Содержание к диссертации
Введение
Глава 1. Анализ современных методов цифровой обработки и коррекции тепловизионных изображений 11
1.1. Физические и технические основы тепловизионной техники 12
1.2. Информативные признаки тепловизионных изображений 24
1.3. Формы компьютерной обработки и распознавания изображений 26
1.4. Основные методы цифровой обработки и коррекции тепловизионных изображений 31
Глава 2. Разработка и совершенствование современных методов цифровой обработки и коррекции тепловизионных изображений 46
2.1. Разработка метода моделирования тепловизионных изображений 47
2.2. Решение проблемы обнаружения объектов на слабоконтрастных тепловизионных изображениях 48
2.3. Эффективные методы подавления шума на тепловизионных изображениях 53
2.4. Методы шумоподавления на основе вейвлет-преобразования 69
2.5. Скелетизация и сегментация объектов на тепловизионных изображениях 79
Глава 3. Методы сжатия тепловизионных изображений 87
3.1. Применение цифровой обработки для сжатия тепловизионных изображений - 88
3.2. Сжатие тепловизионных изображений методом обработки в пространственной области 93
3.3. Сжатие тепловизионных изображений с использованием ковариационной матрицы 97
3.4. Вейвлетное сжатие тепловизионных изображений 105
Глава 4. Технология и приемы обработки тепловизионных изображений 121
4.1. Статистические методы распознавания объектов на тепловизионном изображении 122
4.2. Алгоритм восстановления внутренней структуры объекта 126
4.3 Применение нечеткой логики для обработки изображений 128
4.4. Обработка тепловизионных изображений модифицированными методами . 134
Выводы по главе 4 136
Заключение 137
Список литературы 138
Приложение А 146
- Информативные признаки тепловизионных изображений
- Решение проблемы обнаружения объектов на слабоконтрастных тепловизионных изображениях
- Сжатие тепловизионных изображений методом обработки в пространственной области
- Алгоритм восстановления внутренней структуры объекта
Введение к работе
Актуальность темы. В настоящее время обработка тепловизионных (тепловых, термографических) изображений является важным направлением применения современной вычислительной техники. Она находит применение в самых различных областях науки и техники: обработка информации со спутников, сканирующих земную поверхность с целью составления карт местности, при использовании нескольких частотных диапазонов, включающих как инфракрасные, так и видимые диапазоны, что позволяет достичь лучших результатов; обработка данных в системах обнаружения и целеуказания объектов и их идентификации; контроль соблюдения температурных параметров технологических процессов и тепловых режимов функционирования различных электронных систем; обработка биологических параметров человека в медицинских исследованиях.
Известны такие задачи обработки изображений, как линейная и нелинейная фильтрация, восстановление и сегментация изображений, сжатие информации для передачи по каналам связи. Проблемы распознавания изображений, кроме классической задачи распознавания фигур заданной формы на изображении, ставят новые задачи распознавания линий, краев и углов на изображении. Еще один аспект проблемы связан с включением текстурного анализа и сегментации зашумленных изображений в процесс вейвлет-кодирования. Наконец, не известны результаты практического применения известных подходов в реальных системах телевидения.
Задача любой (в том числе и тепловизионной — ТПС) системы, формирующей изображение, заключается в создании резкого, чистого изображения, свободного от шумов и искажений. Это всегда представляет определенные проблемы. Во-первых, каждая реальная система формирования изображений обладает некоторыми ограниченными возможностями; импульсная характеристика реальной системы имеет конечную длительность, что приводит к неизбежному снижению разрешающей способности. Если на изображении необходимо выделять важные детали, размер которых близок к длительности импульсной характеристики, то необходимо увеличивать разрешение. Так, например, с тепловизионной системы (тепловизоров, ИК-приемников) самолетов и вертолетов приходят снимки достаточно хорошего качества, но операторы, изучающие их, всегда пытаются увидеть на них объекты (например, танки, людей), искаженные в силу ограниченного разрешения камер. Во-вторых, изображения могут быть испорчены из-за определенного стечения обстоятельств съемки. Можно принять все меры предосторожности, чтобы получить высококачественные изображений, но какая-то часть их окажется испорченной либо за счет движения объекта или камеры, либо из-за плохой фокусировки и т.д. Среди некачественных изображений всегда находятся столь важные или настолько редкие, что стоит пытаться улучшить их качество. Устранение искажений относится к задачам восстановления (повышения резкости) изобраоюетш [1-6].
В теории и практике проектирования тепловизионных систем немаловажную роль играет моделирование тепловизионных изображений. Яркость тепловизионных изображений зависит как от распределения температуры по поверхности наблюдаемого объекта, так и от коэффициента излучения и ориентации визируемых элементов его поверхности — его формы. Кроме того, качество тепловизионного изображения зависит от передаточных характеристик приемника и всех звеньев тепловизора. Крупномасштабные исследования показали, что тепловизионное изображение — носитель большого количества информационных параметров. Обработка этих параметров остается до настоящего времени сложной задачей. Множество готовых решений из области обработки изображений в авиакосмической, радиоастрономической и медицинской информации не получили в тепловидении широкого распространения. Это связано с рядом специфических особенностей, характерных для тепловизионных изображений. Главное отличие — информация, заложенная в тепловизионных изображениях, носит в основном статистический (вероятностный) характер.
Среди прочих следует отметить следующие:
• зашумленность полезных сигналов аддитивными помехами;
• недостаточную контрастность изображений;
• наличие геометрических искажений в структуре изображения;
• нестационарный характер информационной насыщенности полезных сигналов;
• проявление специфических шумов мультипликативного характера, связанных с флуктуациями излучательно-поглощающих свойств обнаруживаемых и исследуемых объектов.
Следствием отмеченного является то, что при автоматизированной цифровой обработке тепловизионных изображений зачастую необходимо применять вероятностные методы.
Основные методы и алгоритмы автоматизированной цифровой обработки тепловизионных изображений включают в себя: низкочастотную фильтрацию шумов; нелинейную фильтрацию (кепстральную или гомоморфную обработку); выделение контура объекта с сохранением границ его внутренних областей; рекурсивное восстановление внутренней структуры объектов; сжатие изображений, элементы распознавания на основе обработки статистических параметров. Требования к результатам цифровой обработки тепловизионного изображения, получаемого с матричных систем, очень часто аналогичны требованиям, предъявляемым к телевизионному изображению, несмотря на то, что качество изображений, получаемых с тепловизоров, хуже, чем с фотоприемных матриц, работающих в видимом диапазоне.
Разработке эффективных представлений и моделей изображений и методов их цифровой обработки уделено большое внимание в работах зарубежных и отечественных ученых и специалистов: Прэтта У., Павлидиса Т., Бонгарда М.М., Вудса Р.Е., Гонсалеса Р.С, ФайнаВ.С, Нарасимхана Р., Сойфера В.А., Розенфельда А., СтокхэмаТ., Сэломона Д., Фримена X., Фу К., Харалика P.M., Фурмана Я.А., Журавлева Ю.И., Цуккермана И.И., Ярославского Л.П., Ковалевского В.А., Лебедева Д.С. и многих других. Тем не менее, развитые сегодня методы цифровой обработки изображений, используемые в телевидении, видеотехнике, применительно к тепловизионным системам нуждаются в существенном совершенствовании, что связано со сравнительно большой неоднородностью параметров и характеристик тепловизоров, нелинейностью их характеристик, высоким уровнем шумов и низким контрастом изображения. При этом практически отсутствуют данные при сжатии тепловизионных изображений, искаженных мультипликативным шумом. Необходимость коррекции и ослабления влияния этих факторов на тепловизионное изображение, сжатие при их передаче по каналам связи и определяет актуальность темы диссертации.
В качестве исходной информации используется сигнал полутонового изображения, преобразованного в цифровую форму. Обработка таких изображений (земной поверхности, медицинских объектов и др.) сейчас выполняется в основном в интерактивном режиме. Разработан большой спектр методов, применение которых для конкретной задачи определяется оператором на базе различных эвристических предпосылок и интуиции. Из-за сложности исходной информации представляется трудным проведение какой-либо формализации обработки изображений данного типа.
Итак, можно выделить следующие перспективные направления исследований в области цифровой обработки тепловизионных изображений:
• создание новых оптимальных методов низкочастотной и нелинейной (кепстральная или гомоморфная обработка) фильтрации шумов;
• фильтрация шумов и сегментирование с использованием математического аппарата нечеткой логики;
• разработка высокоэффективных (по скорости и качеству) методов предварительной обработки и сегментации изображений; • создание методов выделения контура объекта с сохранением границ областей и рекурсивным восстановлением внутренней структуры;
• разработка эффективных методов сжатия изображений;
• разработка методов выделения и распознавания объектов изображений.
В последние годы быстро развиваются системы передачи и обработки тепловизионной информации. На этом фоне важным является решение вопросов устранения информационной избыточности, улучшения алгоритмов сжатия и восстановления изображений и разработки эффективных вычислительных процедур для реализации этих алгоритмов. Сжатие актуально для повышения как скорости передачи, так и эффективности хранения изображений.
Развитие современной микроэлектроники позволяет успешно внедрять методы коррекции и улучшения изображения электронными средствами, в первую очередь, цифровые, основанные на использовании матричных приемников излучения и цифровых компонентов, осуществляющие обработку тепловизионного изображения, полученного в реальном масштабе времени. Наибольшие успехи в этой области связаны с широким распространением цифровой аппаратуры в структуре тепловизоров, а также с развитием алгоритмов обнаружения, выделения и сжатия для передачи в сетях связи. Возможность хранения цифрового изображения позволяет производить совмещение двух изображений, стабилизацию, построение панорамного изображения и другие операции.
Решение этой серьезной научной проблемы определяет актуальность диссертационной работы, направленной на создание новых методов низкочастотной и нелинейной фильтрации; разработку высокоэффективных (по скорости и качеству) методов предварительной обработки; создание методов выделения контура объекта с сохранением границ его внутренних областей и последующим рекурсивным восстановлением внутренней структуры; выделения и распознавания объектов; проектирование сигнальных процессоров для обработки изображений, а также с развитием алгоритмов обнаружения, выделения, сжатия для систем передачи и хранения видеоданных, что послужит интересам всех отраслей экономики страны.
Целью работы является усовершенствование существующих и разработка новых методов, алгоритмов и методик цифровой обработки, позволяющих улучшить качество передаваемого по каналам связи тепловизионного изображения.
В соответствии с поставленной целью в диссертационной работе рассмотрены и предложены:
• существующие методы обработки тепловизионных изображений, включая способы обнаружения объектов, выделения границ и областей изображения; • создание новых методов низкочастотной (включая использование математического аппарата нечеткой логики) и нелинейной фильтрации шумов;
• разработка высокоэффективных (по скорости и качеству) методов повышения контрастности и сегментации изображений;
• новые методики сегментации зашумленных изображений в процессе вейвлет обработки;
• программный продукт, реализующий представленные разработки;
• разработка эффективных методов сжатия изображений;
• разработка методов выделения и распознавания объектов изображений.
Методы исследования. В работе использованы методы системного анализа, сегментации изображений, морфологической обработки, методы сжатия изображений, дифференциальных и интегральных преобразований, теории вероятности и математической статистики, математического моделирования и аппарат нечеткой логики, основы системного программирования.
Научной новизной обладают следующие результаты:
• способы обнаружения объектов, выделения границ и областей тепловизионного изображения;
• созданные новые оптимальные методы вейвлетной, низкочастотной и нелинейной фильтрации шумов;
• новые методики сегментации зашумленных изображений;
• новые методы сжатия зашумленных изображений;
• программный продукт, реализующий представленные разработки;
• система алгоритмов (компенсации шумов, повышения контраста, сегментации), использующая результаты применения общего для всех них фильтра, что позволяет оптимизировать вычислительный процесс.
Практическая ценность работы состоит в улучшении качества изображения на выходе тепловизионных систем, в разработке и реализации целостной системы новых эффективных методик и алгоритмов цифровой обработки тепловизионного изображения. Эффективность предложенной методики заключается в сокращении на целый порядок количества вычислительных операций и увеличения качества восстановленного после сжатия изображения по сравнению с традиционными алгоритмами.
Структура разработанных алгоритмов сжатия предоставляет разработчикам возможность эффективной программно-аппаратной реализации на различных типах вычислительных систем. Предложенные способы обработки изображений могут быть использованы в системах передачи, обработки и хранения графической информации, а результаты диссертационного исследования можно рекомендовать для внедрения в учебный процесс. Разработанные алгоритмы допускают относительно легкую модификацию и могут широко использоваться в практических приложениях как для задач сжатия, так и задач передачи данных по каналам связи.
Основные научные положения, выносимые на защиту:
1. Новые методы и алгоритмы обнаружения объектов, выделения границ и областей слабоконтрастного тепловизионного изображения;
2. Оптимальные методы вейвлетной, низкочастотной линейной (включая использование математического аппарата нечеткой логики) и нелинейной фильтрации шумов;
3. Новые методики сегментации зашумленных изображений;
4. Алгоритмы сжатия тепловизионных изображений, учитывающие специфику искажений и позволяющие построенным на их основе цифровым устройствам функционировать в реальном масштабе времени.
5. Программные продукты, реализующие разработанные методы и алгоритмы в реальном масштабе времени.
Научной новизной обладают следующие результаты.
• методы и алгоритмы обнаружения объектов, выделения границ и областей тепловизионного изображения;
• оптимальные методы низкочастотной линейной (включая использование математического аппарата нечеткой логики) и нелинейной фильтрации шумов;
• новые методики сегментации зашумленных изображений;
• новые методы сжатия зашумленных изображений;
• программные продукты, реализующие разработанные методы и алгоритмы в реальном масштабе времени.
Внедрение результатов работы. Результаты работы внедрены в учебном процессе в МИРЭА и использованы в ОАО «Концерн радиостроения «Вега», НИИКС филиале ГКНПЦ им. М.В. Хруничева, институте общей физики им. A.M. Прохорова Российской академии наук.
Достоверность основных теоретических положений и выводов, полученных в работе, подтверждается сопоставительным анализом разработанных и существующих методик и алгоритмов, а также итогами проведения вычислительного эксперимента и компьютерного моделирования, совпадением результатов работы с данными, полученными другими авторами, а также актами о внедрении и использовании научных и практических результатов диссертации. Теоретические положения, полученные в работе, обосновываются последовательным и корректным применением математического аппарата при выводе аналитических выражений. Достоверность результатов экспериментального исследования обеспечена большим объемом экспериментального материала, который соответствует прогнозируемым данным, а также выбором надежных критериев при построении алгоритмов обработки информации и наглядностью интерпретации полученных практических результатов.
Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались с 2006-го по 2010 год на научно-технических конференциях и семинарах в Московском государственном институте радиотехники, электроники и автоматики (техническом университете), Московском энергетическом институте (техническом университете), на конференциях и заседаниях НТОРЭС им. А.С. Попова, на международных и Всероссийских научно-технических конференциях.
Публикации. Результаты проведенных в диссертации теоретических исследований и экспериментов опубликованы автором более чем в 20 работах: 2 статьях в ведущих научных журналах и изданиях, выпускаемых в Российской Федерации и рекомендуемых ВАК для публикация основных материалов диссертаций, представляемых на соискание ученой степени кандидата технических наук; 11 статьях в сборниках трудов международных научно-технических конференций; 7 статьях в научно-технических сборниках издательств МИРЭА и других высших учебных заведений и научно-исследовательских институтов.
Структура и объем диссертации. Работа состоит из введения, четырех разделов, заключения, 3 приложений, списка литературы, включающего 125 наименований; содержит 158 страниц текста, 46 рисунков и 9 таблиц.
Информативные признаки тепловизионных изображений
При измерении радиационной температуры объектов в измерительных ТВП используются различные эталонные ИК-излучатели, в то время как телевизионные системы измерительного типа строятся на других принципах. Отсутствие в тепловизионных приборах возможности создать аналог телевизионного «уровня черного» заставляет искать оригинальные схемно-технические решения, характерные только для матричных ТВП.
Несмотря на обязательное требование борьбы с помехами, вызванными структуризацией изображения матрицей, практические результаты в ИК области невелики. Поэтому выявление закономерностей влияния характеристик ИК матричного фотоприемника на особенности регистрации в тепловизорах является весьма актуальной задачей. Конечная практическая цель такого исследования состоит в выработке рекомендаций по уменьшению влияния структурных помех на эффективность использования ИК приборов при решении задач обнаружения, распознавания и измерения параметров теплового излучения природных и антропогенных объектов. Эффективность теплопеленгационных приборов при обнаружении точечных целей характеризуется вероятностью правильного обнаружения при заданном уровне ложных тревог, вычисляемых на основе оценок значений отношения сигнал-шум. Степень эффективности применения измерительных ИК приборов оценивается на основе определения величины погрешности измерения радиационной температуры объектов при дистанционном зондировании.
Из каждого аналогового тепловизионного изображения J{x,y), соответствующего данному моменту времени, получают цифровое изображение F(ij), выполняя пространственное разбиение изображений и дискретизацию по уровню серого. Таким образом, изображение воспроизводится в виде матрицы, каждый элемент F(ij) которой соответствует точке изображения и называется элементом изображения. Для записи результатов наблюдения используются матрицы размером 256x256 (либо 256x512), под запись каждого элемента изображения отводится 8 бит. Каждая из таких матриц соответствует одному полукадру.
Одним из самых информативных признаков отдельных областей объекта является структура его теплового поля T(X,Y,Z), где X ,Y, Z — пространственные координаты. Дистанционное исследование этого поля может быть выполнено при помощи тепловизоров, регистрирующих инфракрасное излучение E(X,Y,Z,X) от поверхности, которую можно описать следующим уравнением IJ(X,Y,Z) = 0. Связь излучения E(X,Y,Z, X) с полем T(X,Y,Z) зависит от состоянием поверхности S(A,), где Я - длина волны излучения, и описываетсязаконом Планка [20].
При обнаружении и распознавании объектов конечных размеров по их ИК изображению, решаемых с помощью тепловизионных приборов, необходимо осуществлять регистрацию предельно малых оптических контрастов — пороговых сигналов (чувствительность и уровень собственных шумов), в области предельно высоких пространственных частот. В то же время, основные параметры ИК фотоприемника, определяющие величину этого порогового сигнала, существенным образом зависят от величины падающего на него лучистого потока от наблюдаемого объекта. Применяемые в традиционном телевидении методы коррекции сигналов и обработки изображений не дают такого же эффекта в тепловидении из-за необходимости обрабатывать именно пороговые сигналы, соизмеримые с внутренними шумами тепловизора.
При тепловизионном обнаружении малоразмерных объектов целей решается задача обеспечения максимально высокого значения отношения сигнала/шум за счет применения оптимальной фильтрации, сопровождающемся разрушением цельного образа объектов конечных размеров. Основная проблема в теплопеленгации связывается с обеспечением требуемой вероятности правильного обнаружения малоразмерных целей на максимальной дальности в присутствии совокупности внутренних шумов и естественных фоновых и организованных антропогенных помех[21].
Компьютерная обработка и распознавание изображений представляет собой быстро развивающуюся отрасль [5]. Компьютерная обработка изображений предполагает обработку цифровых изображений с помощью компьютеров или специализированных устройств, построенных на цифровых сигнальных процессорах. При этом под обработкой те-пловизионных изображений понимается не только улучшение зрительного восприятия изображений, но и классификация объектов, выполняемая при анализе изображений.
Области применения цифровой обработки в настоящее время значительно расширяются, вытесняя аналоговые методы обработки сигналов изображений. Методы цифровой обработки широко применяются в промышленности, искусстве, медицине, космосе. Они применяются при управлении процессами, автоматизации обнаружения и сопровождения объектов, распознавании образов и во многих других приложениях. Цифровая передача тепловизионных изображений с космических аппаратов, цифровые каналы передачи сигналов изображений требуют обеспечения передачи все больших потоков информации. Если при передаче цифрового сигнала цветного телевидения необходимо передавать потоки порядка 216 Мбит/с, то для передачи телевидения высокой четкости скорость передачи должна составлять порядка 1 Гбит/с. Формирование изображений, улучшение качества и автоматизация обработки медицинских изображений, включая изображения, создаваемые электронными микроскопами, рентгеновскими аппаратами, томографами и т.д., являются предметом исследования и разработки. Сегодня в медицинской технике широко применяются системы формирования изображения, его преобразования в цифровую форму, визуализация и документирование путем введения в компьютер изображений с помощью специализированных устройств захвата видео. Автоматический анализ в системах дистанционного наблюдения широко применяется при анализе местности, в лесном хозяйстве, например, для автоматического подсчета площади вырубок, в сельском хозяйстве для наблюдения за созреванием урожая, при разведке, в системах противопожарной безопасности. Контроль качества производимой продукции выполняется благодаря автоматическим методам анализа сцен.
Компьютерная обработка изображений применяется в задачах экспертизы живописи неразрушающими методами. Для восстановления старых фильмов применяются методы автоматической компенсации дефектов видеоматериала, полученного после преобразования киноизображения в видео. Трудно представить область деятельности, в которой можно обойтись без компьютерной обработки изображений. Интернет, сотовый телефон, видеокамера, фотоаппарат, сканер, принтер — немыслимы без компьютерной обработки изображений. При компьютерной обработке изображений решается широкий круг задач: улучшение качества; измерение параметров; спектральный анализ многомерных сигналов; распознавание сжатие изображений.
В настоящее время актуальной является задача обработки изображений в инфракрасном диапазоне [10]. Она находит применение в самых различных областях науки, техники. Основными направлениями являются: контроль соблюдения температурных параметров технологических процессов и тепловыми режимами функционирования различных электронных систем; обработка информации со спутников, сканирующих земную поверхность для составления карт местности, с использованием нескольких частотных диапазонов, включающих как инфракрасные, так и видимые диапазоны, что позволяет достичь лучших результатов; обработка данных в системах обнаружения объектов, целеуказания, отслеживания объектов и идентификации; обработка биологических параметров человека в медицинских исследованиях, в частности при исследовании состояния кровеносной системы.
В процессе получения тепловизионных изображений неизбежны различные искажающие факторы, влияющие на их качество. Источник этих искажений может лежать как в самом алгоритме получения изображения (если изображение представляет собой результат реализации тех или иных алгоритмов цифровой реконструкции), так и в несовершенстве устройств ввода-вывода, имеющих часто нелинейные характеристики передачи уровня сигнала. Методы повышения информативности тепловизионных изображений устраняют негативные искажения, такие как недостаточная контрастность, искаженные яркост-ные характеристики и высокая зашумленность. Методы повышения информативности включают в себя: увеличение контраста, повышение резкости, фильтрацию шумов, сегментацию изображений и т.д.
Решение проблемы обнаружения объектов на слабоконтрастных тепловизионных изображениях
Как уже отмечалось ранее, основная задача тепловизоров (теплопеленгаторов) состоит в обнаружении на максимальной дальности попавших в поле зрения оптической системы слабоконтрастных объектов. Угловой размер наблюдаемых целей в них меньше или равен элементарному угловому полю инфракрасных матричных приемников излучения [55-58].
Поскольку положение объекта заранее неизвестно тепловизионная система решает сложную задачу обнаружения случайного сигнала. В процессе ее решения система должна произвести выбор между двумя гипотезами:- присутствует только шум;- помимо шума есть тепловизионный объект.
Традиционно такая задача решается путем поиска тепловизионного объекта по заранее известным его характеристикам. В настоящее время для тепловизоров используют амплитудный метод обнаружения тепловизионного объекта на тепловизионном изображении. Полученное на дисплее изображение приводится в соответствии с видеосигналом, поступившим с выхода матричных приемников излучения. Каждому пикселю в соответствие ставят ограниченное число дискретных уровней яркости — уровней квантования. Чем больше уровней квантования, тем выше качество изображения. Для обнаружения объекта используют пороговый способ. Выбор порога производят с учетом того, что яркости излучения шума объекта отличаются по амплитуде. Порог срабатывания выбирается автоматически по среднему уровню яркости фонового шума. Те области изображения, где яркость выше установленного порога, считают тепловизионным объектом, остальные — шумами.
Проблемы обнаружения объектов возникают вследствие потенциально слабой их контрастности, низкого уровня заметности и наличия шумов. Шумовые компоненты сигнала, образующиеся вследствие особенностей применяемых ИК приемников и неидеальности сигнала передачи данных приводят к ухудшению изображения точечного теплового объекта на дисплее. С целью улучшения качества изображений были созданы различные способы обнаружения, выделения, цифровой фильтрации и обработки тепловизионного двухмерного изображения. Обработка изображений проводится в реальном масштабе времени. Основными способами обработки изображений являются алгоритмы цифрового шумоподавления, накопления сигналов, повышение контрастности, сегментации, подчеркивание границ и т.д.
В общем случае обнаружение объекта на фоне аддитивных шумов в тепловизионном изображении описывается вероятностными методами. При этом качественными и количественными показателями могут служить условные вероятности правильного обнаружения D и ложной тревоги F. Решение о наличии или отсутствии объекта в термографическом изображении принимается с помощью порогового устройства, которое ориентировано на напряжение порога UQ. Вероятность правильного обнаружения D полезного сигнала объекта в зависимости от текущего значения напряжения u{f) определяется как[56]где Рсш(и) — плотность вероятности суммы полезного сигнала и шума на входе ИК приемника излучения.
Вероятность ложной тревоги F определяется аналогичным соотношением с заменой рсш(и) на плотность вероятности шума. рш(и) на входе ИК приемника излучения
Анализ показал, что плотности вероятностей рсш{и) и рш{и) при обработке термографических изображений определяются, как правило, нормальным законом распределения. При таком распределении сигнала и шума на входе ИК приемника излучения на его выходе Рст(и) и рш(и) будут описываться известным законом Рэлеяигде q = S/N— отношение сигнал/шум по мощности, a Io(qu) — модифицированная функция Бесселя нулевого порядка. В формуле (2.6) величину q принято называть параметром обнаружения.
Подставив (2.5) в (2.4), получим соотношение для определения вероятности ложной тревоги:Из выражения (2.7) нетрудно получить формулу для вычисления напряжения Uo порогового уровня, которое необходимо установить в системе цифровой обработки
Используя формулы (2.3) и (2.6) определяют вероятность правильного обнаружения сигнала объекта на фоне шумов
Задавая значения порога Со для требуемой вероятности ложной тревоги F, по выражению (2.9) вычисляют вероятность правильного обнаружения объекта при конкретных значениях отношения сигнал/шум на входе ИК приемника излучения. Метод компьютерной обработки цифрового потока видеоданных изображения, результатом применения которого становится обнаружение объекта, можно назвать методом компенсации аддитивного шума. Предложенный метод объединяет несколько способов обнаружения теплови зионных объектов, отличающихся типом математической обработки цифрового массива изображения. Рассмотрим предложенный метод обнаружения объекта на тепловизионном изображении с помощью пространственно-временной фильтрации и нелинейной компенсацией шума. Структурная схема тепловизора, реализующая этот способ, представлена на рис.2.1.
Предлагаемый пространственно-временной фильтр с нелинейной обработкой реализуется сигнальным процессором в соответствии с разработанным алгоритмом [55,58]. 0. Оцифровка элементов изображения. 1. Вычисление среднего значения яркости кадра содержащий информацию о напряжении, пропорциональному уровню шума, снятого с ячейки в п-й строке на т-м столбце. 2. Формирование массива значений линейной фильтрации FN,M- В каждую ячейку пикселя кадра, имеющего индексы пит, записывается результат 3. Формирование массива значений нелинейной фильтрации Fj . В каждую ячейку пикселя, имеющего индексы пит, записывается результат где S — коэффициент нелинейной фильтрации. 4. Определяется адаптивный порог обработки. 5. Производится пороговая обработка, в процессе которой сравниваются значения элементов fn т массива Fjq м с адаптивным порогом принятия решения С/о 1. 6. По адаптивному порогу С/о в элемент fn т записывается 0, если предполагается что в соответствующем элементе массива fn т Щ находится только шум. В элемент fn т записывается 1, если предполагается что в соответствующем элементе массива fn т С/о находиться пиксель объекта. Фактически обнаружение объекта начинается с предварительной математической обработки и заканчивается разделением элементов массива изображения на два класса путем сравнения полученных результатов с адаптивным порогом. Тем элементам массива, которые обладают свойствами шума, присваиваются нулевые значения, в оставшиеся заносятся единицы. В результате этих действий создается бинарный массив принятия решения. Отображенное на дисплее бинарное изображение позволяет однозначно принимать решение о наличии тепловизионного объекта. Таким образом окончательно формируется массив Ftf м, который может быть использован для создания бинарного изображения на дисплее. По номерам строк и столбцов пикселей, в которых находятся единичные значения, определяется пространственное положение объекта на изображении. На рис.2.2 показаны исходное и бинарное изображение, полученное после процедуры обнаружения.
Суть разработанного метода обнаружения объекта на фоне шума связана с нелинейной операцией, которая повышает вероятность принятие решения о наличии искомого тепловизионного объекта в поле зрения тепловизора. Результатом нелинейной операции (2.12), возведение в степень S отношения (2.11) значения яркости элемента к среднему значению яркости кадра (2.10), будет получение массива нелинейной фильтрации. В каждом элементе массива записаны величины, которые могут быть меньше или больше 1. Те элементы, значения которых меньше 1, соответствует шуму. В ячейках, значение которых больше 1, может быть элемент тепловизионного объекта. Обнаружить ячейку, соответствующую по величине излучению тепловизионного объекта можно только при сравнении величин с адаптивным порогом принятия решения. На этом заканчивается предварительная математическая обработка цифрового массива изображения и начинается пороговая обработка.
Сжатие тепловизионных изображений методом обработки в пространственной области
В первом блоке на схеме рис.3.3 выполняется операция тождественности, т.е. исходная картинка никак не изменяется, а все сжатие достигается за счет квантования и кодирования. Однако сжатие невозможно выполнять без использования критериев, учитывающих особенности человека и свойства передаваемых изображений. Если, например, наблюдателю нужна точность V512, то необходимое число уровней квантования получается при использовании 9 двухразрядных чисел; если же допустима точность х/% , то достаточно взять три двухразрядных числа. Следовательно, квантование при сжатии информации играет ограниченную роль. Однако сжатия информации можно добиться при кодировании. Шеннон доказал[7], что существует код, для которого скорость передачи совпадает со скоростью создания информации источником. Таким образом, для изображений с энтропией порядка 1 бит/точку существуют схемы кодирования, позволяющие построить коды со средней длиной в 1 бит/точку. Однако существование таких кодов бесполезно, если отсутствуют алгоритмы их построения.
Вместе с тем разработаны алгоритмы построения кодов, приближающихся к оптимальным. Например, кодирование по Хаффману[7,59] является эффективной процедурой для согласования кода со статистикой источника информации и позволяет сократить длину сигнала по сравнению со стандартной ИКМ. Однако подобные коды имеют переменное число символов, поэтому при кодировании и декодировании требуются сложные алгоритмы, связанные с записью, синхронизацией и вспомогательным накоплениям информации. Также такие коды сильно зависят от вероятности создания символов источником, и любые изменения вероятности могут привести к ухудшению характеристик кода. Следовательно, кодирование с квантованием может служить основным средством сжатия тепловизионных изображений лишь в ограниченном числе случаев, так что необходимо искать другие методы.
В качестве метода сжатия тепловизионного изображения в плоскости пространственных координат, выполняемого в первом блоке схемы рис.3.3, наиболее широко применяется дифференциальная импульсно-кодовая модуляция (ДИКМ), часто называемая кодированием методом предсказания.
Сжатие тепловизионных изображений методом ДИКМ с предсказанием представлена на рис.3.4 [100].
Во время работы кодера (рис.3.4,а) схема адаптивного предсказателя осуществляет предсказание уровня поступающего равномерно квантованного сигнала. Входной сигнал имеет заданные частоту дискретизации и уровни квантования. В сумматоре происходит алгебраическое сложение входного и предсказанного сигналов. Разностный сигнал поступает в адаптивный квантователь, где производится логарифмическое квантование. Пара метры квантования частично задаются, а частично зависят от характеристик сжимаемого сигнала. С выхода адаптивного квантователя сигнал одновременно поступает в обратный адаптивный квантователь и на выход. Обратный адаптивный квантователь предназначен для перевода логарифмически квантованного сигнала в равномерно квантованный разностный сигнал.
В схеме декодирования выходной сигнал кодера поступает на вход обратного адаптивного квантователя (рис.3.4,6). Равномерно квантованный разностный сигнал одновременно поступает на сумматор и адаптивный предсказатель. На сумматор Ф также поступает предсказанный сигнал. Полученный в результате сложения восстановленный сигнал одновременно поступает в адаптивный предсказатель и синхронизатор. В синхронизатор также поступает выходной сигнал со схемы кодирования. Синхронизатор служит для устранения накопленного временного искажения. С выхода синхронизатора сигнал поступает в выходной канал. Правильное декодирование сигнала становится возможным благодаря одинаковым предсказаниям, вычисляемым адаптивным предсказателем на этапах кодирования и декодирования. Отметим, что важным условием корректного декодирования является отсутствие ошибок в канале передачи.
Поскольку идея ДИКМ достаточно проста, то, как следует из схем рис.3.4, характеристики системы сокращения избыточности изображений методом ДИКМ определяются порядком предсказывающего устройства п, значениями коэффициентов прогнозирования а(к), числом уровней квантования и их расположением. Порядок предсказывающего устройства зависит от статистических характеристик изображения. Коэффициенты предсказания а(к) можно определить с помощью анализа средних квадратических ошибок (СКО). Пусть g(k) — отсчеты на строке изображения, a g(k) — предсказанные значения этих отсчетов. Необходимо, чтобы СКО была минимальна, т.е.обычно называется автокорреляционной функцией процесса потока данных g(k). Коэффициенты щ получаются решением системы уравнений (3.4).
Оптимальные значения коэффициентов предсказания а(к) зависят от взаимосвязей пикселей изображения, описываемых автокорреляционной функцией. Из определения (3.2) видно, что в случае стационарного видеопотока автокорреляционная функция отличается от вышерассмотренной функции на постоянную величину. При нестационарных данных функция г в уравнении (3.5) зависит от пространственных переменных и оптимальные коэффициенты предсказания должны изменяться в зависимости от пространственных координат, что характерно для изображений.
Алгоритм сжатия изображений на основе модифицированной схемы ДИКМ с предсказанием [100]. Сжатие в схемах ДИКМ достигается за счет вычитания сигналов, поскольку разности имеют значительно меньший динамический диапазон. Методы кодирования изображений с предсказанием позволяют сжать изображение в 2-2,5 раза при простой технической реализации. Среди недостатков этих методов надо отметить: погрешности в местах резких перепадов яркости; низкая помехозащищенность. Рассмотрим алгоритм модифицированной схемы ДИКМ с предсказанием для алгоритма сжатия тепловизионных изображений. Отметим основные отличия предложенной схемы от классической схемы ДИКМ: включение адаптивного логарифмического квантователя перед схемой адаптивного предсказателя, что позволяет восстановить квантованное изображение с меньшими искажениями; квантованный разностный сигнал определяется целочисленными значениями, диапазон которых ограничен числом уровней квантования, что значительно увеличивает серии нулей, и, следовательно, улучшает компрессию. Алгоритм сжатия включает: устройство предварительного прореживания изображения для повышения коэффициента сжатия; фильтр для коррекции малоинформативных деталей и сглаживания шумов и «угловых пикселей» квантованного изображения; фильтр для регулировки контраста восстановленного изображения и сглаживания резких перепадов в изображении; устройство восстановления прореженного изображения, основанный на эффективной сплайновой интерполяции. В схеме входное изображение на первой ступени сжатия фильтруется и прореживается, на второй ступени сжатия подвергается адаптивному квантованию. Затем квантованное изображение адаптивно предсказывается, после чего разно Рис.3.5. Сжатие изображений: а—исходное; б—JPEG2000; в — модифицированным методом с предсказанием стное изображение считывается и подается на вход примененных кодеров. Экспериментальные исследования модифицированной системы сжатия показала, что коэффициент сжатия увеличился в 1,5 раза. На рис.3.5 представлены исходное и сжатое тепловизионноеизображения, обработанные алгоритмом JPEG2000 и модифицированным методом ДИКМ с предсказанием при одинаковом коэффициенте сжатия. С точки зрения визуального качества изображения, сжатые стандартом JPEG2000, имеют очень сильное размытие контуров. Изображения, сжатые разработанным модифицированным методом ДИКМ с предсказанием, имеют достаточно четкие контуры. На изображении присутствуют слабые неоднородности тех областей изображения, которые подвергались интерполированию. Однако эти неоднородности в модифицированном методе ДИКМ с предсказанием гораздо менее заметны и менее неприятны глазу, нежели дефекты при сжатии JPEG2000.
Алгоритм восстановления внутренней структуры объекта
Все методы цифровой обработки тепловизионного изображения в той или иной мере приводят к потере части получаемой информации о внутренней структуре и топологии объекта тепловизионного изображения.
Одним из возможных методов восстановления значительной части утерянной структуры может быть так называемый рекурсивный алгоритм заполнения внутренних контуров объектов тепловизионных изображений, подвергшихся предварительной обработке. Название рекурсивный в этом случае связано с известным математическим приемом - рекурсивным циклическим обращением к данным, полученным на предыдущих этапах математических операций[7].
Алгоритм заполнения контуров объектов тепловизионного изображения можно реализовать с помощью несложной специальной рекурсивной процедуры P(X,Y,Z), где X,Y -координаты произвольного пиксела (точки) яркости внутри двумерного массива данных, представляющих изображение размером 256 256 пикселов, a Z = GR - максимальная яркость граничных пикселов. Фрагмент одного из вариантов алгоритма (точнее подпрограммы) заполнения контура тепловизионного изображения размером на языке Паскаль выглядит следующим образом: program FILL (input, output); var SOURG, DIST: array [1 ...256,1..256] of integer;// исходный и обработанный массивы;
Результат действия данного алгоритма обработки, при рекурсивном заполнении контура объекта типа "корабль на море", представлен на рис.4.2. На данном рисунке достаточно четко просматриваются элементы энергетических силовых установок корабля, имеющих более темный и контрастный цвет.появившийся и оформившийся в самостоятельное направление в 60-х годах XX века благодаря работам Л. Заде и его учеников. Основное отличие нечетких логик и математики от их «четких» аналогов в расширении понятия «принадлежности» элементов. В классических направлениях математики элемент либо принадлежит множеству (пространству, области, функции), либо не принадлежит. В нечеткой логике между этими понятиями может находится множество других — «почти принадлежит», «скорее принадлежит», «более-менее принадлежит» и т.д. [113-124].
В основе нечеткой логики лежит определение лингвистической переменной. Лингвистической переменной называется переменная, значениями которой могут быть слова или словосочетания некоторого естественного языка (примером лингвистической переменной может быть «погода»). Множество всех возможных значений лингвистической переменной называется терм-множество. Для приведенной лингвистической переменной «погода» терм множество может состоять из значений «жаркая», «теплая», «прохладная», «холодная». Соответственно терм - это любой элемент из терм-множества. Каждый терм характеризуется функцией принадлежности. Функция принадлежности — мера соответствия величины реальной переменной терму, при этом ее значение меняется в пределах [0,1] (где 0 — совсем не соответствует, 1 — соответствует полностью). Например, говоря о погоде, обычно подразумевают температуру окружающего воздуха. То есть реальной переменной будет температура. Далее мы определяем пределы изменения это переменной. Положим [-20, +30] С и возьмем терм «теплая». Температуру -20С никак нельзя назвать теплой. Поэтому функция принадлежности -20С терму «теплая» будет 0. Аналогично -15С, -10С, -5С, 0С, +5С. +10С — это уже достаточно тепло, поэтому функция принадлежности станет равно 0,5; при +15С - по настоящему тепло и здесь функция принадлежности равна 1. Как и при +20С, +25С - уже не теплая, а жаркая погода и функция принадлежности станет равна 0,4. +30С - совсем не теплая погода, хотя есть и исключе ния — функция принадлежности 0,05. Собрав получим функцию принадлежности терма«теплая» лингвистической переменной «погода»:Ьтеплая поГОДа =ф/-20, 0/-15,0/-10,0/-5,0/0,0/+5,0,5/+10,1/+15,1/+20,0,4/+25,0,05/+30).
Функции принадлежности строятся по одному из двух методов [118,119]: статистическая обработка мнений группы экспертов; парное сравнение одним экспертом. Для удобства функции принадлежности аппроксимируют параметрическими функциями. Наиболее используемы[113]:Процесс обработки нечеткой логикой имеет следующий вид (рис.4.3). Входные четкие значения поступают в блок фаззификации, где преобразуются в нечеткие, в соответст
