CC BY
23
УДК 621.397.13 DOI: https://doi.org/10.34680/2076-8052.2020.5(121).49-52
ИССЛЕДОВАНИЕ МЕТОДА СЕЛЕКЦИИ ИЗОБРАЖЕНИЯ МАЛОРАЗМЕРНОГО ОБЪЕКТА
НА НЕОДНОРОДНОМ ФОНЕ
Н.П.Корнышев, Д.А.Серебряков
RESEARCH OF SELECTION METHOD OF THE SMALL OBJECT IMAGE ON A NON-UNIFORMITY BACKGROUND
N.P.Kornyshev, D.A.Serebrjakov
Новгородский государственный университет имени Ярослава Мудрого, Nikolai.Kornishev@novsu.ru
Рассматриваются вопросы компьютерного моделирования алгоритмов обработки изображений в телевизионных системах прикладного назначения. В качестве области интереса выделяется моделирование процесса обработки изменяющихся во времени видеопоследовательностей. Рассматривается одна из таких задач, а именно задача селекции изображений объектов на неоднородном фоне. Анализируется подход к ее решению на основе генерации видеопоследовательности непосредственно в программе компьютерного моделирования. Отмечается достоинство подхода, в частности, возможность варьирования таких входных параметров, как отношение сигнал-шум, контрастность изображения по отношению к фону, размеры фона, скорость перемещения объекта относительно фона, изменение размеров объекта и т. п. Рассматривается компьютерная модель, обеспечивающая возможность широкого варьирования входных параметров и обладающая более высокой точностью по сравнению с известными моделями. Исследуется один из методов селекции объекта, основанных на компенсации неоднородностей фона, в условиях имитации приближения объекта к точке видеонаблюдения. Описывается методика эксперимента. Обсуждаются результаты, полученные при моделировании. Приводятся примеры тестовых изображений и графики количественных зависимостей. Ключевые слова: цифровая обработка изображений, компьютерное моделирование
Для цитирования: Корнышев Н.П., Серебряков Д.А. Исследование метода селекции изображения малоразмерного объекта на неоднородном фоне // Вестник НовГУ. Сер.: Технические науки. 2020. №5(121). С.49-52. DOI: https://doi. org/10.34680/2076-8052.2020.5(121).49-52.
The issues of computer simulation of image processing algorithms in applied television systems are considered. Computer simulation the processing of time-varying video sequences is highlighted as an area of interest. One of these problems, namely the problem of selecting images objects on a non-uniform background is considered. An approach to solving this problem is analysed based on generating video sequences directly in computer simulation program. The advantages of the approach are noted, in particular, the possibility of varying input parameters such as the signal-to-noise ratio, image contrast relative to the background, background size, the speed of object movement relative to the background, changing the size of the object, and so on. The computer model is considered that provides a wide range of input parameters and has higher accuracy compared to known models. The methods of object selection based on compensation a non-uniform background in the condition simulated approach of the object to the video surveillance point is studied. The method of the experiment is described. Examples of test images and graphs of quantitative dependencies are given.
Keywords: digital image processing, computer simulation
For citation: Kornyshev N.P., Serebrjakov D.A. Research of selection method of the small object image on a non-uniformity background // Vestnik NovSU. Issue: Engineering Sciences. 2020. №5(121). P.49-52. DOI: https://doi.org/10.34680/2076-8052.2020.5(121).49-52.
Задача селекции изображений объектов на неоднородном фоне является одной из актуальных задач, решаемых при создании телевизионных и оптико-электронных систем, предназначенных для обнаружения и сопровождения целей. Данная проблематика исследуется достаточно давно и ей посвящен целый ряд работ как отечественных, так и зарубежных авторов. Несмотря на это, методы селекции объектов продолжают в настоящее время активно развиваться в том числе с учетом изменяющихся видимых размеров объекта в ходе сближения. Обзор, классификация известных методов селекции, а также боль-
шое количество литературных источников приведены, в частности, в работах [1-4].
При обнаружении цели необходимо выделить изображение точечного объекта, наблюдаемого в присутствии мешающих деталей фона, а затем произвести измерение его координат и сопровождение. При этом весьма критичным является время обработки и определения координат. Таким образом, метод селекции изображения объекта должен быть достаточно быстродействующим, а также простым в реализации, поскольку в ряде случаев требуется использование ПЛИС.
а) б) в) г)
Рис.1. Имитация объекта и неоднородного фона в тестовой видеопоследовательности: а) и б) кадры бинарного изображения приближающегося объекта; в) кадр малоподвижного неоднородного фона (параметр w = 0,05), г) выходной кадр с изображением фона и объекта с заданным контрастом К и отношением сигнал-шум
Наиболее полно удовлетворяют указанным выше требованиям методы селекции, основанные на вычитании фона. К их числу относится, в частности, метод селекции изображения малоразмерного объекта на неоднородном фоне, описанный в литературе [5]. Метод основан на дифференциации размеров объекта и неоднородностей фона и заключается в следующем. Текущий сигнал изображения обрабатывают в пределах апертуры сглаживающего или медианного фильтра, размер т которой должен быть больше размеров М0 изображения объекта, но много меньше размеров изображений неоднородностей фона Мф, т. е.:
т > Ма, но т << Мф. (*)
В результате сглаживания сигнал от объекта подавляется, а сигнал от неоднородностей фона сохраняется и используется для компенсации фоновой составляющей. Компенсация производится путем вычитания сглаженного сигнала из исходного текущего сигнала. Полученный разностный сигнал сравнивают с порогом, например, на уровне 0,5 от максимального значения разностного сигнала, формируя тем самым выходной бинарный сигнал объекта.
Практический интерес представляет сопровождение объекта в процессе его сближения с точкой видеонаблюдения. Однако возможности применения данного метода [5] в условиях увеличения размера изображения объекта, связанных с процессом сближения, в известных источниках не рассмотрены.
Целью данной работы является ознакомление с результатами компьютерного моделирования метода [5] с использованием тестовой видеопоследовательности, имитирующей изображения, получаемые при приближении объекта к точке видеонаблюдения с различными входными параметрами сигнала объекта и фона [6].
Методика эксперимента
Компьютерное моделирование производилось в среде МАТЛАБ с использованием стандартных функций данного пакета [7]. Выходным параметром при моделировании являлась вероятность рф совпадения отметки координат селектированного объекта с исходным бинарным изображением.
Координаты объекта определялись согласно [8] по формулам X = (Хтах + Хт1П)/2, где Хт1П, Хтах — координаты крайней левой и правой точки изображения объекта соответственно и Y = ^тах + Ymln)/2, где Ymln, Ymax — координаты крайней верхней и нижней точки изображения объекта соответственно.
При компьютерном моделировании использовалась тестовая видеопоследовательность (рис.1) со следующими варьируемыми параметрами объекта и фона:
1) контраст объекта K по отношению к максимальному значению фона от 1% до 5% с шагом 1% при отношении сигнал-шум SN = 6;
2) отношение сигнал-шум от 2 до 6 с шагом 1 при контрасте объекта K = 5%.
Кроме этого, исследовалось влияние на выходные параметры размеров фрагментов фона путем варьирования параметра w в пределах от 0,05 до 0,2 с шагом 0,05. Параметр w соответствует частоте синусоидального сигнала, имитирующего неравномерность фона в тестовом изображении.
По результатам моделирования находились зависимости p(t) = f(K) при SN = const, p(t) = f(SN) при K = const, а также p(t) = fW) при SN = const, K = const.
Результаты и обсуждение
Выходной параметр p(t) определялся как отношение числа кадров видеопоследовательности, в которых произошло совпадение отметки координат селектированного объекта с исходным бинарным изображением, к общему числу кадров видеопоследовательности.
Рис.2. Иллюстрация событий, учитываемых при вычислении вероятности р(0
На рис.2а показан пример кадра с наступившим событием (крестообразный маркер, соответствующий измеренным координатам селектированного изображения объекта, совпадает с исходным бинарным изображением объекта), а на рис.2б показан кадр, в котором данное событие не наступило (маркер вне зоны сопровождения исходного изображения объекта).
Необходимо отметить, что увеличение размеров изображения объекта приводит к несоблюдению выражения (*) и, соответственно, к прекращению подавле-
б
а
ния сигнала объекта при фильтрации. В результате сигнал объекта компенсируется вместе с фоном при последующем вычитании. Отметим также, что при несоблюдении условий (*) вычитание сглаженного сигнала из текущего приводит к формированию контуров изображения (т. н. «нерезкое маскирование» [9]). При вычитании сигнала от медианного фильтра также происходит формирование элементов контуров изображения. В результате рано или поздно, в зависимости от используемой маски фильтра, наступает момент, когда селекция сигнала объекта начинает фактически осуществляться путем пороговой обработки контурного препарата. При этом используемый на практике размер сглаживающей апертуры т обычно не превышает 9 элементов.
В этой связи возникает необходимость проверки работоспособности в условиях изменения размера изображения объекта как самого метода [5] в целом, так и целесообразности применения более сложного в реализации и требующего большего объема вычислений медианного фильтра по отношению к менее сложному и менее затратному с точки зрения вычислений сглаживающему фильтру в частности.
На рис.3 и 4, соответственно, показаны графики зависимостей p(t) = fK) и p(t) = fSN), полученные в процессе компьютерного моделирования при использовании медианного (med) и сглаживающего (average) фильтра с квадратными масками размером 3, 5, 7 и 9 элементов. На графиках представлено попарное сравнение результата обработки с использованием соответствующих фильтров для смежных размеров масок.
По рис.3 видно, что исследуемый метод в условиях увеличения размера изображения объекта обеспечивает возможность сопровождения с p(t) = 1 при контрасте K > 5% с любыми вариантами фильтрации. Причем для размера маски не менее 7 элементов при использовании как сглаживающего, так и медианного фильтра результаты оценки показывают p(t) = 1 при K > 2-3%.
Аналогичный вывод можно сделать из графиков на рис.4. Причем при снижении отношения сигнал-шум до значения SN = 4 при контрасте K = 5% эффективность метода достигается только с увеличением размера маски до 9 элементов.
Рис.3. Графики зависимостей p(t) = f(K) при SN = 6
Рис.4. Графики зависимостей p(t) = f(SN) при K = 5%
Из графиков на рис.4 также видно, что при указанном значении контраста и отношении сигнал-шум SN > 6 возможно использование любого варианта из рассмотренных выше фильтров.
В заключение рассмотрим зависимость рф от изменения размеров фона, определяемых варьируемым параметром м>. На рис.5 приведены примеры изображений кадров тестовой видеопоследовательности со значениями V = 0,05; 0,1 и 0,15.
0,05 0,10 0,15 0,20 Рис.6. График зависимостей p(t) = f(w) при K = 5% при SN = 6
На рис.5а, б сопровождение объекта выполняется, а на рис.5в наблюдается сбой сопровождения вследствие нарушения условия (*). График зависимости р(ф) = Ау/) при К = 5%, SN = 6 и использовании сглаживающего фильтра с маской 9*9 элементов приведены на рис.6.
Выводы
1. В условиях увеличения изображения объекта в процессе его сближения с точкой видеонаблюдения исследуемый метод [5] обеспечивает возможность селекции изображений объектов с контрастом не менее 3% по отношению к максимальному значению фона и отношении сигнал-шум не хуже 5.
2. Эффективность метода достигается с увеличением размера маски пространственного фильтра до 7-9 элементов. При этом целесообразно использовать более простой в реализации сглаживающий фильтр.
3. Для повышения эффективности метода [5] целесообразно использовать дополнительную обработку входного сигнала, обеспечивающую обмен разрешающей способности на отношение сигнал-шум по мере увеличения размера объекта [1].
1. Цыцулин А.К., Павлов В.А., Бобровский А.И., Морозов А.В. Информационные оценки в задачах обнаружения-оценивания-передачи сигнала в космическом телевидении // Вопросы радиоэлектроники. Сер.: Техника телевидения. 2019. Вып.3. С.61-74.
2. Цыцулин А.К., Бобровский А.И., Морозов А.В. и др. Применение свёрточных нейронных сетей для автоматической селекции малоразмерных искусственных космических объектов на оптических изображениях звёздного неба // Оптический журнал. 2019. Т.86. №10. С.30-38.
3. Левко Г.В., Бобровский А.И., Морозов АВ., Цыцулин А.К. Обнаружение объектов на звёздном фоне // Вопр. радиоэлектроники. Сер.: Техника телевидения. 2016. №2. С.29-38.
4. Цыцулин А.К., Павлов В.А., Бобровский А.И. и др. Адаптивное кодирование изображений, разделимых на доминантный объект и фон // Вопросы радиоэлектроники. Сер.: Техника телевидения. 2019. Вып.3. С.75-86.
5. Андреев А. Л., Коротаев В.В., Пашковский А.М. Селекция изображений малоразмерных объектов на неоднородном фоне в условиях помех // Изв. вузов. Приборостроение. 2013г. Т. 56. №10.С.88-93.
6. Корнышев Н.П., Серебряков Д.А. Компьютерное моделирование фоноцелевой обстановки при оценке эффективности методов селекции объектов на неоднородном фоне // Вестник НовГУ. Сер.: Технические науки. 2020. №2 (118). С.79-83.
7. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.
8. Патент РФ №2040120, H04N7/18. Устройство для измерения координат центра тяжести изображения объекта / С.А.Архипов, Н.П.Корнышев. Заявл. 04.02.1992. Опубл. 20.07.1995.
9. Прэтт У. Цифровая обработка изображений / Пер. с англ. Кн.2. М. Мир, 1982. С.575.
References
1. Tsytsulin A.K., Pavlov V.A., Bobrovskiy A.I. et al. Informatsionnye otsenki v zadachakh obnaruzheniya-otsenivaniya-peredachi signala v kosmicheskom televidenii [Information evaluations of signal detection-estimation-transfer task in space television systems]. Voprosy radioelektroniki. Ser. Tekhnika televideniya. 2019, iss. 3, pp. 61-74.
2. Tsytsulin A.K., Bobrovskiy A.I., Morozov A.V. et al. Primenenie svertochnykh neyronnykh setey dlya avtomaticheskoy selektsii malorazmernykh iskusstvennykh kosmicheskikh ob"ektov na opticheskikh izobrazheniyakh zvezdnogo neba [Using convolutional neural networks to automatically select small artificial space objects on optical images of a starry sky]. Opticheskiy zhurnal, 2019, vol.86, no.10, pp.30-38.
3. Levko G.V., Bobrovskiy A.I., Morozov A.V. et al. Obnaruzhenie ob"ektov na zvezdnom fone [Detection of objects in the starry background]. Voprosy radioelektroniki. Ser. Tekhnika televideniya, 2016, iss. 2, pp. 29-38.
4. Tsytsulin A.K., Pavlov V.A., Bobrovskiy A.I., Morozov A. V., Zubakin I. A. Adaptivnoe kodirovanie izobrazheniy, razdelimykh na dominantnyy ob"ekt i fon [Adaptive coding of images divided into dominant object and background]. Voprosy radioelektroniki. Ser. Tekhnika televideniya, 2019, iss. 3, pp. 75-86.
5. Andreev A.L., Korotaev V.V., Pashkovskiy A.M. Selektsiya izobrazheniy malorazmernykh ob"ektov na neodnorodnom fone v usloviyakh pomekh [Selection of the small-size objects images on the heterogeneous background under the interference conditions]. Izv. Vuzov. Priborostroenie, 2013, vol. 6, no. 10, pp. 88-93.
6. Kornyshev N.P., Serebryakov D.A Komp'yuternoe modelirovanie fonotselevoy obstanovki pri otsenke effektivnosti metodov selektsii ob"ektov na neodnorodnom fone [Computer simulation of the background-target environment when evaluating the effectiveness of selection methods for objects on a nonuniform background]. Vestnik NovSU. Issue: Engineering Sciences, 2020, no.2 (118), p.79-83.
7. Gonsalez R., Woods R. Digital Image Processing. Pearson, 2007, 972 p. (Rus. ed.: Tsifrovaya obrabotka izobrazheniy. Moscow, Tekhnosfera, 2005, 1072 p.).
8. Arkhipov S.A., Kornyshev N.P. Ustroystvo dlya izmereniya koordinat tsentra tyazhesti izobrazheniya ob"ekta [Device for measuring the center of gravity coordinates of image]. Patent RF no. 2040120, N04N7/18.
9. Pratt W. Digital Image Processing: PIKS Scientific Inside, 1978. (Rus. ed.: Tsifrovaya obrabotka izobrazheniy. Book.2. Moscow, Mir Publ., 1982, p. 575).
