2 Метод последовательного определения сходства изображений.
Идея алгоритма заключается в уменьшении количества вычислений в тех областях изображения, где искомый объект отсутствует, то есть там, где, например, при использовании критерия 4.32 или 4.33 очень быстро растет отличие.
Возьмем в качестве критерия функцию отличия 4.34:
Предположим, что сформировано эталонное изображение объекта, используя предыдущие кадры, и тогда это эталонное изображение будет искажено шумом. Будем считать, что на изображении отсутствуют посторонние объекты, пренебреж.эффектами пространственной дискретизации, и тогда значение критерия в точке наилучшего совпадения эталона с изображением объекта:
Зададим некоторую вероятность ошибки Рош – вероятность исключения позиции, соответствующей наилучшему совмещению.
Если зададимся вероятностью Рош, то, пользуясь специальной таблицей для Г-функций, можно рассчитать пороговую функцию R1K. На рис.4.5. штриховыми линиями – пороговые функции в зависимости от дисперсии шума D и от числа точек К.
В каждой исследуемой точке наблюдаемого изображения, где может находиться центр объекта, проводятся вычисление критерия. С каждой новой точкой, которая участвует в суммировании, сравниваются значения критерия со значением пороговой функции. Если значение критерия превышает пороговую функцию, запоминается количество точек, участвующее в расчете критерия, и переходят к исследованию следующей позиции, то есть изучению другой точки возможного нахождения объекта.
На рис.4.5. – пороговые функции R1K (пунктирн.линии), R2K (штрихпункт.линии) и R3K (сплошн.линии) для Рош=0.05 и дисперсии шума 0.1, 0.2 и 1.
В результате за точку наилучшего совпадения будет принята та позиция, в которой было просуммировано наибольшее количество точек до превышения порога. Но, используя такой алгоритм, можно в 5 – 10 раз снизить число вычислений.
ξl – шум на текущем изображении, ξh – шум на эталонном изображении.
Используя (4.42) при заданном Рош для каждого k можно рассчитать R2K.
Может быть использована критериальная функция (4.43):
Для такого критерия, используя аналогичную методику, получают выражение для пороговой функции:
Алгоритм, основанный на методе последовательных испытаний, позволяет вести поиск объекта на изображении с высокой точностью, экономя на вычислениях в 5 – 10 раз.
Билет 7
1 Подавление шумов и подчеркивание границ.
Изображение может повреждаться шумами и помехами различного происхождения: шум видеодатчиков, шум зернистости фотоматериала, ошибки в каналах передачи. Их влияние можно минимизировать, используя классические методы статистической фильтрации или простые эвристические методы пространственной обработки.
Шумы видеодатчиков часто проявляются на изображении как разрозненные изменения изолированных элементов. Так как шум пространственно декоррелирован, в его спектре, как правило, содержатся более высокие пространственные частоты, чем в спектре обычного изображения. Следовательно, простая низкочастотная фильтрация может служить эффективным средством сглаживания шумов.
Сглаживание шума обеспечивается низкочастотной фильтрацией с помощью массива H с положительными элементами.
Эти массивы нормированы для получения единичного коэффициента передачи, чтобы процедура подавления шума не вызывала смещения средней яркости обработанного изображения.
Часто для улучшения субъективного восприятия наблюдателя, а также для некоторых других случаев оказывается желательным выполнить подчеркивание изображения, то есть усилить перепады яркости. Это может быть выполнено дискретной фильтрацией с использованием высокочастотных импульсных окликов вида
Подчеркивание границ таким способом часто сопровождается возрастанием шумовых составляющих. Поэтому используются различные стратегии, связанные как с использованием шумоподавляющих, так и с использованием подчеркивающих масок.