62623 (695118), страница 2

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

Текст из файла (страница 2)

В работе использовалась следующая маска:

.

Дефектные элементы исключаются из рассмотрения. В местах, соответствующих дефектным элементам, весовые коэффициенты фильтра принимали нулевое значение:

при этом сумма всех элементов должна быть равной единице, для этого проводится нормировка:

.

При применении пространственного фильтра размытия для снижения влияния шума резкие переходы яркостей изображения становятся более гладкими, а мелкие детали практически исчезают. Этого можно избежать, проведя селекцию контрастных участков, для которых производится более слабое размытие или оно не производится вовсе. Для селекции применяется фильтр дифференцирования. Нижняя граница определяется из расчета вероятности принадлежности к равномерному участку, которая должна быть больше определенной граничной величины (например ), верхняя – меньше другой граничной величины (например ). Промежуточные значения, лежащие в интервале между нижней и верхней границами, определяются при помощи линейной интерполяции. Можно считать, что шум имеет нормальный закон распределения. Комбинирование размытого и исходного изображения предлагается производить следующим образом:

,

где весовой коэффициент степени размытия определяется на основе квантилей и по следующей зависимости:

, ,

где , , – значение сигнала после применения дифференцирующего фильтра. Для поиска квантилей и можно воспользоваться формулой

, .

Здесь опять используется маска размытия . Это позволяет использование единого фильтра размытия для нескольких алгоритмов различного назначения.

Для реализации дифференциального фильтра предлагается использовать лапласиан, построенный на разности исходного изображения и фильтра размытия, применяемого для подавления шумов и замещения дефектных элементов матрицы.

Построение адаптивной временной фильтрации производится аналогичным образом:

где – элементы входного изображения (пиксели) кадра, – обработанное изображение - го кадра, – коэффициенты, выбираемые в зависимости от скорости изменения яркости каждого пикселя, и – верхний и нижний коэффициент накопления, причем , а может быть любым числом, лежащим в интервале от 0 до 1 (например ). Будем считать, что если значение сигнала пикселя (в качестве изображения принимается «размытая» разница между кадрами) ниже верхней границы наличия шума, то с вероятностью 0,999 это изменение значения вызвано шумом, а при значении , находящемся выше нижней границы отсутствия шума, с вероятностью 0,001 можно считать, что изменение значения в этом пикселе вызвано движением на изображении. Вычисление квантилей и производится тем же способом, что и при пространственной фильтрации. Контрастные границы, которые в тепловизионном изображении движутся, в силу разных причин несколько размыты. Для исключения возникновения дефектов при движении этих границ, желательно расширить зону влияния изменяющихся зон (на разности изображений). Это можно осуществить, применив маску наращивания, т.е. поиск максимума модуля разности по локальной подобласти.

При работе многих тепловизионных приборов было замечено значительное преобладание коррелированного шума по столбцам и строкам, имеющего вид полос, над прочими шумами. Указанные выше фильтры не способны удалить эти полосы без существенной потери качества изображения. В диссертации предлагается метод компенсации влияния данного вида шума на изображение, который иллюстрирован алгоритмом компенсации горизонтальных полос. Алгоритмы, производящие компенсацию шумов по столбцам или по строкам, выполняются по отдельности. Разработанный метод базируется на предположении, что изменение изображения под действием шума происходит для всей полосы (столбца или строки) по общему закону

,

где – исходное (зашумленное указанным типом шума) изображение;

– результирующее (очищенное) изображение;

– искомый вектор параметров.

В качестве функции взята линейная зависимость:

.

Параметры преобразования (такие, как и ) находятся из условия минимизации разницы между результирующим изображением и предполагаемым

.

Предполагаемое изображение находится путем аппроксимации значений соседних с элементов, считая, что значения элементов рассматриваемой полосы не известны. Задача решается методом наименьших квадратов. Для ограничения искажения всей полосы из-за влияния контрастных границ на результаты вычислений вводятся ограничения на разность яркости рассматриваемых пикселей.

На основе анализа линейного и гистограммного методов регулировки уровней яркости предлагается новый метод, компенсирующим основные недостатки каждого из них. При этом простота метода, по сравнению с гистограммным методом, сохраняется. Он позволяет уменьшить влияние шума и снизить влияние больших однотонных зон, обеспечивая контраст между двумя объектами с различной яркостью. Это достигается введением верхних и нижних ограничений контраста. На основе этого предложения был разработан быстрый алгоритм, позволяющий реализовать данный метод со скоростью, сравнимой со скоростью реализации гистограммного метода. Новый алгоритм основан на сборе гистограммы от гистограммы уровней сигнала по одному кадру. Полученное изображение для восприятия человеком лучше или, в крайнем случае, не хуже, чем при использовании линейного или гистограммного методов.

При масштабировании, повороте и прочих аффинных преобразованиях изображения широко применяются различные интерполяционные функции. При масштабировании в нецелое число раз видеопоследовательности, имеющей высокий уровень шума, появляется «сетка» чередующихся зон с высоким и низким уровнями шума. Различия между этими двумя зонами могут быть незначительными, однако в связи с периодичностью и отсутствием передвижения этих зон при движении сцены эта «сетка» хорошо различима и может отвлекать внимание оператора. Этот эффект возникает из-за особенностей интерполяции при масштабировании и повороте. Переход от линейной функции интерполяции к кубической не устраняет этот эффект. В диссертации предлагается метод интерполяции, который осуществляется путем вычисления взвешенного среднего (с динамически изменяемыми весовыми коэффициентами):

,

где – значение яркости в пикселе старого изображения, – значение яркости в пикселе нового, масштабированного, изображения, – область, по которой производится интерполяция (близлежащие точки), индекс пиксела связан с областью (с индексами ) заданным пространственным преобразованием, – интерполяционные коэффициенты, такие, что . Индекс можно рассматривать как некоторое представление новых координат, а индекс – старых. Рассматривается аддитивный некоррелируемый гауссовский шум с математическим ожиданием, равным нулю. В этом случае сигнал можно представить в виде:

,

где и – незашумленная и зашумленная (получаемая) видеопоследовательности, – величина шума с математическим ожиданием и дисперсией , – индекс пиксела в рассматриваемой строке матрицы изображения, – номер кадра. При условии некоррелируемости шума выражение для дисперсии по времени для преобразованного изображения примет вид:

.

Поскольку повысить резкость в размытых интерполяцией областях мы не можем, то, соответственно, для равномерности дисперсии шума искусственно «размоем» изображение в областях, не подверженных интерполяционному размытию. Поскольку размытие при интерполяции не велико, то и дополнительное местное размытие не должно сильно повлиять на изображение. Такое незначительное размытие может уменьшить влияние шумов, так как его можно рассматривать как низкочастотный фильтр. В работе представлено два примера построения подобных нелинейных фильтров.

Поиск пространственного взаимного рассогласования двух изображений является одной из основных частей алгоритмов геометрической стабилизации изображения, построения панорамного изображения, совмещения изображений. В работе предложен метод, рассчитанный для работы при произвольном угле взаимного поворота изображений.

Наиболее простой способ нахождения параметров поворота, смещений и масштабирования заключается в переборе некоторых возможных их сочетаний. Этот подход очень затратен по времени. Статистический анализ по столбцам и строкам позволяет оптимизировать только работу со смещениями и масштабированием, но работает нестабильно при движении и требует проверки ответа. Для каждого угла возможного угла поворота необходимо проводить всю процедуру заново. Такой метод пригоден для работы с малыми углами отклонения. При больших углах поворота он становится трудоемок.

Предлагается использовать значения сигналов и статистические моменты, собранные по кольцу (группе окружностей) с радиусами на изображении , где ‑ непрерывная функция, интерполирующая дискретное изображение . С каждым таким кольцом можно связать матрицу , где изменяеться с шагом , т.е. (где ), а индекс (где ). Элементы матрицы определяются интерполяционно, например, по билинейной интерполяции.

Характеристики

Список файлов реферата