CC BY
51
Токи проводимости (]пр “ Ест ) пренебрежимо малы по сравнению с токами смещения, то есть, О) «1 / г или со «1 / г
у »« (/о?)/V «/(2я7Я)
Характерный масштаб - длина волны (Я ). На расстоянии Я емкостные и индуктивные свойства среды проявляются в равной мере. Резистивные свойства среды на расстоянии одной длины волны не сказываются.
Существует волновая зона, в которой перенос энергии определяется потоком вектора Пойнтинга.
Рост частоты может существенно улучшать условия распространения сигнала. Возможно формирование узких диаграмм
направленности и очень высоких частот. Целесообразно применение несущей частоты и квазигармонических сигналов.
Токи смещения Оси = сГО/ск= гсоеЕ ) пренебрежимо малы по сравнению с токами проводимости, то есть со «1 / г
у « ^со/ист = (1 + /)Л/^;//с7 - (1 +1)6
Характерный масштаб - толщина скин-слоя ( § ). На расстоянии 6 резистивные и индуктивные свойства среды проявляются соизмеримым образом, а емкостные - не сказываются.
Не существует волновой зоны. На любых расстояниях от источника поток вектора Пойнтинга много меньше Джоулевых потерь.
Рост частоты существенно ухудшает условия распространения. Невозможно формирование узких диаграмм
направленности и использование очень высоких частот. Нецелесообразно применение несущей частоты и квазигармонических сигналов.
Преимущество систем подземной связи состоит в их независимости от бурь, ураганов и искусственных разрушений на поверхности Земли Кроме того, благодаря экранирующему действию верхних проводящих осадочных пород системы подземной связи обладают высокой помехозащищенностью от промышленных и атмосферных шумов.
ЛИТЕРАТУРА
1. Короченцев В.П., Рублев В.П., Чайко А.В. Экспериментальные исследования подземной радиосвязи // Труды ДВГТУ, Владивосток. 2003. Вып.133.с.5-8.
2. Ольшанский В.М. Биологическое моделирование электросистем слабоэлектрических рыб,
М., Наука, 1990.122 с.
Силантьев Р.В.
АЛГОРИТМ СШИВКИ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ В ЗАДАЧАХ МОНИТОРИНГА НА ОСНОВЕ ЦЕЛОЧИСЛЕННОЙ АРИФМЕТИКИ
Введение
Задача сшивки цифровых изображений, полученных с помощью видео- или фотокамеры робототехнической установки или подводного аппарата, является специфичной в виду того, что последовательные изображения на снимках могут быть не только смещены друг относительно друга, но и повёрнуты на неизвестные углы (рис. 1), а также иметь различный масштаб.
Таким образом, задачей сшивки является определение взаимного расположения изображений без использования навигационной информации с использованием только самих изображений [1].
Рис. І - Пример сшивки цифровых изображений
Существуют специальные алгоритмы для решения данной задачи [2,3], однако, они предъявляют высокие требования к вычислительным ресурсам системы, что затрудняет их использование для реализации в реальном времени в условиях ограниченных вычислительных ресурсов.
В данной работе предлагается алгоритм, при разработке которого учитывались данные требования. Особенностью этого алгоритма является использование преимущественно целочисленной арифметики.
Этапы предлагаемого алгоритма
Рассмотрим основные этапы предлагаемого алгоритма сшивки изображений
1. Предварительная обработка изображений
Данный этап включает в себя загрузку изображений в память в пирамидальном представлении (изображение хранится во всех разрешения, кратных степени двойки от исходного до изображения размером 1 на ] пиксель), исправление оптических искажений, выравнивание освещённости изображений. При загрузке изображения переводятся из цветного представления в оттенки серого.
2 Координатная привязка изображений (регистрация изображений)
Существует множество алгоритмов координатной привязки изображений, которые можно разделить на две большие группы:
К первой группе относятся алгоритмы, основанные на поиске особых точек (областей) на изображениях для их координатной привязки.
К второй группе относятся алгоритмы, основанные на итерационном методе с применением аппарата гипотез, когда после установления соответствия пары областей проверяется соответствие соседних к ним областей., и если такое соответствие не обнаруживается, то гипотеза отвергается, и поиск соответствующих друг другу областей продолжается до тех пор, пока соответс1вие областей и соседних с ними областей не будет найдено.
Предлагаемый в данной работе алгоритм относится ко второй группе.
Основой предлагаемого алгоритма является функция от яркостей пикселей выбранной области изображения, которая может быть записана в полярных координатах в следующем виде:
359
А/, = У/(1,0)
©=0
(О
где /0,©) - яркость пикселя области изображения, находящегося на прямой, проходящей под углом О из центра области на расстоянии / от центра области.
Физический смысл этой функции можно выразить следующим образом: число М1 является
суммой яркостей пикселей, расположенных на расстоянии г от центра области.
Для упрощения её расчёта можно использовать маску, одинаковую для всех областей изображения. Например, на рис. 2 приведён пример маски для областей, имеющих диаметр, равный 6 пикселям.
.> ;
Рис. 2 - Пример маски для расчета функции М ■
Значение функции М'1 рассчитывается наложением маски на область, после чего выполняется
суммирование яркостей пикселей, имеющих в маске значение /.
Функция М[ обладает следующими свойствами:
- инвариантность к операциям поворота области (это следует из формулы (1)), то есть ее значение не изменяется при вращении области (за исключением погрешностей из-за дискретности изображения), что является обязательным условием поставленной задачи;
- для расчёта функции М1 используется лишь часть от общего числа пикселей, а для расчета всех функций М- считывание яркости каждого пикселя выполняется не более одного раза;
- в расчётах используются лишь операции суммирования;
- все операции выполняются над целыми числами.
К недостаткам данной функции относится высокая чувствительность к несоответствию освещённостей изображений, поэтому на этапе предварительной обработки освещённости изображений должны быть обязательно выровнены.
Определение того, соответствуют ли две области друг другу, выполняется расчётом квадрата среднеквадратичного отклонения функций М- первой (М\1) и второй (М2^) областей по формуле:
0 = ^(М\,-М21)2 (2)
I
Ясно, что чем оно меньше, тем более области сходны между собой.
На основе вычисленных значений функций производится координатная привязка
изображений в следующем порядке.
Вначале выбирается базовая область в первом изображении. Обычно её выбирают в центре изображения, но если два изображения из условий задачи могут иметь область перекрытия менее 50%, то координатную привязку необходимо выполнять итерационно 5 раз, выбирая в качестве базовой области первого изображения область в центре изображения и в его углах.
Затем итерационным методом обработки всего второго изображения находим такую область во втором изображении, которая наиболее сходна с базовой областью первого изображения, и соседние области которой также сходны с соседними областями базовой области первого изображения. Отметим, что для получения высокой точности координатной привязки желательно проверять соответствие и более удалённых областей, но это сильно сказывается на скорости работы алгоритма, поэтому необходимо выбрать определенный порог проверки для удалённых соседних областей.
В результате поиска определяется пара областей, на основе которой и выполняется координатная привязка изображений, как показано на примере (рис. 3). Здесь © - базовая область и соответствующая ей область на втором изображении, точки 1 и 3 - центры изображений, точка 1 ’ -центр первого изображения на втором изображении, Б — смещение центра первого изображения относительно второго.
Изображение 2
Рис 3 — Смещение (S) и поворот первого изображения относительно второго
После выполнения координатной привязки изображений с пониженным разрешением возможно повторное проведение координатной привязки изображений с исходным разрешением для определения более точного соответствия, но поиск соответствующих областей выполняется только в небольшой окрестности относительно рассчитанных на предыдущем этапе координат 3 Смешивание изображений
На данном этапе на основе информации о взаимном положении изображений выполняется формирование результирующего изображения методом наложения и смешивания с использованием стандартных алгоритмов [1J
Результатом работы алгоритма является единое изображение
Результаты моделирования Моделирование алгоритма проводилось на основе специально разработанного программного обеспечения, которое позволяет проводить эксперименты для подбора оптимальных для заданных \словий параметров алгоритма сшивки изображений для выбранного класса изображений, в данном случае - изображений морского дна
Результаты моделирования показали, что предложенный алгоритм позволяет сшивать 2 перекрывающихся изображения размером 512 на 512 пикселей менее чем за 1 секунду (при выполнении координатной привязке на уровне 128 на 128 пикселей) на вычислительных средствах типовых ПК (Intel Celeron 2,40ГГц). что позволяет сделать предположение о возможности его дальнейшего использования в реальных системах для задач мониторинга
ЛИТЕРАТУРА
1 Harpreet S Sawhney, Steve Hsu, R Кишат Robust video mosaicing through topology inference and local to global alignment // European Conference on Computer Vision 1998, Princeton, USA
2 Mukundan R, Ong S H, Lee P A Image analysis by Tchebichef moments // IEEE Tiansactions on Image Processing 2001 Vol 10
3 Форсайт Д . Понс Ж Компьютерное зрение Современный подход Пер с анг М , 2004 928 с
Герасимов В А , Усольцев В К , Шейн А Н
ОПРЕДЕЛЕНИЕ ТРЕБОВАНИЙ К РЕГУЛЯТОРУ СИСТЕМЫ ШИРОКОДИАПАЗОННОГО РЕГУЛИРОВАНИЯ НАПРЯЖЕНИЯ СИНХРОННОГО ГЕНЕРАТОРА
Дчя повышения эффективности промысла сайры на рыбопромысловых судах широко используется световое поле, управление интенсивностью которого осуществляется изменением напряжения, подводимого к промысловым светильникам (люстрам) Источниками света в люстрах являются
