Содержание к диссертации
Введение
1. Алгоритмическая основа современных методов комплексирования цифровых многоспектральных изображений дистанционного зондирования земной поверхности 11
1.1. Методы получения многоспектральных изображений земной поверхности 11
1.2. Многоспектральные методы исследования 14
1.3. Совместная обработка данных: возможности, ограничения и перспективы 29
1.4. Методы комплексирования многоспектральных изображений 39
1.4.1. Методы замещения 39
1.4.2. Методы яркостного преобразования 56
1.4.3. Методы оптимизации 59
1.4.4. Методы, основанные на кратномасштабных преобразованиях 61
2. Разработка эффективного алгоритма комплексирования цифровых многоспектральных изображений для мониторинга объектов земной поверхности 73
2.1. Предварительная обработка 75
2.2. Оценка информационного содержания изображений 85
2.3. Оптимизация количества информации, используемой при комплексировании изображений 93
2.4. Морфологический анализ изображений 110
2.5. Комплексирование на основе усиления спектрозональных отличий 117
2.6. Постобработка с применением методов цветового кодирования 131
3. Моделирование работы алгоритма комплексирования многоспектральных изображений земной поверхности 135
3.1. Критерии оценки качества цифровых многоспектральных изображений 135
3.2. Моделирование работы алгоритма комплексирования в условиях шумового воздействия на изображение 150
3.3. Моделирование работы алгоритма комплексирования применительно к гиперспектральным снимкам 165
3.4. Исследование работы алгоритма комплексирования на основе усиления спектрозональных отличий 171
4. Сравнительный анализ разработанного алгоритма с другими современными алгоритмами комплексирования многоспектральных изображений 182
Заключение 188
Список литературы
- Многоспектральные методы исследования
- Оценка информационного содержания изображений
- Комплексирование на основе усиления спектрозональных отличий
- Моделирование работы алгоритма комплексирования применительно к гиперспектральным снимкам
Введение к работе
Актуальность темы. Расширение круга задач, решаемых методами дистанционного зондирования, привело к активному развитию многоканальных систем мониторинга земной поверхности, предполагающих совместное использование разнообразных приборов и датчиков: оптических, инфракрасных, микроволновых и др. Такие системы мониторинга позволяют получать информацию о наблюдаемой сцене в различных диапазонах электромагнитного излучения. Данные зондирования поступают в виде цифровых многоспектральных изображений для обработки на ЭВМ, поэтому проблематика дистанционного зондирования тесно связана с цифровой обработкой изображений.
Яркость, размеры и форма объектов на изображениях одной и той же сцены могут заметно различаться при регистрации в разных диапазонах электромагнитного излучения в зависимости от свойств поверхности объектов, а также характеристик среды. Чтобы извлечь больше информации из совокупности полученных изображений, прибегают к процедуре их комплексирования. Комплексированием изображений называется процесс объединения информации от нескольких изображений в одно более информативное, чем любое из исходных изображений.
Комплексирование изображений является сложным процессом, который включает в себя получение исходных снимков, их предварительную обработку, оценку информационного содержания, выбор количества измерительных каналов, а также саму процедуру комплексирования. Основными проблемами, возникающими при комплексировании, являются низкая контрастность снимков, высокая степень избыточности информации, и, как следствие, большой объем данных, подлежащих обработке. Существующие на сегодняшний день алгоритмы комплексирования не всегда соответствуют указанным требованиям, поэтому разработка эффективных алгоритмов комплексирования изображений, позволяющих представить регистрируемую информацию в наиболее информативном виде, является актуальной задачей и определяет необходимость проведения дальнейших исследований.
Состояние проблемы. Значительный вклад в разработку и развитие теории цифровой обработки изображений внесли отечественные ученые М.И. Кривошеев, В.А. Сойфер, М.К. Чобану, Б.А. Алпатов, Ю.С. Бехтин, Ю.В. Вильзитер, СЮ. Желтов и зарубежные ученые: Р. Гонсалес, Р. Вудс, Д. Форсайт, Дж. Понс, У. Прэтт, и др. Исследованиями в области цифровой обработки изображений и дистанционного зондирования занимались В.К. Злобин, В.В. Еремеев, А.Е. Кузнецов, Ю.П. Пытьев, А.И. Чуличков, Ш. Дейвис, А. Чандра, С. Гош и др.
В работе приведено продолжение исследований в области цифровой обработки изображений, разработан вариант эффективного алгоритма комплексирования цифровых многоспектральных изображений в системах дистанционного зондирования земной поверхности.
Целью работы является повышение эффективности обработки данных в многоканальных системах дистанционного зондирования земной поверхности за счет гибкого алгоритма комплексирования многоспектральных изображений.
Для достижения указанной цели в диссертационной работе решаются следующие задачи:
Анализ существующих алгоритмов комплексирования цифровых многоспектральных изображений для выявления их достоинств и недостатков при решении задач дистанционного зондирования.
Разработка эффективного алгоритма комплексирования цифровых многоспектральных изображений земной поверхности.
Разработка критериальной базы для количественной оценки качества работы алгоритмов комплексирования цифровых изображений.
Изучение влияния параметров предложенного алгоритма на качество синтезируемого изображения, а также исследование его работы в условиях шумового воздействия.
Исследование характеристик предложенного алгоритма в сравнении с другими современными алгоритмами комплексирования изображений. Методы исследования. При решении поставленных задач в работе
использовались современные методы цифровой обработки изображений, математического анализа, теории вероятностей, математической статистики, линейной алгебры, теории информации. Активно использовались методы имитационного и компьютерного моделирования.
Объектом исследования являются алгоритмы комплексирования цифровых многоспектральных полутоновых изображений, полученных от нескольких датчиков в различных диапазонах электромагнитного излучения.
Предметом исследования является разработка, модификация и повышение эффективности алгоритмов комплексирования цифровых многоспектральных изображений на основе усиления спектрозональных отличий и цветового кодирования.
Научная новизна заключается в том, что:
-
Предложен алгоритм выбора количества спектральных каналов, позволяющий сократить объем обрабатываемых данных на основе итерационно-группового алгоритма, факторного и морфологического анализа.
-
Разработан эффективный алгоритм комплексирования, включающий адаптивные методы контрастирования и эквализации гистограммы в качестве предварительной обработки данных, выбора спектральных каналов, сокращающий объем исходных данных, усиления спектрозональных отличий, а также постобработки на основе цветового кодирования изображений.
-
Предложена методика количественной оценки качества работы алгоритмов комплексирования многоспектральных цифровых полутоновых изображений.
Результаты работы, имеющие практическую ценность:
-
Предложенная методика выбора количества спектральных каналов системы на основе итерационно-группового алгоритма позволяет сократить количество итераций при оценке совместной информативности набора каналов.
-
Способ оценки совместной информативности спектральных каналов с применением факторного и морфологического анализа упрощает вычисление совместной энтропии нескольких изображений.
-
Гибкий алгоритм выбора количества спектральных каналов позволяет сократить объем обрабатываемых данных в среднем на 25% на первом этапе и до 60% на втором, при общих потерях полезной информации не более 15 %.
-
Алгоритм комплексирования цифровых полутоновых изображений на основе метода усиления спектрозональных отличий и цветового кодирования превосходит известные на сегодняшний день классические алгоритмы комплексирования на основе анализа главных компонент и вейвлет-преобразования и др. по критерию информационной энтропии на 10%, по отношению сигнал-шум на 3-4 дБ.
-
При помощи компьютерного моделирования определены параметры разработанного алгоритма комплексирования, обеспечивающие наилучшие показатели синтезированного изображения по информационной емкости и шумовым характеристикам при наименьшем объеме входных данных.
Основные положения, выносимые на защиту:
-
Методика выбора количества спектральных каналов системы на основе итерационно-группового алгоритма.
-
Алгоритм сокращения объема полученных данных с применением факторного и морфологического анализа.
-
Алгоритм комплексирования цифровых многоспектральных полутоновых изображений.
-
Методика количественной оценки качества работы алгоритмов комплексирования цифровых многоспектральных полутоновых изображений.
Результаты работы внедрены в ЗАО «Научно-исследовательский внедренческий центр автоматизированных систем» (г. Москва), а также используются в учебном процессе на кафедре радиотехники и радиосистем ВлГУ, по выполняемым грантам РФФИ и НИР.
Личный вклад автора заключается в разработке общей идеи и главных положений исследования, определении степени актуальности и способов решения проблемы, теоретическом обобщении результатов исследования, представленных в диссертации и в опубликованных работах.
Апробация работы Результаты работы докладывались и обсуждались на научно-технических конференциях и семинарах различного уровня:
-
Девятой-десятой международной научно-технической конференции «Перспективные технологии в средствах передачи информации», Владимир-Суздаль 2011 г. и 2013 г.
-
Десятой международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии», Владимир-Суздаль 2012 г.
-
Тридцать первой и тридцать второй Всероссийской научно-технической конференции «Проблемы эффективности и безопасности функционирования сложных технических и информационных систем», Серпухов 2012 и 2012 гг.
-
Третьей Всероссийской научно-технической конференции «Информационо-измерительные и управляющие системы военной техники», Владимир 2012 г.
-
Всероссийской молодежной научной конференции «Научный потенциал молодежи - будущее России»: Четвертые Всероссийские научные Зворыкинские чтения, Муром 2012 г.
Публикации по теме работы. По тематике исследований опубликована 21 научная статья, 4 из которых в изданиях, рекомендованных
ВАК РФ, а также одна статья - в зарубежном издании. Кроме того, получено два патента на полезную модель в 2011 и 2012 гг., а также авторское свидетельство на программное обеспечение в 2013 г. Подана заявка на патент на изобретение.
Объем и структура работы. Диссертационная работа состоит из введения, 4 глав, заключения, списка использованных источников из 92 наименований и 23 работ автора и 1 приложения. Общий объем диссертации 203 страницы машинописного текста, включая 199 страниц основного текста, 4 страницы приложений, 97 рисунков и 20 таблиц.
Многоспектральные методы исследования
По мере развития техники и роста потребностей в оперативном мониторинге все более широкое применение для наблюдения за различными объектами и явлениями на поверхности Земли находят дистанционные методы исследования. Их важнейшей особенностью является возможность получения информации о параметрах исследуемого объекта на расстоянии путем измерений некоторых связанных с параметрами объекта величин, таких, как, например, интенсивность электромагнитной энергии, излучаемой исследуемым объектом в различных диапазонах длин волн [30].
Главное достоинство дистанционных методов исследования заключается в отсутствии необходимости непосредственного контакта измерительных средств с изучаемой средой, что позволяет существенно упростить и удешевить исследования.
К настоящему времени возможности методов дистанционного зондирования раскрыты не полностью. Известно, спектральные характеристики излучения объектов могут заметно различаться при регистрации в разных диапазонах электромагнитного излучения в зависимости от свойств поверхности объектов, а также характеристики среды. Чтобы увеличить вероятность надежного различения объектов, используют принцип одновременной съемки земной поверхности в нескольких спектральных диапазонах. В качестве датчиков используются линейки приборов с зарядовой связью (ПЗС) [28].
Дистанционное зондирование Земли основано на измерении с аэрокосмических аппаратов энергетических и спектральных характеристик наблюдаемой сцены. С этой целью на спутниках и самолетах устанавливаются сканирующие устройства, которые осуществляют съемку в различных спектральных диапазонах, после чего цифровая информация передается на наземные пункты приема и обработки [5]. направление полета (НП) ЛА НП антенна объектив угол обзора ,, центр приема полоса обзора г кадровая развертка Рисунок 1.1. Принцип формирования сканерных изображений. Многоспектральный принцип съемки основан на интегрировании отраженной от поверхности Земли электромагнитной энергии в нескольких соприкасающихся диапазонах [28, 50].
Изображение участка земной поверхности в видимом, инфракрасном и миллиметровом диапазонах длин волн принимается соответственно СВЧ-радиолокатором бокового обзора У, тепловизором 2 и видеокамерой 3 (рисунок 1.1). Каждое изображение состоит из изображения участка местности и помех (облака, искажения оптики и др.). Кадровая развертка получаемого изображения вдоль оси осуществляется за счет движения летательного аппарата (ЛА). При этом сканирующий луч перемещается по подстилающей поверхности в поперечном относительно полета направлении. Основными параметрами датчиков являются полоса обзора и разрешающая способность на местности, измеряемая в метрах или километрах.
Двумерные цифровые изображения с выхода этих устройств поступают на передающий блок телеметрии, откуда в реальном времени передаются на наземную станцию (центр), где происходит их обработка с помощью ЭВМ.
Структурная схема комплексной системы мониторинга [50] приведена на рисунке 1.2. Система состоит из измерительной станции / и наземной станции обработки информации 2. Измерительная станция может быть установлена, к примеру, на вышку, самолёт гражданской авиации, беспилотный летательный аппарат, искусственный спутник Земли. Измерительная станция состоит из комплекса 3, включающего в себя видеокамеру 4, тепловизор 5 и пассивный радиолокатор бокового обзора 6, а также из приёмника системы спутниковой навигации 7 и передатчика системы связи 8. Наземная станция обработки информации включает в себя приемник системы связи 9, электронную вычислительную машину 10 и хранилище данных 11.
Радиометр, тепловизор и видеокамера переводят распределение яркости изображения в электрические сигналы и далее через АЦП в цифровые коды. Ввод изображений в ЭВМ неизбежно связан с дискретизацией изображений по пространственным координатам х и у и квантованием значения яркости в каждой дискретной точке.
Итогом получения изображений является запись в память ЭВМ файла с пиксельным изображением, который экспортируется в базу данных программы тематической обработки и предназначен для дальнейшего анализа. 1.2. Многоспектральные методы исследования
Спектр излучения многих природных объектов лежит в достаточно широком диапазоне частот, поэтому различить природные объекты между собой с достаточной долей вероятности, проводя съемку в одном диапазоне частот, не представляется возможным. Наиболее эффективным путем преодоления этого недостатка является использование метода многоспектрального мониторинга, предоставляющего возможность надежного различения объектов за счет проведения исследований объекта в различных диапазонах длин волн [17].
В качестве примера рассмотрим изображение снятое 13 мая 2013 года, со спутника Landsat 8 (проект LDCM - Landsat Data Continuity Mission, CILIA), который был запущен NASA 11 февраля 2013 г. Landsat 8 является одним из наиболее популярных на сегодняшний день спутников дистанционного
Оценка информационного содержания изображений
К сожалению, Landsat 8 не обладает аппаратурой для проведения исследований в микроволновом диапазоне электромагнитного спектра. Такие радиолокационные наблюдения обеспечивают качественно иные возможности и другую информацию [23]. Основным достоинством этих систем является нетребовательность к условиям освещенности исследуемого района и нечувствительность к погодным условиям в зоне съемки в сочетании с достаточно хорошим (сравнимым с оптическим) пространственным разрешением. К указанным достоинствам следует добавить сравнительно высокую проникающую способность радиоволн, позволяющую, в частности, преодолевать экранирующее влияние растительного покрова и в некоторых случаях обнаруживать подповерхностные образования.
Радиолокационные изображения высокой детальности, содержащие легко узнаваемые объекты поверхности, традиционно служат хорошей основой для картографии [4], используются в качестве средства обнаружения и мониторинга в хозяйственных и оборонных целях. Однако в силу специфики формирования и особенностей взаимодействия радиоволн с подстилающими покровами радиолокационные изображения отличаются от привычных оптических изображений [30, 88]. Видимые на них контрасты обусловлены наличием крупномасштабных уклонов рельефа, неровностями микрорельефа, диэлектрическими свойствами и структурой объектов поверхности.
Такие параметры радиолокационной системы, как длина радиоволны и ее поляризация, могут существенно влиять на содержание получаемого микроволнового изображения. С длиной волны зондирующего сигнала связан уровень отражения от объектов поверхности с характерными масштабами структуры порядка длины волны, а также глубина подповерхностного зондирования. Поляризационные измерения обеспечивают информацию об особенностях рассеяния радиоволн слоем подстилающей поверхности, что во многих случаях существенно облегчает интерпретацию данных [87].
В отличие от оптических, радиолокационные изображения содержат фазовую информацию, которая может быть использована так же, как и более привычные амплитудные данные. Так, разность начальных фаз сигналов элементов синтезированных изображений в схеме интерферометрическои съемки с повторяющихся траекторий носителя содержит информацию о рельефе поверхности и мелкомасштабных изменениях/смещениях подстилающих покровов за время между съемками [23]. Наблюдаемые на радиолокационных изображениях объекты часто выглядят совершенно иначе, чем на оптических, поскольку рассеяние радиосигнала и солнечного света деталями снимаемого объекта может существенно отличаться.
Радиолокационные измерения проводятся в координатах «дальность-азимут», поэтому для радиолокационных изображений характерны такие искажения, как сжатие переднего склона неровностей рельефа, заворот и наложение изображения по дальности.
Благодаря высокой площади обратного рассеяния искусственных проводящих объектов их можно отделять от фона и в ряде случаев обнаруживать под маскирующими слоями.
При проведении пассивного зондирования в радиодиапазоне на фиксированной частоте результатом измерений является распределение радиояркостной температуры совокупности объектов подстилающей поверхности, а значит, и интенсивности их собственного радиоизлучения [12,17]. Проведение исследований на нескольких частотах радиодиапазона и совместный анализ полученных результатов дает еще больше информации об объекте. Также информативность возрастет при использовании различных диапазонов длин волн, например, подключении оптического и/или инфракрасного диапазонов.
В силу особенностей используемого метода измеритель является пассивным (неизлучающим) прибором, и поэтому он безопасен для окружающей среды и людей, включая обслуживающих его операторов [88].
Для повышения информативности признаков необходимо использовать комплексную систему мониторинга земной поверхности, включающую в себя пассивные радиометрические, телеметрические и телевизионные методы зондирования. Данные, получаемые от различных датчиков дистанционного зондирования, имеют свои характерные особенности, обусловленные физикой формирования и представления этих данных, а также характеристиками трактов сигнала [49, 52].
Комплексирование на основе усиления спектрозональных отличий
При совместной обработке изображений, полученных в различных спектральных диапазонах, необходимо оценить их сходство с целью визуального анализа и дальнейшего комплексирования [47]. Не смотря на то, что конкретные значения яркости для таких изображений оказываются принципиально различными, общая форма изображения (разбиения кадра на области схожей яркости) в целом сохраняется для аналогичных участков сцены. Таким образом, сравнение форм разноспектральных изображений, остается центральной математической и алгоритмической задачей в области визуального комплексирования многоспектральной видеоинформации.
В работах Пытьева и Чуличкова представлен новый подход к сравнению формы изображений, основанный на обобщении и модификации Пытьевских морфологических коэффициентов корреляции [73,74].
Методы морфологического анализа изображений позволяют провести сравнительный анализ изображений не только по яркости пикселей, но и по форме, а также структуре объектов, изображенных на них.
С математической точки зрения под изображением понимается числовая функция /, заданная на ограниченном множестве X, называемой полем зрения, а значение х = {x,,...,xt} є X - яркостью в точке х поля зрения X. На практике в качестве поля зрения X выбирают набор узлов прямоугольной сетки, а яркость в каждом узле задают целым числом от 0 до 255 [73].
Наблюдатель воспринимает содержание изображенной сцены как неизменное, даже если яркость, контраст, цветовая гамма изображения изменяются в широких пределах. Из этого можно сделать вывод, что для решения задач классификации объектов, оценивания их геометрической формы и т.п., важны не точные значения яркости и/или цвета изображения в каждой точке поля зрения, а знание некоторых структур на поле зрения.
Поэтому значение яркости изображения в каждой точке поля зрения является избыточным для решения множества задач анализа изображенной сцены.
Значительно более важной является форма изображения - множество постоянной яркости и/или цвета на всем поле зрения, не изменяющееся при вариации условий формирования изображения, которые зачастую неизвестны.
При изменении условий наблюдения (например, изменении коэффициента усиления видеокамеры и т.п.) яркости таких областей будут меняться в широких пределах, однако геометрическая форма останется неизменной.
Классический подход [74] к сравнению изображений предполагает, что изображения рассматриваются как элементы гильбертова пространства Z,2(Q), следовательно, могут быть определены скалярное произведение, норма и евклидово расстояние между изображениями: f(x,y):QcR,QcR2, (f,g) = \\f{x,y)g{x,y)dxdy. (2.29) nn / = V(77), dE(f,g) = \\f-g\\ (2.30) Это расстояние характеризует различия между изображениями как функциями яркости. Поэтому для того, чтобы сравнивать изображения инвариантно к линейным преобразованиям яркости, как правило, вводится нормированный коэффициент линейной корреляции [6, 73] вида: -( -« -ЙЙ (2-31) В дальнейшем будем предполагать, что все рассматриваемые изображения центрированы по яркости.
В рамках простейшей морфологии Пытьева [73] изображения рассматриваются как кусочно-постоянные функции вида: /(Х.У) = І/ҐФ.У). С2-32) где п - число областей разбиения F кадра Q на связные непересекающиеся области постоянной яркости; F = {Fu ..., F„}, f = (/і, ...f„) - вектор действительных значений яркости, соответствующих каждой области разбиения; ХІ {х,у) є {0,1} - характеристическая (индикаторная) функция /-й области яркости: 112 . fl, f(x,y)eF, х ( -упп,( L (2-33) Множество изображений одной формы разбиения кадра F в таком случае образовывает выпуклое и замкнутое подпространство F с 2(Q): V = {f(x,y) = ±fai(x,y),feR"\ (2.34) Для любого изображения g(x,j ) eZ?(Q) может быть определена проекция на форму F: gA y) = PFS{ y) = Y,SiXi{ y)- -,i ---,ri (2.35) ,=1 Ik» 1 Морфологическое сравнение изображений fix,y) и g(x,y) в рамках морфологии Пытьева осуществляется при помощи морфологических квазирасстояний dM(g,F) = \\g-PFg\\, dM(f,G) = \\f-PGf\\ (2.36) и нормированных морфологических коэффициентов корреляции Пытьева [8] KM(g,F)JMKM{f,G)J\M, (2.37) Здесь в первом случае изображение g сравнивается с формой изображения/ во втором случае, наоборот, изображение/сравнивается с формой изображения g. Легко убедиться, что в общем случае Км (g,F) Ф КМ (f,G). В самом общем смысле можно сказать, что линейный коэффициент корреляции Kfrff, g) сравнивает изображения J{x,y) и g(x,y) как функции яркости, в то время как K/Jf, G) характеризует корреляцию между яркостью изображения Дх,у) и его геометрической формой g(x,y). Иными словами, это разные типы корреляции изображений - чисто яркостная и яркостно-геометрическая.
Моделирование работы алгоритма комплексирования применительно к гиперспектральным снимкам
Количественные меры качества изображения также, как и субъективные, можно разделить на две группы: абсолютные и сравнительные. Абсолютная мера представляет собой число, сопоставляемое любому изображению на основе анализа этого изображения. Сравнительная мера является числовым результатом сравнения двух или более изображений (рисунок З.1.).
В настоящее время существует несколько методик объективной оценки качества изображений, основанных на формализации субъективного восприятия. Широко используются критерии, основанные на сравнении изображения-оригинала (эталона) и преобразованного изображения по среднеквадратической ошибке или сравнении отношений сигнал/шум двух изображений, а также их варианты. Эти методики актуальны для оценки качества алгоритмов и аппаратуры передачи телевизионных изображений и минимизации вносимых ухудшений (шумов, искажений, других дефектов) и имеют простое математическое описание.
Для оценки качества обработки изображений, неизвестной сюжетной составляющей, может быть использован метод экспертных оценок [13]. Методология подхода базируется на общепринятых шкалах, имеющих бальную оценку, с точки зрения субъективного восприятия качества изображения вносимых ухудшений или возможности выполнения по предъявленному изображению функциональной задачи (классификация, обнаружение,
распознавание или идентификация). Его основными недостатками считается: трудоемкость, значительные материальные затраты и невозможность использования результатов оценки для коррекции цифровой обработки в реальном времени. Предлагаемая методика должна интегрировать объективные численные характеристики, заменяющие субъективные критерии качества, а вычисления должны выполняться в реальном темпе поступления изображений. Изображение низкого качества Изображение высокого качества Контраст = 0,463; Средняя яркость = 46 Количество уровней =11 і
Одна из главных проблем при формализации оценки зрительного восприятия - установление связи между объективными отдельными характеристиками (метриками) изображений и субъективными критериями качества восприятия. Известные подходы представления универсального индекса качества (УИК) изображения [103] и структурного подобия [103, 115] ориентированы на нахождение сходства исходного изображения с преобразованным и эффективно работают в основном для оценки алгоритмов кодирования изображений.
Универсальный индекс качества оценивает искажения преобразованного изображения как комбинацию трех факторов: потери корреляции, искажений яркости и контраста. Дальнейшее развитие индекса качества учитывает и структурное подобие изображений. Несмотря на то, что индексы математически определены и показывают достаточную последовательность оценок с субъективным качественным измерением, при этом не учитывается адаптация изображения к зрительной системе человека.
Индексы позволяют оценить качество изображения значительно лучше, чем широко используемые методы, основанные на вычислении среднеквадратической ошибки и отношения сигнала к шуму. Однако для оценки алгоритмов повышения информативности изображений, ориентированных на улучшение психофизического восприятия, индексы дают неоднозначные результаты.
На рисунке 3.2 приведены результаты повышения визуального качества изображений и основные численные характеристики преобразованных изображений. Исходное изображение имеет плохое визуальное качество, затемнено. На изображении плохо различимы объекты. После линейного преобразования яркости контраст становится максимальным, меняется значение средней яркости, возрастает значение среднеквадратического отклонения яркости (СКО) при практически неизменном количестве информационных уровней. Можно выделить отдельные объекты, в целом визуальное качество улучшается. После процедуры преобразования гистограммы по равномерному закону -«эквализации» становятся различимы объекты морской поверхности и других более темных участков, что также обеспечивается возросшими значениями контраста, средней яркости и СКО. Недостатками преобразованного изображения
Более предпочтительным яркостным преобразованием будет адаптивное изменение гистограммы, о котором пойдет речь в следующем параграфе, нормирующее среднюю яркость, повышающее контраст и сохраняющее большее количество информационных уровней. Значения частных показателей подтверждает и лучшее визуальное качество. Хорошо различимы как объекты темного, так и светлого фонов, при уверенном обнаружении объекта на фоне подстилающей поверхности изображения.
Из анализа численных характеристик изображений, приведенных на рисунке 3.2, отношение сигнал/шум, кроме наличия на изображении структурного шума, в меньшей степени влияет на визуальное восприятие изображений для оператора за счет временной суммации человеческого глаза. Качество зрительного восприятия определяется главным образом энергетическими характеристиками сигналов, поступающих к оператору. К ним относятся, в частности, такие параметры как диапазон и количество воспроизводимых яркостей, контраст. Объективными показателями этих параметров зрительного анализатора будут контраст и количество информационных уровней соответственно [80].
Для количественной оценки качества изображений также используются такие объективные характеристики как среднеквадратическое отклонение (СКО) и энтропия. СКО адекватно понятиям контрастности и, в какой-то мере, четкости. Энтропия - мера количества информации в изображении.
