2 Алгоритм оценки координат при изв. Изобр. Фона объекта. Критерий максимального правдоподобия

Билет 14

1 Методы сегментации. Метод минимизации среднеквадратического отклонения. Со

Докажем, что порог t^* совпадает со средним арифметическим яркостей объекта и фона:

2 Функциональная схема видеослежения.

Билет 15

1 Байесовский метод сегментации.

(точку отнесли к фону+средние потери отнесения точки к фону>средние потери отнесения точки+к объекту).

При увеличении А порог сдвигается вправо, число точек фона, ошибочно классифицируемых как объект, уменьшается, что ведет к уменьшению шума на выделенном бинарном изображении. Но одновременно с этим увеличивается число элементов объекта, принятых за элементы фона. При этом может сильно исказиться форма изображения, потеря информации об объекте. Если параметр А сделать слишком маленьким, то много лишних точек будет добавлено к объекту.

Большое значение имеет выбор не только количества признаков, но и разрядность представления гистограммы.

Необходимо использовать дополнительные алгоритмы, позволяющие парировать результаты ошибочной классификации (алгоритмы логической фильтрации, морфологические и т.д.).

2 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.

Билет 16

1 Сегментация на основе движения.

Движение – это мощный фактор, которым пользуются не только люди, но и животные для выделения интересующих объектов на фоне, несущественных деталей. То есть часто наблюдается движение объекта на неподвижном фоне.

Рассмотрим подход к обнаружению изменений в последовательности изображений, произошедших между двумя кадрами f(x,y,t_i) и f(x,y,t_j), полученных в моменты времени t_i и t_j . Подход заключается в поэлементном сравнении этих двух изображений. Один из способов такого сравнения – построение разностного изображения. Если одно изображение содержит неподвижные элементы, а в другом, сравниваемом с ним, есть движущиеся объекты, то в случае вычитания неподвижные составляющие изображения будут скомпенсированы, ненулевые значения будут соответствовать подвижным компонентам.

где Т – заданный порог.

В результате влияния шумов возникают ложные образования, которые в дальнейшем необходимо отфильтровать.

Решать задачу, связанную с выделением движения, можно лучше, если использовать не отдельные разности, а так называемые накопленные разности, то есть рассматривать изменение каждого пикселя в последовательности кадров, используя некоторую память.

Рассмотрим последовательность изображений f(x,y,t₁), f(x,y,t₂), … f(x,y,t_n), и пусть f(x,y,t₁) – опорное изображение. Накопленное разностное изображение (НРИ) формируется путем сравнения опорного изображения с каждым следующим кадром последовательности. Для каждого пикселя в накопленной разности изображений ведется счетчик, значения которого увеличиваются всякий раз, когда в этой точке наблюдается отличие от опорного кадра.

Часто оказывается полезным рассматривать три вида накопленных разностных изображений: абсолютные, положительные и отрицательные. Эти виды НРИ определяются следующим образом. Обозначим опорное изображение и пусть k для простоты обозначает момент времени t₁, то есть полагаем также, что Тогда для любого k>1 значения элементов (которые суть счетчики) НРИ упомянутых видов определяются в каждой точке следующим образом:

где обозначают, соответственно, абсолютное, положительное и отрицательное НРИ после обработки k изображений последовательности.

Начальные значения всех счетчиков берутся равными нулю. Все НРИ имеют те же размеры, что и изображения последовательности.

Пример.

Формирование абсолютных, положительных и отрицательных разностных изображений.

Рис.1. накопленное разностное изображение прямоугольного объекта, перемещающегося в направлении правого нижнего ряда.

Размеры области ненулевых элементов положительного НРИ совпадают с размерами движущегося объекта. Абсолютное НРИ состоит из объединения областей положительного и отрицательного НРИ. О направлении и скорости движения объекта можно судить по ненулевым областям а абсолютном и отрицательном НРИ.

Важным является построение опорного изображения. Реально очень часто в таком изображении уже могут присутствовать посторонние перемещающиеся объекты, и задача в этом случае состоит в том, чтобы их выделить и заменить соответствующими участками реального фонового изображения.