close

Вход

Забыли?

вход по аккаунту

- Астраханский Государственный Технический

код для вставкиСкачать
.
На правах рукописи
ХРЯЩЕВ Денис Александрович
ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА И АНАЛИЗ
ЦИФРОВЫХ ИЗОБРАЖЕНИЙ, ПОЛУЧЕННЫХ В
УСЛОВИЯХ НЕДОСТАТОЧНОЙ ОСВЕЩЕННОСТИ
Специальность: 05.13.01 –
«Системный анализ, управление и обработка информации (промышленность,
информатика)»
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата технических наук
Астрахань – 2014
Работа выполнена в федеральном государственном бюджетном образовательном
учреждении высшего профессионального образования «Астраханский
государственный технический университет» (ФГБОУ ВПО «АГТУ»)
Научный руководитель:
доктор технических наук, профессор
Попов Георгий Александрович.
Официальные оппоненты: профессор кафедры «Информационные технологии
в образовании» ФГАОУ ВПО «Северо-Кавказский
федеральный университет», доктор технических
наук, профессор
Копытов Владимир Вячеславович,
заведующий
кафедрой
«Системы
автоматизированного проектирования» ГАОУ АО
ВПО «Астраханский инженерно-строительный
институт», доктор технических наук, профессор
Петрова Ирина Юрьевна.
Ведущая организация:
ФГБОУ ВПО «Кубанский государственный
технологический университет».
Защита состоится 3 апреля 2014 г. в 15:00 на заседании диссертационного
совета Д 307.001.06 на базе Астраханского государственного технического
университета по адресу: 414056, г. Астрахань, ул. Татищева, 16, главный
корпус, ауд. № 313.
Ваши отзывы в количестве двух экземпляров, заверенные гербовой печатью
организации, просим присылать по адресу: 414056, г. Астрахань,
ул. Татищева 16, ученому секретарю диссертационного совета Д 307.001.06.
С диссертацией можно ознакомиться в научной библиотеке Астраханского
государственного технического университета.
Автореферат разослан ___ февраля 2014 г.
Ученый секретарь
диссертационного совета
Ханова Анна Алексеевна
2
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность исследования. Современный период развития средств
обработки информации характеризуется масштабным внедрением различных
алгоритмов и технологий интеллектуализации процессов обработки данных.
Одним
из
важных
компонентов
процесса
интеллектуализации
информационных технологий является все большая необходимость
использования информации, имеющей форму фото и видео данных, в частности
цифровых изображений, поскольку такие технологии наиболее приемлемы и
удобны для использования в системах видео наблюдения, автофокусировки в
фото и видео камерах, медицинских приборах и т.п. По данным
статистического агентства Marketline объем продаваемых программноаппаратных средств, связанных с захватом, обработкой и хранением фото и
видео изображений увеличивается ежегодно на 10%, что приводит к
пропорциональному ежегодному приросту фото и видео изображений. В
случаях, когда съемка производится в условиях с недостаточной
освещенностью, качество изображений значительно снижается из-за
несовершенства фото и видео камер. Поэтому проблема повышения
эффективности и качества обработки фото и видео изображений является
актуальной и представляет несомненный интерес.
Процесс обработки изображений состоит из ряда этапов, среди которых
одним из наиболее важных является предварительная обработка изображений,
которая представляет самостоятельный интерес. Предварительная обработка и
выделение контуров на цифровых изображениях имеют широкий спектр
применения в различных областях, начиная от подготовки изображения к
распознаванию, улучшению изображения во всевозможных записывающих
устройствах путем низкочастотной фильтрации и эквализации гистограмм
яркостей – фото и видео камерах, сканерах, эхолокаторах, изображений,
полученных при помощи ультразвука, рентгена, радио локации,
астрономических фотографий, электронной микроскопии и т.п., и заканчивая
применением алгоритмов предварительной обработки и выделения контуров в
эстетических целях.
Степень разработанности темы. Вопросами разработки алгоритмов
анализа информации цифровых изображений, а также предварительной
обработки и выделения контуров занимались многие авторы. Наиболее
известны работы А.Михельсона, В.Ф.Нестерук и В.Н.Порфирьева,
Р.А.Воробель и др., описывающие алгоритмы определения контрастности
цифровых изображений. Большой вклад в изучение вопросов анализа шума на
цифровых изображениях внесли Р.Гонсалес и Р.Вудс, В.Г.Спицин. Важные
исследования в области низкочастотной фильтрации шума на цифровых
изображениях выполнены Ц.Томаси и Р.Мандучи, С.С.Бухтояровым,
Е.Дэвисом, И.В.Апальковым, В.В.Хрящевым. Вопросам совершенствования
алгоритмов выделения контуров цифровых изображений посвящены работы
Г.Шарра, Х.С.Нео и А.Хазанчука, К.Энджела, В.Н.Цибанова, А.С.Крылова.
Большой вклад в исследование и развитие алгоритмов бинаризации
3
изображений внесли Н.Оцу, П.С.Ляо, В.А.Вдовин, А.В.Муравьѐв, Дж.Бернсен,
У.Ниблэк и др.
Несмотря на большое число работ, выполняемых в этом направлении,
многие проблемы не получили пока еще приемлемого решения, в частности
существующие алгоритмы анализа контрастности изображений дают только
относительную, но не абсолютную оценку контрастности, что не позволяет
дать качественную оценку изображению по показателю контрастность.
Алгоритмы анализа шума на изображениях подбирают модель не аналитически,
а эмпирически, что отрицательно сказывается на их производительности.
Низкочастотные фильтры эффективны при фильтрации какого-то либо одного
типа шума, алгоритмы выделения бинарных контуров изображений
недостаточно помехоустойчивы и производительны.
Данные обстоятельства вызывают необходимость постановки актуальной
научно-технической задачи зазработки алгоритмов предварительной обработки
и анализа изображений, полученных в условиях недостаточной освещенности.
Объект исследования – цифровые изображения, полученные в условиях
недостаточной освещенности.
Предмет исследования – процесс анализа и обработки информации
цифровых изображений, полученных в условиях недостаточной освещенности.
Цель диссертационной работы – повышение эффективности процесса
обработки и анализа цифровых изображений, полученных в условиях
недостаточной освещенности.
Для достижения поставленной цели требуется решение следующих задач:
1) разработка новых алгоритмов анализа контрастности и статистических
характеристик изображения, учитывающий недостатки существующих;
2) создание более производительных аналитических алгоритмов выбора
наиболее подходящей модели шума и низкочастотной фильтрации изображений;
3) разработка новых алгоритмов вычисления градиента изображения,
имеющих большую точность;
4) реализация и апробация предложенных в работе алгоритмов в виде
программного продукта, повышающего качество изображений, полученных
условиях недостаточной освещенности.
Научная новизна:
1) сформирована процедура обработки и оценки качества изображений,
выполняющая визуализацию, трансформацию и анализ информации по
гистограммам яркостей и контрастов, позволяющая оценить абсолютную
степень контрастности, определить наиболее подходящую модель шума;
2) разработана методика обработки изображений путем адаптивной
низкочастотной фильтрации, позволяющая существенно повысить качество
изображения, отличающаяся применением низкочастотных фильтров в
зависимости от типа шума на изображении;
3) модифицирован метод выделения контуров изображения путем
вычисления градиента, который отличается большей точностью вычисления
градиента изображения.
4
Теоретическая значимость работы заключается в том, что в диссертации
разработаны процедуры проведения анализа цифровых изображений,
полученных в условиях недостаточной освещенности.
Практическая значимость диссертационной работы заключается в том,
что материалы и обобщения, содержащиеся в диссертации, могут быть
применены в различных программных и аппаратных продуктах,
анализирующих цифровые изображения, повышающих качество изображений.
Результаты работы внедрены отделом ИБ АГТУ для повышения качества
изображений, полученных внешними камерами наблюдения, технической
дирекции Астраханского филиала ОАО «ВымпелКом» для улучшения
изображений, захваченных внешними камерами наблюдения.
Методология и методы исследования. Для решения поставленных задач
используются методы и алгоритмы обработки растровых цифровых
изображений, методы анализа статистических характеристик цифровых
изображений, системный анализ. В методологическом отношении для анализа
гистограмм яркостей и контрастов использовались стандартные методы
математической статистики и теории вероятностей.
Положения, выносимые на защиту:
1) функция, аппроксимирующая формы гистограмм контрастов цифровых
изображений, на основании которой можно рассчитать степень контрастности
изображения;
2) способ определения наиболее подходящей модели цифрового шума по
формулам, предложенным в настоящей работе с точностью, сравнимой с
методом наименьших квадратов;
3) комбинированный низкочастотный фильтр, включающий в себя фильтры
разных типов, используемые в зависимости от типа фильтруемого шума;
4) альтернативные помехоустойчивые матрицы свертки для вычисления
градиента изображения;
5) алгоритм повышения качества изображений, полученных в условиях
недостаточной освещенности.
Степень достоверности научных положений обусловлена корректным
применением использованных в работе алгоритмов и подтверждена
результатами экспериментальных исследований, показавших, что гистограммы
цифровых изображений аппроксимируются функцией, предложенной в
диссертации, предлагаемый аналитический алгоритм выбора наиболее
подходящей модели шума позволяет подобрать модель шума и ее
статистические характеристики с лучшей производительностью, чем
стандартные алгоритмы, предлагаемые низкочастотный фильтр и алгоритм
выделения контуров показывают лучшие по сравнению со стандартными
фильтрами результаты обработки изображения. Разработанные алгоритмы
были протестированы и использованы в программном продукте «Повышение
качества темных изображений», зарегистрированном в Федеральной службе по
интеллектуальной собственности (Роспатент).
Апробация научных результатов. Основные положения и результаты
настоящей работы докладывались на XXIII-XXIV Международных научных
5
конференциях «Математические методы в технике и технологиях» (Саратов,
2010, 2011). В 2009-2010 гг. на научных конференциях профессорскопреподавательского состава АГТУ.
Публикации. Основные положения диссертационной работы отражены в 8
опубликованных научных работах, в том числе в 4 статьях в научнотехнических изданиях, в которых ВАК рекомендует публикацию основных
научных результатов диссертаций и 1 свидетельстве о регистрации программы
для ЭВМ.
Структура и объем диссертации. Диссертация содержит введение, 4 главы,
заключение, библиографический список из 90 наименований, 7 приложений.
Основная часть диссертации изложена на 114 страницах и содержит 29
рисунков и 28 таблиц.
СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность проблемы, сформулированы цель и
задачи исследования, научная новизна и практические результаты.
В первой главе было проведено исследование изображений, полученных в
условиях недостаточной освещенности, которое позволило определить
основные характеристики и недостатки темных изображений, поставлена
задача повышения качества темных изображений, рассмотрены стандартные
алгоритмы анализа и повышения качества изображений, выявлены их
достоинства и недостатки.
Для анализа темных изображений использовались гистограммы яркостей и
контрастов, по которым подсчитывались математическое ожидание,
среднеквадратическое отклонение яркостей, контрастность, оценивалась
мощность и тип цифрового шума:
hrk   nk / n ,    rk hnorm rk  ,  
1
  rk 2 ,
(1)

n k
k
где hrk  – гистограмма яркостей, rk – k-й уровень яркости, n k – число пикселей
с яркостью rk , n – количество пикселей изображения,  – математическое
ожидание яркости,  – среднеквадратическое отклонение яркости.
Контрастность темных изображений вычислялась путем сравнения яркостей
соседних пикселей изображения:
C  I  I b  / I b , C  I max  I min  / I max  I min  , C  I 2   I b2  / I 2   I b2   ,
где I – яркость пикселя, контрастность которого оценивается, I b – яркость
фона (усредненная яркость соседних пикселей), I m in , I m ax – минимальное и
максимальное значения яркости пикселей,  – параметр, характеризующий
физические свойства конкретного объекта.
Для оценки типа и статистических характеристик цифрового шума
использовался метод наименьших квадратов:
2
2
(2)
pzi   hnorm rk  ,    zi  pzi  ,    zi    pzi  ,
zi S
zi R
6
 i  pzi  
2
2
1
e   zi    / 2  ,
2
n

i 1
2
i
 min .
В работе проводился анализ 3 тестовых изображений. Гистограмма яркостей
тестового изображения 1 показана на рисунке 1.
Рисунок 1 – Гистограмма яркостей тестового изображения 1
В таблицах 1 и 2 приведены яркостные характеристики и параметры
цифрового шума 3 тестовых изображений.
Таблица 1 – Статистические характеристики темных изображений
Математическое
ожидание
30,85
11,05
15,99
Изображение 1
Изображение 2
Изображение 3
Среднеквадратическ
ое отклонение
2,82
5,14
3,61
Степень
контрастности
-0,57
-0,63
-0,74
Таблица 2 – Статистические характеристики шума Гаусса
Изображение 1
Математическое ожидание
шума
31,20
Среднеквадратическое
отклонение шума
15,01
Изображение 2
9,05
8,27
Изображение 3
16,44
12,53
В результате анализа тестовых изображений выявлены характеристики:
1. Математическое ожидание яркостей имеет малые значения и в среднем не
превышает 15% от максимального значения яркостей.
2. Среднеквадратическое отклонение яркостей в среднем не превышает 3-5%
от максимального значения яркостей, что приводит к снижению степени
контрастности.
3. На изображениях присутствует аддитивный шум, который эффективно
аппроксимируется шумом Гаусса.
По результатам анализа была поставлена задача повышения качества
темных изображений: имеется темное изображение, которое обладает рядом
недостатков – низкой общей яркостью, низкой контрастностью, присутствием
аддитивного цифрового шума. Необходимо обработать изображение таким
образом, чтобы общая яркость изображения повысилась и была распределена
7
равномерно на всем диапазоне значений гистограммы яркостей, контрастность
была нормализована, а воздействие аддитивного цифрового шума
минимизировано.
Обозначим темное изображение размера m  n A , тогда изображение можно
представить в виде суммы полезного сигнала и аддитивного шума:
a1n 
r1n  t1n 
 a11
 r11  t11
1
 A  R T  

t  2 / 2  2

A  



p
t

e
,
,
,



2
rm1  t m1
a m1
rmn  t mn 
a mn 
где R – полезный сигнал, T – аддитивный шум, p t  – функция плотности
распределения значений t ij , для которого построена гистограмма контрастов:
g norm cij   n k / n ,
(3)
где c ij – локальные значения контраста изображения.
Необходимо минимизировать значения шума t ij и равномерно распределить
яркости rij :
F  A  F R  T   R ,
 aij  f ij  rij  min ,
i
j
rij  rm ax
max r   min r 
 aij  min ,
где F – низкочастотный фильтр, f ij – элементы матрицы свертки фильтра, rm ax
– максимально возможное значение яркости для данного изображения. При
ограничениях:
rij  aij  f ij  aij , cmin  c  ln ln n / nk  / ln k   cmax ,
где c m in , cm ax задающие качество обработанного изображения по параметру
контраст.
Стандартными алгоритмами подавления цифрового шума и повышения
качества изображений являются низкочастотные фильтры, из которых
линейные и нелинейные усредняющие фильтры оптимальны при подавлении
аддитивного шума. Наиболее эффективным линейным фильтром является
фильтр Гаусса:
 f (d11 )
1  x2 / 2


f x  
e
, G
2
 f (d1n )
f (d1n ) 

,
f (d mn )
(4)
где d ij – расстояние от центрального пикселя окна. Билатеральный фильтр
является расширением фильтра Гаусса, в котором вклад соседних пикселей
взвешивается значением яркостей соседних пикселей:
n 1

1/ 22  f  wi  f  wc 2
(5)
r wi   e
, wc  1/ k  f wi   g wi   r wi ,
2
i 0
где wi – i -й пиксель окна W , для которого вычисляется коэффициент r wi  ,
f wi  – яркость i -го пикселя окна, f wc  – яркость центрального пикселя окна.
Основными недостатками известных алгоритмов является искажение
фильтруемых изображений – снижение контраста, сужение диапазона яркостей,
8
уменьшение общей яркости изображения.
Стандартным алгоритмом приведения яркостей изображения к равномерно
распределенным является алгоритм эквализации гистограммы яркостей:
g  x, y  
f x, y   255
.
max  f  x, y   min  f  x, y 
Для повышения контраста темного изображения наиболее эффективно
сложение яркостей изображения с собственным градиентом или лапласианом.
Наиболее точно градиент изображения вычисляется алгоритмом Шарра:
 3 0 3
 3  10  3


(6)
G x   10 0  10 *A, G y   0
0
0  *A, G  G x 2  G y 2 ,
  3 0  3 
 3  10  3
где G x , G y – горизонтальная и вертикальная составляющие градиента, G –
градиент изображения. Недостаток алгоритмов вычисления градиента – низкая
помехоустойчивость, которая связана с малым размером матрицы свертки.
Таким образом, поставлена задача повышения качества изображений,
полученных в условиях недостаточной освещенности и необходимость в
разработке новых алгоритмов, учитывающих недостатки существующих.
Во второй главе предложено решение поставленной задачи. Описываются
разработанные альтернативные алгоритмы предварительной обработки и
анализа изображений.
В результате анализа гистограмм контрастов 20 тестовых изображений были
установлены формы гистограмм контрастов, которые показаны на рисунке 2.
3
1
2
Рисунок 2 – Формы гистограммы контрастов. 1 – пониженный контраст, 2 – повышенный
контраст, 3 – оптимально сбалансированный контраст
Общая форма всех гистограмм контрастов описывается функцией:
C
x  1/ x e , c   ,
(7)
где c – степень контрастности, которая дает оценку, насколько контрастно
изображение относительно изображения со сбалансированным контрастом. При
9
c  0 гистограмма изображения имеет оптимально сбалансированный контраст,
при c  0 – гистограмма изображения с повышенной контрастностью, при c  0
– гистограмма изображения с пониженной контрастностью.
На основании (7) выведена формула вычисления степени контрастности:
c  ln ln n / nk  / ln k  ,
(8)
где k – уровень контраста пиксела, n k – количество пикселов с уровнем
контраста k , n – общее количество пикселов изображения.
Разработанный алгоритм выбора наиболее подходящей модели шума дает
количественную оценку соответствия шума на анализируемом цифровом
изображении наиболее распространенным моделям аддитивного шума – Гаусса,
Релея, Эрланга, экспоненциального и белого шума, биполярного и
униполярного импульсного шума.
Для каждой модели аддитивного и импульсного шума подсчитываются
статистические
характеристики
–
математическое
ожидание
и
среднеквадратическое отклонение. Сравнивая распределение вычисленных
уровней шума, его статистических характеристик во всех пикселях
изображения с функциями плотности распределения вероятностей моделей
аддитивного и импульсного шума, оценивается, насколько соответствует шум
на анализируемом изображении модели. Алгоритм состоит из шагов:
1. построение гистограммы контрастов g norm cij   n k / n ;
2. вычисление статистических характеристик  ,  для каждой модели шума;
3. вычисление среднеквадратического отклонения для значений  ,  ;
4. выбор модели шума с наименьшим отклонением  ,  .
Для вычисления  ,  для шума Гаусса получены формулы:




ln  pz3  / pz 4  z 22  z12  ln  pz1  / pz 2  z 42  z32

,
2 ln  pz1  / pz 2 z3  z 4   2 ln  pz3  / pz 4 z1  z 2 

2z3  z 4   z 42  z32
2z1  z 2   z 22  z12

,
2 ln  pz3  / pz 4 
2 ln  pz1  / pz 2 
где pz i  k   nk / n – вероятность того, что локальный контраст пикселя равен
k , вычисляется по гистограмме контрастов изображения (3). Аналогично
вычисляются значения ,  для моделей Эрланга, Релея, белого шума.
Разработанный низкочастотный фильтр содержит в себе два фильтра низких
частот – линейный усредняющий и ранговый. В случае аддитивного или
мультипликативного шума применяется усредняющий линейный фильтр, в
случае импульсного шума используется ранговый фильтр.
Усредняющий линейный фильтр представляет из себя матрицу свертки:
 3 4 5 4 3
4 8 10 8 4

1 
5 10 15 10 5 .
M 
151 

4 8 10 8 4
3 4 5 4 3
10
В качестве рангового фильтра используется взвешенный медианный фильтр.
Для вычисления весов пикселей используется функция Гаусса с   1,   0
(допускается использование любой другой функции):
f g x   1/ 2  e  x / 2 , wi, j   f g d ij  ,
где d ij – расстояние от центрального пикселя до пикселя, для которого
подсчитывается вес w(i, j ) . Для вычисления взвешенной медианы
производится вычисление вариационного ряда яркостей пикселей окрестности:
r 1  r 2     r m  , f1 , f 2 ,, f m ,
где m – количество уникальных значений яркостей окрестности, а f k –
относительная частота значения яркости r k  , которая определяется по формуле:
1, z  m
f k   rij  r k   wi, j  , z  m  
.
i
j
0, z  m
В разработанном взвешенном медианном фильтре при подсчете количества
пикселей яркостью r k  учитывается расстояние от центрального пикселя до
каждого из подсчитываемых пикселей яркостью r k  умножением на вес wi, j  .
По вычисленному вариационному ряду яркостей пикселей окрестности
рассчитывается взвешенная медиана:
1 m

n 
1 / 2  r , n    k  f k  .
 m k 1

В результате низкочастотная фильтрация происходит путем установления
значения яркости центрального пикселя равной вычисленной медиане 1 / 2 .
Благодаря использованию линейного усредняющего фильтра для
подавления аддитивного шума и взвешенного медианного фильтра для
подавления импульсного шума вносимые фильтром искажения существенно
снижены по сравнению со стандартными алгоритмами.
Разработанный алгоритм выделения контуров основывается на функции
2
f x  e cosx 2 /a  x 2  1 .
Матрицы предлагаемого фильтра представляют собой две матрицы
размером 5х5, элементами которых являются значения функции. Параметр a
принимается равным 0,09:
2
2 3 2 0 
0
 0 2 3 2 0 
 2  8  14 0

 2 0
 2
 14  8  2


1
1
  3  14 0
  3  14 0
D1 
 14  3 * A , D2 
 14  3 * A ,
50 
50 


 14  8  2
 2
 2 0
 2  8  14 0
 0
 0
 2  3  2 0 
2 3 2
0 
D  D1  D2 .
2
2
Поскольку в основе предлагаемого алгоритма лежит функция, используемая
для построения фильтра низких частот, данный алгоритм является более
устойчивым к помехам, создаваемым цифровым шумом, по сравнению со
стандартными алгоритмами, в частности алгоритмом Ганно Шарра.
11
Для повышения или понижения контрастности изображения требуется
прибавить или отнять соответственно вычисленные контуры к изначальному
изображению.
В третьей главе представлены результаты тестирования и сравнения
предлагаемых алгоритмов со стандартными алгоритмами.
В результате экспериментальной проверки предлагаемого алгоритма
определения степени контрастности было выявлено, что гистограммы
C
контрастов с достаточной точностью апроксимируются кривой f x  1/ x e .
Предлагаемый алгоритм дает достаточно точную оценку степени
контрастности изначальных изображений.
В таблице 3 показаны результаты вычисления степени контрастности
тестового изображения предлагаемым алгоритмом и методом Воробель.
Таблица 3 – Вычисленные степени контрастности тестового изображения
Предлагаемый
-0,29
Увел.
контраст
-0,009
Воробель
0,01
0,018
Алгоритм
Исходное
Увел.
контраст
0,006
0,025
Умен.
Умен.
контраст контраст
-0,45
-0,53
0,0077
0,0067
В результате тестирования алгоритма выбора наиболее подходящей модели
шума было выявлено, что алгоритм позволяет корректно подобрать модель
шума, что видно по наименьшим значениям среднеквадратических отклонений
S  , S  . Для модели импульсного шума наименьшие значения 1 ,  2 получены
для искаженного импульсным шумом изображения. Точность сравниваемых
алгоритмов отличается на 1,4 %. В таблице 4 показаны результаты вычисления
,  для моделей Гаусса, экспоненциальной, белого, биполярного импульсного
шума предлагаемым алгоритмом и методом наименьших квадратов.
Таблица 4 – Вычисленные значения , 
Шум
Гаусса
Экспоненциальный
Белым
Импульсный
Подобранные параметры модели шума
Гаусса
Экспоненциальный
Белый
Импульсный
P( z )  40,5
Pm1  58, 1  12,1
  8,6,   17,2
  24,1,   30,3
S   1,8, S   2,3
S   10,7, S   14,3 S p ( z )  8,7
Pm 2  55,  2  11,4
  10,2,   6,5
  9,7,   13,9
P( z )  32,4
Pm1  57, 1  15,3
S   9,9, S   5,2
S   2, S   2,5
S p ( z )  12,6
Pm 2  49,  2  12,8
  10,4,   9,5
  18,8,   25,4
P( z )  30,1
Pm1  59, 1  13,4
S   8,9, S   7,4
S   11,2, S   13,7
S p ( z )  4,1
Pm 2  42,  2  11,7
P( z )  20,2
  6,3,   25,2
  25,2,   28,4
S   5,1, S   15,9 S   11,6, S   12,6 S p ( z )  15,7
Pm1  62, 1  47,1
Pm 2  45,  2  35,2
В результате экспериментальной проверки предлагаемых низкочастотных
фильтров было установлено, что изображения отфильтрованные предлагаемым
фильтром содержат более широкий диапазон яркостей, чем изображения
12
обработанные фильтром Гаусса. На гистограммах искаженных импульсным
шумом и очищенных предлагаемым фильтром изображений лучше
восстанавливаются области с малыми яркостями, на гистограммах
изображений, отфильтрованных медианным фильтром они утрачиваются. В
качестве недостатка разработанного усредняющего линейного фильтра можно
отметить незначительно меньшие значения ПОСШ (Пиковое соотношение
сигнал-шум, разница составляет от 1 до 2,5 %) по сравнению с фильтром
Гаусса. В таблице 5 показаны результаты сравнения ПОСШ отфильтрованных и
изначальных изображений предлагаемыми фильтрами и стандартными.
Таблица 5 – ПОСШ для зашумленного и отфильтрованного изображения 2
Характеристика
изображения
Искаженное
шумом Гаусса
Примененный фильтр
ПОСШ
23,56
24,74
22,71
22,53
Предлагаемый
линейный
усредняющий
23,95

72,53
62,11
70,17
70,74
68,51

16,74
12,62
14,72
14,22
14,01
  10,   16
Предлагаемый
Гаусса Медианный
ранговый
Разработанные фильтры низких частот подавили аддитивный шум Гаусса на
5% лучше по показателю ПОСШ и на 9% по показателю среднеквадратическое
отклонение по сравнению с медианным фильтром и фильтром Гаусса, но по
показателю математическое ожидание результаты хуже на 4%. Среднее
повышение качества изображений составило порядка 15-23%.
В результате тестирования предлагаемого алгоритма выделения контуров
цифрового изображения было установлено, что предлагаемый алгоритм
вычисления контуров имеет наибольшую точность среди сравниваемых
алгоритмов – Шарра, вычисления лапласиана. В таблице 6 показаны значения
статистических характеристик контуров изображения 2.
Таблица 6 – Характеристики контуров изображения 2
Характеристика
изображения


Метод вычисления контуров
Шарра
Лапласиан
Предлагаемый
89,18
101,14
97,04
51,82
71,41
49,90
Наименее точным алгоритмом является вычисление лапласиана. Недостаток
предлагаемого алгоритма – наименьшее быстродействие.
До обработки математическое ожидание и среднеквадратическое
отклонение яркостей тестовых изображений принимали малые значения,
степень контрастности – отрицательные. После обработки математическое
ожидание и среднеквадратическое отклонение возросли в среднем в 3,5 раза,
степень контрастности повысилась до значений близких к 0.
По изменению значений статистических характеристик тестовых
изображений можно сделать вывод о повышении качества изображений,
полученных в условиях недостаточной освещенности, при использовании
13
предложенной схемы предварительной обработки.
В четвертой главе описаны системы видео наблюдения и внешних камер
Астраханского филиала ОАО «ВымпелКом», описано разработанное с
применением алгоритмов, изложенных в третьей главе, программное
обеспечение и представлены результаты внедрения разработанного
программного обеспечения. В таблице 7 показаны характеристики темных
изображений с внешних камер до и после улучшения .
Таблица 7– Характеристики темных изображений до и после обработки
Математическое
ожидание
до
после
Среднеквадратическое
отклонение
до
после
Степень
контрастности
до
после
Изображение 1
28,13
115,73
2,79
12,35
-0,52
-0,01
Изображение 2
14,16
42,39
5,41
14,67
-0,65
0,04
Математическое ожидание и среднеквадратическое отклонение яркостей
имеют малые значения, степень контрастности – отрицательные. После
обработки разработанными алгоритмами математическое ожидание и
среднеквадратическое отклонение возросли в среднем в 3,5 раза, степень
контрастности повысилась до значений близких к 0. Качество изображений,
получаемых внешними камерами значительно улучшилось.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ
1. Исследование существующих алгоритмов анализа и предварительной
обработки цифровых изображений выявило ряд значимых недостатков:
алгоритмы вычисления степени контрастности не позволяют дать абсолютную
оценку качества изображения, выбор модели шума методом наименьших
квадратов имеет низкую производительность, низкочастотные фильтры
эффективны при фильтрации одного типа шума, алгоритмы, выделяющие
контуры изображений недостаточно помехоустойчивы.
2. Выявлена зависимость формы гистограммы контрастов от степени
контрастности изображения, на основании которой было сделано теоретически,
а затем проверено на практике, предположение о форме гистограммы
контрастов изображения со сбалансированным контрастом. Разработан подход
в оценке абсолютной степени контрастности изображений, который, в отличие
от существующих методов, не требует использования эталонного изображения.
3. Разработан новый алгоритм, определяющий наиболее подходящую
модель аддитивного или импульсного шума для анализируемого изображения.
Основные достоинства алгоритма – большая производительность по сравнению
алгоритмом наименьших квадратов.
4. Предложен альтернативный адаптивный низкочастотный фильтр,
состоящий из двух фильтров – линейного усредняющего и взвешенного
рангового фильтра. Показатели пиковое соотношение сигнал-шум и
среднеквадратическое отклонение яркостей изображений, обработанных
предлагаемым фильтром на 5 и 9% лучше, чем у изображений, обработанных
стандартными фильтрами.
14
5. Разработан
альтернативный
помехоустойчивый
алгоритм,
вычисляющий
градиент
изображения.
К
основным
достоинствам
разработанного алгоритма относятся более высокая точность вычисления
градиента и лучшая помехоустойчивость.
6. Разработанные алгоритмы позволяют значительно повысить качество
изображения и подготовить его к распознаванию образов. В экспериментах,
проведенных в работе, качество изображения было повышено в среднем на 1523% по критерию пиковое соотношения сигнал-шум.
7. Предложенные в работе алгоритмы анализа и повышения качества
изображений были оптимизированы для повышения качества изображений,
полученных в условиях недостаточной освещенности. В результате реализации
предложенных алгоритмов повышения качества таких изображений было
показано повышение качества изображений после применения разработанных
алгоритмов по таким показателям, как математическое ожидание и
среднеквадратическое отклонение яркостей – рост значения в 3-4 раза.
8. Результаты работы использованы в программном продукте
«Повышение качества темных изображений», зарегистрированном во ФСИС
(Роспатент) и внедренном в Астраханском филиале ОАО «ВымпелКом».
ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ
Статьи в журналах, периодических изданиях, включенных в список ВАК РФ:
1. Хрящев, Д.А. Об одном методе низкочастотной фильтрации
гидролокационных изображений / Д. А. Хрящев, Г. А. Попов // Вестник
Астраханского государственного технического университета, Серия: Морская
техника и технология. – 2010. –№ 1. – С. 63-68.
2. Хрящев, Д.А. Об одном методе выделения контуров на цифровых
изображениях / Д. А. Хрящев // Вестник Астраханского государственного
технического университета, Серия: Управление, вычислительная техника и
информатика. – 2010. –№ 2. С. 181-187.
3. Хрящев, Д.А. Об одном методе определения наиболее подходящей для
анализируемого цифрового изображения модели аддитивного шума / Д. А.
Хрящев // Известия Волгоградского государственного технического
университета, Серия: Актуальные проблемы управления, вычислительной
техники и информатики в технических системах. – 2011. –№ 3 (76). – С. 24-31.
4. Хрящев, Д.А. Повышение качества изображений, полученных в условиях
недостаточной освещенности / Д. А. Хрящев // Инженерный вестник Дона. –
2013. –№ 3.
Публикации в межвузовских научных сборниках, сборниках трудов
международных научных конференций:
5. Хрящев, Д.А. Об одном методе анализа цифрового изображения с
применением гистограмм / Д. А. Хрящев // Вестник Астраханского
государственного
технического
университета,
Серия:
Управление,
вычислительная техника и информатика. – 2010. –№ 1. С. 109-113.
6. Хрящев, Д.А. О гистограммах и определении степени контрастности
цифрового изображения / Д. А. Хрящев // 23 Международная конференция
15
Математические методы в технике и технологиях (Саратов, 22 июня 2010 г.). –
2010. Т. 9. – С. 176-178.
7. Хрящев, Д.А. Альтернативный метод выделения контуров на цифровых
изображениях. // 24 Международная конференция Математические методы в
технике и технологиях (Саратов, 21 апреля 2011 г.). – 2011. Т. 9. – С. 151-156.
8. Хрящев, Д.А. Обзор методов биометрической идентификации. // 1
Международная научно-практическая конференция «Эволюция системы
научных коммуникаций ассоциации университетов прикаспийских государств»
(Астрахань, 3 октября 2008 г.). – 2008. – С. 118-121.
Свидетельства об официальной регистрации программ для ЭВМ:
9. Компьютерная программа повышения качества темных изображений / Д.
А. Хрящев . – Электрон. прогр. – Астрахань, 2013. – Свидетельство ГР прогр.
для ЭВМ № 2013660224 ; заявка № 2013618009 от 03.09.2013 ; рарегистр. в
Реестре программ для ЭВМ 28.10.2013.
___________________________________________________
Заказ № 0170/14 Подписано в печать 29.01.2014 г. Тир. 100 экз.
Гарнитура Times New Roman. Формат 60х84/16. Усп. печ. л. 1,0
Типография ООО « Альфа Принт »
Ю.а.: 414004 г. Астрахань, ул. Б. Алексеева 30/14
e-mail: [email protected]
тел: 89033485666
16
1/--страниц
Пожаловаться на содержимое документа