
- •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
2. Функциональная схема системы видеослежения
Последние 20 лет особое внимание уделяется задачам, связанным с обработкой, представлением информации в форме изображений. Сферы применения: обработка космических изображений (т.е. сейчас существует много спутников, на которых имеются соответствующие системы, которые позволяют получать изображения из космоса – изображения Земли). Эти изображения могут формироваться в видимом диапазоне – с помощью тепловизорных систем, которые дают изображение в инфракрасном диапазоне; и радиолокаторе, дающем изображение в радиодиапазоне.
Существуют центры приема спутниковой информации, где происходит обработка изображений. Эти изображения используются для анализа облачности (прогноз погоды).
Существуют спутники другого рода, которые связаны с военной деятельностью – обнаружением объектов. Используются в биомедицинских исследованиях, с помощью электронных микросхем (обраб. изображений) возможен подсчет каких-либо образований в крови. Широко используются в производстве: можно подсчитать количество изделий, следить за исправностью, управлять технологическим оборудованием, идентифицировать лица. Применяются также в охранных системах, когда идет анализ изображений, получаемых с камер, с целью обнаружения движения. Контроль движения транспорта, обнаружение гос. номеров автомобилей. Для обработки и передачи изображений по каналам связи – необходимо проводить эффективное сжатие с целью передачи, а затем восстановление. Спец. применение, связанное с военной областью – распознавание объектов, обнаружение и слежение, а также, после этого, высокоточное наведение оружия.
Функциональная схема системы видеослежения.
Платформа управляется приводами, по двум осям. ЭВМ-блок обрабатывает эти изображения с целью определить положение какого-либо объекта на изображении. В замкнутой системе ошибка определяется с помощью обработки изображений. Современные приборы позволяют давать разрешение 1000*1000 (1000000 млн. элементов - пикселей), т.е. 1 кадр=1000000пикселей. Современное телевидение дает 25 кадров/с = 25 Мбайт потока. В системе управления 25 раз/с обрабатывается изображение (период дескритизации=25 Гц). Поэтому для решения задач в реальном масштабе времени требуется высокая производительность, которая может достигать млрд операций в секунду.
15. Билет 1. Байесовский метод сегментации
2. Операторы подчеркивания границ
1. Байесовский метод сегментации
Сегментация изображения по-прежнему осуществляется на два класса: 0 – фон, 1 - объект (цель). Предполагается, что объект целиком находится в зоне окна, а фоновое изображение присутствует как в окне, так и в зоне, принадлежащей рамке (рис.4.2).
Из условия минимума средних потерь при классификации элементов изображения в окне на элементы, принадлежащие объекту или фону, можно записать следующее правило: элемент изображения классифицируется как элемент объекта тогда, когда
Р(ф) Р(х/ф) С(ф/ф) + Р(ц) Р(х/ц) С(ф/ц) >Р(ф) Р(х/ф) С(ц/ф) + Р(ц) Р(х/ц) С(ц/ц),
где Р(ф), Р(ц) – априорные вероятности принадлежности рассматриваемой точки фону или объекту (цели);
Р(х/ф) – плотность вероятности того, что точка имеет признак х при условии, что она принадлежит фону;
Р(х/ц) – плотность вероятности того, что рассматриваемая точка имеет признак Х при условии, что она принадлежит цели;
С(ф/ф), С(ф/ц), С(ц/ф), С(ц/ц) – стоимости соответствующих решений;
х – векторный признак, элементами которого могут быть яркость, градиентная яркость, средняя яркость и т.п. и который вычисляется для каждой точки окна и рамки.
Если принятие правильного решения не наказывается, т.е. С(ц/ц)= С(ф/ф)=0, то
Р(ц) Р(х/ц) С(ф/ц) >Р(ф) Р(х/ф) С(ц/ф). (4.21)
Если сегментируемый объект находится полностью в окне и не содержится в рамке, тогда
Р(х/ф) = Р(х/р), Р(х/о) = Р(ц) Р(х/ц) + Р(ф) Р(х/ф), (4.22)
г
де
Р(х/р)
и Р(х/о)
– плотности вероятности вектора
признаков х
в рамке р
и окне о.
Подстановка (4.22) в (4.21) дает
или, переходя к гистограммным оценкам и получаем
ч
то
является правилом сегментации, основанным
на измерении в общем случае многомерных
гистограмм и отдельно в
рамке и окне.
Иначе это правило записывается так:
г
де
= Р(ф)
– априорная вероятность наличия элемента
фона в окне;
– параметр стоимости неправильной классификации
(сегментации).
Очевидно, что Р(ц) = 1 – – априорная вероятность наличия элемента объекта в окне.
Правило,
по которому элемент изображения с
признакомх
будет классифицирован как принадлежащий
объекту, если Р(ц/x)>
Р(ф/х)
называется правилом максимальной
апостериорной вероятности. Используя
формулу Байеса, получаем:
или
Р(ц) Р(х/ц) >Р(ф) Р(х/ф). (4.26)
Сравнивая (4.26) и (4.21), видим, что критерий максимума апостериорной вероятности является частным случаем критерия минимума среднего риска при равных стоимостях ошибочной классификации C(ф/ц) = С(ц/ф). При этом условии коэффициент А в (4.25) равен 2.