CC BY
177
РАДИОТЕХНИКА И СВЯЗЬ ОМСКИЙ НАУЧНЫЙ ВЕСТНИК № 1 (127) 2014
В. А. МАЙСТРЕНКО В. В. МАЙСТРЕНКО В. П. ПИВОВАРОВ А. В. ЗУБАРЬ К. В. КАЙКОВ
Омский государственный технический университет
Омский филиал Военной академии материально-технического обеспечения
РАЗРАБОТКА ЭФФЕКТИВНЫХ АЛГОРИТМОВ ВОССТАНОВЛЕНИЯ ИСКАЖЕННЫХ ИЗОБРАЖЕНИЙ ДЛЯ ОПТИКО-ЭЛЕКТРОННОЙ СТЕРЕОСИСТЕМЫ ОПРЕДЕЛЕНИЯ ДАЛЬНОСТИ____________________________________________
Рассматриваются методы восстановления искаженных изображений и предложены алгоритмы, позволяющие восстанавливать искаженные изображения движущихся объектов при возникновении эффекта «размытия». Искажения типа «размытие» считаются наиболее сложными для восстановления, поэтому целью данной статьи является разработка алгоритмов, позволяющих восстанавливать изображения после воздействия помех такого вида. В ходе имитационного моделирования с использованием математического пакета МАНАБ получены результаты восстановления размытого и зашумленного изображения, позволяющие сделать вывод о высокой эффективности предложенного в сочетании с фильтрацией «контргармонического среднего» алгоритма Люси-Ричардсона для обработки изображений в различных оптико-электронных системах наблюдения и определения параметров объектов по их изображениям. Ключевые слова: пространственная фильтрация, частотная фильтрация, алгоритм Люси-Ричардсона, генератор шума.
УДК 621.397
%
В настоящее время большое распространение получили оптико-электронные системы пространственного определения местоположения объектов. В работе [1] рассматривается программно-аппаратная реализация оптико-электронной системы определения дальности, показаны основные подходы при решении задачи, связанной с точностью определения расстояния до объекта путем использования стереоскопического дальномера, осуществляющего определение дальности до объекта по стереопаре его изображений. Важную роль в разработке таких систем, т.е. систем, работа которых связана с локализацией объекта в кадре изображения, играют правильно выбранные алгоритмы восстановления изображений, т. к. точность работы системы напрямую зависит от этих алгоритмов.
Оптико-электронная система, работающая в реальных условиях, должна с высокой точностью отслеживать объект и его границы в условиях воздействия различного рода негативных факторов, затрудняющих идентификацию объекта на изображении, например, недостаточная или чрезмерная освещенность, туман, дождь, пыль, дым, малый контраст объекта с окружающей средой и др.
В то же время, существуют помехи, а с точки зрения автоматизации процесса компьютерной обра-
ботки, все искажения представляют собой именно помехи, искажающие форму, размывающие контур изображения объекта. Такого рода помехи, как правило, возникают в случае малой чувствительности фотоприемника оптико-электронной измерительной системы при движении объекта наблюдения, и тем больше проявляются на изображении, чем меньше чувствительность фотоприемника и выше угловая скорость движения данного объекта в кадре. Наличие помех «размытия» может привести к значительным ошибкам идентификации наблюдаемого объекта измерительной оптико-электронной системой по принятому изображению.
С учетом вышеперечисленных факторов возникает серьезная проблема восстановления искажённого изображения, решение которой возможно лишь при использовании современных алгоритмов цифровой обработки изображений.
В простом случае, когда объекты неподвижны и действует помеха типа «соль и перец» или воздействие аддитивного гауссового шума, возможно применение алгоритмов, реализуемых медианным фильтром. Подробная информация о таких способах восстановления изображения изложена в работе [2]. Задача восстановления изображения заключается в улучшении качества данного изображения по кри-
терию восприятия, полученному в ходе обработки изображения. Оценка улучшения качества изображений является субъективным процессом, в то время как процедуры восстановления изображений носят вполне объективный характер. Решением задачи восстановления является реконструкция изображения, которое было искажено в результате внешних воздействий, о которые имеется достаточно определенная априорная информация. Поэтому методы восстановления изображения основаны на моделировании помех, возникающих в окружающей среде, и применении соответствующих алгоритмов для реконструкции исходного изображения.
При таком подходе важно уметь правильно формулировать критерии качества, которые позволят оценить результат восстановления.
При решении задач улучшения качества изображений используется иной подход, основанный на эвристических процедурах, результат которых зависит от особенностей человеческого зрения. Например, усиление контраста можно рассматривать как процедуру улучшения изображения, поскольку после ее применения изображение становится более приятным для глаза, а обработку смазанных изображений с помощью соответствующих обратных процедур следует отнести к арсеналу средств восстановления изображений.
Для проведения имитационного моделирования работы алгоритмов восстановления изображений использовался математический пакет MATLAB, в который входит библиотека IPT (Image Processing Toolbox), содержащая функции цифровой обработки изображений. Рассмотрим основные подходы, используемые при разработке алгоритмов моделирования искажений и восстановления изображений.
Процесс ухудшения изображения моделировался при помощи функции искажения, которая вместе с аддитивным шумом создает искажение типа «размытие». Эту функцию можно записать в виде формулы:
g (x, y)=H [f(x, y)]+X(x, y), (1)
где g (x, y) — функция искажённого изображения, H — искажающий оператор, X (x, y) — аддитивный шум, f (x, y) — исходная пространственная функция изображения.
Формулу (1) можно переписать для пространственной области в следующем виде [2]:
g (x, y)=h(x, y)*f(x, y)+X(x, y), (2)
где h (x, y) — пространственное представление искажающего оператора, символ «*» обозначает свертку.
Как известно, свертка функций в пространственной области эквивалентна умножению в частотной области преобразований Фурье этих функций, поэтому приведенное выше уравнение (2) модели искажения можно записать в эквивалентном представлении в частотной области:
G(u, v) = H(u, v) + N(u, v), (3)
где заглавными буквами обозначены соответствующие преобразования Фурье функций из уравнения свертки (2).
Функцию H(u, v) часто называют оптической передаточной функцией (OTF, Optical Transfer Function). Этот термин заимствован из Фурье анализа оптических систем [2]. В пространственной области
функция h(x, y) называется функцией разброса точек (PSF, Point Spread Function). Этот термин отражает воздействие функции h(x, y) на точки света для получения характеристик искажения разных типов входных данных. Функции h(x, y) и H(u, v) переходят друг в друга под действием прямого и обратного преобразований Фурье, поэтому в пакете MATLAB имеется две М-функции otf2psf и psf2otf для этих действий.
В данной работе для моделирования искажающей функции использовался следующий алгоритм. Функция разброса точек PSF задаётся при помощи оператора fspecial библиотеки IPT в следующем виде:
PSF = fspecial ('motion', len, theta).
Оператор fspecial позволяет моделировать эффект линейного перемещения камеры относительно фиксируемого объекта, тем самым позволяя получить искажение типа «размытие». Параметр len задает число пикселов, на которое произошло перемещение камеры, theta — это угломерный параметр, который измеряется в градусах, причем он отсчитывается от положительной горизонтальной полуоси против часовой стрелки. Параметр motion задает передаточную характеристику пространственного фильтра, который, будучи свернутым с изображением, приближает линейное перемещение (видеокамеры по отношению к изображению) на len пикселов. Направление перемещения задается углом theta.
Для проведения моделирования искажения типа «размытие» использовались следующие параметры: len=45, theta=45. С использованием функции imfil-ter был разработан фильтр с передаточной характеристикой, задаваемой функцией PSF. Этот фильтр позволяет добиться эффекта размытия изображения при линейном движении объектов. Далее моделировался процесс добавления помехи аддитивного гауссова шума посредством функции библиотеки IPT imnoise. Гауссов шум имеет следующие характеристики: нулевое математическое ожидание и дисперсию, равную 0,01.
На рис. 1 показано оригинальное изображение наблюдаемого объекта. На рис. 2 изображен результат работы модели искажения изображения.
Из рис. 2 видно, что такое изображение с видеокамеры не пригодно для дальнейшей обработки в оптико-электронной системе измерения дальности, так как сам объект и его границы просто неразличимы.
Рассмотрим процесс восстановления изображения после искажения, показанного на рис. 2. Первым действием в алгоритме восстановления является высокочастотная фильтрация, позволяющая увеличить яркость и контрастность изображения. Фильтр ФВЧ проектируется при помощи прототипа ФНЧ и имеет следующую передаточную характеристику:
H [e jwT ] = 1,2х [(2-H1[e jwT ])/20],
где H1[ejwT] — передаточная характеристика фильтра низких частот, являющегося прототипом ФВЧ, T — период дискретизации, w — текущая частота.
Формула получена экспериментально по критерию наилучшего качества изображения, воспринимаемого визуально. Далее проектировался фильтр, позволяющий улучшить границы изображения, основанный на расчете «контргармонического среднего». Подробнее ознакомиться с методами такой
ОМСКИЙ НАУЧНЫЙ ВЕСТНИК № 1 (127) 2014 РАДИОТЕХНИКА И СВЯЗЬ
РАДИОТЕХНИКА И СВЯЗЬ ОМСКИЙ НАУЧНЫЙ ВЕСТНИК № 1 (127) 2014
198
'} 1 ip.ii г е 1 ВВП
Р* Е«* V** 1г»еЛ Тоок Ое&ор 'Мпкш Не(р и
и сЗ У Л * ч -Го ® « у. ■ а а в ■ □
Рис. 1. Исходное изображение
фильтрации можно в работе [2]. Реализация фильтра «контргармонического среднего» осуществляется с использованием функции библиотеки 1РТ 8р1:Ш;, выполняющая пространственную фильтрацию.
Результатом этого этапа восстановления изображения является увеличение яркости и контрастности искажённого изображения и улучшение границ Ьр^.
Заключительным этапом восстановления изображения, показанного на рис. 2, является реализация алгоритма Люси — Ричардсона, дающего наибольший эффект при искажениях, рассмотренных в настоящей работе. Алгоритм восстановления Люси —Ри-
чардсона является алгоритмом нелинейного итерационного восстановления [3]. Рассмотрим подробнее данный алгоритм. Алгоритм Люси — Ричардсона основан на применении метода максимального правдоподобия, в котором изображение формируется при помощи статистик Пуассона [2]. Максимизация функции правдоподобия модели приводит к уравнению, которое имеет решение при сходимости следующих итераций, представленных в формуле (4):
+1(х,У) = (Х,У)
Ь(- Х,У)
д(х,у)
Ь(х,у ^ (х,у)_
(4)
Рис. З. Результат выполнения алгоритма Люси-Ричардсона
где знак «*» обозначает свертку, fk — k-приближение исходного изображения, а функции f, g определены ранее. В библиотеке IPT этот алгоритм выполняется посредством функции deconvlucy, имеющей следующий синтаксис:
deconvlucy (g, PFS, NUMIT, DAMPAR, WEIGHT),
где g — испорченное изображение, PFS — функция разброса точек, NUMIT — число итераций, DAMPAR — скаляр, который определяет порог отклонения полученного изображения от g. Итерации останавливаются для пикселов, отклонение значений которых от исходных не превосходит этого порога. Это пред-
отвращает образование шума в таких пикселах, сохраняя необходимые детали изображения. По умолчанию DAMPAR = 0 (нет порога остановки), WEIGHT — это массив с размерностью g, который каждому пикселу присваивает некоторый вес, отражающий его качество.
Например, «плохие» пикселы, которые получились из дефектных областей на изображении, можно исключить из рассмотрения, присвоив им нулевой вес.
Для реализации алгоритма Люси — Ричардсона были взяты следующие значения параметров: NU-MIT = 80 (число итераций подобрано экспериментально для рассматриваемого случая), DAMPAR = 0
ОМСКИЙ НАУЧНЫЙ ВЕСТНИК № 1 (127) 2014 РАДИОТЕХНИКА И СВЯЗЬ
РАДИОТЕХНИКА И СВЯЗЬ ОМСКИЙ НАУЧНЫЙ ВЕСТНИК № 1 (127) 2014
О 200 400 600 800 1000 1200 1400 1600 1876
Pix
Рис. 5. Оценка степени восстановления изображения
получить изображение по своим свойствам близкое к оригиналу, о чем свидетельствует достигнутое значение коэффициента корреляции КР13 = 0,991 и дисперсии о213 = 9,41 о. ед., против КР12 = 0,942 и о212 = = 26,05 о. ед. — между оригиналом и искаженным изображением, где о. ед. — среднеквадратическое значение разности яркостей изображений, выраженных в количестве полутонов.
На основе представленных алгоритмов была создана программа, реализующая итерационную модель восстановления искажённых изображений.
Полученные авторами результаты будут полезны как при разработке систем идентификации и электронных дальномеров в военной области, так и для гражданских отраслей: в телевидении, в системах технического зрения, робототехнике и автоматизации в промышленности. В настоящее время авторы продолжают исследования в области снижения времени обработки изображений и исследование возможностей морфологических алгоритмов.
(отсутствует порог остановки), параметр WEIGHT — по умолчанию. Результат заключительного этапа восстановления после арифметического усреднения показан на рис. 3.
Из рис. 3 видно, что результат восстановления изображения с использованием алгоритмов, предлагаемых авторами в данной статье, является приемлемым для дальнейшей обработки в оптико-электронной системе определения дальности [1], так как восстановленное изображение имеет четкие границы и по нему возможна и идентификация самого объекта.
На рис. 4 представлены кривые среза яркости изображений оригинального, искаженного и восстановленного, где кривой 1 соответствует срез яркости оригинального изображения вдоль линии АБ; кривой 2 — искаженного; кривой 3 — восстановленного. На рис. 4а отчетливо видно, насколько рознятся оригинальное и искаженное изображения объекта. Наличие такого уровня искажений изображения может привести не только к уменьшению точности определения дальности оптико-электронным дальномером, но и к ложным срабатываниям алгоритма поиска и обнаружения объекта в кадре. Вместе с тем кривые, представленные на рис. 4б, показывают, что восстановленное изображение по своему характеру близко к оригинальному, что свидетельствует о достаточной эффективности предлагаемого алгоритма восстановления.
На рис. 5 представлены кривые разности яркост-ных срезов вдоль линии АБ. Здесь кривой 1—2 соответствует разность яркостных срезов оригинального и искаженного изображений, 1—3 — оригинального и восстановленного. Оценка степени восстановления изображения предлагаемым алгоритмом осуществлялась путем вычисления дисперсии и коэффициента корреляции по кривым 1—2 и 1—3 согласно [4].
Проведенная оценка показала, что алгоритм восстановления изображения из искаженного позволяет
Библиографический список
1. Зубарь, А. В. Программно-аппаратная реализация оптикоэлектронной стереосистемы определения дальности / А. В. Зубарь, В. А. Майстренко, К. В. Кайков // Омский научный вестник. - 2013. - № 3 (123). - С. 273-277.
2. Гонсалес, Р. Цифровая обработка изображений в среде МЛТЬЛВ / Р. Гонсалес, Р. Вудс, С. Эддинс. - М. : Техносфера, 2006. - 616 с.
3. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. - М. : Техносфера, 2005. - 1072 с.
4. Быков, Р. Е. Основы телевидения и видеотехники : учебник для вузов / Р. Е. Быков. - М. : Горячая линия - Телеком, 2006. - 399 с.
МАЙСТРЕНКО Василий Андреевич, доктор технических наук, профессор (Россия), заведующий кафедрой «Средства связи и информационная безопасность» Омского государственного технического университета (ОмГТУ).
МАЙСТРЕНКО Владимир Васильевич, инженер кафедры «Средства связи и информационная безопасность» ОмГТУ.
ПИВОВАРОВ Владимир Петрович, кандидат технических наук, заведующий кафедрой «Электрооборудование и автоматика» Омского филиала Военной академии материально-технического обеспечения (ОФ ВАМТО).
ЗУБАРЬ Алексей Владимирович, кандидат технических наук, старший преподаватель кафедры «Электрооборудование и автоматика» ОФ ВАМТО. КАЙКОВ Кирилл Владимирович, преподаватель кафедры «Электрооборудование и автоматика» ОФ ВАМТО.
Адрес для переписки: а1ехеу_2иЪаг@шаЦ. т
Статья поступила в редакцию 09.01.2014 г.
© В. А. Майстренко, В. В. Майстренко, В. П. Пивоваров,
А. В. Зубарь, К. В. Кайков
