого наименьшее из всех;

– используя текущее распределение точек по кластерам, определить среднее значение для каждого кластера и присвоить это значение центральной точке кластера. Результат кластеризации данным алгоритмом можно видеть на рисунке 10, а, б.

Рисунок 10 – Результаты кластеризации для белого объекта;

а, б – кластеризация в цветовом пространстве Cb-Cr;

в, г – кластеризация в цветовом пространстве H-S

Принадлежность точки к кластеру показана цветом, расположение точек соответствует их координатам в плоскости CbCr (рисунок 10, а) и в плоскости HS (рисунок 10, б). Из рисунков видно, что алгоритм классифицирует множество точек с низким значением насыщенности S. Причиной этой ошибки является метод расчета расстояния от точки до центра кластера, которое определяется без учета формы кластера. Для кластеризации в декартовом пространстве расстояние от точки до центра кластера определяется без учета формы кластеров.

Данную проблему можно устранить при кластеризации по цветовому тону H и насыщенности S, и введения искусственного коэффициента анизотропии. В этом случае расстояние от произвольной точки до ближайшего кластера можно посчитать по формуле, где коэффициент анизотропии k < 1. Введение такой анизотропии позволит учесть «вытянутость» кластера вдоль S. На рисунке 10, в, г приведены результаты кластеризации по значениям H и S при k = 1/3. Использован сдвиг по цветовому тону для сохранения целостности красного кластера.

Рисунок 11 – Результат работы алгоритмов выделения полос и кластеризации

Также на рисунках 10, б, г можно заметить множество, которые нельзя с уверенностью отнести к какому-либо из кластеров. Вводя пороговое значение по насыщенности S или по расстоянию до центра кластера можно выделить данные точки в кластер «неклассифицированных».

1.2 Лазерное сканирование

Технология лазерного сканирования. Лазерный сканер (3D-сканер) — это аппаратное устройство, анализирующее физический объект и на основе полученных данных создающее его 3D-модель. Трёхмерная модель сканируемого артефакта или строения обычно представляется в виде облака точек или готовой трёхмерной моделью. Отметим, что лазерные сканеры появились совсем недавно. Появление на рынке первых лазерных сканеров связано с деятельностью японской компании Cyra Technology. Основателем компании Cyra Technology стала семья Бена и Барбары Какура, благодаря деятельности которых в 1990-х на мировом рынке оборудования стал доступным первый лазерный сканер высокой четкости, который за последние 20 лет получил широкое распространение в среде как технических специалистов, так и гуманитарных (археологов, историков, музееведов и т.д.).

С целью популяризации внедрения лазерных сканеров в гуманитарные исследования для решения задач оцифровки, анализа объектов историко-культурного наследия в 2003 г. компания создала проект CyArk, имеющий целью создание депозитария цифровых копий результатов электронного сканирования объектов историко-культурного наследия, полученных с помощью разработанного фирмой лазерного сканера. Этот некоммерческий проект принёс фирме значительную известность и способствовал распространению практики внедрения аппаратов лазерного сканирования в гуманитарные науки, в частности, в археологии - для решения задач оцифровки археологических артефактов, архитектурных строений, а также рельефа.

Характеристики

Список файлов ВКР