Содержание к диссертации
Введение
Глава 1. Обзор методов цифровой обработки изображений 10
1.1. Компенсация неоднородности характеристик элементов матрицы 10
1.2. Выявление дефектных элементов матрицы и их замещение 13
1.3. Компенсация шума методом пространственной фильтрации 15
1.4. Компенсация шума методом временной фильтрации 18
1.5. Выделение контуров 19
1.6. Автофокусировка 26
1.7. Преобразование уровней яркости 29
1.8. Геометрическое совмещение 36
1.9. Мультиспектральное совмещение 39
1.10. Стабилизация 44
Выводы по главе 1 51
Глава 2. Совершенствование методов цифровой обработки изображений втепловизионных системах на основе микроболометрических матриц 52
2.1. Трехточечная многотабличная калибровка 52
2.2. Замещение дефектных пикселей при помощи фильтра размытия
2.3. Адаптивный алгоритм пространственной фильтрации 55
2.4. Адаптивный алгоритм временной фильтрации 57
2.5. Компенсация общего по всей строке или столбцу шума 60
2.6. Реализация алгоритма контрастирования 68
2.7. Модернизированный гистограммный метод регулировки уровней яркости 74
2.8. Анализ и компенсация неравномерности характеристик шума при интерполяции 77
2.9. Метод определения сдвигов и масштаба изображения при больших углах его поворота.
2.10. Панорамное изображение 90
Выводы по главе 2 94
Глава 3. Практическая реализация предложенных алгоритмов в тепловизионных системах 96
3.1. Обобщенная структурная схема реализованных тепловизионных систем 96
3.2. Портативный тепловизор «Сыч» 101
3.3. Миниатюрный тепловизор «Скопа» 104
3.4. Тепловизионный прицел «Шахин» 106
3.5. Тепловизионный модуль «Модуль МБ-2» 108
3.6. Двухспектральная система видеонаблюдения «Филин» 109
3.7. Термограф «Аврора» 111
Выводы по главе 3 113
Заключение 114
Список литературы 115
Приложение 1. Выступления 127
- Выявление дефектных элементов матрицы и их замещение
- Преобразование уровней яркости
- Замещение дефектных пикселей при помощи фильтра размытия
- Портативный тепловизор «Сыч»
Введение к работе
Актуальность. Одной из наиболее явных тенденций развития современных оптико-электронных систем визуализации, и, в частности, тепловизионных, является использование в их составе матричных приемников излучения. В последние годы все большее распространение в таких системах находят неохлаждаемые болометрические матричные приемники (микроболометры). Микроболометры, как правило, не требуют криогенной системы охлаждения, и, следовательно, тепловизионный модуль имеет меньшие энергопотребление, габариты и массу. Производство' микроболометрических матриц на основе оксида ванадия или на кремниевой основе значительно дешевле, чем охлаждаемых фотоприемников. Однако, применение матричных приемников излучения, в частности, микроболометрических, ведет к необходимости учета и компенсации ряда факторов, связанных с дискретностью структуры приемника, заметно влияющих на качество получаемых изображений. К ним относятся-искажения из-за дискретизации изображения наблюдаемой сцены, из-за неоднородности параметров и характеристик отдельных чувствительных элементов матричных приемников. К недостаткам микроболометрических матриц относится также высокий уровень шума.
Развитие современной микроэлектроники позволяет успешно внедрять методы коррекции изображения электронными средствами, в первую очередь, цифровые, основанные на использовании многоэлементных матричных приемников излучения и цифровых компонентов (аналого-цифровые и цифро-аналоговые преобразователи, интегральные схемы), осуществляющие обработку видеоизображения, полученного' в оптико-электронной системе в реальном масштабе времени. Наибольшие успехи в этой области связаны с широким распространением цифровой аппаратуры видео- и фотосъемки, а также с развитием алгоритмов сжатия для передачи в сетях информационной коммуникации и хранения видеоданных.
Возможность хранения цифрового изображения в памяти позволяет производить совмещение двух изображений, стабилизацию, построение панорамного изображения и другие операции.
Рис. 1. Обобщенная структурная схема современной<тепловизионной системы «смотрящего» типа с микроболометрической матрицей
На рис. 1 приведена обобщенная структурная схема современной тепловизионной системы «смотрящего» типа с микроболометрической матрицей. Применяемые микроболометрические матрицы снабжены системой поддержания температуры на подложке чувствительных элементов. Параметры работы матрицы-(уровень сигнала, чувствительность, внутренняя температура) задаются набором входных напряжений, поступающих с блока управления и питания матрицы. Для проведения-калибровки предусмотрен узел шторки, расположенный между объективом и матрицей. В некоторых системах предусмотрена система фокусировки по получаемому изображению. Микроболометрическая матрица формирует аналоговый' сигнал, который в дальнейшем оцифровывается на АЦП. Блок цифровой обработки сигнала производит обработку оцифрованного сигнала для дальнейшего его представления на встроенном дисплее или на внешнем
устройстве отображения. В данной диссертации блок цифровой обработки сигнала построен на базе программируемой логической интегральной схемы (ПЛИС), либо на базе цифрового сигнального процессора (Digital Signal Processor - DSP). Настройка и управление системой производится либо с пульта управления, либо с ПК через стандартные интерфейсы.
Требования к результатам цифровой обработки тепловизионного изображения, получаемого с микроболометрических матриц, очень часто аналогичны требованиям, предъявляемым к телевизионному изображению, несмотря на то, что качество изображений, получаемых с микроболометрических матриц, хуже, чем с фотоприемных матриц, работающих в видимом диапазоне. Цифровой обработке изображений в отечественной и зарубежной литературе посвящено большое число работ (У. Прэтт, Р. Гонсалес, Р. Вудс, Б. Яне, Д.А. Форсайт, Ж. Понс, С. Уэлстид, Д.С. Лебедев, В.А. Єойфер, И.И. Цуккерман, Л.П. Ярославский и многие другие). Тем не менее, развитые сегодня- методы цифровой обработки изображения, используемые в видео- и фототехнике, применительно к неохлаждаемым тепловизионным системам нуждаются < в существенном совершенствовании, что связано со сравнительно большой неоднородностью параметров и характеристик матричных микроболометров, нелинейностью их характеристик, высоким уровнем шумов и, как правило, низким контрастом самой* сцены. Необходимость коррекции и ослабления влияния-этих факторов на видеоизображение и определяет актуальность темы диссертации.
Целью работы является разработка алгоритмов цифровой- обработки, позволяющих улучшить качество тепловизионого видеоизображения,* получаемого при помощи микроболометрической матрицы.
Для достижения этой цели решались следующие задачи:
1. анализ и совершенствование методов компенсации неоднородности параметров и характеристик элементов микроболометрической матрицы;
разработка алгоритмов компенсации шумов- и образования высококонтрастных изображений, получаемых с помощью микроболометрической матрицы;
разработка метода определения взаимного сдвига, масштабирования и поворота двух кадров видеоизображения.
Методы исследования. Все разработанные методы и. алгоритмы были
предварительно протестированы на персональных компьютерах. В качестве
тестовых видеоданных применялись необработанные цифровыми методами
видеопоследовательности' записанные после оцифровки с
микроболометрической матрицы тепловизора. После тестирования на персональном компьютере алгоритм переносился на тепловизионные системы, разработанные в ОАО «ЦНИИ «Циклон». Для реализации* использовались либо язык С и C++ в среде программирования Texas* Instruments Code Composer Studio для DSP-процессоров TMS320C6200 и TMS320C6400, либо язык Verilog HDL в среде Xilinx ISE для ПЛИС Xilinx XC2S200hXC2VP4.
Научная новизна результатов диссертационных исследований состоит в следующем:
обосновано применение трехточечной многотабличной калибровки для существенного улучшения качества изображения в тепловизионных системах на основе микроболометрических матриц;
построена система алгоритмов (замещения дефектных элементов матрицы, компенсации шумов, повышения контраста, автофокусировки), использующая результаты применения общего для всех них. фильтра; что позволяет оптимизировать вычислительный процесс;
обнаружено наличие искажений равномерности по всему кадру дисперсии шумов после геометрических преобразований
(масштабирование, поворот); равномерно: зашумленных белым; шумом
изображений; .
разработан быстрый алгоритм автоматической регулировки уровней яркостей, который эффективен в случае обработки- изображений- с широким диапазоном яркостей;
разработан алгоритм» поиска и; коррекции геометрического? рассогласования двух кадров для произвольного угла их взаимного поворота.
Практическая ценность работы состоит в том, что в целях; улучшения качества изображения на выходе тепловизионых систем «смотрящего» типа; использующих микроболометрические матрицы, разработана и реализована целостная система алгоритмов цифровой обработки видеоизображения.
Основные положения, выносимые на защиту:?
1... многотабличная трехточечная калибровка>в тепловизионных системах с микроболометрами позволяет обеспечивать требуемое качество изображения в широком диапазоне температур наблюдаемых сцен;
для реализации ряда алгоритмов; (замещения дефектных элементов матрицы, компенсации шумов^ повышения контраста *. и автофокусировки) возможно использование общего фильтра размытия;
для компенсации искажений равномерности дисперсии шумовшо кадру после геометрических преобразований (масштабирование, поворот) равномерно* зашумленных белым шумом изображений возможно использовать; предложенный метод, основанный на использовании фильтра размытия;
. 4. предложенный быстрый'алгоритм автоматической регулировки уровней яркостей эффективен в случае обработки изображений с широким диапазоном яркостей;
5. используя алгоритм, основанный на сборе статистики по окружностям на изображении, можно найти геометрическое рассогласование двух кадров для произвольного угла их взаимного поворота;
Апробация работы. Основные положения докладывались на научно-практических конференциях международных форумов «Оптика-2006» и «Оптика-2007» и на международном форуме «Научная сессия МИФИ-2007» (12 докладов). Реализация алгоритмов была осуществлена на тепловизионных системах, разработаных в ОАО «ЦНИИ «Циклон» на базе DSP-процессора TMS320C6400 и ПЛИС Xilinx XC2S200, XC2VP4.
Публикации. По результатам диссертационной работы опубликовано 7 научно-технических статей [23 — 29]., из них одна в журнале, включенном в перечень ВАК [27].
Достоверность полученных в работе алгоритмов подтвердилась в процессе проводимых исследований и испытаний в ОАО «ЦНИИ «Циклон» в рамках ОКР: «Модуль МБ-2», «Филин», «Обзор-TMl», «Шахин», «Аврора», «Сыч-3», «Скопа-3» и др.
Объем и структура работы
Диссертационная работа состоит из введения, трех глав и заключения. Работа содержит 126 страниц машинописного текста, 62 рисунка. Список литературы включает 98 наименования.
Выявление дефектных элементов матрицы и их замещение
Практически все микроболометрические матрицы имеют несколько дефектных элементов, а иногда и целые дефектные строки или столбцы. Их проявление на изображении отвлекает оператора и может нежелательно повлиять на некоторые алгоритмы цифровой обработки. Дефектные элементы, как правило, проявляются на изображении в виде контрастных точек. Один из стандартных путей в цифровой обработки видеоизображений для борьбы с сильно контрастным шумом - является применение пространственного медианного фильтра [40, 75, 80, 84, 17, 18] (рис. 1.2 и 1.3).
Достаточно серьезным недостатком, делающим применение медианного фильтра недопустимым во многих системах наблюдения, является то, что в конечном итоге вместе с импульсным шумом пропадают и малоразмерные цели. Особенностью дефектных пикселов является тот факт, ЧТО4 они не перемещаются по матрице, а, следовательно, их влияние не является І шумом-(нет случайной составляющей). Вместе с тем, ручное их выделение - крайне кропотливый процесс и требует больших временных затрат. К тому же;.со временем, из-за, механических нагрузок и прочих агрессивных факторов на матрице могут появиться новые дефектные элементы. В связи с этим, необходимо производить определение дефектных элементов- автоматически. Это можно осуществить в процессе проведения калибровки.
Из выражений (1.1) видно, что значения. qx ( , д2 должны различаться, и их разность должна быть примерно того же порядка, что и соответствующие разности переменных Qx, Q2. Если это условие не выполняется, то данный элемент можно пометить как дефектный и erot значения не рассматривать в дальнейшей обработке. Однако проведение многоточечной калибровки- во многих случаях в процессе работы невозможно. При одноточечной калибровке можно определить дефектный элемент, если он выдает сигнал близкий к крайним значениям интервала сигналов (0 и насыщение). К числу дефектных также относят элементы, выдающие нестабильный сигнал, при одной и той же температуре наблюдаемого объекта. Такое поведение несложно выявить при одноточечной калибровке по значению дисперсии сигнала для-конкретного элемента.
Наиболее простой способ замещения, дефектного элемента - это замещение его сигнала, сигналом с соседнего пиксела. При выявлении дефектного пиксела, находится соседний рабочий- пиксел, значение которого, в дальнейшем, будет использоваться для. замены значения дефектного. Правило поиска реализуется как перебор элементов в некоторой окрестности, начиная от элементов ближайших к дефектному элементу, с последующим удалением от центра при отсутствии рабочего элемента в окрестности. Недостатком данного метода можно считать возникновение визуального эффекта смещения изображения объекта с рабочего элемента в сторону дефектного элемента, относительно всего остального изображения. Это особенно заметно на динамических видеоизображениях.
Понижение уровня шума (увеличение отношения сигнал/шум) является одной из основных задач цифровой обработки видеоизображения [1, 17, 18, 40, 43, 53, 75, 80, 83 — 86]. Снижение уровня шума повышает чувствительность оптико-электронной1 системы (ОЭС). Данная задача, как и все задачи компенсации привносимых искажений, решается путем построения (приближенной оценки) обратного преобразования для шума 0 = {0) и,(2 = 4 (69) (1.3) где О — искомое неискаженное изображение, Q - искаженное изображение, Ч — оператор искажения (зашумления) изображения, Т"1 - оператор обратный к Т. Статистическая природа шума играет определяющую роль в построении Ч "1. Компенсация шума отличается от компенсации других искажений тем, что шум нельзя точно определить, а можно лишь сделать его статистическую оценку. С некоторым приближением шум можно рассматривать как аддитивный некоррелируемый гауссовский шум с математическим ожиданием равным нулю Я У=ХІ+?У , (1.4) где х и g - исходная и зашумленная (получаемый сигнал) видеопоследовательность, - величина шума с математическим ожиданием М{) = 0 и дисперсией D{) = Т2 , / и j — индексы строки и столбца пиксела в матрице изображения, / - номер кадра. Различие в представлении изображения в (1.3) и (1.4) заключается в том; что под О понимается все изображение и зависимости (1.3) приводятся без уточнения связей между пикселами, а запись через qy уточняет, что рассматривается только текущий пиксел и влияние других частей изображения на него отсутствует. Компенсировать шум, описанный выражением (1.4), в общем случае, не зная особенностей изображения Q, невозможно.
У видеопоследовательности, в том числе и у тепловизионого изображения, есть две широко применяемых при фильтрации шумов и сжатии изображения особенности — это частая близость соседних значений qy на кадре и, как правило, малые изменения сцены от кадра к кадру. Эти две особенности дают основание предположить, что некоторые пикселы не зашумленной видеопоследовательности имеют близкие (практически равные) значения и, используя операцию усреднения (возможно с весами), можно найти оценку этого значения, уменьшив в результате этого дисперсию (величину) шума. Процесс усреднения по окрестности каждого пиксела изображения часто называют размытием, а простое усреднение между кадрами называется межкадровым накоплением.
У размытия в данном приложении есть недостаток, заключающийся в том, что резкие переходы яркостей изображения становятся более гладкими, а мелкие детали практически исчезают. Это приводит к уменьшению пространственного разрешения системы, что часто является более критичным, чем присутствие высокого уровня шума на видеоизображении. В современных работах [44, 52, 72, 76, 78] часто рассматриваются нелинейные фильтры основанных на применении нейронных сетей, одного для применения в современных системах визуализации перспектива их использования остается сомнительной.
Преобразование уровней яркости
При отображении: видеосигнала на монитор (на.средство отображения), для большинства сцен, пользователю желательно наблюдать изображение с достаточно высоким контрастом [33j 71, 60]. Это означает,.что изображение сцены.должно использовать практически весь доступный диапазон градаций яркости: Наибольшее распространение получили форматы, отводящие 8 бит: на градации серого (256 оттенков серого; от черного 0 до белого 255). Входное: изображение может отличаться от 8-разрядного. Например, цифровое: тепловизионное: видеоизображение получается В 12т ИЛИ; Г4-разрядном виде, часто изображение состоит из оттенков, в достаточно: небольшом интервале яркостей:
Наиболее простое: решение сводится к: поиску используемого интервала оттенков и применению г линейного отображения (пропорции); Даннышметод соответственно называется : линейным. Однако:- интервал может оказаться достаточно широким и . заметно: не равномерным по информативности (например;, изображение с очень ярким объектом на сложном:темном;фоне): При этом изображение практически будет состоять из двух оттенков: белого — для яркого" объекта и черного — для фона. Структура фона не будет видна. В этих случаях требуетсяшрименять более сложные методы.
Здесь рассматриваются методы, основанные только на: применении к исходному изображению общей для; всего изображения функции отображения (палитры) исходного сигнала в выходной (здесь и: далее: под сигналом понимается значение интенсивности изображения В: некоторой точке);. Эти методы состоят из. трех основных частей:: сбор? статистических данных (гистограммы); построение: функции; отображения: (палитры) по; анализу собранных статистических данных, применение функции, отображения; (палитры) к изображению. Количество пикселов, составляющих кадр, обычно значительно больше числа возможных градаций входного сигнала, следовательно вместо вычисления функции отображения для каждого пиксела изображения, требующей значительных вычислительных затрат (для большинства методов), применяется общая для всех пикселов функция отображения (палитра), представленная в виде таблицы преобразования входного сигнала в выходной.
Следует отметить, что аналитическая зависимость (1.16) имеет место для действительных чисел, а поскольку на практике эта функция применяется для дискретных значений, то целесообразно записать эти операции в целочисленном представлении. При использовании целочисленных операций деления, операция умножения на S-Sa должна идти до деления на Sb-Sa. Интервалы [5Я,5А] и [Са,СА] сравнимы, и следовательно, отношение К близко к единице, что не позволяет применять целочисленное деление для непосредственного вычисления К. Однако применение операции деления в теле цикла нерационально, целесообразнее реализовать К как число с фиксированной точкой, заменив деление на умножение. Это позволит эффективно реализовать функцию (1.16).
Критерии выбора границ, отображаемого интервала оттенков Sa и Sb, в линейном методе вызывают наибольшие проблемы. В связи со значимостью автоматической, а не ручной регулировки границ, алгоритм называется алгоритмом автоматического регулирования усиления (АРУ). Для конкретных приложений и приборов они могут сильно различаться. Чаще других используется подход со сбором гистограммы значений входного сигнала и выбор границ с отсечением определенного числа крайних пикселов (самых ярких и самых темных). Такое отсечение производится для снижения вероятности влияния дефектных пикселов на выходное изображение. Без него велика вероятность того, что со временем, при появлении дефектного пиксела на экране, изображение станет практически равномерно серым.
Если бы не надо было считать количество отсекаемых пикселов, то можно было бы и не собирать гистограммы, а просто определить минимальное и максимальное значение входного- сигнала; Задачу сбора гистограммы при необходимости можно оптимизировать по используемой-памяти, поскольку для работы- алгоритма не требуется вся гистограмма, а нужно лишь определенное число крайних значений. Однако на практике подобная оптимизация не применяется» так как значительно усложняет алгоритм, следовательно, снижает его надежность.
Сужение границ можно применять и для уменьшения числа выделяемых оттенков на объекты, которые предположительно нас не интересуют. Например, при наблюдении горячих объектов» целесообразно число отсекаемых ярких пикселов сделать как можно меньшим (достаточным для корректной работы), а число, отсекаемых темных всего в несколько раз меньше площади фона. Для наблюдения общей картины сцены имеет смысл производить отсечение очень горячих и холодных объектов. Сами эти объекты будут видны как. соответственно яркие или темные области, но средние температуры будут отображены более подробно.
Управляя шириной границ, сужая и расширяя их, можно вручную управлять контрастом изображения». В линейном методе яркость управляется путем смещения обеих границ в одну из сторон. Уменьшение значений границ соответствует повышению яркости, увеличение значений- границ — понижению яркости. Предполагается, что автоматическое определение границ должно работать наилучшим образом, и необходимости в ручной регулировке при требуемых условиях эксплуатации не должно возникать.
Замещение дефектных пикселей при помощи фильтра размытия
Данный подход к замещению дефектных элементов позволяет работать с группой соседних пикселов, не покрывающих всю маску. Для эффективной реализации была применена маска (1.7). Такая маска может быть разложена как произведение, а, следовательно, вычислена как последовательное применение маски размером 5 элементов сначала по строкам, а потом для получившихся значений аналогичной маской по столбцам.
Одновременное использование маски (1.7) при пространственной фильтрации и при замещении дефектных элементов позволяет вычислить данную свертку всего один раз, а не два для каждого из алгоритмов. Это приводит к тому, что выполнение предложенного замещения не будет требовать больше ресурсов, чем обычное замещение по соседу, если параллельно производиться вычисления фильтра (1.5) с маской (1.7) для пространственной фильтрации.
При применении пространственного фильтра размытия для снижения влияния шума резкие переходы яркостей изображения становятся более гладкими, а мелкие детали практически исчезают [2, 5, 50, 53]. Эта проблема решается проведением селекции (отбора) контрастных участков, для которых производится более слабое размытие или не производится вовсе [29, 45]. Для селекции применяется одна из карт (изображение, преобразованное некоторым оператором), отражающих локальную контрастность изображения, например, такие как карта локального значения дисперсии изображения, карта разности входного и размытого изображения, карта градиента или карта лапласиана. При селекции контрастных участков для исключения четко различимых границ между размытым (равномерные участки) изображением и не размытым (контрастные участки), предлагается проводить селекцию контрастных участков, применяя элементы нечеткой логики [52].
Из формулы (2.1) следует, что значение квантиля зависит только от дисперсии шума. Поэтому целесообразно заранее вычислить таблицу квантилей в зависимости от уровня дисперсии или же вычислять (корректировать) значения квантилей при изменении уровня шума. На практике, небольшое изменение уровня шума было замечено, только при изменении внутренней температуры работы микроболометрической матрицы, хотя возможно со временем эксплуатации, из-за износа чувствительных элементов, дисперсия шума может увеличиться. При вычислении значения коэффициента к1} деление заменяется умножением на обратную величину разности квантилей.
Проблема подобной фильтрации заключается в том, что изображения движущихся объектов характерно «размазываются». Выходом из этой ситуации может служить модифицированный способ обработки изображения: где #, +1 - элементы входного изображения (пиксели) / + 1 кадра, ql4 — обработанное изображение /- го кадра, ktJ — коэффициенты, выбираемые в, зависимости от скорости изменения яркости каждого пикселя [29].
Для оценки движения берется разница между полученным изображением на 7-м шаге и входным изображением на 7 + 1-м шаге. Коэффициенты накопления ku выбираются из соображений, что при сильных изменениях сигнала в пикселе от кадра к кадру в нем происходит движение на изображении, а, следовательно, накопление не используется. При малых изменениях меньше некоторого порога считается, что это шум и накопление применяется. Как и в предыдущем параграфе, для исключения возникновения резкой границы между подвижным и неподвижным изображением, вводится плавный переход в виде линейной зависимости.
Контрастные границы, по которым в тепловизионном изображении и происходит основное движение, в силу разных причин несколько размыты. Для исключения возникновения дефектов при их движении, желательно расширить зону влияния изменяющихся зон (на разности изображений). Это можно осуществить, применив маску наращивания, т.е. поиск максимума модуля разности по локальной подобласти. На рис. 2.2 показан кадр исходной видеопоследовательности, зашумленной белым шумом. Результат работы алгоритма показан на рис. 2.3. Межкадровое накопление применяется для повышения четкости изображения. Эта процедура производится до размытия, пока еще изображение не искажено геометрическими преобразованиями. После применения накопления следует учитывать, что дисперсия шума уменьшается, и, следовательно, при размытии следует применять это уменьшенное значение дисперсии. На практике накопления по времени для неподвижных участков сцены вполне достаточно. Пространственное размытие на участках, где накопление по времени не применялось, проблематично в том, что это могут быть контрастные зоны границ, а, следовательно, применение описанного алгоритма размытия практически не даст результата. Несмотря на это, совместное применение размытия и накопления все же возможно, например, при быстром движении или на начальных этапах работы алгоритма, когда не успевает накопиться достаточное количество информации.
При работе многих тепловизионных приборов было замечено значительное преобладание коррелированного шума по столбцам и строкам, имеющего вид полос, над прочими шумами (рис. 2.4). Указанные выше фильтры не способны удалить эти полосы без потери качества изображения. Они приводят к размыванию изображения и потере мелких объектов и контрастных границ. Для ликвидации шума по столбцам и строкам разработан специализированный зашумленное изображение алгоритм, описанный ниже.
Алгоритмы, производящие компенсацию шумов выраженных по столбцам и по строкам выполняются по отдельности. Все ниже представленные формулы будут выведены для работы по строкам матрицы, с целью удаления горизонтальных полос. Для работы по столбцам формулы будут аналогичными.
Портативный тепловизор «Сыч»
Портативный тепловизор «Сыч-3» предназначен для круглосуточного поиска и наблюдения объектов в простых и сложных метеоусловиях и в условиях искусственных помех при осуществлении контроля заданной территории, проведения поисково-спасательных работ, выявлении очагов возгорания. Возможность подключения внешнего источника питания и монитора позволяет использовать «Сыч-3» в стандартном или мобильном варианте.
Комплекс позволяет определить дальность до объекта, его географические координаты и отобразить местоположение объекта на карте на экране навигатора. В состав комплекса входит: 1. портативный тепловизор «Сыч-3», 2. лазерный дальномер PLRF15C фирмы «Vectronix» (Швейцария), 3. портативный GPS навигатор GPSMAP бОСх фирмы Garmin (США). Портативный тепловизор «Сыч-2» Формат матрицы, пикселов 320x240 Фокусное расстояние объектива, мм 50 / 100 Поле зрения, град 11,0x83,2 / 7,7x5,8
Миниатюрный тепловизор «Скопа-3» предназначен для круглосуточного поиска и наблюдения объектов в простых и сложных метеоусловиях и в условиях искусственных помех при осуществлении контроля заданной территории, проведения поисково-спасательных работ, выявлении очагов возгорания. Применяемые алгоритмы: 1. пространственная фильтрация, 2. замещение дефектных пикселов, используя размытие (общего для пространственного фильтра), 3. фильтрация общего по столбцу шума, 4. гистерезисное накопление, 5. линейный и модифицированный гистограммный (по выбору) алгоритмы автоматического регулировки уровней яркости (выбор метода при наладке прибора).
Двухспектральная система, построенная по коаксиальной схеме, позволяет обнаруживать и вести наблюдение за объектами одновременно в видимом и длинноволновом инфракрасном диапазонах. Система применяется в составе мобильных комплексов противовоздушной обороны. Выполняет задачу обнаружения летящих объектов на средних расстояниях в любое время суток.
Применяемые алгоритмы: 1. выделение контуров (малоразмерных объектов), 2. замещение дефектных пикселов, используя размытие общего с алгоритмом выделения контура, 3. адаптивное межкадровое накопление, 4. линейный и модифицированный гистограммный (по выбору) алгоритмы автоматического регулировки уровней яркости. 5. совмещение тепловизионого и телевизионного изображения 6. алгоритм поиска точечных целей, для помощи оператору в обнаружение слабоконтрастных целей.
Термограф «Аврора» предназначен для бесконтактного контроля температуры устройств железнодорожной автоматики и телемеханики (ЖАТ) для своевременного выявления повышения температуры контактов и узлов ЖАТ, что позволит в конечном итоге исключить выход из строя аппаратуры ЖАТ. Дополнительно к функциям тепловизора добавляются получение температурной сетки и запись ее на Flash-карту и передача ее по интерфейсу USB 2.0.
Разработанные в диссертации алгоритмы позволили расширить функциональные возможности тепловизионных систем и комплексы «Сыч», «Скопа», «Модуль-МБ2», «Шахин», «ОбзорMl», «Филин», «Аврора».
Практически подтверждена возможность реализации алгоритмов на тепловизионных системах, разработанных в ОАО «ЦНИИ «Циклон» на базе DSP-процессоров TMS320C6200, TMS320C6400 и ПЛИС Xilinx XC2S200, XC2VP4.
