
- •1. Области применения систем видеослежения
- •2. Операции размыкания и замыкания
- •1. Вероятностное описание непрерывных изображений
- •2. Морфологическая операция заполнения области
- •1. Дискретизация и квантование изображений
- •2. Морфологическая операция выделения связанных компонентов
- •1. Описание дискретных изображений
- •2. Корреляционные методы измерения координат объектов
- •1. Изменение контраста и виды изменения гистограмм
- •2. Метод последовательного определения сходства изображения
- •1. Операторы подавления шумов
- •2. Формулировка задачи видеослежения. Понятие центра объекта слежения
- •1. Адаптивная фильтрация Винера
- •2. Модель наблюденияпри слежении за объектом в присутствии неоднородного фона
- •1. Медианная фильтрация
- •2. Модели состояния яркости изображений фона и объекта слежения
- •1. Инверсная фильтрация. Винеровская фильтрация
- •2. Модель движения и изменения объекта слежения
- •1. Пространственная реставрация методом псевдообращения матриц
- •2. Алгоритм измерения координат при известном изображении фона и объекта.
- •1. Признаки методы выделения признаков
- •2. Алгоритм оценки координат при известном изображении фона и объекта. Критерий максимума апостериорной плотности
- •1. Методы сегментации. Дискриминантный критерий
- •2. Алгоритм оценки координат при известном изображении фона и объекта. Критерий максимального правдоподобия.
- •1. Метод минимизации среднеквадратического отклонения исходного и сегментированного изображений (lstm).
- •2. Функциональная схема системы видеослежения
- •1. Байесовский метод сегментации
- •2. Операторы подчеркивания границ
- •1. Сегментация на основе движения
- •2. Инверсная фильтрация
- •1.Алгоритм разметки и параметризации бинарного изображения
- •2.Алгоритм измерения координат с межкадровым усреднением текущего изображения объекта
- •1. Морфологическая обработка. Базовые понятия теории множеств
- •2. Двумерное преобразование Фурье. Его свойства
- •1. Операции дилатации.
- •2. Пространственно-спектральные признаки
- •1. Операция эрозии
- •2. Алгоритм оценки координат. Общий подход
1. Пространственная реставрация методом псевдообращения матриц
Пусть наблюдаемое изображение моделируется интегралом суперпозиции
где FI(,) и Fо(x,y) – функции, представляющие идеальное и нерезкое изображения соответственно;
J(x,y;,) – импульсный отклик.
Дискретный эквивалент соотношения (3.7) может быть представлен в виде матричного уравнения
g=Bf, (3.8)
где g – вектор размером P×1(P=M2), учитывающий M×M реальных отсчетов нерезкого изображения;
f – вектор размером Q×1 (Q=N2), учитывающий N×N псевдоотсчетов идеального изображения;
B – матрица размером P×Q, элементы которой представляют собой отсчеты импульсного отклика.
g – наблюдаемый вектор, В – модель искажающего явления, f- отсчеты некоторого исходного идеального изображения. Задача состоит в оценке вектора f. (3.8) – система линейных уравнений, в которых элементы вектора f являются неизвестными.
Число отсчетов наблюдаемого изображения Р будет меньше, чем число отсчетов идеального изображения, то есть меньше количества элементов в векторе f (P<Q). Получаем недоопределенную систему линейных уравнений (число неизвестных больше числа уравнений). Можно увеличить число отсчетов нерезкого изображения, то есть добиться того, что P>Q.
Задача
реставрации сводится к нахождению
такого,
что
Проблема состоит в том, что это равенство практически никогда не выполняется, так как, с одной стороны, имеем дело с элементами реального изображения g, а элементы матрицы В определяются совершенно независимо на этапе формирования модели. Поэтому не гарантируется существование такого f, чтобы выполнялось (3.9).
Несовместность системы можно выразить в виде
g = Bf + e(f), (3.10)
где e(f) – вектор ошибки.
При несовместной системе уравнений решение ищется в виде
где W – линейный оператор, минимизирующий ошибку по критерию наименьших квадратов.
Если ранг матрицы В равен Q, то
Во многих изображающих системах идеальное изображение становится нерезким и, кроме того, повреждается аддитивным шумом. Связь наблюдаемого изображения с идеальным в этом случае можно записать в векторно-матричной форме:
g=Bf+n (3.13)
где вектор n состоит из двух аддитивных составляющих, одна из которых включает отсчеты аддитивного внешнего шумового процесса, другая – компоненты разности g–Bf, обусловленной ошибками моделирования при задании B.
Т.к. в вычислении участвует большое число элементов, наличие шума на изображении может приводить к возникновению больших ошибок в вычислениях.
Если известно, что аддитивный шум имеет нулевое среднее и ковариационную матрицу Kn, то оценка идеального изображения ищется в виде
где W – реставрирующая матрица, минимизирующая взвешенную ошибку
При P>Q матрица W имеет вид
2. Алгоритм измерения координат при известном изображении фона и объекта.
Пусть известное и неизменное изображение объекта перемещается по известному и неизменному изображению фона. Уравнение наблюдения имеет вид (5.3), а уравнение состояния траектории движения центра объекта задается выражением (5.13).
Пусть известно начальное распределение вектора Λh(n) (например, гауссовский случайный вектор с известным средним и ковариационной матрицей). Тогда в соответствии с теорией оптимальной фильтрации необходимо на основе нового наблюдения (нового кадра изображения) вычислить апостериорную плотность вектора Λh
С учетом введенной модели шума при независимых наблюдениях
Считаем. Что распределение в каждой точке является гауссовским. Эта формула произведения гауссовых плотностей в каждой точке. S может принимать различные значения в зависимости от того, объект это или фон.
Байесовская оценка вектора Λh(n) при квадратичной функции потерь может быть получена как апостериорное среднее
Чтобы вычислить априорную (прогнозируемую) плотность для следующего кадра, необходимо ввести переходную плотность W(Λh(n)/Λh(n–1))
где |KB(n)| – определитель ковариационной матрицы вектора BΘ(n).
Тогда прогнозируемая плотность может быть получена как
Таким образом, основные подходы к решению задачи состоят в следующем:
1.
Вычисление прогнозируемой плотности
в соответствии с (5.21).
2.
Вычисление апостериорной плотности
с использованием (5.17).
3.
Вычисление апостериорного среднего
в соответствии с (5.19).
Рассмотренный подход к решению задачи требует очень большого числа вычислительных операций ввиду многомерности вектора Λh, значительных размеров изображения Ln и необходимости вычислений в реальном масштабе времени.
Билет 1. Признаки методы выделения признаков.
2. Алгоритм оценки координат при известном изображении фона и объекта. Критерий максимума апостериорной плотности.