1 Инверсная фильтрация. Винеровская фильтрация.

Реставрация изображений – процесс оценивания исходного изображения, которое подвергнуто некоторому преобразованию. Для того чтобы успешно решить такую задачу, желательно иметь модель искажающей системы. В реальных системах искажения могут возникнуть из-за таких явлений как турбулентность атмосферы, дефекты фотоматериалов, датчиков изображений; возникают явления нерезкости изображения из-за быстрого движения датчика изображений, шумовые дефекты. Для многих таких явлений разработаны соответствующие математические модели, на основе которых строятся алгоритмы реставрации.

Во многих случаях известно, что при линейном искажении можно использовать и линейные методы для восстановления, поэтому будем рассматривать системы реставрации в виде фильтра с независимым от линейного сдвига импульсным откликом На выходе этого фильтра получается исправленное изображение, описываемое функцией

В тех областях, где H_D мало (АЧХ), а шум присутствует, вторая составляющая в (3.5) может сильно возрастать, что будет выражаться, в конечном итоге, в сильном искажении мелких деталей изображения. Поэтому такое явление может приводить к значительным ошибкам в оценке исходного изображения.

Винеровская фильтрация.

Инверсный фильтр не учитывает спектральные характеристики шума. Метод винеровской фильтрации позволяет принять в расчет статистические характеристики шума.

Существуют варианты винеровского фильтра, когда учитывается не только статистические свойства шума, но и статистические свойства полезного сигнала.

2 Модель движения и изменения объекта слежения.

Предположим, что Λ_h(n)=CΛ_h(n-1), то это уравнение дает линейное движение объекта по координатам, определяемое начальным состоянием вектора Λ.

Наличие возмущающего воздействия в (5.13) приводит к тому, что получается случайное движение.

В течение времени наблюдения за объектом он может поворачиваться, изменять размеры и т.п. В этом случае требуются более сложные модели движения, чем просто сдвиг по координатам. При отсутствии пространственной трехмерной модели объекта и модели трехмерного движения прогнозирование его двумерного изображения невозможно. Привлечение трехмерных пространственных описаний потребовало бы описание всех типов объектов и, кроме того, идентификации каждого типа (распознавания). Но, даже зная такую информацию, определение в реальном масштабе времени всех параметров (сдвига, вращения вокруг осей, изменение масштаба, вычисление двумерных проекций) требует огромных объемов вычислений. В то же время, на практике, часто достаточно определить координаты центра объекта, и, возможно, его размеры и конфигурацию. В связи с этим рассмотрим модель, позволяющую производить учет возможных изменений объекта.

Конфигурация множества φ_n может быть различной и может изменяться с изменением формы объекта.

Величину запаса вписания H_n в φ_n следует выбирать исходя из максимально возможного изменения объекта за кадр. H_n – связное множество, оно не должно содержать отдельно отстоящие точки. Если объект с течением времени может менять конфигурацию, то и точка, принимаемая за центр этого объекта, должна переназначаться.

Билет 11