Диплом (Оптоэлектронная система АСДМ «ЛИДАР»), страница 9

«Качание деревьев» – аналогично «дрожанию листьев», однако в данном случае источником ложных тревог является контур дерева.

Качание ночных фонарей – уличное освещение характеризуется высоким, близким к максимальному значением яркости. В результате качания фонарей на ветру происходит изменение контура, которое характеризуется достаточно большим яркостным перепадом.

«Пролёт птиц» – стационарные посты устанавливаются на крышах высотных зданий. Однако возможны ситуации, когда в поле зрения камеры попадают пролетающие мимо птицы, что вызывает ложные срабатывания. Хотя подобные ситуации и не являются очень частыми, однако даже одно ложное срабатывание в час доставляет определённый неудобства в работе оператора.

Представленные виды тревог связаны непосредственно с окружающей средой, за которой проводится наблюдение. Поэтому требуются программные алгоритмы и средства, для снижения влияния подобных факторов на обнаружительную способность системы.

3.2 Среда MATLAB как средство обработки изображений.

Возможности цифровой обработки изображений в Matlab

На сегодняшний день система Matlab, в частности пакет прикладных программ Image Processing Toolbox, является наиболее мощным инструментом для моделирования и исследования методов обработки изображений. Он включает большое количество встроенных функций, реализующих наиболее распространенные методы обработки изображений. Рассмотрим основные возможности пакета Image Processing Toolbox.

Геометрические преобразования изображений

К наиболее распространенным функциям геометрических преобразований относится кадрирование изображений (imcrop), изменение размеров (imresize) и поворот изображения (imrotate).

Суть кадрирования состоит в том, что функция imcrop позволяет с помощью мыши в интерактивном режиме вырезать часть изображения и поместить ее в новое окно просмотра.

Функция изменения размеров изображения imresize позволяет, используя специальные методы интерполяции, изменять размер любого типа изображения.

В пакете Image Processing Toolbox существует функция imrotate, которая осуществляет поворот изображения на заданный угол.

Таким образом, приведенные выше функции позволяют поворачивать, вырезать части, масштабировать, т.е. работать с целым массивом изображения.

Анализ изображений

Для работы с отдельными элементами изображений используются такие функции как imhist, impixel, mean2, corr2 и другие.

Одной из наиболее важных характеристик является гистограмма распределения значений интенсивностей пикселей изображения, которую можно построить с помощью функции imhist.

Довольно часто при проведении анализа изображений возникает необходимость определить значения интенсивностей некоторых пикселей. Для этого в интерактивном режиме можно использовать функцию impixel.

Следует отметить, что функция impixel по своим возможностям в некоторой степени повторяет опцию Data Cursor.

Еще одной широко применяемой функцией является функция mean2 – она вычисляет среднее значение элементов матрицы.

Функция corr2 вычисляет коэффициент корреляции между двумя матрицами. Другими словами, с помощью функции corr2 можно сказать насколько две матрицы или изображения похожи между собой. Эта функция широко применяется при решении задач распознавания.

Улучшение изображений

Среди встроенных функций, которые реализуют наиболее известные методы улучшения изображений, выделим следующие – histeq, imadjust та imfilter(fspecial).

Как уже отмечалось ранее, гистограмма изображения является одной из наиболее информативных характеристик. На основе анализа гистограммы можно судить о яркостных искажениях изображения, т.е. сказать о том, является ли изображение затемненным или засветленным. Известно, что в идеале на цифровом изображении в равном количестве должны присутствовать пиксели со всеми значениями яркостей, т.е. гистограмма должна быть равномерной. Перераспределение яркостей пикселей на изображении с целью получения равномерной гистограммы выполняет метод эквализации, который в системе Matlab реализован в виде функции histeq.

Довольно часто при формировании изображений не используется весь диапазон значений интенсивностей, что отрицательно отражается на качестве визуальных данных. Для коррекции динамического диапазона сформированных изображений используется функция imadjust.

Также при решении задач улучшения изображений используется функция imfilter в паре с функцией fspecial. Функция fspecial позволяет задавать различные типы масок фильтра.

Фильтрация изображений

Пакет Image Processing Toolbox обладает очень мощным инструментарием по фильтрации изображений. Среди множества встроенных функций, которые решают задачи фильтрации изображений, особо следует выделить fspecial, ordfilt2, medfilt2.

Функция fspecial является функцией задания маски предопределенного фильтра. Эта функция позволяет формировать маски:

1. высокочастотного фильтра Лапласа;

2. фильтра, аналогичного последовательному применению фильтров Гаусса и Лапласа, так называемого лапласиана-гауссиана;

3. усредняющего низкочастотного фильтра;

4. фильтра, повышающего резкость изображения.

Сегментация изображений

Среди встроенных функций пакета Image Processing Toolbox, которые применяются при решении задач сегментации изображений, следует выделить qtdecomp, edge и roicolor.

Функция qtdecomp выполняет сегментацию изображения методом разделения и анализа однородности не перекрывающихся блоков изображения.

Одной из наиболее часто применяемых является функция выделения границ edge, которая реализует такие встроенные методы – Собела, Превит, Робертса, лапласиан-гауссиана, Канни и др.

Еще одной функцией, которая применяется для бинаризации по заданным цветам, является функция roicolor.

Морфологические операции над бинарными изображениями

Система Matlab владеет довольно мощным инструментарием морфологической обработки бинарных изображений. Среди основных операций выделим следующие – эрозия, наращивание, открытие, закрытие, удаление изолированных пикселей, построение скелета изображения и т.п.

Кроме перечисленных возможностей, пакет прикладных программ Image Processing Toolbox владеет широкими возможностями при решении задач анализа изображений, в частности, при поиске объектов и вычислении их признаков.

Из представленного материала видно, что пакет прикладных программ Image Processing Toolbox обладает мощным инструментарием для обработки и анализа цифровых изображений. Это приложение является очень удобной средой для разработки и моделирования различных методов. Возможности каждой из приведенных выше, а также других, функций будут детально рассмотрены в последующих материалах.

Пространственная фильтрация

Как уже не раз отмечалось, методы обработки изображений с точки зрения реализации делятся на два основных класса – локальные и глобальные. Каждый из них имеет свои преимущества и недостатки. Преимущество методов при глобальной реализации заключается в простоте их исполнения и быстродействии. Локальные методы владеют более широкими функциональными возможностями, в частности, они могут учитывать характеристики локальных областей, т.е. быть адаптивными.

В этом материале рассмотрим некоторые методы пространственной фильтрации. Большинство из них относится к локальным методам. Реализация этих методов состоит из четырех основных этапов:

1. формирование локальной окрестности и ее центральной точки;

2. проведение операции на пикселями данной локальной окрестности;

3. присвоение результата операции (п. 2) центральной точке окрестности;

4. повторение операций, описанных в п.п. 1 – 3, для каждой точки изображения.

Далее приведем примеры применения некоторых видов пространственных фильтров.

Сначала считаем исходное изображение

Для лучшего понимания сути приведем реализацию метода для одной цветовой составляющей.

Испортим исходное изображение шумом типа ”соль и перец”.

Далее применим к этому зашумленному изображению различные виды пространственных фильтров и проанализируем результат обработки.

Прежде чем приступать к реализации локальных методов, необходимо расширить границы исходного изображения. Размеры расширения зависят от размеров маски фильтра. Если проводить фильтрацию с помощью встроенной функции imfilter, то параметры расширения можно задавать с помощью опций:

– ‘P’ – границы изображения расширяются значением Р. По умолчанию значение Р=0;
– ‘replicate’ – размер изображения увеличивается повторением величин на его боковых границах;
– ‘symmetric’ – размер изображения увеличивается путем зеркального отражения через границы;
– ‘circular’ – размер изображения увеличивается периодическим повторением двумерной функции;

В этом примере будем использовать не встроенную функцию imfilter и опции расширения, а приведем детальное описание работы нескольких пространственных фильтров. Размер изображения увеличим путем зеркального отражения через границы.

Приведем программную реализацию непосредственно самих методов

Поскольку вначале проводилось расширение исходного изображения, то теперь все результирующие изображения необходимо привести к исходным размерам.

Визуализируем полученные результаты.

При использовании фильтра типа арифметическое среднее качество устранения шума зависит от размеров локального окна. Увеличение размеров локального окна приводит к более качественному устранению шумовой составляющей. Недостаток этого фильтра состоит в том, что его применение приводит не только к устранению шумовой составляющей, но и размывает границы объектов, т.е. понижает качество визуального восприятия таких изображений.

Для устранения данного вида шума (‘соль и перец’) медианная фильтрация является одним из наиболее простых и эффективных методов. Размер локальной апертуры влияет на результат обработки, но не в такой степени как в других рассмотренных нами методах. Одно из основных преимуществ медианной фильтрации состоит в том, что она приводит к устранению импульсных выбросов, не размывая границ объектов.

Суть работы фильтра можно объяснить так. Из локальной области D удаляются наибольших и наименьших значений пикселей. Оставшиеся значения усредняются и формируют результат.

В данной работе приведены примеры работы нескольких наиболее известных методов пространственной фильтрации. Также в этой работе мы показали влияние изменения размеров локальной апертуры на результат обработки.

3.3. Разработка и описание пространственных и временных методов (алгоритмов) подавления ложных тревог в работе «Аларм 3.2»

Для борьбы с ложными тревогами вызванными естественными процессами, предлагается использовать в комбинации два основных метода: пространственной и временной фильтрации.

Первый метод, основан на пространственных характеристиках определённых объектов – положении и постоянстве во времени источника ложных тревог, а также конечных пространственных размеров ложной тревоги. С помощью данного метода можно бороться с такими источниками как: блики от форточек; включение, выключение света в окнах; изменение освещённости панелей домов из-за теней от облаков. Отдельно стоит отметить проблему движения Ж/Д поездов и автотранспорта. Перечисленные объекты точно, определены в пространстве, и не меняют своего положения, а также размеров. Заранее известны их пространственные координаты и координаты в плоскости кадра. Железные дороги и автострады, также чётко определены в пространстве, и их можно считать статичными объектами. Движение поездов и автотранспорта, происходит строго в пределах данных магистралей, и следовательно, также точно определено в пространстве. На основе данных свойств можно использоваться широко известный в области обработки изображений инструмент – маску. Предлагается ввести инструмент, который будет отмечать области изображения, не подлежащие обработки программой на наличие КС/ЧС. Таким образом можно исключить источники ложных тревог обусловленных Ж/Д поездами и автотранспортом.

Второй метод, основан на временных характеристиках определённых процессов связанных с наблюдаемой картиной городской застройки. С помощью данного метода можно бороться с такими источниками как: «дрожание листьев»; «качание деревьев»; качание ночных фонарей; блики от форточек; «пролёт птиц». Следует считать событие тревожным, если время его наблюдения, превышает время наиболее длительного ложного события – 3-5 сек. Таким образом производится усреднение яркостной составляющей изображения, исключающей влияние быстрых, случайных процессов.

Отдельно стоит отметить способ усреднения, сокращающий воздействие таких источников как «дрожание листьев»; «качание деревьев»; качание ночных фонарей, а также шумы видеосигнала. Способ заключается в усреднение яркостной составляющей по нескольким кадрам (2, 4, 8, 16), и является штатной функцией платы видеозахвата RT-826.