CC BY
127
Будков Сергей Анатольевич, аспирант, elarkin@mail.ru, Россия, Тула, Тульский государственный университет
DEFINITION OF POINT SPACE COORDINA TES IN OPT ICAL-ELECTRONIC MEASURING DEVICE
A.A. Arshakyan, S.A.Budkov
Geometrical relations for definition of space domain from which light stream is accumulated to image pixel are established. Dependencies for evaluation of optical-electronic coordinates measuring device accuracy are obtained.
Key words: image, pixel, aberrations, error, accuracy.
Arshakyan Alexander Agabegovich, postgraduate, candidate of technical science, elarkin@mail. ru, Russia, Tula, Tula State University
Budkov Segrey Anatolyevich, postgraduate, elarkin@mail. ru, Russia, Tula, Tula State University
УДК 519.248:681.51
ОТБОР КРИТЕРИАЛЬНЫХ ФУНКЦИЙ ДЛЯ СИСТЕМ УЛУЧШЕННОГО И КОМБИНИРОВАННОГО ВИДЕНИЯ
С.И. Елесина, А.И. Ефимов
Рассматривается возможность применения парных критериальных функций для корреляционного совмещения изображений в системах улучшенного и комбинированного видения.
Ключевые слова: система улучшенного видения, критериальная функция, реальное изображение, виртуальное изображение, глобальный экстремум, локальный экстремум, показатели качества.
Актуальность данной темы обуславливается тенденциями широкого развития и внедрения систем комбинированного видения, позволяющих путем совмещения реальных изображений, получаемых от датчиков различной физической природы и изображений виртуальной карты местности, создавать и отображать комбинированное изображение, позволяющее осуществлять управление летательным аппаратом в сложных метеоусловиях, при плохой видимости, в ночное время.
Как показывают исследования Всемирного фонда безопасности, почти 75 % аварий самолётов при заходе на посадку и посадке происходят в аэропортах, где недоступны или отсутствуют приборы точного захода на посадку, в условиях плохой видимости. В связи с этим одним из важных направлений совершенствования бортовой авионики является разработка аппаратно-программных комплексов «улучшенного видения» (Enhanced Vision Systems, EVS) и «комбинированного видения» (Enhanced Synthetic Vision Systems, ESVS).
В качестве источников информации в таких системах могут использоваться:
телевизионные видео датчики [1]; инфракрасные датчики различных диапазонов; миллиметровые радары; лазерные локаторы;
базы данных рельефа местности вдоль маршрутов полёта; базы данных аэропортов и объектов взлётно-посадочной полосы; навигационные параметры и ряд других.
Сформированная системой ESVS оперативная графическая информация далее представляется пилоту в реальном времени на соответствующем устройстве отображения - индикаторе на лобовом стекле или многофункциональном индикаторе, представляющем собой компьютерный дисплей, входящий в состав бортовой системы отображения информации [2].
В последние годы использование цифровых видеодатчиков с высоким разрешением позволило существенно приблизить информативность искусственных зрительных устройств к соответствующим характеристикам человеческого глаза. При этом аппаратные возможности, предоставляемые последними достижениями электроники и вычислительной техники, настолько высоки, что вычислительные мощности перспективных бортовых ЭВМ уже сегодня вплотную приближаются к характеристикам «вычислительных мощностей», используемых для обработки изображений в мозгу. Таким образом, на пути к осуществлению некогда фантастической мечты будущего - созданию полностью автоматизированных и автоматических ЛА, способных выполнять любые самые сложные боевые или хозяйственные задания. Сегодня в значительной степени стоит необходимость решения лишь одной технической задачи - разработки методов и алгоритмов «понимания» изображений, получаемых по различным каналам информационного обеспечения современного ЛА. Однако именно эта задача во многих случаях оказывается и наиболее трудной.
Одним из основных этапов синтеза алгоритмов работы систем улучшенного и комбинированного видения является определение типа критериальной функции K, т.е. меры, с помощью которой будет выноситься решение о степени сходства сравниваемых изображений.
Целями проводимых исследований являются:
отбор подходящих для решения поставленной задачи критериальных функций;
формирование множества показателей их качества; анализ отобранных функций и выбор лучших из них.
В качестве исходных изображений в проводимом исследовании выступают реальное изображение (РИ), полученное от телекамеры и виртуальное изображение (ВИ), сгенерированное по цифровой карте местности (ЦКМ). Пример исходного РИ представлен на рис. 1 слева, а справа - соответствующее ему ВИ, полученное по ЦКМ по заданным параметрам позиционирования летательного аппарата.
Исходное РИ необходимо подвергнуть предварительной обработке, включающей в себя: выделение на изображении перепадов яркости, определяющих контуры значимых объектов, выделение найденных контуров, их дополнение и замыкание, а также дальнейшей фильтрация изображения с целью удаления мелких, незначимых фрагментов. В результате получаем скелетизированное РИ [3], показанное на рис. 1 в центре.
Рис. 1. Исходные изображения
Из-за специфики данных изображений, корреляционные критериальные функции и разностные критериальные функции [4] оказываются непригодными для использования по причине получения неудовлетворительных результатов совмещения.
По вышеназванным причинам дальнейшему подробному рассмотрению и анализу будут подвергнуты именно парные критериальные функции: парная Рао (совпадение нулей), Джекарда, Дейка, Снита, Кулзинско-го, Роджерса и Танимото (I) и (II), Мишнера, Юла, Хаммана [5].
При числе уровней квантования яркости исследуемого изображения два и более может быть использовано совмещение изображений на основе парных функций. Сравнение изображений производится последовательно по всем элементам. Если каждый элемент реального изображения при относительном сдвиге (х, у ) относительно виртуального имеет уровень квантования яркости i, а каждый элемент виртуального имеет уровень у ,
то парная функция (х, у), 0 £ i, у £ 2п — 1, увеличивается на единицу.
Здесь 2 - число уровней квантования. Следовательно, при г = у функция ¥у (х, у) равна числу элементов, уровни интенсивности которых
совпадают, а при г Ф у функция ¥у (х, у) - числу элементов уровни
интенсивности которых не совпадают.
Введем следующие обозначения: ¥ц(х,у) = а, что соответствует совпадению черных пикселей на РИ и ВИ; ^Э0 (х, у )= е, что соответствует совпадению белых пикселей на РИ и ВИ; ¥л(х,у) = Ь и ¥ю(х,у)= с, что соответствует несовпадению яркости пикселей на исследуемых изображениях; dри и dви - число элементов с единичной интенсивностью в РИ и ВИ.
Аналитическое задание наиболее часто применимых парных критериальных функций выглядит следующим образом:
„ а
парная Рао - К =------------;
а + Ь + с + е
а
парная Кулзинского - К парная Снита - К = парная Дейка - К =
Ь + с
а
а + 2(Ь + с) ’ 2а
парная Джекарда - К
2а + Ь + с
а
а + Ь + с ’
а
парная Роджерса и Танимото (I) - К = парная Роджерса и Танимото (II) - К = парная Мишнера - К парная Юла - К =
а + е + 2(Ь + с) ’ а + е
а + Ь + с + е ’ ае — Ьс
ае + Ьс’
функция совпадения нулей - К = а;
а + е — Ь — с
парная Хаммана - К =---------------.
а + Ь + с + е
Выбор критериальной функции определяется относительной важностью единичных и нулевых элементов, а также относительной важностью событий, заключающихся в совпадении или несовпадении интенсивностей элементов в решаемой задаче.
Чтобы сравнить данные функции необходимо определить множество показателей качества целевой функции (ЦФ) Q¥ ={<?¥1, §¥ 2, к, g¥N} [3]. К показателям качества можно отнести следующие характеристики функции: трудоемкость, количество экстремумов, расстояние между ГЭ и ближайшим по значению и по расстоянию локальным экстремумом (ЛЭ), среднее расстояние между ближайшими ЛЭ, среднее значение ЦФ, минимальное и максимальное значение функции, среднее квадратическое отклонение значений (СКО) функций, СКО экстремумов функции, СКО расстояний между экстремумами и т.д.
В множестве Q¥ ={ё¥1,ё¥2,к,g¥N} не все показатели качества равнозначны, поэтому априорно они делятся на группы, каждой из которых назначается свой приоритет [4].
Первый (наивысший) приоритет:
трудоемкость вычисления ЦФ; количество экстремумов.
Второй приоритет:
СКО значений функции;
СКО экстремумов функции;
среднее расстояние между ближайшими экстремумами.
Третий (низший) приоритет:
СКО расстояний между экстремумами функции; минимальное расстояние между экстремумами.
После расчета описанных выше показателей качества, можно выделить главные из них и на основе которых можно определить наиболее подходящие для решения поставленной задачи парные критериальные функции:
среднее количество экстремумов: чем меньшее число локальных экстремумов имеет критериальная функция, тем она лучше. Среди меньшего количества локальных экстремумов поиск глобального экстремума будет более быстрым и достоверным (рис. 2, а);
среднее минимальное расстояние между локальным и глобальным экстремумом: данное расстояние напрямую влияет на качество поиска глобального экстремума: чем дальше от значения истинного глобального экстремума находится ближайший по расстоянию экстремум локальный, тем меньше вероятность ошибочного нахождения положения глобального экстремума (рис. 2, б);
средняя относительная разность между глобальным и ближайшим по расстоянию локальным экстремумом: данный показатель качества критериальных функций логично вытекает из предыдущего. Чем сильнее значение глобального экстремума отличается от значения ближайшего к нему локального экстремума, тем проще и достовернее его поиск. Относитель-
ность данного показателя служит для приведения значении к нормированному и сравнимому виду (рис. 2, в);
а
б
1 пп
и,эи 0 25 - п о
0,20 - 0,80 -
л 1 с 0,60 -0,40 -
и,1э
0,10 - ■ ■ 1 0 20
0,05 -п пп т т т л ПЛ
и,ии 1 1 1 1 1 1 1 1 1 1 і 123456789 10 11 и,ии і і І І І І І І І І I 123456789 10 11
в
Рис. 2. Сравнение показателей качества парных критериальных функций: 1 - совпадения нулей; 2 - Рао; 3 - Дейка; 4 - Роджерса и Танимото (I); 5 - Роджерса и Танимото (II); 6 - Джекарда;
7 - Снита; 8 - Кулзниского; 9 - Мишнера; 10 - Юла;11 - Хаммана
вероятность корректного совмещения - наиболее значимая для практического применения характеристика (рис. 2, г). Здесь следует отметить, что гарантированно утверждать о корректном совмещении виртуального и реального изображений без зрительного контроля со стороны оператора невозможно. В качестве объективной меры совмещения изображений может быть использовано отношение количества совпавших черных пикселей на РИ и ВИ, к общему числу черных пикселей на РИ. Для исследуемых изображений именно черные пиксели являются информационно значимыми. Однако отметим, что эта величины не дают полной уверенности в корректном совмещении.
Примеры реальной работы исследуемых функций на примере парной функции Рао по совмещению исходных изображений представлены на
г
рис. 3.
Рис. 3. Примеры совмещения изображений
На рис. 4 приведен вид получаемой парной функции Рао, характер которой во многом определяет показатели качества исследуемых функций.
Рис. 4. Вид получаемой парной функции Рао
Анализируя все собранные данные, рассмотренные парные критериальные функции можно разделить на три группы по степени их пригодности для решения рассмотренной задачи:
1. Наиболее качественные функции, демонстрирующие наилучшие результаты: парная Рао (совпадение нулей), парная Кулзинского, парная Снита, парная Дейка. Наиболее приемлемы для дальнейшего использования.
2. Функции со средними показателями: парная Джекарда, парная Юла, парная Роджерса и Танимото (I). Могут использоваться для совмещения изображений, однако уступают функциям, отнесенным к первой группе.
3. Функции, не пригодные для использования с целью совмещения
исходных изображений: парная Мишнера, парная Хаммана, парная Роджерса и Танимото (II).
Список литературы
1. Горшков А. А., Ларкин Е.В.. Расчет наблюдаемой площади в системе с множеством видеокамер // Фундаментальные и прикладные проблемы техники и технологии. 2012. № 1. С. 150-154.
2. Визильтер Ю.В., Желтов С.Ю., Бондаренко А.В., Ососков М.Б., Моржин А.В. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практических занятий. М.: Физматкнига, 2010. 672с.
3. Герман Е.В., Муратов Е.Р., Никифоров М.Б. Два подхода к выделению и векторизации контурных линий объектов подстилающей поверхности. // Известия ЮФУ. Технические науки. 2013. № 5.
4. Елесина С.И., Логинов А.А., Никифоров М.Б. Методика оценки качества критериальной функции совмещения изображений. // Информационные технологии. 2013. № 3. С. 24-28.
5. Баклицкий В.К., Бочкарев А.М. Методы фильтрации сигналов в корреляционно-экстремальных системах навигации. М.: Радио и связь, 1986. 1072 с.
Елесина Светлана Ивановна, канд. техн. наук, доц., elesinas@mail.ru, Россия, Рязань, Рязанский государственный радиотехнический университет,
Ефимов Алексей Игоревич, магистрант, lexie62rus@,mail.ru, Россия, Рязань, Рязанский государственный радиотехнический университет
SELECTION OF CRITERIAL FUNCTIONS FOR COMBINED AND ENHANCED
SYNTHETIC VISION SYSTEMS
S.I. Elesina, A.I. Efimov
The article considers the possibility of applying pair criterial correlation functions for combining images in enhanced synthetic vision systems (ESVS).
Key words: enhanced synthetic vision systems, criterion function, the real image, the virtual image, the global and local extremum, quality index.
Elesina Svetlana Ivanovna, candidate of technical sciences, docent of Electronic Computers Department, elesinas@mail. ru, Russia, Ryazan, Ryazan State Radio Engineering University,
Efimov Aleksey Igorevich, undergraduate, lexie62rus@,mail.ru, Russia, Ryazan, Ryazan State Radio Engineering University
