Влияние качества предварительной обработки изображений на распознавание объектов Текст научной статьи по специальности «Компьютерные и информационные науки»

Ал

Влияние качества предварительной обработки изображений на распознавание объектов

Интеллектуальные цифровые видеодетекторы движения — это система для надежного видеообнаружения движения внутри или вне помещений, которая использует усовершенствованные алгоритмы анализа движения объектов с одновременным подавлением паразитных помех, влекущих за собой ложные тревоги. Эффективная работа анализа цифрового изображения возможна только при наличии качественного изображения доведенного в этом же качестве до детектора или системы видеоанализа, где произойдет их интерпретация как движение, ведь шумы, нечеткие контуры и погодные влияния в виде дождя, теней, качающихся ветвей тоже могут приниматься за проникновение.

Бусаев О.Г.,

МТУСИ,

о1ед_пе@Ьки

Интеллектуальные цифровые видеодетекторы движения — это система для надежного видеообнаружения движения внутри или вне помещений, которая использует усовершенствованные алгоритмы анализа движения объектов с одновременным подавлением паразитных помех, влекущих за собой ложные тревоги. Эффективная работа анализа цифрового изображения возможна только при наличии качественного изображения доведенного в этом же качестве до детектора или системы видеоанализа, где произойдет их интерпретация как движение, ведь шумы, нечеткие контуры и погодные влияния в виде дождя, теней, качающихся ветвей тоже могут приниматься за проникновение.

На работу алгоритмов распознавания объектов существенное влияние оказывает качество предварительной обработки изображений — методы контрастирования изображений, сегментации (обнаружение точек, линий, перепадов).

В качестве методов контрастирования перепадов наиболее часто используются двумерное дискретное дифференцирование, метод Маклеода, методы Робертса, Собела и Кирша.

Двумерное дискретное дифференцирование является одним из самых распространенных линейных методов контрастирования перепадов яркости. Его достоинство заключатся в том, что он позволяет контрастировать перепады различных направлений, т.е. метод обладает пространственной анизотропией. Двумерное дискретное дифференцирование выполняется при помощи операции свертки массива изображения с матрицами, задающими направление выделения перепадов:

гд-

~ 1 1 1 "

I -2 1

Шг =

-I -I -1 Червая матрица выдели

-1 1

-I -2

-I 1 I

! —2 -2 4

I —2

I 1

-2

(1.1!

яет горизонтальные пёрепсщы яркости, вторая — вертикальные. Третья матрица — изотропная. Такая матрица выделяет контура любых направлений.

В методе Маклеода для контрастирования перепадов используется весовые функции гауссовой формы.

(1.2)

изображения в области перепада яркостей и влияние других перепадов, расположенных выше и ниже основного перепада, который необходимо обнаружить.

Усиление высокочастотного пространственного шума накладывают ограничение на использование линейных методов выделения перепадов. Уменьшение влияния шума в этих методах достигается сверткой изображения с усредняющей функцией. Однако помимо положительного эффекта уменьшения шума возникает увеличение протяженности перепадов и, соответственно, ошибочное определение границ перепада.

Методы Робертса, Собела и Кирша относятся к нелинейным методам выделения перепадов яркости, в которых используются нелинейные комбинации значений яркости элементов изображения.

В методе Робертса для выделения перепадов яркости используется нелинейная операция двумерного дискретного дифференцирования:

Данный метод позволяет определить направление перепада, если при пороговой обработке порог выделяется тот элемент изображения, который имеет наибольшее значение яркости.

В методе Собела используется нелинейный оператор с окном из 3х3 элементов. Для выделения перепада вычисляется величина:

где

— постоянные рассеяния. Функция подавляет влияние элементов

В отличие от оператора Робертса, оператор Собела является изотропным и позволяет выделять перепады яркостей любых направлений.

В методе Кирша, также как и в методе Собела используется нелинейный оператор с окном 3x3. Значение С(х, у) определяется как:

(1.5)

А 0-7 — смежные элементы изображения I (х, у) с текущим элементом изображения.

Индексы слагаемых А вычисляются по модулю 8. Оператор Кирша дает максимальное значение градиента в некоторой точке изображения без учета значения текущего элемента изображения.

-1 -1 -1

-1 8 -1

-1 -1 -1

-1 -1 -1

2 2 2

-1 -1 -1

2 -1 -1

-1 2 -1

-1 -1 2

-1 2 -1

-1 2 -1

-1 2 -1

-1 -1 2

-1 2 -1

2 -1 -1

а)

б)

г)

д)

Рис. 1. Обозначение Рис. 2. Маски фильтров для обнаружения: а) точек; линий: б) горизонтальных, в) под углом -45 , г) вертикальных, д) под углом 45

элементов изображения для оператора выделения перепада

а)

V ■ л у

I IV у

б)

Рис. 3. Результаты моделирования методов селекции структурных элемен-тов изображения

а). Исходное тестовое изображение "Lena"; б). Иллюстрация работы метода обнаружения точек. Проведена пороговая обработка по уровню 170; в). Иллюстрация работы метода обнаружения линий. В данном случае обнаруживаются вертикальные линии

Обнаружение точек и линий основано на цифровой фильтрации аналогично (1.1), но с использованием соответствующих масок. Обнаружение точек происходит при использовании маски рис. 2 а, которая представляет собой пространственный ФВЧ. Учитывая, что шумы на изображении будут давать отклик на выходе такого фильтра, необходимо проводить пороговую обработку, таким образом, могут быть выделены только точки, существенно отличающиеся по интенсивности от прилегающих к ним пикселей. Обнаружение линий с помощью масок рис. 2 является более помехозащищенным, поскольку в этом случае вдоль линии реализуется интегрирование.

За счет того, что сумма коэффициентов всех фильтров равна нулю, их отклик на фоновые области изображений равен нулю. Результаты выделения точек и линий на тестовом изображении "Лена" представлены на рис. 3.

После проведения пороговой обработки создаются замкнутые контура, например, с использованием локальной обработки, и ведется распознавание областей, охваченных контурами.

ЛИТЕРАТУРА

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. — 1072 с.

2. Ярославский Л. П. Введение в цифровую обработку изображений. — М.: Сов. Радио, 1979

3. Цифровая обработка телевизионных и компьютерных изображений / Под. ред. Ю.Б. Зубарева и В.П. Дворковича. — М.: МЦНТИ, 1997.