CC BY
57
Актуальные проблемы авиации и космонавтики - 2014. Информационные технологии
Программный продукт был протестирован. В качестве базы текстур, были взяты нарезки со снимков, произведенных со спутника. Загружались изображения с различными текстурными характеристиками, которые можно отнести к четырем группам: река, лес, поле, город.
Тестирование происходило следующим образом: на вход нейронной сети подавалась обучающая выборка, затем сеть обучалась, и происходила проверка на одном из тестовых изображений.
Результат тестирования представлен на рисунке выше. Таким образом, можно заключить, что классификация ландшафтных изображений выполняется с
приемлемым качеством, способным обеспечить весомую помощь при сегментации изображений.
Библиографический ссылки
1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М. : Техносфера, 2005. 1072 с.
2. Круглов В. В., Борисов В. В. Искусственные нейронные сети: Теория и практика. М. : Горячая линия -Телеком, 2001. 381 с.
3. Shapiro L. G. Computer Vision / Linda G. Shapiro, George C. Stockman. - New Jersey, Prentice-Hall, 2001. Р. 279-325.
© Тарелов Н. А., 2014
УДК 004.32
А. И. Томилина Научный руководитель - А. Н. Горошкин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
МЕТОДЫ РЕШЕНИЯ ЗАДАЧИ МАТИРОВАНИЯ ИЗОБРАЖЕНИЙ
Рассмотрены различные методы решения задачи матирования изображений. Представлена классификация методов и их качественный анализ.
Задача матирования состоит в выделении объектов на изображении с целью последующего наложения объекта на новый фон. Критерием качества матирования является незаметность монтажа для зрителя.
Существующие методы решения задачи матирования изображений можно разделить на 2 группы: не автоматические и автоматические. Не автоматические методы требуют специальных условий съемки или ручной работы, но на практике очень часто применяются. К таким относится метод «Хромакей». Данный метод требует съёмки объекта на однородном фоне определённого цвета, при этом этот цвет должен отсутствовать в изображении объекта. Чаще всего используется синий или зелёный фон.
Существуют различные алгоритмы выделения по цвету. Разметка в алгоритмах подобного типа не требуется, так как они работают только с изображением и заданным цветом фона.
Достоинства данного метода заключаются в возможности его работы в реальном времени, а также в возможности качественного извлечения теней, бликов и полупрозрачных объектов.
Если отсутствует возможность снять объект на фоне определенного цвета, применяется «Ротоскопи-рование» - ручное создание маски объекта. Невозможность обеспечить одноцветный фон для автоматической обработки может быть вызвана рядом причин, таких как:
• архивные и другие видеоматериалы, при съемке которых матирование не планировалось;
• слишком большая сцена, которую сложно покрыть задним фоном одного цвета;
• невозможность добиться равномерного освещения заднего фона;
• необходимость взаимодействия переднего и заднего плана, когда стоит задача не заменить фон, а лишь дополнить/видоизменить имеющийся фон [1];
В некоторых случаях ротоскопирование можно частично автоматизировать, например, если движение объекта является аффинным/плоским, т. е. видимый силуэт объекта деформируется в процессе движения лишь линейным образом.
Обычно ротоскопирование осуществляется с помощью сплайнов Безье, задаваемых в ключевых кадрах. Контрольные точки интерполируются между ключевыми кадрами (линейно, либо тоже с помощью сплайнов). Дополнительно можно без особых усилий добиться следующих эффектов:
• размытие движения - получается размытием созданной маски, т. к. скорость сплайна в каждой точке известна
• константное размытие границ (фокусировка) -получается применением гауссова фильтра к маске
• размытие границ переменной толщины - достигается созданием двух вложенных сплайнов, один из которых соответствует прозрачности = 0, а другой = 1.
Однако мелкие детали (например, волосы) очень трудно ротоскопировать, так как приходится создавать много сплайнов и двигать их независимо. В сложных случаях количество сплайнов может достигать нескольких десятков.
К методам автоматизированного решения задачи матирования изображений относятся алгоритмы матирования изображений. Данные алгоритмы получают на вход исходное изображение с разметкой. Разметка требуется для устранения неоднозначности в разложении на передний план, фон и канал прозрач-
Секция «Информационнее системы и технологии»
ности. Обычно используется тернарная разметка -заданная пользователем сегментация изображения на 3 области: объект переднего плана, фон и неизвестную (переходную) область. Первые две дают некоторую информацию об объекте, который необходимо извлечь, а последняя определяет регион, к которому нужно применить алгоритм. Результатом алгоритма является слой переднего плана с известным цветом и прозрачностью для каждого пикселя, а также слой фона. При смешивании, эти слои должны давать в точности исходное изображение.
В пикселах неизвестной области задача является неопределенной, так как для каждого цвета исходного изображения существует бесконечное число комбинаций цветов объекта и фона. Для того, чтобы сделать её решаемой, требуется и дополнительная регуляризация.
Одним из основных методов регуляризации является «Байесовский вывод». Пиксели обрабатываются, начиная с границ регионов объекта/фона, сужая неизвестную область шаг за шагом. Пиксели, обработанные на предыдущих шагах, также учитываются в выборках объекта и фона в дополнение к пикселям из известных областей. В качестве цветовой модели используется множество ориентированных гауссиан. Алгоритм использует схему Байеса для максимизации правдоподобия значений.
Распределения, оцениваемые с помощью плотности гауссиан объекта и фона, вычисляются на основе как размеченных пикселов объекта/фона, так и ранее обработанных. Образцы цветов для вычисления этих распределений берутся из окрестности обрабатываемого пиксела. Радиус окрестности может быть адаптивным и увеличиваться в случае, если образцов цвета не найдено (т. е. если окрестность целиком лежит в неизвестной области), либо найдено недостаточно для надежной оценки параметров распределения.
Другим известным алгоритмом является «Алгоритм аналитического матирования». Данный алго-
ритм может работать с разметкой низкой точности. Цветовая статистика не используется - альфа-канал напрямую ищется из изображения. Алгоритм называется аналитическим, так как описывает аналитическое решение задачи, в отличие от итерационных алгоритмов.
Идея алгоритма основана на предположении, что цвета пикселей в малых фрагментах изображений лежат примерно на одной прямой в пространстве RGB (являются линейной комбинацией двух цветов). Тогда неизвестную область можно считать линейно зависящей от цвета в малом фрагменте изображения.
Данный алгоритм дает точное решение в случаях, когда во всех окнах 3*3 на изображении каждый из цветов является смесью не более, чем двух цветов (кроме вырожденных случаев).
Недостатком данного алгоритма является медленная скорость работы и локальность цветовой модели (даже если объект и фон сильно различаются по цвету, алгоритм это не учитывает, так как опирается лишь на модель цветовой линии в окнах малого размера).
В последнее время ведутся работы по комбинированным методам матирования изображений. Это позволяет учесть преимущества каждого из подходов, но при этом избежать описанных выше недостатков. А развитие алгоритмов интеллектуального анализа изображений позволяет делать это в более автоматизированном режиме.
Библиографическая ссылка
1. Синдеев М. Исследование и разработка алгоритмов матирования видеопоследовательности : дис. ... канд. техн. наук: Совет Д 002.024.01: защищена 21.05.2013.
© Томилина А. И., 2014
УДК 681.3.06
С. А. Тычков Научный руководитель - В. В. Тынченко Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
ОСОБЕННОСТИ ВНЕДРЕНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ УПРАВЛЕНИЯ ВЫПОЛНЕНИЕМ ПЛАНА ГОСУДАРСТВЕННОГО ЗАДАНИЯ В ЦЕНТРЕ ГИГИЕНЫ И ЭПИДЕМИОЛОГИИ
Анализируются организационные и функциональные особенности целевого учреждения, непосредственно влияющие на эффективность внедрения в нем разработанной автоматизированной системы управления.
Федеральное бюджетное учреждение здравоохранения «Центр гигиены и эпидемиологии в Красноярском крае» имеет в своем составе 17 филиалов, располагающихся на всей территории Красноярского края в городах и районных центрах с юга до севера, так как необходимо проводить работу по контролю состояния окружающей среды и продуктов питания по всему указанному региону [1; 2]. С целью оперативного
сбора и обработки информации, а также повышения эффективности ряда других основных функций управления выполнением плана госзадания для рассматриваемого учреждения разработана автоматизированная система. Создание и внедрение такой системы связаны с потребностью Центра в упорядочении и более четкой координации деятельности его подразделений, а также продиктованы потребностью в по-
