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.