Методи та моделі адаптивної нормалізації в системах технічного зору

Размещено на http://www.allbest.ru/

ХАРКІВСЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ РАДІОЕЛЕКТРОНІКИ

АВТОРЕФЕРАТ

дисертації на здобуття наукового ступеня кандидата технічних наук

МЕТОДИ ТА МОДЕЛІ АДАПТИВНОЇ НОРМАЛІЗАЦІЇ В СИСТЕМАХ ТЕХНІЧНОГО ЗОРУ

01.05.02 - математичне моделювання та обчислювальні методи

КОБИЛІН ОЛЕГ АНАТОЛІЙОВИЧ

Харків - 2007

Дисертацією є рукопис.

Робота виконана в Харківському національному університеті радіоелектроніки, Міністерство освіти і науки України.

Науковий керівник - доктор технічних наук, професор Путятін Євген Петрович, Харківський національний університет радіоелектроніки, завідувач кафедри інформатики.

Офіційні опоненти: доктор технічних наук, професор Жолткевич Григорій Миколайович, Харківський національний університетім. В.Н. Каразіна, декан механіко-математичного факультету;

доктор технічних наук, професор Борисенко Олексій Андрійович, Сумський державний університет, завідувач кафедри електроніки і комп'ютерної техніки.

Провідна установа - Інститут проблем машинобудування ім. А.М. Підгорного НАН України (відділ математичного моделювання та оптимального проектування), м. Харків.

Захист відбудеться „18” грудня 2007 р. о 15-00 годині на засіданні спеціалізованої вченої ради Д 64.052.02 у Харківському національному університеті радіоелектроніки за адресою: 61166, м. Харків, пр. Леніна, 14.

З дисертацією можна ознайомитись в бібліотеці Харківського національного університету радіоелектроніки за адресою: 61166, м. Харків, пр. Леніна, 14.

Автореферат розіслано „_” листопада 2007 р.

Вчений секретар спеціалізованої вченої ради Безкоровайний В.В.

АНОТАЦІЯ

Кобилін О.А. Методи та моделі адаптивної нормалізації в системах технічного зору. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 01.05.02 - математичне моделювання та обчислювальні методи. - Харківський національний університет радіоелектроніки, Харків, 2007.

Дисертацію присвячено створенню математичної моделі адаптивної нормалізації для систем технічного зору. Розглянуто існуючі методи нормалізації зображень та сформульовано їх недоліки. Радикальним шляхом для підвищення методів нормалізації може бути розробка нових засобів подання зображень. Для досягнення поставленої мети запропоновано застосувати вейвлет-аналіз, який дозволяє аналізувати зображення та вилучати геометричні ознаки об'єкта. На основі математичної моделі створено метод, який дозволяє визначати групу перетворень (перспектива, поворот, косий зсув, зсув, масштабування). Запропоновано метод виділення контуру зображення за рахунок використання безперервного вейвлет-перетворення, у якому, на відміну від традиційних методів, обробка ведеться не за площами, а послідовно за рядками і стовпцями, що дозволяє визначати контур на слабко контрастних зашумлених зображеннях. Запропоновані критерії забезпечують адекватність визначення груп перетворень, що дозволяє їх застосовувати в реальних системах технічного зору. Результати роботи використано для побудови нових засобів систем технічного зору.

Ключові слова: нормалізація зображень, вейвлет-аналіз, група перетворень, еталон, система технічного зору.

АННОТАЦИЯ

Кобылин О.А. Методы и модели адаптивной нормализации в системах технического зрения. - Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 01.05.02 - математическое моделирование и вычислительные методы. - Харьковский национальный университет радиоэлектроники, Харьков, 2007.

Диссертационная работа посвящена решению актуальной задачи в СТЗ, а именно адаптивной нормализации в реальном масштабе времени.

Рассмотрены существующие методы нормализации изображений и сформулированы их недостатки. Обоснована целесообразность создания метода предварительной обработки изображения, который позволял бы определять вид геометрических искажений, возникающих вследствие взаимного расположения видеокамеры и наблюдаемого объекта в СТЗ.

Показано, что для эффективной обработки видеоданных в реальном масштабе времени актуальной является проблема гибкого использования методов нормализации. Широкое использование методов компенсации аффинной группы и подгрупп мотивируется тем, что можно пренебречь перспективной составляющей из-за достаточного удаления объекта от видеокамеры. Как правило, методы нормализации используются в заданной группе преобразований. В СТЗ возникают различные группы преобразований, поэтому необходимо гибко использовать существующие методы нормализации.

В работе предложен новый подход, основанный на использовании вейвлет-анализа изображения, позволяющий проводить анализ изображения в условиях геометрических преобразований.

Предложена математическая модель адаптивной нормализации для СТЗ, в основе которой лежит вейвлет-анализ изображения. Достоинством адаптивной нормализации является возможность повышения точности в определении параметров и сокращения времени геометрических преобразований, за счет определения базовых групп преобразования, возникающих в СТЗ.

Предложено использовать различные уровни разложения изображения для вычисления функционалов для базовых групп преобразования для повышения качества и помехоустойчивости методов нормализации.

Предложены альтернативные виды функционалов для нормализации базовых групп преобразований, которые могут вычисляться на различных уровнях декомпозиции изображения, на основе вейвлет-анализа. Использование различных уровней декомпозиции изображения позволяет достичь требуемой точности и надежности поиска параметров.

Предложен метод выделения контура изображения за счет использования непрерывного вейвлет-преобразования, в котором, в отличие от традиционных методов, обработка ведется не по площадям, а последовательно по строкам и столбцам. Метод состоит из двух этапов. На первом этапе анализируется скейлограмма каждой строки и столбца изображения, полученная в результате анализа с помощью непрерывного вейвлет-анализа. Второй заключается в анализе двух матриц горизонтальной и вертикальной направленности. Данный метод позволяет определять контур на слабоконтрастных зашумленных изображениях.

В работе предложен метод кодирования контура эталонного изображения. Предложенный метод позволяет существенно сократить объем и время поиска информации для хранения эталонной базы данных.

В работе предложены критерии выбора моделей геометрических преобразований, которые позволяют повысить эффективность СТЗ в условиях действия помех. Предложенные критерии позволяют в режиме реального времени повысить надежность слежения за множественными динамическими объектами.

Показано, что использование различных типов вейвлетов влияют на адекватность выбора группы преобразований. Вейвлеты с максимальной гладкостью функции оказались наиболее эффективными так как они обладают лучшим пространственным разрешением на низких частотах анализа.

Проведен анализ эффективности методов нормализации на различных уровнях разложения изображения, полученных с помощью ВП. Вейвлет-анализ в задачах нормализации базовых групп преобразований позволяет избавиться от избыточности изображения, тем самым, сократив время нормализации.

Для проведения экспериментов была разработана компьютерная модель СТЗ, которая позволила проводить анализ эффективности адаптивной нормализации.

Предложенные в работе методы и модели нашли применение в подразделении Государственного департамента Украины по вопросам исполнения наказаний для охраны внешнего и внутреннего периметра ДИК № 12 и в отделе охраны ЗАО КБ “ДонКредитИнвест” при разработке комплекса для автоматизации обнаружения и анализа подвижных объектов; в учебном процессе Харьковского национального университета радиоэлектроники при проведении лекционных занятий и подготовке методических пособий для проведения лабораторных работ.

Ключевые слова: нормализация изображений, вейвлет-анализ, группа преобразований, эталон, система технического зрения.

ABSTRACT

Kobylin O. A. Methods and models of adaptive normalization systems of image processing. - Manuscript.

Thesis for candidate's degree in technical science by speciality 01.05.02 - mathematical modeling and calculation methods. - Kharkiv National University of Radio Electronics. Kharkiv, 2007.

A mathematical model for adaptive normalization for computer vision based on image wavelet analysis is proposed. The existing methods of the images normalization are considered and their disadvantages are formulated. Fundamentally new approach to increase accuracy and reduce time of normalization methods working can be developing of new way of representing image data. For obtaining of delivered goal it is proposed to use the wavelet analysis which allows to analyze image and to determine geometrical features about an object. It is developed the method based on the mathematical model which allows to define a group of transformations (perspective, rotation, cross shift, shift, compression). The method of the allocation image edge using continuous wavelet transformation is proposed. In this method the image processing isn't made in area extent, but it is made sequentially on the rows and columns. This method allows to detect edge on bad-contrast and noisy images. The proposed criteria provide the correspondence to determine of the transformation groups, which allow to use their in real computer vision systems. The work results are used for the formation new means of computer vision systems.

Keywords: image normalization, wavelet analysis, group of transformations, template, vision system.

адаптивний нормалізація технічний зір

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Математичним моделям і методам систем технічного зору (СТЗ) приділяється все зростаюча увага, що пояснюється бурхливим розвитком засобів обчислювальної техніки, які дозволяють створювати практично важливі системи реального часу. Обробка та аналіз зображень широко використовуються в різних сферах повсякденного життя людини.

Значний внесок у розвиток математичних моделей та методів обробки зображень в умовах різного роду збурювань внесли дослідження українських та зарубіжних вчених: А.М. Ахметшина, Р.А. Воробеля, В.А. Ковалевського, В.П. Кожем'яки, Ю.Г. Стояна, В.Г. Лабунця, Б.П. Русина, М.І. Шлезінгера, Є.П.Путятіна, Ю.П. Шабанова-Кушнаренка, В.П. Машталіра, Л.І. Тимченка, L.Alvarez, H. Burkhardt, M.K. Hu, T.S. Huang, I.M. Richardson, A. Rosenfeld, J. Serra тощо.

У теперішній час одним з перспективних методів обробки візуальної інформації є нормалізація зображення. Нормалізація полягає в компенсації та знаходженні невідомих параметрів перетворень і порівнянні з наявним еталоном. Геометричні перекручування, які виникають внаслідок просторового положення досліджуваного об'єкта щодо камери, зміни освітленості, наявності шумів і локальних перешкод є основними проблемами в СТЗ. В основі нормалізації лежить теоретико-груповий підхід. Як моделі геометричних перетворень використовують групи евклідових рухів, афінних і проективних перетворень. Широке використання методів компенсації геометричних перетворень афінної групи та підгруп обумовлюється простотою обробки й можливістю зневажити перспективною складовою в реальних завданнях (коли об'єкт досить віддалений від відеодатчика). Радикальним шляхом підвищення ефективності застосування нормалізації в реальному часі є можливість адаптивно використовувати методи компенсації геометричних перекручувань, які виникають внаслідок взаємного розташування відеодатчика та об'єкта.

Таким чином, існує необхідність створення адаптивних методів та моделі нормалізації зображень, які потребують підвищеної надійності та раціонального вибору груп перетворень в умовах геометричних трансформацій, що дозволяє в реальному часі обробляти вхідну інформацію від відеокамери.

Зв'язок роботи з науковими програмами, планами, темами. Дисертаційна робота виконана відповідно до плану науково-дослідних робіт Харківського національного університету радіоелектроніки (ХНУРЕ) в рамках держбюджетних тем № ДР 0101U001762 “Розробка теоретичних основ і математичного забезпечення нейро-фаззі-систем ранньої діагностики, прогнозування і моделювання в умовах апріорної і поточної невизначеності”; № ДР 0104U003432 “Інтелектуальний аналіз і обробка даних у реальному масштабі часу на основі засобів обчислювального інтелекту”; №ДР0103U001572 “Дослідження та розробка методів аналізу зображень в умовах складних збурень”. Автор був одним з виконавцем робіт з цих тем.

Мета і задачі дослідження. Метою дисертаційної роботи є розробка моделі та методів адаптивної нормалізації зображень у СТЗ. Для досягнення поставленої мети у роботі вирішуються такі задачі:

- аналіз методів нормалізації в умовах дії афінної та проективної груп перетворень;

- розробка критеріїв геометричних груп перетворень;

- розробка математичної моделі, яка дозволяє визначати групу перетворень і відповідний метод нормалізації зображень у СТЗ;

- розробка методу виділення контуру зображення для попередньої обробки зображення;

- розробка методу для компактного опису контуру нормалізованого зображення.

Об'єктом дослідження є системи обробки і нормалізації зображень.

Предметом дослідження є математичні методи та моделі нормалізації в системах обробки зображень.

Методи дослідження. У роботі застосовані аналітичні методи обробки зображень (для розробки методів нормалізації), спектральні методи обробки зображень (для визначення критеріїв груп перетворень), теорія груп перетворень (для побудови моделі адаптивної нормалізації).

Наукова новизна результатів дисертаційної роботи полягає в розробці адаптивної нормалізації в системах обробки зображень в умовах геометричних трансформацій. Були отримані такі результати:

- вперше розроблено модель адаптивної нормалізації на основі вейвлет-аналізу зображення, яка дозволяє адекватно визначати групу перетворень у задачах нормалізації;

- здійснено подальший розвиток методу виділення контуру зображення за рахунок використання неперервного вейвлет-перетворення (ВП), у якому, на відміну від традиційних методів, обробка ведеться не по площах, а послідовно за рядками і стовпцями, що дозволяє визначати контур на слабко контрастних зашумлених зображеннях;

- запропоновано та обґрунтовано критерії моделей геометричних перетворень, які дозволяють підняти ефективність СТЗ в умовах дії перешкод за рахунок підвищення точності та зменшення часу обробки отриманих зображень після ВП.

Практичне значення результатів дисертації полягає в розробці моделі адаптивної нормалізації стосовно СТЗ. Отримана модель адаптивної нормалізації, яка дозволяє істотно розширити спектр завдань СТЗ у режимі реального часу та підвищити надійність слідкування за множинними динамічними об'єктами. Створено комп'ютерну модель телевізійної спостережної системи, яка дозволяє вивчати модель та методи адаптивної нормалізації, а також проводити їх удосконалення. Модель і методи реалізовані у вигляді програмного комплексу обробки зображень.

Результати дисертаційної роботи були використані у підрозділі Державного департаменту України з питань виконання покарань для охорони зовнішнього та внутрішнього периметру ДВК № 12. Модуль є складовою частиною програмного комплексу противтечового пристрою охорони. Робота проводилась відповідно до договору від 10.01.2005 р. про науково-технічне співробітництво між кафедрою інформатики ХНУРЕ та ДВК № 12 (акт про впровадження від 12.09.2006 р.).

Також результати дисертаційної роботи були використані у відділі охорони ЗАТ КБ “ДонКредитИнвест”. Робота проводилась відповідно до договору від 10.01.2005 р. про науково-технічне співробітництво між кафедрою інформатики ХНУРЕ та ЗАТ КБ “ДонКредитИнвест” (акт про впровадження від 19.09.2006 р.).

Результати дисертаційної роботи були впроваджені в навчальний процес під час проведення лекційних занять і підготовки методичних посібників для лабораторного практикуму з курсів “Математичне та інформаційне забезпечення систем обробки складних сигналів”, “Алгоритми і програмне забезпечення синтезу зображень”, “Технологія програмування” (акт від 04.09.2006 р.).

Особистий внесок здобувача. Усі результати дисертаційної роботи отримані автором самостійно. У публікаціях, які виконані в співавторстві, автору належать такі результати: запропоновано загальну схему формування бази даних об'єктів на етапі попередньої обробки інформації [1], запропоновано використання ВП для компактного опису контуру зображення в задачах нормалізації [2], обґрунтовано створення комп'ютерної моделі телевізійної спостережної системи для моделювання різних геометричних викривлень [5], розглянуто питання створення навчальних програм для вивчення методів обробки зображень на базі СОМ технологій [6], запропоновано використання DirectX для моделювання та дослідження геометричних перетворень в реальному часі [7].

Апробація результатів дисертації. Основні результати роботи доповідалися й обговорювалися на наукових конференціях: на 5, 8, 10 Міжнародних молодіжних форумах “Електроніка і молодь у XXI столітті” (Харків, 2001, 2004, 2006), на Міжнародних конференціях “Теорія і техніка передачі, прийому та обробки інформації” (Харків-Туапсе, 2002, 2004), на 5-й Міжнародній конференції УАДО „Образование и виртуальность” (Харків-Ялта, 2001), на Міжнародній науково практичній конференції „Математичне та програмне забезпечення інтелектуальних систем” (Дніпропетровськ, 2005).

Публікації. За темою дисертаційної роботи опубліковано 11 друкованих робіт, 4 з яких у наукових фахових виданнях із переліку затвердженого ВАК України, 7 - у збірниках наукових праць за матеріалами конференцій.

Структура й обсяг дисертаційної роботи. Дисертація складається із вступу, чотирьох розділів, висновків, списку використаних літературних джерел із 186 найменувань на 17 сторінках, 2 додатків на 8 сторінках. Робота містить 32 рисунка на 9 сторінках, 13 таблиць на 7 сторінках. Загальний обсяг роботи складає 148 сторінок.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі розглянуто стан проблеми та її суть, сформульовано мету та задачі дисертаційної роботи, відзначено її актуальність, практичне значення та наукову новизну отриманих результатів, а також охарактеризовано особистий внесок здобувача.

У першому розділі проведено аналіз сучасного становища і підходів до обробки зображень в умовах геометричних перетворень у СТЗ та аналіз існуючих методів нормалізації. Геометричні перетворення розглядаються в рамках теорії груп. Нормалізація розглядається як процедура знаходження параметрів перетворення у заданій групі, при цьому наперед відома група перетворень. У результаті аналізу виявлено, що на сучасному етапі розвитку СТЗ необхідно гнучко використовувати існуючі методи нормалізації. Тому залишається актуальною проблема адаптивного вибору груп перетворень у задачах нормалізації. Для вирішення цієї проблеми запропоновано використовувати спектральний аналіз зображення.

Обґрунтовано вибір вейвлет-аналізу та його порівняння з іншими поширеними методами спектрального аналізу зображень. Показано перевагу дискретного вейвлет-перетворення (ДВП) як найбільш перспективного методу аналізу зображень у задачах нормалізації.

ДВП-розкладання еталонного зображення розраховується відповідно до формул:

,

,

.

Один крок двовимірного вейвлет-перетворення виділяє одну низькочастотну (складову) і три високочастотних (деталізуючих) компоненти , , . Отримані матриці будуть містити коефіцієнти розкладання, які характеризують горизонтальні (), вертикальні () та діагональні () структури, що складають зображення. Отримані коефіцієнти розкладання дозволяють локально аналізувати ті частини зображення, за якими можливо визначити, до якого виду геометричних перетворень можна віднести зміну зображення, а отже і групу перетворення.

Відновлення зображення можна провести, використовуючи коефіцієнти розкладання , , , за формулою:

.

У результаті проведеного аналізу сформульовано мету, поставлено задачі досліджень та обґрунтовано необхідність створення математичної моделі адаптивної нормалізації.

У другому розділі запропоновано математичну модель напівтонового зображення з використанням ВП. Запропонована модель дозволяє проводити аналіз зображення в умовах геометричних перетворень.

Проведений аналіз зображення за допомогою банку фільтрів:

;

;

;

;

, ;

j=0..J, , , ;

де j - ступень розрішення;

n та m - координати пікселів зображення ;

k та l - координати пікселів зображення , ,;

h(t) та g(t) - імпульсні характеристики просторових фільтрів.

Розглянуто послідовність зображень , отриманих в результаті розкладання:

.

Проведено перетворення за допомогою математичної моделі

,

де WB₀, WB - еталонне та тестове зображення, які отримані як результат ВП;

- параметри проективного перетворення.

Проведено обернене перетворення зображень WB₀, WB за допомогою параметрів проективного перетворення . За допомогою формул оцінки зображень середньої різниці AD, нормованої кореляції NK, максимальної різниці MD, середньоквадратичної похибки MSE, максимальної середньоквадратичної похибки PMSE, нормованої середньоквадратичної похибки NMSE встановлено, що характеристики зображення не відрізняються від зображень після трансформації. Тому їх можливо застосувати для виконання геометричних перетворень матриці .

Група проективного перетворення включає в себе групи зсувів по осях - , , , групу повороту - , групи косого зсуву по осях - , та групу масштабування . Тому можливо здійснювати компенсацію геометричних перетворень і для цих груп, використовуючи матрицю .

Отже можна записати модель зображення з використанням ВП у такому вигляді:



,

де T - оператор геометричних перетворень;

,, - значення шуму.

Запропонована модель дозволяє проводити аналіз зображення в умовах геометричних перетворень на різних рівнях декомпозиції зображення.

Таким чином, зображення можна записати у такому вигляді:

,

де - вихідне зображення;

- його зменшені копії, отримані із застосуванням декомпозуючих фільтрів h(t) та g(t).

Отриманий набір зображень (рис.1а) дозволяє проводити детальніший аналіз вихідного зображення. Перехід до інших масштабів дозволяє відійти від дрібних і випадкових деталей, краще виявити “внутрішню” структуру під час аналізу геометричних перетворень. У зв'язку із цим доцільно проводити адаптивну нормалізацію на різних масштабах подання зображення. Отримані зображення краще підходять для аналізу, чим вихідне напівтонове зображення.

При аналізі отриманого в такий спосіб набору зображень виявляється явний недолік подібного підходу, тому що на кожному кроці відбувається зміна масштабу у два рази. Виходячи з цього, пропонується підхід, що дозволяє адаптувати його до частотних особливостей зображення.

В основі підходу лежить той факт, що при переході до кожного наступного масштабу розгляду сигналу, точність відтворення його форми різко знижується. Причина цього полягає в тому, що енергія сигналів, зростає при переході до більш низьких частот. При використанні банку фільтрів можливе різке відсікання частини частотних складових, які відповідають за структуру зображення. Тому і може відбутися втрата визначальної ознаки .

Ідея запропонованого підходу полягає в адаптивному зменшенні кратності зміни масштабу.

При цьому досягається більш тонке відстеження поводження особливостей структури зображення.

Розглянуто можливість такого перетворення для одновимірного сигналу. В якості адаптивного критерію використано поріг, що дорівнює відношенню потужності ВЧ-складової, до потужності НЧ-складової.

В якості частоти зрізу при поділі НЧ і ВЧ компонент вибирається таке значення, при якому поріг досягає заданого значення.

При застосуванні зазначеного підходу до двовимірних сигналів відразу виникають очевидні проблеми. Розподіл потужності за спектром змінюється під час переходу від стовпця до стовпця і від рядка до рядка. Під час перетворення необхідно, щоб розмір усіх рядків і усіх стовпців збігався. Тому використовується деякий усереднений коефіцієнт або він вибирається за яким-небудь критерієм.

Зміна масштабу в неціле число разів досягається в результаті проведення трьох операцій.

1. Використання фільтра для кожного рядка (стовпця) із заданою смугою пропускання

2. Інтерполяція сигналу, що збільшує кількість відліків у N разів.

3. Децимація сигналу, що зменшує кількість відліків у М разів.

При цьому М та N підбираються так, щоб N/М=К, де К коефіцієнт зміни масштабу.

Отримана нова послідовність зображень:



може використовуватись для виконання процедури адаптивної нормалізації та обробки зображень.

Для підвищення якості виділення контуру запропоновано використовувати неперервне вейвлет-перетворення. Розроблений метод дозволяє проводити обробку зображення не за площею, а послідовно за строками та стовпцями, що дозволяє більш точно визначити контур об'єкта. Метод складається з двох етапів. На першому етапі аналізується скейлограма кожного рядка та стовпця зображення, отриманих у результаті аналізу за допомогою неперервного вейвлет-анализа, та обираються нові рядки відповідно до формули:

.

Другий етап дозволяє визначити контур зображення. Результат виділення контуру зображення наведено на (рис.1б).

а) б)

Рис. 1. ВП зображення та результат виділення контуру

У роботі запропоновано метод кодування контуру зображення з використанням ВП, який дозволяє у компактній формі описувати контур для порівнянь з еталонним.

Таким чином, у розділі запропоновано модель зображення, в основі якої лежить вейвлет-аналіз, що дозволяє проводити нормалізацію, використовуючи зменшені копії зображення.

У третьому розділі розглядаються математичні моделі геометричних перетворень та запропоновано модель адаптивної нормалізації, яка дозволяє у реальному часі аналізувати зображення за допомогою ВП та обирати рівень розкладання, на якому найефективніше можна проводити нормалізацію та обчислювати параметри перетворень.

Для цього аналізується коефіцієнти ВП розкладання ,, ,. Отримані коефіцієнти розкладання дозволяють локально аналізувати ті частини зображення, за якими можливо визначити, до якого виду геометричних перетворень можна віднести зміну зображення. За характером зміни отриманих коефіцієнтів ,, , можна визначити, до якої групи перетворень належить трансформація зображення.

Проведемо аналіз зображення та сформуємо такі ознаки зображення:

, - горизонтальні;

, - вертикальні;

, - діагональні;

; ; ;

; ; ;

;

;

Використовуючи ознаки та модель зображення, введено такі критерії для вибору груп перетворень:

1. Для групи	,,.
2. Для групи	,,.
3. Для групи Gc,x,y	,,.
4. Для групи	.
5. Для групи	,,; .
6. Для групи	,,.
7. Для групи	,,.
8. Для групи	,,.

Запропоновані критерії дозволяють проводити адаптивну нормалізацію в оптимальному рівні розкладання, побудувати функціонали, а також нормалізатори для базових груп перетворень , , , , , , , , які виникають у СТЗ.

Для групи модель, яка описується виразом В(x,y)=B(x-n,y-m), нормалізація зміщення буде мати вигляд:

,

де та знаходяться за формулами:

,

.

Для групи модель описується виразом В(x,y)=B(кx,кy), а нормалізація рівномірного масштабування має вигляд:

,

де знаходяться за формулою:

.

У разі нерівномірного масштабування В(x,y)=B(к₁x,к₂y) нормалізація знаходиться таким способом:

,

де

,.

Для груп модель має вигляд В₀(x, y)=B(x + hy, y), а нормалізація косого здвигу -

,

де

.

Для моделі групи , нормалізація повороту має вигляд:

= B() ,

де

.

Для групи модель має вигляд В₀(x, y) = , а нормалізація перспективи -

= ,

де

.

Запропоновані методи нормалізації були використані у математичній моделі адаптивної нормалізації.

Розглянемо два зображення того самого об'єкта, які зафіксовані в різні моменти часу , . Розглянемо отримані перетворення як результат дії деякої групи G:

.

Адаптивна нормалізація полягає у визначенні параметрів конкретного перетворення g_iG, що приводить вхідне зображення до еталона: , . Таким чином, необхідно визначити, в якій групі G перетворень необхідно виконувати відповідний метод нормалізації, а також оптимальний рівень декомпозиції зображення.

Проведено розкладання зображення за допомогою формул, розглянутих у розділі 2. Обчислено критерії визначення групи перетворення та здійснено нормалізацію зображення .

Для ефективного використання методів нормалізації запропоновано модель адаптивної нормалізації, загальну схему якої наведено на рис. 2.

Рис. 2. Загальна схема моделі адаптивної нормалізації

У четвертому розділі наведені результати експериментів, які полягали в дослідженні моделі адаптивної нормалізації.

Модель експериментально випробувалася на тестових відео послідовностях, створених як за допомогою відеозапису спостережуваних об'єктів, синтезованих у 3DMAX, так і за допомогою звичайної відеокамери, яка підключається до комп'ютера.

Метод виділення контуру зображення перевірявся в умовах зміни контрастності та впливу шуму з нормальним законом розподілу.

Показано, що використання різних типів вейвлетів впливає на адекватність вибору групи перетворень. Вейвлети з максимальною гладкістю функції виявилися кращими тому, що вони мають поліпшене просторове розрішення на низьких частотах аналізу.

Досліджуються базові групи перетворень: зсувів, поворотів, масштабу, проективні.

На рис. 3 наведено графік залежності точності нормалізації від кількості рівнів розкладання ВП. На рис. 4 наведено графік залежності точності нормалізації від способу подання зображення.

Рис. 3. Залежність точності нормалізації від кількості рівнів розкладання ВП



Рис. 4. Залежність точності нормалізації від типу зображення

Також були проведені дослідження стійкого визначення груп перетворень в умовах випадкових перешкод, розподілених за нормальним законом з нульовим математичним сподіванням.

З таблиці 1 видно, що стійке визначення груп перетворень в умовах випадкових перешкод належить тільки групам зсувів ,,. Адекватне визначення інших груп перетворень прийнятно для СТЗ.

Таблиця 1. Залежність визначення стійкого визначення груп перетворень від співвідношення сигнал-шум

Групи	0,5	1	2	3	5	7	10
	+	+	+	+	+	+	+
	+	+	+	+	+	+	+
	+	+	+	+	+	+	+
	-	-	+	+	+	+	+
,	-	-	+	+	+	+	+
	-	-	+	+	+	+	+
	-	-	+	+	+	+	+
	-	-	+	+	+	+	+

Таким чином, отримані результати свідчать про працездатність розробленої моделі адаптивної нормалізації.

У додатках наведено документи про впровадження отриманих результатів дисертаційної роботи.

ВИСНОВКИ

У дисертаційній роботі для СТЗ розроблена модель адаптивного вибору груп перетворень, в основі якої лежить вейвлет-аналіз зображення. Розв'язання задачі визначення груп перетворень дозволяє ефективно проводити нормалізацію зображень у реальному масштабі часу.

У результаті проведених досліджень були отримані такі результати:

1. Встановлено, що для підвищення ефективності СТЗ у реальному часі необхідно використовувати різні методі обробки зображення. Безсумнівний інтерес становить створення адаптивного методу обробки зображення.

2. На основі вейвлет-аналізу створено математичну модель зображення, яка дозволяє проводити аналіз зображення та визначати геометричні ознаки з об'єкта, а також групу перетворення.

3. Розроблено метод виділення контуру зображення із застосуванням неперервного вейвлет-перетворення, який дозволяє проводити обробку зображення не за площею, а послідовно за строками та стовпцями, що дозволяє більш точно визначити контур об'єкта на слабко контрастних зашумлених зображеннях.

4. У роботі запропоновано метод кодування контуру еталонного зображення із застосуванням вейвлет-перетворення. Запропонований метод дозволяє істотно скоротити обсяг та час пошуку інформації для зберігання еталонної бази даних з геометричними ознаками.

5. Розроблено метод адаптивного вибору груп перетворень із застосуванням вейвлет-перетворення, який дозволяє ефективно застосовувати методи нормалізації в реальному масштабі часу у СТЗ.

6. Розроблено модель адаптивної нормалізації із застосуванням вейвлет-анализу зображення, яка дозволяє визначати необхідний рівень розкладання, а також групу перетворень із застосуванням критеріїв, які відрізняються розрахунковою простотою в реалізації, що дозволяє збільшити ефективність використання методів нормалізації в реальних СТЗ.

7. Створено програмний комплекс, який дозволяє досліджувати методи нормалізації, проводити їх тестування та удосконалення. Ефективність адаптивної нормалізації було доведено експериментально при розв'язанні практичної задачі у реальному часі.

8. У результаті проведених досліджень експериментально було встановлено необхідну та достатню кількість рівнів декомпозиції зображення. Було встановлено, що кількість рівнів може бути від 3 до 5.

9. Розроблено критерії вибору моделей геометричних перетворень, які дозволяють підвищити ефективність СТЗ в умовах дії перешкод. Запропоновані критерії дозволяють у режимі реального часу підвищити надійність слідкування за множинними динамічними об'єктами.

10. Обґрунтовано альтернативні види функціоналів для нормалізації базових груп перетворень, які можуть обчислюватися на різних рівнях декомпозиції зображення. Використання різних рівнів декомпозиції зображення дозволяє досягти необхідної точності та надійності пошуку параметрів геометрічних перетворень.

11. Обробка не залежить від способу подання інформації. Розроблена модель може використовувати напівтонові, бінарні та кольорові зображення.

Результати дисертаційної роботи впроваджені у підрозділі Державного департаменту України з питань виконання покарань для охорони зовнішнього та внутрішнього периметру ДВК № 12, реалізовані у програмному модулі Sled. Модуль є складовою частиною програмного комплексу противтечового пристрою охорони. Також результати дисертаційної роботи знайшли застосування у відділі охорони ЗАТ КБ “ДонКредитИнвест”, реалізовані у програмному модулі SledBank.

Результати дисертаційної роботи були використані в навчальному процесі Харківського національного університету радіоелектроніки під час проведення лекційних занять і підготовки методичних посібників для проведення лабораторного практикуму.

СПИСОК опублікованИХ ПРАЦЬ за темою дисертації

1. Кобылин О.А., Волк М.А. Саранча С.Н. Формальный аппарат построения параллельных алгоритмов распознавания объектов распределенных баз данных // Проблемы бионики. - Харьков: ХТУРЭ, 2000. - Вып. 53. - С. 36-38.

2. Кобылин О.А., Путятин Е.П. Использование вейвлет-преобразования для описания контура изображения // Системи обробки інформації. - Харків: ХВУ, 2004. - Вип. 1. - С. 51-54.

3. Кобылин О.А. Непрерывное вейвлет-преобразование для выделения контура изображения // Проблемы бионики. - Харьков: ХНУРЭ, 2004. - Вып. 60. - С. 58-62.

4. Кобылин О.А. Использование вейвлет-преобразования с целью определения групп преобразований для нормализации изображений // Бионика интеллекта. - 2005. - №2. - С. 35-39.

5. Кобылин О.А., Липанов А.В. Компьютерная модель телевизионной следящей системы // Сб. научн. тр. по материалам 5-го Межд. молодежного форума “Радиоэлектроника и молодежь в веке”. Ч.1. Харьков: ХТУРЭ. 2001. - С. 231-232.

6. Кобылин О.А., Кобылин А.М. Комплекс обучающих программ для изучения концепции и программирования при использовании СОМ технологии // Сб. научн. тр. по материалам 5-й Межд. конф. УАДО “Образование и виртуальность - 2001”. - Харьков-Ялта: ХНУРЭ. - 2001. - С.269-275.

7. Кобылин О.А., Путятин Е.П. Использование DirectX 8.0 в комплексе для обработки изображений // Тезисы докладов Межд. научн. конф. “Теория и техника передачи, приема и обработки информации”. -Харьков-Туапсе. - 2003. - С. 407-408.

8. Кобылин О.А. Использование вейвлет-преобразования для выделения контуров // Сб. научн. тр. по материалам 8-го Межд. молодежного форума “Радиоэлектроника и молодежь в XXI веке”. Ч.2. - Харьков: ХНУРЭ. - 2004. - С.56.

9. Кобылин О.А. О возможности использования вейвлет-преобразования в методах нормализации сложных преобразований // Сб. научн. тр. по материалам 10-й Межд. конф. “Теория и техника передачи, приема и обработки информации”. Харьков-Туапсе: ХНУРЭ. 2004. С.96 - 97.

10. Кобылин О.А. Разработка адаптивных критериев для определения групп нормализации с использованием вейвлет-преобразования // Тезисы докладов Межд. научн.-практ. конф. “Математичне та програмне забезпечення інтелектуальних систем”. - Днепропетровск. - 2005. - С. 80.

11. Кобылин О.А. Математическая модель полутонового изображения с использованием вейвлет-преобразования // Сб. научн. тр. по материалам 10-го Межд. молодежного форума “Радиоэлектроника и молодежь в XXI веке”.- Харьков: ХНУРЭ. - 2006. - С. 465.

Размещено на Allbest.ru

...