CC BY
37
УДК 621.397.13 DOI: https://doi.org/10.34680/2076-8052.2020.2(118).79-83
КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ ФОНОЦЕЛЕВОЙ ОБСТАНОВКИ ПРИ ОЦЕНКЕ ЭФФЕКТИВНОСТИ МЕТОДОВ СЕЛЕКЦИИ ОБЪЕКТОВ НА НЕОДНОРОДНОМ ФОНЕ
Н.П.Корнышев, Д.А.Серебряков
COMPUTER SIMULATION OF THE BACKGROUND-TARGET ENVIRONMENT WHEN EVALUATING THE EFFECTIVENESS OF SELECTION METHODS FOR OBJECTS ON A NON- UNIFORM 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 и оптико-электронных системах прикладного назначения. В качестве области интереса выделяется моделирование процесса обработки изменяющихся во времени видеопоследовательностей. Рассматривается одна из таких задач, а именно задача селекции объектов на неоднородном фоне. Анализируются два подхода к ее решению: использование реальных видеосюжетов и генерация видеопоследовательности непосредственно в программах компьютерного моделирования. Отмечаются недостатки первого подхода, в частности, практически отсутствующая возможность варьирования входных параметров, таких 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. Приводятся примеры тестовых изображений и осциллограммы тестовых сигналов. Ключевые слова: цифровая обработка изображений, компьютерное моделирование
The issues of computer simulation of image processing algorithms in television and optical-electronic systems for applied purposes are considered. Simulation the processing of time-varying video sequences is highlighted as an area of interest. We consider one of these problems, namely the problem of selecting objects on a non-uniform background. Two approaches to solving this problem are analyzed: using real video sequences and generating video sequences directly in computer simulation programs. The disadvantages of the first approach are noted, in particular, there is almost no possibility of varying input parameters, in particular, 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, which provides the possibility of wide variation of input parameters and has higher accuracy compared to known models. Examples of test images and waveforms of test signals are given.
Keywords: digital image processing, computer simulation
Компьютерное моделирование алгоритмов обработки изображений в телевизионных и оптико-электронных системах прикладного назначения является неотъемлемой частью их разработки. Особый интерес представляет моделирование процесса обработки изменяющихся во времени видеопоследовательностей. Одной из таких задач является задача селекции объектов на неоднородном фоне. В данном случае при моделировании возможно использование реальных видеосюжетов (рис.1а), однако в них практически исключается возможность варьирования входных параметров, в частности таких, как отношение сигнал-шум, контрастность изображения по отношению к фону, размеры фона, скорость перемещения объекта относительно фона, изменение размеров объекта и т. п.
Этого недостатка лишены видеопоследовательности, генерируемые непосредственно в программах компьютерного моделирования. Такой подход широко используется на практике и описан, в частности, в [1] применительно к моделированию процессов обнаружения аномально движущихся объектов на фоне перемещающегося звездного неба.
В [2] приведен пример тестового видеосюжета, предназначенного для моделирования метода селекции
изображения малоразмерного объекта на неоднородном фоне и содержащего объекты О^О10 с размерами, не превышающими пяти элементов изображения и расположенными на более крупных мешающих деталях фона (рис.1б,в). При этом моделирование фона производится разбиением телевизионного кадра на равные фрагменты, имеющие различный уровень яркости.
В качестве варьируемых параметров в модели [2] использованы следующие параметры:
1) локальный контраст объекта (контраст объекта по отношению к максимальной яркости фона) —
к = ис/итах,
2) отношение сигнал-шум Ц/а,
3) координаты объекта относительно фона,
4) градиент пространственного изменения фона (резкий или плавный перепад).
Для оценки выходного параметра — вероятности правильного обнаружения фрагмента, содержащего изображение объекта, модель предполагает использование метода статистических испытаний (Монте-Карло) для вариантов входных (варьируемых) параметров.
Однако рассмотренная выше компьютерная модель фоноцелевой обстановки не обладает достаточной
в)
Рис.1. Пример реального (а) и тестового [2] сюжета (б), в) осциллограмма строки аЬ [2]
точностью для моделирования динамики видеосюжета в условиях сближения объекта с точкой видеонаблюдения. Вместе с тем, оценка вероятности правильного обнаружения объекта на основании выделения фрагмента, содержащего изображение объекта, также является недостаточно точной. Кроме этого, данная модель не учитывает возможного взаимного перемещения объекта и фона, а также варьирования параметра, характеризующего размер неоднородностей фона.
Целью настоящей статьи является рассмотрение более точной модели фоноцелевой обстановки, в которой устранены указанные выше недостатки.
Как известно, компьютерная модель должна, обеспечивать требуемую точность, однако при этом не должна быть сложной в реализации, что находится во взаимном противоречии. Оптимальный синтез модели основывается на учете априорной информации, выбранных критериях и имеющихся ограничениях [3]. В качестве критерия может выступать обобщенный критерий, представляющий собой взвешенную сумму параметров, характеризующих точность, быстродействие и сложность реализации. В качестве ограничений могут выступать допускаемые предельные параметры, используемые в обобщенном критерии. Что касается априорной информации, то здесь следует принять во внимание следующие соображения.
Во-первых, первоначально объект появляется на неоднородном фоне в произвольной точке поля наблюдения. При этом его начальный размер составляет один элемент разложения.
Во-вторых, в процессе сближения с точкой видеонаблюдения изображение объекта может произвольно смещаться и поворачиваться в кадре, причем сближение объекта с точкой видеонаблюдения и соответствующее увеличение размеров его изображения в большинстве случаев происходит с постоянной скоростью.
В-третьих, взаимное перемещение фона и объекта может происходить в различных направлениях. При этом фон имеет крупные фрагменты с преимущественно плавными границами, в отличие от малоразмерного объекта, имеющего резкие границы.
Указанные выше соображения позволяют использовать достаточно простой набор функций, легко реализуемых в среде МАТЛАБ. Так, в частности, можно выделить следующие функциональные модули в программе моделирования:
1) модуль задания начальных условий,
2) модуль формирования точечного изображения объекта,
3) модуль масштабирования изображения объекта,
4) модуль вращения изображения объекта,
5) модуль генерации изображения неоднородного фона,
6) модуль генерации гауссова шума,
7) модуль формирования тестового изображения с заданным локальным контрастом и отношением сигнал-шум,
8) модуль определения эталонных координат объекта,
9) модуль селекции объекта,
10) модуль определения координат селектированного объекта,
11) модуль формирования зоны сопровождения,
12) модуль вычисления выходных параметров.
В модуле задания начальных условий задается
размер у) матрицы изображения, количество кадров в видеопоследовательности, координаты X0, 70 точки появления объекта в кадре и номер кадра, скорость сближения, скорость вращения изображения, величина локального контраста K, отношения сигнал шум скорость перемещения фона, размерность его фрагментов и величина неравномерности.
Рис.2. Имитация изменения положения и размера изображения объекта в кадре
Далее производится формирование тестовых кадров с записью видеопоследовательности в файл при использовании стандартной функции writer=vision. VideoFileWriter ('*.*').
Изображение объекта моделируется в виде квадрата, что соответствует традиционному представлению об эквивалентной площади рассеивания, используемому, в частности, при расчетах дальности обнаружения объекта телевизионной системой [4].
Исходно изображение F объекта с единичным уровнем сигнала на нулевом фоне генерируется в модуле формирования точечного изображения объекта. Для этого в предварительно сформированный массив нулей производится запись логической единицы по адресу, соответствующему заданным начальным координатам.
Сформированный таким образом логический сигнал точечного объекта используется далее в модуле масштабирования для моделирования процесса сближения объекта с точкой видеонаблюдения. Для этого осуществляется увеличение размера изображения объекта путем дилатации логического сигнала F=imdilate(F,c) с периодическим (через заданное число кадров) увеличением размера маски с=опе&(10,10) с шагом 1, начиная с единичного значения.
Имитация изменения положения объекта в кадре производится в модуле вращения путем периодического выполнения стандартной операции поворота изображения F на заданный угол R0 с «залив-
кой» образующихся в изображении углов черным (нулевым) фоном: F=imrotate(F, R0, 'crop').
Генерация изображения T0 фона с заданной неравномерностью и с заданной размерностью фрагментов с плавными границами может быть достаточно просто осуществлена путем формирования синусоидального сигнала T = Umaxsin(wt + ф) в каждой строке кадра изображения. Затем полученная матрица изображения транспонируется и суммируется с исходной матрицей. Таким образом, величина неоднородности определяется амплитудой синусоидального сигнала — 2Umax, а размерность фрагментов фона — частотой w. Перемещение фона имитируется автоинкрементом фазового сдвига ф в каждом кадре видеопоследовательности. Пример изображений генерируемого фона приведен на рис.3.
Модуль генерации шума обеспечивает формирование кадра изображения гауссова шума с нулевым математическим ожиданием и единичной дисперсией и реализуется стандартной функцией N0 = randn(x,y).
В модуле формирования тестового изображения с заданным локальным контрастом и отношением сигнал-шум вычисляется значение величины Uc сигнала объекта по формуле Uc = (2UmaxK)/(1 - K). Значение среднеквадратического отклонения шума с вычисляется по формуле с = Uc / , а само тестовое изображение в каждом кадре видеопоследовательности формируется в виде суммы Ftest=UcF+T0+cN0. Пример
осциллограммы строки изображения при имитации объекта на неоднородном фоне показан на рис.4.
Рис.4. Пример осциллограммы строки изображения при имитации объекта на неоднородном фоне с относительным контрастом К = 0,5 при Ф = 5
Дополнительно при вычислении контраста может быть подключена функция моделирования его изменения в процессе сближения объекта с точкой видеонаблюдения при учете метеорологической дальности видимости (МДВ).
Увеличение контраста К по мере приближения объекта к точке видеонаблюдения определяется в соответствии с методикой, описанной, в частности, в литературе [4] и заключающейся в вычислении контраста по формуле К = Кхе~в , где К — исходный заданный контраст объекта, Ь — расстояние до объек-
1п0,02 г , _ та в метрах, р =--, причем Ь — МДВ в метрах.
Ь1
пространство объектов объект
пространство изображений
Рис.5. Иллюстрация зависимости сС=^) (а) и зависимости К=Щ (б) для МДВ 20 км и К = 50%
Размер d изображения объекта в поле зрения обратно пропорционален расстоянию Ь до него
(рис.5а). Примем за исходное расстояние Ь = Ьь Тогда для п = 1,2... шагов изменения размера dn изображения объекта в интервале от 1 до п числа элементов разложения соответствующее изменение кон-
траста составит K
^ -PL -K1e n
где Ln
т d1 d„
На рис.5б приведен график изменения контраста К при увеличении размера d объекта в процессе его сближения с точкой видеонаблюдения для МДВ L1 = 20 км и К1 = 50%.
Модуль определения эталонных координат объекта предназначен для измерения координат исходного бинарного изображения F объекта в каждом кадре формируемой видеопоследовательности. Координаты объекта определяются в соответствии с [5] по формулам X = (Xmax + Xmin)/2, где Xmin, Xmax — координаты, соответственно, крайней левой и правой точки изображения объекта и Y = (Ymax + Ymin)/2, где Ymin, Ymax координаты, соответственно, крайней верхней и нижней точки изображения объекта.
В модуле селекции объекта производится моделирование исследуемого метода селекции путем соответствующей обработки тестовых Ftest изображений видеопоследовательности. На выходе модуля формируется бинарное изображение выделяемого объекта. Однако при моделировании, например, корреляционно-экстремальных методов [6] на выходе модуля может вычисляться взаимно-корреляционная функция и формироваться точечное бинарное изображение ее максимума.
Селектированное бинарное изображение объекта используется для определения координат в соответствующем программном модуле, организованном аналогично модулю определения эталонных координат. Дополнительно в модуле определения координат селектированного объекта осуществляется формирование координат зоны сопровождения объекта для последующего контроля эффективности моделируемого метода.
Результат моделирования фиксируется в модуле вычисления выходных параметров. При этом для грубой оценки вычисляется вероятность попадания исходного бинарного изображения объекта в зону сопровождения, формируемую в процессе селекции (пример графиков на рис.6). Для средней оценки вычисляется вероятность совпадения координат селектированного объекта с исходным бинарным изображением. Для точной оценки вычисляется вероятность попадания разности координат X0, Y0 исходного бинарного изображения объекта и координат X, Y селектированного объекта в заданный допустимый интервал Д = ДХ= ДГ.
Pit)
13 Kt) ■p2(t) |3 3(t) ■ |34(t)
1 2 ? 4 5 6
S 5 1'."'
K.
%
Рис.6. Пример получаемых графиков зависимости вероятности правильного обнаружения p(t) от контраста K при отношении сигнал-шум Ф = 6 и параметрах моделирования неоднородности фона Umax = 50, w = 0,05
Рис.7. Пример кадров из результирующей видеопоследовательности, полученной при моделировании метода селекции объекта на неоднородном фоне с использованием корреляционно-экстремальной обработки: 1) объект, 2) зона сопровождения, 3) проекция взаимно-корреляционной функции
Для визуального контроля эффективности моделируемого метода служит формируемая в программе моделирования результирующая видеозапись, в которой отображается фоноцелевая обстановка и дополнительная информация, например, рамка зоны сопровождения, маркер соответствующий координатам селектированного объекта и т. п.
На рис.7 показаны примеры кадров из результирующей видеопоследовательности, полученной при моделировании метода селекции объекта на неоднородном фоне путем корреляционно-экстремальной обработки. В кадрах видеопоследовательности отображается тестовый объект, изменяющий свое пространственное положение (1), а также зона сопровождения, формируемая в результате моделирования метода селекции (2) и проекция взаимно-корреляционной функции (3). В кадре а) объект находится в зоне сопровождения, в кадре б) обнаруживается ошибка селекции, т. к. объект находится вне зоны сопровождения.
Выводы
1. Рассмотренная выше модель фоноцелевой обстановки позволяет получить количественную и качественную оценку эффективности исследуемого метода селекции объекта на неравномерном фоне в условиях изменения размера и положения объекта в поле видеонаблюдения.
2. Модель реализуется достаточно просто стандартными функциями пакета МАТЛАБ и обеспечивает получение вероятности правильного обнаружения объекта при различном наборе таких входных параметров, как контрастность, отношение сигнал-шум, размер фрагментов фона, диапазон изменения размеров объекта, величина неоднородности фона, что позволяет сравнивать эффективность различных методов селекции.
Морозов А.В. Адаптивная бинаризация изображений звездного неба // Вопросы радиоэлектроники. Сер.: Техника телевидения. 2017. Вып.1. С.25-27. Андреев А.Л., Коротаев В.В., Пашковский А.М. Селекция изображений малоразмерных объектов на неоднородном фоне в условиях помех // Изв. вузов. Приборостроение. 2013. Т.56. №10. С.88-93.
Цыцулин А.К., Адамов Д.Ю., Манцветов А.А., Зубакин И.А. Твердотельные телекамеры: накопление качества информации. СПб.: СПбГЭТУ «ЛЭТИ», 2014. 234 с. Смелков В.М. Иду на растр: Эссе об изобретениях по классу H04N / В.Новгород: НовГУ, 2007. 176 с. 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.
Прэтт У. Цифровая обработка изображений / Пер. с англ. Кн.2. М. Мир, 1982. С.575.
References
Morozov A.V. Adaptivnaya binarizatsiya izobrazheniy zvezdnogo neba [Star sky images adaptive binarization]. Vo-prosy radioelektroniki. Ser.: Tekhnika televideniya, 2017, iss.1, pp.25-27.
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 a heterogeneous background under the interference conditions]. Izv. vuzov. Priborostroenie, 2013, vol.56, no.10, pp.88-93.
Tsytsulin A.K., Adamov D.Yu., Mantsvetov A.A., Zubakin I.A. Tverdotel'nye telekamery: nakoplenie kachestva in-formatsii [Solid-state television cameras: accumulation of information quality]. Saint Petersburg, LETI Publ., 2014, 234 p.
Smelkov V.M. Idu na rastr: Esse ob izobreteniyakh po klassu H04N [Smelkov, V.M. I'm going to raster: Essays on inventions of H04N class]. V.Novgorod, NovGU Publ., 2007. 176 p.
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.
Pratt W. Digital Image Processing: PIKS Scientific Inside, 1978. (Rus. ed.: Tsifrovaya obrabotka izobrazheniy. Kn.2. Moscow, Mir Publ., 1982. P.575).
1.
2.
3.
4.
5.
6.
1.
2
3
4.
5
6
