Выделение объектов по зашумленным и смазанным снимкам методом гистограммного анализа

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Выделение объектов по зашумленным и смазанным снимкам методом гистограммного анализа

Д. В. Савкин

Аннотация

В статье рассматривается моделирование процесса выделения воздушных объектов по графическим изображениям. По рассматриваемому изображению в системах отображения RGB, YCrCb и HSV можно выделить соответствующие каждому цвету гистограммы. Далее проводя анализ изменения границ диапазонов данных гистограмм распределения яркости и их последующего сдвига, обнаруживаются первичные и вторичные области на изображениях, соответствующие положению воздушных объектов и следов их движения. Обнаружив данные признаки можно выполнять непосредственно процедуру выделение самих воздушных объектов по каналам высокоскоростной съемки.

Ключевые слова: трассово-измерительный комплекс; выделение объектов; распознавание образов, графические изображения, оптическая измерительная система, воздушный объект, оптико-электронная станция.

ALLOCATION OF OBJECTS ON PICTURES WITH NOISE AND TO THE GREASED PICTURES A METHOD OF THE ANALYSIS OF HISTOGRAMS

D. V. Savkin, A. A. Vasilchenko, G. A. Koptelov

Branch of Military academy of Rocket Strategic forces of a name Peter the Great, Serpuhov, Russian Federation

Abstract. In article modelling of process of allocation of air objects on graphic representations is considered. Under the considered image in systems of display RGB, YCrCb and HSV it is possible to allocate histograms corresponding to everyone colour. Further carrying out the analysis of change of borders of ranges of the given histograms of distribution of brightness and their subsequent shift, primary and secondary areas on the images, corresponding to position of air objects and traces of their movement are found out. Having found out the given signs it is possible to carry out directly procedure allocation of air objects on channels of high-speed shooting.

Keywords: test complex; allocation of objects; recognition of images, graphic representations, optical measuring system, air object, optical-electronic station.

Введение

Выделение (распознавание) объектов - очень важная задача как робототехники и компьютерного зрения, так и прикладных программ. Решение этой задачи может существенно улучшить возможности искусственных систем воспринимать окружающее пространство, разделять его на отдельные логические части и осуществлять интерактивное взаимодействие с объектами окружающего мира [1-3, 4, 6].

В настоящее время для решения этой задачи используется огромное количество различных методов: выделение краев, цветовое сегментирование изображения, применение искусственных нейронных сетей, использование особых точек, методы сравнения с эталоном, методы генерации признаков [4-5]. Но все еще не достигнута достаточная адекватность выделения и распознавания объектов в реальном времени, что не позволяет достичь требуемых показателей в реальных задачах [6].

Особое значение данная задача приобретает при организации построения траекторий движения в пространстве и измерения параметров полетов воздушных объектов при испытаниях авиационной техники на трассово-измерительных комплексах.

Для регистрации воздушных объектов (ВО) используются оптические средства траекторных измерений (ОСТИ), представляющих собой совокупность функционально и конструктивно взаимосвязанных узлов и механизмов, предназначенных для определения абсолютного и относительного положений в пространстве движущихся объектов и для регистрации явлений, происходящих с этими объектами при их взаимодействии. ОСТИ являются одним из основных элементов измерительного комплекса и могут выполнять свои задачи как автономно, так и совместно с другими средствами траекторных измерений. ОСТИ могут представляться в виде систем или отдельных оптических станций. В настоящее время для траекторных измерений используются мобильные оптико-электронные станции, обеспечивающие точность определения местоположения ВО в пределах угловых секунд. Данная съемка воздушных объектов производится на больших высотах и в сложных погодных условиях, что затрудняет их поиск оператором, а при отсутствии должного уровня подготовки специалиста испытательного пункта выполняющего съемку траекторной информации становится и вовсе невозможной. В подобных ситуациях возникает необходимость автоматического выделения с целью сокращения времени поиска воздушного объекта и формирования наиболее полного объема траекторной информации. Поскольку воздушные объекты движутся с высокими скоростями, то алгоритмы выделения и распознавания должны обладать высоким быстродействием и относительной простотой.

Решение задачи

Первичной процедурой выделения объектов может служить процедура формирования и анализа гистограммы изображений. Анализ гистограмм проводился по выборке снимков траекторной информации при различных погодных условиях в количестве 400 снимков траекторной информации воздушных объектов. При этом были выделены границы распределения значений яркости по трем цветам (красный, зеленый, синий) в системе отображения RGB. Границы распределений находятся в диапазоне яркости от 40 до 230 и имеют закон распределения схожий с нормальным законом.

Гистограммы данного изображения по трем цветам (RGB) представлены на рисунке 2. Путем анализа и совмещения по соответствующим цветам большого количества изображений на фоне неба можно получить групповые гистограммы.

Далее, путем изменения диапазонов гистограмм по соответствующим цветам и выборов пороговых значений границ этих диапазонов можно выделять характерные признаки воздушных объектов. В нашем случае, изменяя диапазон гистограммы G, можно выделить область на изображении, которая характерна пламени двигателя воздушного объекта (ракеты). Данное изменение границы диапазона гистограммы G и выделение первичной области показано на рисунках 3-4.

Однако в этом случае требуется проверка, заключающаяся в изменении диапазона гистограммы B и ее анализ. Изменение границы диапазона гистограммы B и выделение вторичной области показано на рисунках 5-6. В ходе выполнения процесса выделения необходимо изменение диапазонов распределений яркости для зеленого и синего цвета. При этом изменение диапазона яркостей более существенно для синего цвета (от 150 до 190). Все операции возможны только в системе отображения RGB.

По полученному преобразованному изображению четко виден след двигателя, след пламени двигателя и непосредственно от него может быть определен сам воздушный объект.

Таким образом, анализ гистограмм и выбор соответствующих пороговых значений на данных гистограммах может быть использован для выделения воздушных объектов.

В случае наличия шумов на изображениях траекторной информации четкого выделения воздушных объектов добиться не представляется возможным. Необходим переход к системе отображения YCbCr и дальнейший анализ полученных гистограмм компоненты яркости, синей и красной цветоразностностной компонент. Образец снимка воздушного объекта с наложенными шумами представлен на рисунке 7.

В ходе моделирования было определено, что для выполнения выделения воздушного объекта по снимку траекторной информации в цветовом пространстве YCbCr необходимо изменения распределения диапазона компоненты яркости от 220 до 250, изменение диапазона распределения синей и красной цветоразностностных компонент от 100 до 150. Результат изменения диапазонов распределений представлен на рисунке 8.

В ходе выполняемого изменения диапазонов гистограмм осуществляется возможным выделение белой области, соответствующей пламени двигателя воздушного объекта, благодаря чему становится возможным выделение непосредственно самого воздушного объекта. Результат выделения областей представлен на рисунке 9.

В ходе проведения имитационного моделирования в среде программирования MATLAB2017, пользуясь функцией наложения шума на изображение, были определены границы диапазонов гистограмм распределений компонент яркости, синей и красной цветоразностной компонент. Поскольку наложенный шум представляет собой случайный величину с нормальным законом распределения, то в качестве аргументов функции наложения шума использовались: значения математического ожидания m (выбрано приведенное значение равное 0) и среднеквадратического отклонения (СКО) у (рассматривались приведенные значения в диапазоне от 0 до 1). При этом для каждого значения у были определены значения нижней и верхней границ диапазонов гистограмм компоненты яркости Y, синей Cb и красной цветоразностной компонент Cr, при значениях которых воздушная цель была однозначно выделена по изображению с траекторной информацией с наложенным шумом. Результаты по определению границ диапазонов гистограмм представлены на рисунках 9-12.

Следует отметить, что верхняя граница компоненты яркости не меняет своего положения и принимает максимальное значение при любых значениях у. В свою очередь значения нижней границы, как для синей, так и красной цветоразностных компонент увеличиваются при увеличении у, а значения верхней границы уменьшаются, тем самым формируя узкую гистограмму распределений цветовых компонент.

Используя метод наименьших квадратов, определим аналитические выражения зависимости границ диапазонов гистограмм от значений у. На базе метода планирования эксперимента и анализа полиномов различных степеней экспериментально было установлено, что наибольшее сходство имеют выражения, описываемые полиномами четвертой степени и имеющих вид:

, (1)

, (2)

, (3)

Полученные выражения позволяют автоматически рассчитывать значения границ диапазонов гистограмм компоненты яркости Y, синей Cb и красной цветоразностной компонент Cr при оценивании зашумленности изображений с траекторной информацией о движении ВО для рассматриваемого фотоснимка. Подобным образом были определены полиномы для других 499 фотоснимков траекторной информации из анализируемой выборки.

Далее были определены значения математического ожидания (МО) (по всем фотоснимкам) нижней и верхней границ изменения диапазонов гистограмм распределений для цветовых компонент фотоснимков ВО, описываемые следующими выражениями:

, (4)

, (5)

, (6)

где Ai, Bi, Ci - значения коэффициентов полиномов, описывающих зависимости границ диапазонов гистограмм компоненты яркости Y, синей Cb и красной цветоразностной компонент Cr от значений у;

m - порядок полиномов;

k - количество анализируемых фотоснимков ВО;

Полученные значения МО нижней и верхней границ изменения диапазонов гистограмм распределений для компоненты яркости, красной и синей цветоразностной компонент для различной степени зашумления фотоснимков позволили определить значения среднеквадратического отклонения (СКО), позволяющие оценить степень отклонения от МО нижней и верхней границ изменения диапазонов гистограмм распределений цветовых компонент, используя следующие выражения:

, (7)

, (8)

где Yi(у) - значения границ изменения диапазонов гистограмм распределений для компоненты яркости.

Подобным образом возможно и определения СКО для гистограмм распределений синей Cb и красной цветоразностной компонент Cr.

Рис. 9 - Выделение области, соответствующей пламени двигателя и воздушного объекта на изображении

Таким образом, переход к цветовому пространству YCbCr позволяет решать задачу выделения воздушных объектов в условиях наложения шумов на графическое изображение. Анализ гистограмм и выбор соответствующих пороговых значений на данных гистограммах цветовых пространств RGB и YCbCr может быть использован для выделения воздушных объектов, как в отсутствии, так и при наличии шумов на изображениях.

В ходе имитационного моделирования в среде MATLAB2017 было установлено, что при изменении нижней границы диапазона распределения значений тона (H) изображения можно однозначно выделять и распознавать ВО без дополнительной фильтрации. Внешний вид процедуры изменения представлен на рисунке 10.

Повторно используя метод наименьших квадратов, определено аналитическое выражение зависимости математического ожидания (среднего значения) изменения нижней границы диапазона распределений значений тона изображения от значений степени смазывания д. На базе метода планирования эксперимента и анализа полиномов различных степеней экспериментально было установлено, что наибольшее сходство имеют выражения, описываемые полиномами четвертой степени и имеющих вид [2]:

 , (9)

Рис. 10 - Интерпретация процесса изменения нижней границы диапазона распределений значений тона изображения

Полученная зависимомсть изменения нижней границы распределения значений тона изображения от степени смазывания представлена на рисунке 11.

Рис. 11- Зависимость изменения нижней границы распределений значений тона изображения от степени смазывания

Следует отметить, что изменение нижней границы распределений значений тона позволяет однозначно выделять и распознавать ВО без проведения процедуры дополнительной фильтрации. Результаты выделения представлены на рисунке 12.

а)

б)

Рис. 12 - Результат выделения воздушного объекта

а) исходный фотоснимок; б) результат выделения ВО

Заключение

Разработанные математические модели позволяют устойчиво выполнять выделение и распознавание ВО в сложных условиях съемки (обстановки), при этом отличаются меньшими временными затратами на выполнение вычислительных ресурсов. В ходе имитационного моделирования исследуемых процессов была выполнена оценка быстродействия разработанного метода, так, к примеру, на обработку фотоснимка траекторной информации разрешением 1600x1000 пикселей затрачивается 9 мс машинного времени, что существенно отличает данные алгоритмы от существующих.

Литература

Анисимов Б.В., Курганов Д.В., Злобин В.К. Распознавание и цифровая обработка изображений. - М.: Высшая школа, 1983.

Визильтер Ю.В., Желтов С.Ю., Бондаренко А.В., Ососков М.В., Моржин А.В. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практических занятий. - М.: Физматкнига, 2010. - 672 с.

Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2005.

Форсайт, Д. А. Компьютерное зрение. Современный подход - М.: Вильямс, 2004. - 928 с.

Хайкин С. Нейронные сети: полный курс, 2-е издание: Пер. с англ. - М.: Издательский дом «Вильямс», 2006.- 1104 с.

Cheng, M.-M. SalientShape: Group Saliency in Image Collections [Text] / M.-M. Cheng, N. J. Mitra, X. Huang, S. M. Hu // The Visual Computer. - 2014. - Vol. 30(4). - pp. 488-495.

Размещено на Allbest.ru