CC BY
95
MANAGEMENT SOFTWARE MODULE PRODUCTION LINES WITH THE USE OF THE LANGUAGE OF RELAY-CONTACT LOGIC
E.M. Baranova, A.N. Baranov, D.I. Evtuhov
The paper presents an overview of the development of algorithms for automatic cleaning of the sensor BST-component of the production line in manual mode and in real time. The software implementation of the developed algorithms in the language of relay-contact logic is presented.
Key words: control, automation, algorithmization, production line, software module, relay-contact logic.
Elizaveta Mikhailovna Baranova, Candidate of Technical Sciences, docent, elisaf-ine@yandex.ru, Russia, Tula, Tula State University,
Baranov Andrey Nikolaevich, candidate of technical sciences, docent, an111111 @,mail. ru, Russia, Tula, Tula State University,
Evtekhov Dmitry Igorevich, student, an111111 @,mail. ru, Russia, Tula, Tula State University
УДК 004.932
АЛГОРИТМ СЖАТИЯ ДИНАМИЧЕСКОГО ДИАПАЗОНА HDR НА ОСНОВЕ ФИЛЬТРАЦИИ С СОХРАНЕНИЕМ СТРУКТУРЫ
И. А. Грачева, А.В. Копылов
Предлагается новый алгоритм тонового отображения HDR изображений с использованием оператора отображения тонов и фильтрации с сохранением структуры на основе вероятностной гамма-нормальной модели. Данный метод позволяется сжимать динамической диапазон HDR изображений с сохранением локальных особенностей, имеет сопоставимое качество обработки и наименьшее время работы по сравнению с существующими операторами отображения тонов HDR изображений.
Ключевые слова: HDR изображение, оператор отображения тонов, сжатия динамического диапазона, вероятностная гамма-нормальная модель.
Зрительная система человека способна воспринимать широкий диапазон цветовых оттенков - от прямого солнечного света до слабого звездного света - и захватывать множество разных оттенков одного и того же предмета. Обычная камера снимает изображение на одном уровне экспозиции, с ограниченным цветовым диапазоном. Это приводит к потере деталей в темных и светлых областях изображения. Чтобы компенсировать эту потерю стали использовать камеры с технологией съемки изображений с высоким динамическим диапазоном (High dynamic range, HDR), которые делают несколько снимков с разными уровнями экспозиции и грамотно сшивают их вместе, чтобы создать высококонтрастное изображение.
В последнее время НОЯ изображения широко используются для различных целей - медицинская томография, промышленные системы мониторинга, системы наблюдения, системы компьютерного зрения, приложения для научных исследований и др. Однако, большинство современных устройств отображения (мониторы, телевизоры и т. д.) не могут полностью отобразить весь спектр оттенков НОЯ изображений (до 100000:1), поскольку их динамические диапазоны намного меньше (около 1000:1).
За последние два десятилетия была проделана большая работа по решению проблем тонового отображения, улучшения контрастности, яркости и визуализации НОЯ изображений, и в этом направлении было разработано много методов и алгоритмов. Их можно разделить на глобальные методы и локальные методы.
К глобальным методам относят систему зон для отображения тонов НОЯ изображения [1], основанную на фотографической практике с автоматическим методом осветления и затемнения отдельных областей на изображении. В работе [2] был предложен адаптивный логарифмический подход для сжатия значений яркости путем адаптивного изменения оснований логарифма. Этот метод хорошо усиливает контраст темных областей на результирующих изображениях, однако светлые области остаются неучтенными. Работа [3] о методе обработки изображений, называемом наведенный фильтр, является основой для работы [4], в которой предлагается новый алгоритм тонового отображения НОЯ изображений. Данный алгоритм работает в режиме реального времени, но вызывает появление ореолов (артефактов) вокруг некоторых высококонтрастных областей.
К локальным методам относят оператор отображения тонов на основе метода вычисления градиента [5]. Суть метода заключается в сжатии градиента яркости изображения, а затем решении уравнения Пуассона. Недостатком данного алгоритма является низкая скорость работы. Недостатком работы [6], основанной на преобразовании цветового пространства, является потеря насыщенности цветов. Модификация этого метода, предложенная в работе [7], заключается в разделении исходного НОЯ изображения на базовый и детальный слои, и сжатии динамического диапазона с помощью билатерального фильтра. Однако это также уменьшало насыщенность цвета. Еще одной модификацией метода ЮЛМ06 является метод коррекции насыщения с обратной компенсацией [8]. Однако это привело к появлению цветного шума на результирующем изображении. Интерактивный метод локальной корректировки тонов и других визуальных параметров представлен в работе [9]. В данном методе пользователь использует набор кистей для наложения ограничений на изображение. Вычисляются функции влияния ограничений и происходит модификация тоновых значений в пространстве изображения.
Также есть несколько методов тонового отображения НОЯ изображений, основанных на нейронных сетях [10-11]. Однако из-за большой размерности НОЯ изображений, а, следовательно, и исходных данных для обучения, методы, основанные на нейронных сетях, не слишком распространены, так как требуют больших временных и мощностных затрат.
Предлагаемый в данной работе алгоритм основан на ранее упомянутой методике [7] разделения изображения на базовый и детальный слои. Для улучшения качества получаемого базового слоя используется фильтрация с сохранением структуры на основе вероятностной гамма-нормальной модели, предложенная в работе [12]. А результирующее изображение с сжатым динамическом диапазоном получается на основе сопоставления базового и детального слоев с использованием оператора тонового отображения, описанного в статье [13].
Алгоритм тонового отображения ИБЯ изображений
Тоновое отображение НОЯ изображений представляет собой сжатие динамического диапазона исходного изображения без потери деталей. Общая схема предлагаемого алгоритма тонового отображения НОЯ изображений представлена на рис. 1.
Рис. 1. Общая схема предлагаемого алгоритма тонового отображения HDR
изображений
Этапы сжатия динамического диапазона были предложены в работе [13]. Рассмотрим более детально предлагаемый подход:
1. Карта интенсивности
Карта интенсивности содержит информацию о динамическом диапазоне исходного HDR изображения. Для получения карты интенсивности будем преобразовывать исходное изображение, представленное в пространстве RGB в пространство YCbCr, используя стандарт ITU-R BT.709-1 [14]
I = 0,2126IR + 0,7152IG + 0,0722IB (1)
где IR,IG,IB - соответственно красный, зеленый и синий цветовые каналы исходного
HDR изображения.
2. Логарифмический слой
Для нелинейного отображения интенсивности в логарифмической области применяется линейное масштабирование
L = log 2 (I) (2)
После этого могут быть найдены базовый слой и детальный слой [13].
3. Базовый слой
Как уже отмечалось ранее, в данной работе используется методика разделения исходного изображения на базовый и детальный слои. Для получения базового слоя используется фильтрация с сохранением структуры на основе вероятностной гамма-нормальной модели [12]. Такая модель позволяет принимать во внимание структуру,
которая извлекается из так называемого «управляющего» изображения Xе = (х^,X е Т) Т = {, = ,2): ^ = 1,..., И1,,2 = 1,...,И2}, роль которого играет исходное ИБЯ изображение, с помощью установки соответствующих вероятностных отношений между элементами анализируемого изображения У = (у1,X еТ), в роли которого выступает логарифмический слой, и результата фильтрации X = (х1, X е Т).
В соответствии с [12] задача может быть представлена как минимизация целевой функции следующего вида
3(Х, л | у , 1, т)=X (у - х )2 + Х{ 1- [(х, - х,)2 + 1 / т]+(1+1/т)1п 1 [. (3)
ХеТ X',Х"еУ [1' ]
Общая структура байесовского подхода, основанного на вероятностной гамма-нормальной модели, со свойствами передачи структуры представлена на рис. 2.
Х*=(х?,{еТ)
Рис. 2. Общая схема фильтрации со свойствами сохранения структуры
При фиксированных коэффициентах Л оптимальная оценка может быть получена путем решения простой квадратичной задачи оптимизации
X = а^шт3(X | Л,У,1,т) = argmin\Х(Ух - х)2 + X "г(х,,- х,,)21
X X [ хеТ ,\1 -еУ 1' ]
Если значения скрытых переменных X фиксированы, X = X8, критерий (3) приводит к следующим оценкам
1X-(Xе,1,т) = ,(,. ,..)е У.,
1 +1/т
где У - граф соседства элементов изображения, имеющий вид решетки; параметр п отвечает за степень сглаживая результирующего изображения; параметр ц отвечает за разрывы связей вблизи границ объектов.
Таким образом, базовый слой хранит в себе информацию о границах объектов на исходном изображении, что в дальнейшем позволяет их учитывать при сжатии динамического диапазона.
4. Детальный слой
Детальный слой получается вычитанием базового слоя из логарифмического.
Б=Ь-Б (4)
Детальный слой хранит в себе информацию об особенностях структуры деталей, которая потом дополнит базовый слой.
5. Карта тонов
Для получения карты тонов используется оператор отображения тонов, предложенный в статье [11], суть которого заключается в последовательном применении смещения и масштабирования к базовому слою
В' = (В - тах(В)) *-
тах(В) - тт(В)
Смещение устанавливается таким образом, чтобы максимальное значение интенсивности базового слоя была равна 1, так как он представлен в логарифмической шкале. Масштабирование устанавливается в зависимости от значения постоянной ёЯ (эмпирическим путем получено, что ёЯ=2,5).
Затем мы восстанавливаем значения интенсивности:
Т = 2( В'+В) (5)
Карта тонов, значения интенсивности исходного изображения и исходное НОЯ изображение используются для получения результирующего изображения со сжатым динамическим диапазоном.
6. Результирующее изображение со сжатым динамическим диапазоном
Значения каждого пикселя для каждого цветового канала результирующего
изображения рассчитываются в соответствии с
"(^ /1)''
Rldr Gldr Bldr
= T
(6)
(Ghdr /1)s _(Bhdr /1)s _
где s - это параметр отвечающий за уровень насыщенности цветов, но обычно s=1.
Это позволит сохранить соотношения цветов и избежать нежелательных изменений цветов.
Экспериментальные результаты
Для сравнения результатов, полученных предлагаемым методом, с результатами других методов тонового отображения HDR изображений по качеству обработки будем использовать 3 стандартных критерия:
1. Модифицированная оценка пикового отношения сигнала к шуму (Modifier Form of Peak-Signal-Noise Ratio, MPSNR) [14]
(I*2552
MPSNR = 10* log101-
10 ^ MSE
где I - интенсивность исходного HDR изображения; MSE - среднеквадратическое отклонение.
Чем больше значение MPSR, тем более детально было восстановлено результирующее изображение.
2. Среднеквадратическое отклонение (Mean Square Error, MSE) [15].
( 1 Л M N
MSE = [McVJ5^[Hm(i,J)-LDR(i, j)],
где HDR(i,j) - некоторый (i,j) пиксель исходного HDR изображения; LDR(i,j) - некоторый (ij) пиксель результирующего изображения; M,N - размерность изображений. Чем меньше значение MSE, тем меньше ошибка при тоновом отображении. 3. Средняя абсолютная ошибка (Mean absolute error, MAE) [16].
1 n
MAE = -Xie, |
где | |=| ldri -hdri |, при этом hdri и ldri - исходное HDR изображение и результат тонового отображения соответственно.
Средняя абсолютная ошибка показывает насколько восстановленное изображение близко к исходному изображению.
Предлагаемый алгоритм и существующие традиционные методы тонового отображения HDR изображений тестировались в математическом пакете MATLAB (2015a) на платформе ПК процессора Intel Core I5-2450M (2,5 ГГц, 4G). Экспериментальный набор данных HDR изображений (рис.3) был взят с веб-сайта Anyhere Software (http://www.anyhere.com/gward/hdrenc/pages/originals.html).
Рис. 3. Примеры шестовых HDR изображений, взятых для экспериментального исследования с веб-сайта Anyhere Software
Результаты сравнения методов по качеству обработки и по времени работы алгоритмов представлены в таблице и на рис. 4 - 5. Результаты тонового отображения HDR изображения разными методами представлены на рис. 6.
88
Результаты сравнения предлагаемого методы с другими операторами тонового отображения HDR изображений с использованием критериев MPSNR, MSE, MAE
и времени работы алгоритмов
Метод Критерий Изображение/Значение
Memorial.hdr Cathedral.hdr MtTamWest. hdr
Durand[13] PSNR 10.086 69,833 12,402
MSE 10.201 7,975 1,272
MAE 0.541 0,567 0,544
Time,s 1 1,707 2,077
Drago[2] PSNR 10.03 69,834 12,869
MSE 10.069 7,978 1,416
MAE 0.401 0,499 0,515
Time,s 0.837 1,621 1,563
Reinhard, Devlin[1] PSNR 10.04 69,834 12,977
MSE 10.1 7,977 1,452
MAE 0.578 0,718 0,409
Time,s 1.49 1,896 2,556
Fattal[5] PSNR 10.031 69,835 13,922
MSE 10.072 7,979 1,805
MAE 0.275 0,207 0,295
Time,s 7.444 6,622 11,368
Fast guided filter[3] PSNR 10.072 74,577 17,011
MSE 10.169 7,925 1,225
MAE 0.538 0,539 0,575
Time,s 0.621 2,511 1,247
Lischinski [9] PSNR 10.002 69,834 12,773
MSE 10.004 7,978 1,385
MAE 0.347 0,403 0,466
Time,s 6.9 6,833 5,168
Kuang [7] PSNR 9.978 69,835 13,428
MSE 9.95 7,978 1,611
MAE 0.259 0,225 0,431
Time,s 7.1 7,103 6,208
Our method PSNR 10.107 74,578 18,079
MSE 9.2 7,927 1,567
MAE 0.15 0,362 0,387
Time,s 0.526 1,352 1,055
Заметим, что максимальное значение оценки выделено зеленым цветом, а минимальное - красным.
Memorial, hdr
Drcga Durand Fatal Guided Kusrg Liazhinski Our method Ran hard
■ р5пг вгпге пае
а
Рис. 4. Диаграммы сравнения качества изображений, полученных разными операторами тонового отображения HDR изображений на примере изображений:
а — Метопа1.Нйг (начало)
89
Cathedral.hdr
СО 00
глт^-щ^готгт»
со оо оо ^ оо оо ^г оо
CTV G) <01 f>» 0> Oí Г- - -С»
■ psnr ■ mse ■ mae б
MtTamWest.hdr
■ psnr ■ mse amae в
Рис. 4. Диаграммы сравнения качества изображений, полученных разными операторами тонового отображения HDR изображений на примере изображений: б — Са(Нейга1.Нйг; в — MtTamWest.hdr (окончание)
■ Drago ■ Durand BFattal ■ Guided ■ Kuans ILlihinslíi ■ Our method Rsnhard
Рис. 5. Диаграмма зависимости времени работы алгоритмов от размера исходного HDR изображения в процентном соотношении, размер изображения задается
в пикселях
ж з и к
Рис. 6. Результаты работы операторов тонового отображения на примере HDR изображения Memorial.hdr: а - Drago [2]; б - Durand [13];
в - Fast Guided Filter [3]; г - Fattal [5]; д - Kuang [7]; е - Lischinski [9]; ж - Our method; з - Reinhard [1]; и - Hou [10]; к - Duan [11]
Экспериментальные результаты показывают, что качество изображений, полученных предлагаемым в данной работе методом, сопоставимо с результатами существующий операторов тонового отображения HDR изображений, а время работы предлагаемого подхода значительно меньше существующих аналогов.
Заключение
В данной статье был представлен новый метод тонового отображения HDR изображений, основанный на операторе отображения тонов и вероятностной гамма-нормальной модели. Во-первых, из исходного HDR изображения извлекается интенсивность и преобразуется в логарифмический масштаб. Затем используется фильтр со
91
свойствами сохранения структуры, основанный на вероятностной гамма-нормальной модели для получения базового слоя из логарифмического с сохранением деталей, извлеченных из исходного HDR изображения. Вычитание базового слоя из логарифмического дает детальный слой. После этого слабоконтрастный базовый слой и детальный слой объединяются с помощью оператора отображения тонов для получения карты тонов. И, наконец, исходное HDR изображение, карта интенсивности и карта тонов объединяются для получения результирующего изображения со сжатым динамическим диапазоном. Качество результатов предлагаемого метода отображения тона сравнимо с другими алгоритмами отображения тонов. Сравнение проводилось с помощью 3-х стандартных критериев оценки качества изображений - MPSNR, MSE, MAE. Стоит отметить, что время работы предлагаемого метода тонового отображения ниже, чем время работы других алгоритмов отображения тонов. Это дает возможность использовать предложенный метод тонового отображения для решения проблемы сжатия динамического диапазона видео в формате HDR.
Работа поддержана грантом РФФИ № 16-07-01039, 16-57-52042.
Список литературы
1. Reinhard E. et al. Photographic tone reproduction for digital images // ACM Trans. on Graphics, 2002. Vol. 21. No. 3.
2. Drago F. et al. Adaptive logarithmic mapping for displaying high contrast scenes // CGF, 2003. Vol. 22. No. 3. P. 419-426.
3. He K. et al. Guided image filtering // IEEE TPAMI, 2013, 35, (6). P. 1397-1409.
4. Tan Y. et al. An improved detail enhancement method for colorful image via guided image. ICNSC, 2014. P. 86-91.
5. Fattal R. et al. Gradient domain high dynamic range compression // ACM Trans. on Graphics, 2002. Vol. 21. No. 3. P. 249-256.
6. Fairchild M.D., Johnson G.M. iCAM frame-work for image appearance, differences, and quality, JEI, 2004, 13, (1). P. 126-138.
7. Kuang J. et al. iCAM06: A refined image appearance model for HDR image rendering, JVCIR, 2007. 18, (5). P. 406-414.
8. Hwi-Gang Kim et al. Color saturation compensation in iCAM06 for high-chroma HDR imaging, IEICE, 2011, 94, (11). P. 2353-2357.
9. Lischinski D., Farbman Z., Uyttendaele M., Szeliski R. Interactive local adjustment of tonal values. In SIGGRAPH, 2006. P. 646-653.
10. Xianxu Hou, Jiang Duan, and Guoping Qiu. Deep Feature Consistent Deep Image Transformations: Downscaling, Decolorization and HDR Tone Mapping. arXiv preprint arXiv:1707.09482, 2017. P. 86.
11. Jiang Duan, Guoping Qiu, Graham Finlayson. Learning to Display High Dynamic Range Images. Journal Pattern Recognition archive, 2007. Vol. 40 I. 10. P. 2641-2655.
12. Gracheva I., Kopylov A., Krasotkina O. Fast global image denoising algorithm on the basis of nonstationary gamma-normal statistical model. Communications in Computer and Information Science, 542:71-82, 2015.
13. Durand F., Dorsey J. Fast bilateral filtering for the display of high-dynamic-range images. In SIGGRAPH, 2002. P. 257-266.
14. BT.709 : Parameter values for the HDTV standards for production and international programme exchange [Электронный ресурс] URL: http://www.itu.int/rec/R-REC-BT.709/e (дата обращения: 20.08.2018).
15. Yip S.K., Au O.O., Ho C.W., Wong H.M. PI-preserve data hiding for halftone image // Intelligent Signal Processing and Communication Systems, 2005. ISP ACS 2005. Vol. 1. P. 125-128.
16. Lehmann E., Casella G. Theory of Point Estimation, Second Edition Springer Texts in Statistics. Design, 1998. Vol. 41. Issue 3. 589 p.
17. Willmott Cort J., Matsuura Kenji. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance // Climate Research, 2005. 30. P. 79-82.
Грачева Инесса Александровна, студент, gia1509@mail.ru, Россия, Тула, Тульский государственный университет,
Копылов Андрей Валериевич, канд. техн. наук, доцент, and.kopylov@gmail.com, Россия, Тула, Тульский государственный университет
DYNAMIC RANGE COMPRESSION ALGORITHM OF HDR IMAGES ON THE BASIS OF THE STRUCTURE-PRESERVING FILTERING
I.A. Gracheva, A.V. Kopylov
In this paper, we propose the new tone mapping method for HDR images with using the tone mapping operator and the structure-preserving filtering on the basis of the probabilistic gamma-normal model. This method allows to compress the dynamic range of HDR images with saving of local structures. It has comparison quality of processing and lower computation time compared with other tone mapping operators of HDR images.
Key words: HDR image, tone mapping operator, dynamic range compression, probabilistic gamma-normal model.
Gracheva Inessa Alexandrovna, student, gia1509@mail. ru, Russia, Tula, Tula State University,
Kopylov Andrey Valerievich, candidate of technical sciences, docent, and. kopylov@gmail. com, Russia, Tula, Tula State University
УДК 004.75
АНАЛИЗ СОВРЕМЕННЫХ СИСТЕМ ЗАЩИТЫ WEB-СЕРВИСОВ
Е.М. Баранова
Представлен обзор проблем защиты Web-сервисов организаций от действий злоумышленников, описана базовая структура Web-сервиса, приведены особенности Web-среды, влияющие на защиту предоставляемой информации, систематизированы и проанализированы возможные угрозы, выработаны меры по устранению выявленных уязвимостей Web-сервисов.
Ключевые слова: Web-сервис, сайт, несанкционированный доступ, конфиденциальность информации, система защиты, аутентификация, идентификация, авторизация, разграничение прав доступа, сеть, протокол обмена, атака, инцидент.
Защитой Web-сервисов сегодня обеспокоены все организации, так как злоумышленники стремятся заполучить любую информацию о физическом или юридическом лице с целью ее несанкционированного использования.
93
