Реферат: Методы и средства цифровой коррекции изображения в оптико-электронных системах визуализации

– искомый вектор параметров.

В качестве функции взята линейная зависимость:

.

Параметры преобразования (такие, как и ) находятся из условия минимизации разницы между результирующим изображением и предполагаемым

.

Предполагаемое изображение находится путем аппроксимации значений соседних с элементов, считая, что значения элементов рассматриваемой полосы не известны. Задача решается методом наименьших квадратов. Для ограничения искажения всей полосы из-за влияния контрастных границ на результаты вычислений вводятся ограничения на разность яркости рассматриваемых пикселей.

На основе анализа линейного и гистограммного методов регулировки уровней яркости предлагается новый метод, компенсирующим основные недостатки каждого из них. При этом простота метода, по сравнению с гистограммным методом, сохраняется. Он позволяет уменьшить влияние шума и снизить влияние больших однотонных зон, обеспечивая контраст между двумя объектами с различной яркостью. Это достигается введением верхних и нижних ограничений контраста. На основе этого предложения был разработан быстрый алгоритм, позволяющий реализовать данный метод со скоростью, сравнимой со скоростью реализации гистограммного метода. Новый алгоритм основан на сборе гистограммы от гистограммы уровней сигнала по одному кадру. Полученное изображение для восприятия человеком лучше или, в крайнем случае, не хуже, чем при использовании линейного или гистограммного методов.

При масштабировании, повороте и прочих аффинных преобразованиях изображения широко применяются различные интерполяционные функции. При масштабировании в нецелое число раз видеопоследовательности, имеющей высокий уровень шума, появляется «сетка» чередующихся зон с высоким и низким уровнями шума. Различия между этими двумя зонами могут быть незначительными, однако в связи с периодичностью и отсутствием передвижения этих зон при движении сцены эта «сетка» хорошо различима и может отвлекать внимание оператора. Этот эффект возникает из-за особенностей интерполяции при масштабировании и повороте. Переход от линейной функции интерполяции к кубической не устраняет этот эффект. В диссертации предлагается метод интерполяции, который осуществляется путем вычисления взвешенного среднего (с динамически изменяемыми весовыми коэффициентами):

,

где – значение яркости в пикселе старого изображения, – значение яркости в пикселе нового, масштабированного, изображения, – область, по которой производится интерполяция (близлежащие точки), индекс пиксела связан с областью (с индексами ) заданным пространственным преобразованием, – интерполяционные коэффициенты, такие, что . Индекс можно рассматривать как некоторое представление новых координат, а индекс – старых. Рассматривается аддитивный некоррелируемый гауссовский шум с математическим ожиданием, равным нулю. В этом случае сигнал можно представить в виде:

,

где и – незашумленная и зашумленная (получаемая) видеопоследовательности, – величина шума с математическим ожиданием и дисперсией , – индекс пиксела в рассматриваемой строке матрицы изображения, – номер кадра. При условии некоррелируемости шума выражение для дисперсии по времени для преобразованного изображения примет вид:

.

Поскольку повысить резкость в размытых интерполяцией областях мы не можем, то, соответственно, для равномерности дисперсии шума искусственно «размоем» изображение в областях, не подверженных интерполяционному размытию. Поскольку размытие при интерполяции не велико, то и дополнительное местное размытие не должно сильно повлиять на изображение. Такое незначительное размытие может уменьшить влияние шумов, так как его можно рассматривать как низкочастотный фильтр. В работе представлено два примера построения подобных нелинейных фильтров.

Поиск пространственного взаимного рассогласования двух изображений является одной из основных частей алгоритмов геометрической стабилизации изображения, построения панорамного изображения, совмещения изображений. В работе предложен метод, рассчитанный для работы при произвольном угле взаимного поворота изображений.

Наиболее простой способ нахождения параметров поворота, смещений и масштабирования заключается в переборе некоторых возможных их сочетаний. Этот подход очень затратен по времени. Статистический анализ по столбцам и строкам позволяет оптимизировать только работу со смещениями и масштабированием, но работает нестабильно при движении и требует проверки ответа. Для каждого угла возможного угла поворота необходимо проводить всю процедуру заново. Такой метод пригоден для работы с малыми углами отклонения. При больших углах поворота он становится трудоемок.

Предлагается использовать значения сигналов и статистические моменты, собранные по кольцу (группе окружностей) с радиусами на изображении , где ‑ непрерывная функция, интерполирующая дискретное изображение . С каждым таким кольцом можно связать матрицу , где изменяеться с шагом , т.е. (где ), а индекс (где ). Элементы матрицы определяются интерполяционно, например, по билинейной интерполяции.

С кольцом свяжем ряд полезных в дальнейшем числовых характеристик:

математическое ожидание значений яркости внутри кольца –

;

дисперсия значений яркости внутри кольца –

;

момент инерции значений яркости на кольца –

,

где ,

.

Заметим, что при вращении изображения на произвольный угол вокруг пикселя значения числовых характеристик , , кольца не меняются по значению, так как при вычислении , и просто циклически меняется порядок суммирования.

Сначала ищутся три числа , и , которые характеризуют распределение значений яркости вокруг пикселя и которые инвариантны относительно поворотов вокруг пикселя . На практике равенство следует рассматривать как некоторый допустимый интервал значений. Таким образом , и на первом кадре в точке должны быть близки аналогичным значениям , и на втором кадре в соответствующей точке .

Поиск угла и смещения находится перебором путем сравнения эталонного кольца с выбранным. Для оптимизации работы на выбранном кольце число точек может быть существенно меньше, чем на эталонном. Подходящими значениями будем считать те значения смещений и поворота, при которых обеспечивается максимальная корреляция (либо минимальное рассогласование изображений по выбранной норме).