Содержание к диссертации
Введение
Глава 1 Анализ проблемы преобразования изображений с целью улучшения визуального качества 13
1.1 Содержательная постановка задачи 13
1.2 Современное состояние проблемы 26
1.3 Математическая постановка задачи построения методов преобразования изображений 40
Глава 2 Метод локально-несмещенного сглаживания шумов на изображениях и видеоизображениях 49
2.1 Метод локально-несмещенного сглаживания 49
2.2 Оптимальные локально-несмещенные фильтры 55
2.3 Адаптация размеров апертуры локально-несмещенного фильтра по временной составляющей 63
Глава 3. Методы выравнивания освещенности и контрастирования слаборазличимых объектов 68
3.1 Формирование исходной локальной освещенности и её свойства 68
3.2 Преобразование исходной локальной освещенности 74
3.3 Формирование исходной фоно-объектовой составляющей и её свойства 76
3.4 Преобразование исходной фоно-объектовой составляющей 79
3.5 Восстановление преобразованного изображения и настройка па раметров преобразования 82
Глава 4. Программная реализация методов цифровой обработки изображений и видеоизображений 85
4.1 Описание, назначение и возможности приложения 85
4.2 Команды главного меню приложения 86
4.3 Особенности программной реализации 102
Заключение 105
Приложение. Результаты применение методов выравнивания освещенности и контрастирования слаборазличимых объектов к разнохарактерным изображениям 107
Литература 114
- Математическая постановка задачи построения методов преобразования изображений
- Адаптация размеров апертуры локально-несмещенного фильтра по временной составляющей
- Восстановление преобразованного изображения и настройка па раметров преобразования
- Команды главного меню приложения
Введение к работе
Актуальность темы. Многие отрасли техники, имеющие отношение к получению, обработке, хранению и передаче информации, в значительной степени ориентируются в настоящее время на развитие систем, в которых информация имеет характер изображений и видеоданных. Изображение, которое можно рассматривать как двумерный сигнал, является значительно более емким носителем информации, чем обычный одномерный (временной) сигнал. Вместе с тем, решение научных и инженерных задач при работе с визуальными данными требует особых усилий, опирающихся на знание специфических методов, поскольку традиционная идеология одномерных сигналов и систем мало пригодна в этих случаях. В особой мере это проявляется при создании новых типов информационных систем, решающих такие проблемы, которые до сих пор в науке и технике не решались, и которые решаются сейчас благодаря использованию информации визуального характера.
В тоже время традиционная аналоговая техника связи повсеместно в мире заменяется более совершенной цифровой. Важнейшее преимущество цифровой техники - возможность цифровой обработки, передачи и хранения информации в частности, визуальной.
Неудивительно что, в связи с этим цифровая обработка изображений ввиду ее особой важности выделилась в самостоятельную область техники. В эту область входят коррекция изображений, их "препарирование", т.е. сознательное разделение на части цифровыми средствами, видоизменение этих частей и их обратная "сборка" в изображение, оценка параметров изображений с целью контроля качества их передачи и приема, преобразование и кодирование изображений, компьютерная графика, а также визуализация информации, т.е. представление массивов данных в виде различных изображений, что очень эффективно, так как облегчает решение широкого класса сложных абстрактных задач.
Эта область включает также моделирование систем обработки, хранения и передачи визуальной информации по каналам связи, т.е. набор компьютерно-
математических задач, необходимых для разработки новой цифровой телевизионной техники и прикладных программных комплексов обработки видеоданных. Разумеется, все перечисленные задачи связаны между собой - и по методам решения, и по используемым для этого техническим средствам.
В большом числе информационных систем применяется представление результатов обработки данных в виде изображения, выводимого на экран для использования наблюдателем. Процедуру, обеспечивающую такое представление, называют визуализацией. Желательно при помощи обработки придать выводимому изображению такие качества, благодаря которым его восприятие человеком было бы по возможности комфортным. Часто бывает полезным подчеркнуть, усилить какие-то черты, особенности, нюансы наблюдаемой картины с целью улучшения ее субъективного восприятия.
Последнее - субъективность восприятия - сильно усложняет применение формализованного подхода в достижении данных целей. Поэтому при обработке изображений для визуализации получили распространение методы, в которых часто отсутствуют строгие математические критерии оптимальности. Их заменяют качественные представления о целесообразности той или иной обработки, опирающиеся на субъективные оценки результатов. Несмотря на субъективность в общем понятия "улучшения" изображения, мы будем понимать под ним решение таких задач, которые облегчают и убыстряют понимание "объектовой обстановки" при "ручном" анализе. К таким задачам относятся:
снятие с изображения в максимальной мере случайной (шумовой) составляющей, определяемой не самим "сюжетом", а шумами среды и приемного тракта;
нормирование изображения в целом по средней интенсивности яркости пикселей и разбросу их значений в допустимом данным форматом диапазоне изменения глубины цвета;
оконтуривание отдельных объектов и повышение их контрастности, что достигается подчеркиванием их границ и определенным выравниванием тонов фрагментов в границах объектов.
6 При проведении подобного «облагораживания» изображений необходимо «соблюдать меру», позволяющую, несмотря на определённое «рафинирование» изображения, сохранить его естественность и не превратить его в некую виртуальную картинку. При выборе этой «меры» и рациональных подходов к построению алгоритмов обработки изображений в целях улучшения их зрительного восприятия следует опираться на законы и особенности функционирования зрительной системы человека при восприятии изображений и обусловленные физиологически ограничения на объем визуально воспринимаемой информации. Задачи в такой постановке неоднократно исследовались и изучались. Разработано значительное количество методов и алгоритмов цифровой обработки изображений и видеоизображений, ориентированных на улучшение их визуального качества. Однако большинство из предложенных методов основано либо на использовании различных эвристических приемов, либо формализация и решение задачи основывались на учете какой-либо одной особенности восприятия. Задачи, в которых в комплексе рассматриваются несколько особенностей и законов восприятия, не анализировались и не были формализованы. Это обстоятельство позволяет сформулировать цели диссертационной работы:
формализация и решение задач цифровой обработки отдельных изображений и их последовательностей с учетом законов и особенностей восприятия зрительным анализатором человека;
разработка методов преобразования изображений с целью выравнивания освещенности и контрастирования мелких слаборазличимых объектов;
разработка пакета прикладных программ, реализующего известные и разработанные в данной работе методы цифровой обработки изображений и видеоданных.
Объектом исследования является теория цифровой обработки сигналов. Предметом исследования - методы и алгоритмы преобразования изображений в целях улучшения их визуального восприятия человеком.
Проблема заключается в построении методов и алгоритмов, учитывающих законы и особенности зрительного восприятия человека и направленных на получение изображений и видеоизображений, предназначенных непосредственно для анализа оператором.
В основу исследования положена следующая гипотеза: для задачи преобразования изображений в целях улучшения визуального качества можно
построить модель изображения, адекватную целям преобразования, в виде двух аддитивных составляющих;
разработать методы преобразования каждой из компонент изображения с учетом концентрируемой в них информации.
Для реализации поставленных целей и разрешения сформулированной проблемы потребовалось решить следующие задачи:
- сформулировать общие требования цифровой обработки изображений и
видеоизображений в целях улучшения визуального качества;
разработать метод локально-несмещенного сглаживания;
разработать метод выравнивания освещенности изображений;
разработать метод контрастирования слаборазличимых объектов на изображении;
реализовать разработанные методы и алгоритмы в программном комплексе цифровой обработки изображений и их последовательностей.
Методологическую основу работы составляют современные методы математического анализа, цифровой обработки сигналов, методы статистического оценивания, теории вероятностей и математической статистики, вычислительные методы. При исследовании предложенных методов и алгоритмов фильтрации и выделения границ объектов использовался пакет прикладных программ, разработанный автором.
Научная новизна работы заключается в следующем:
- предложена математическая модель изображений в виде двух аддитив
ных составляющих, которая позволяет проводить декомпозицию общей много-
плановой задачи изменения свойств изображения с целью улучшения условий его зрительного восприятия;
предложены методы преобразования каждой из составляющей изображения, учитывающие специфику содержащейся в них информации и основанные на законах и особенностях зрительного восприятия человека;
предложен метод локально-несмещенного сглаживания, предназначенный для получения одной из компонент изображения, а также для эффективной фильтрации шумов.
Практическая значимость работы состоит в разработке методов, алгоритмов и пакета программ, предназначенных для цифровой обработки визуальной информации, представленной в виде изображений и видеоданных, которые могут быть использованы в составе математического обеспечения различных систем обработки экспериментальных данных. Разработанный комплекс программ может являться функциональным наполнением для различных программ в системах обработки данных. Последнее возможно благодаря использованию при написании программного продукта новейших достижений в области объектно-ориентированного программирования.
Основные положения, выносимые на защиту:
математическая модель изображения и ее обоснование;
метод локально-несмещенного сглаживания;
метод выравнивания освещенности изображений;
метод контрастирования слаборазличимых объектов.
Апробация работы. Результаты исследования были представлены на научно-методических семинарах кафедры информатики и дискретной математики МПГУ.
Основное содержание работы. Работа состоит из введения, четырех глав, заключения, приложения и списка литературы, содержащего 75 источников. Всего 119 страниц.
Во введении обосновывается актуальность темы исследования, определяются цели работы, формулируются задачи, которые необходимо было решить для реализации поставленных целей, указывается методологическая
для реализации поставленных целей, указывается методологическая основа исследования, раскрывается научная новизна и практическая значимость диссертационной работы, определяются основные положения, выносимые на защиту, излагается основное содержание работы.
В первой главе приводится анализ проблемы улучшения визуального качества цифровых изображений и видеоизображений на основе использования соответствующих математических методов. Описывается совокупность задач, требующих решение при работе с визуальной информацией. Приводится краткий исторический обзор результатов исследований механизмов и теоретических концепций восприятия света человеком. Рассматриваются психофизиологические законы и особенности восприятия изображений человеком. Анализ известных методов улучшения визуального качества изображений, к которым относятся методы контрастирования, подчеркивания границ объектов, выравнивания гистограммы, позволяет сделать вывод о незначительном использовании знаний о физиологических особенностях восприятия их человеком при обработке изображений. Рассматриваются критерии, которые позволяют оценить качество изображений и их преобразований. В завершении главы приводится математическая формализация задач построения методов и алгоритмов цифровой обработки изображений. Предлагается математическая модель изображения в виде двух аддитивных составляющих, приводится обоснование подобной декомпозиции, описание характера информации, которая содержится в каждой из компонент модели изображения, рассматривается структура их преобразований в соответствии с законами и особенностями зрительного восприятия, ограничения на данные при проведении подобных преобразований. Формулируется общая задача преобразования изображений с целью улучшения визуального качества при зрительном восприятии их человеком.
Вторая глава диссертационного исследования посвящена разработке метода локально-несмещенного сглаживания. Отличительной чертой предложенного метода является формирование нормально распределенной импульсной характеристики. Данное свойство позволяет эффективно «бороться» с шумами на
изображениях и их последовательностях, причем вероятность внесения каких-либо изменений, отсутствующих на исходном изображении, оказывается минимальной в следствии того, что гауссовское распределение обладает необходимыми свойствами - оно гладко и локализовано как в пространственной, так и в частотной области и, строго говоря, представляет собой единственное распределение, характеризующееся оптимальной локализацией в обеих областях. Предложенный метод локально-несмещенного сглаживания находит свое применение не только при сглаживании шумовой составляющей изображений, но и является одним из основных этапов при построении методов преобразования изображений изложенных в следующей главе исследования.
Далее во второй главе решается задача нахождения оптимальных локально-несмещенных фильтров. В качестве критериев оптимальности используются критерий минимума среднего квадрата ошибок и критерии сходства изображений, основанные на поточечном и поточечно-групповом сравнении исходного изображения и преобразованного в результате локально-несмещенного сглаживания. Рассмотрена и решена задача адаптации размера апертуры локально-несмещенного фильтра по временной составляющей с учетом корреляции между соседними кадрами видеоизображения.
В третьей главе рассматриваются задачи преобразования изображений на основе использования математической модели в виде двух аддитивных составляющих: исходной локальной освещенности (ИЛО) и исходной фоно-объектовой составляющей (ИФО), каждая из которых содержит специфическую информацию. Использование данной модели позволяет сформулировать для каждой из составляющих отдельную более простую и специфическую задачу построения преобразования в соответствии с характером концентрируемой в ней информации. Исходная локальная освещенность является основой математической модели изображения. Поэтому самым важным этапом общего преобразования изображения является формирование данной компоненты. Уточнение специфики информации, которая должна быть сосредоточена в исходной локальной освещенности, позволяет сделать вывод о характере преобразования
11 при построении данной составляющей и о применении метода локально-несмещенного сглаживания. Преобразования данного метода позволяют сформировать исходную локальную освещенность с требуемым информационным содержанием и, что немаловажно, в соответствии с психофизиологическими основами функционирования зрения. Процедура получения ИЛО состоит из двух этапов: корректировки исходного изображения и многократного локально-несмещенного сглаживания. На втором этапе ставится задача определения конкретного числа многократных усреднений, которая решается с помощью введения итерационной схемы с использованием в качестве критерия останова статистических характеристик изображений, получаемых в результате однократного усреднения.
Основное назначением исходной локальной освещенности состоит в формировании своего аналога - опорной локальной освещенности (ОЛО), используемого при синтезе преобразованного изображения. Предлагаемый метод выравнивания освещенности позволяет преобразовать ИЛО в ОЛО с целью перевода освещенности всех фрагментов изображения в удобный для восприятия диапазон интенсивности яркости.
Формирование ИФО в виде разности исходного изображения и исходной локальной освещенности позволяет поставить задачу контрастирования мелких слаборазличимых объектов на изображении, достаточно часто представляющих наибольший интерес, информация о которых содержится в данной составляющей. Получение улучшенного аналога ИФО - контрастированной фоно-объектовой составляющей (КФО), предполагает возможность применения двух процедур преобразования: простого контрастирования объектов и предварительного оконтуривания малопиксельных объектов.
В третьей главе рассматриваются также вопросы восстановления синтезируемого изображения (СИ) из полученных в результате применения методов выравнивания освещенности и контрастирования составляющих и настройки параметров преобразований этих методов.
В последней, четвертой главе, приводится описание прикладной программы, в которой реализованы известные и разработанные в данной диссертационной работе методы цифровой обработки видеоинформации. Программное обеспечение предоставляет исследователю возможность производить различные преобразования как отдельных кадров видеоизображения, так и совокупности соседних кадров в целях улучшения визуального качества. Особенности написания приложения, с использованием объектно-ориентированного программирования, позволяют использовать его в качестве составного модуля различных пакетов программ цифровой обработки визуальной информации.
Заключение содержит основные результаты и выводы, полученные в ходе исследования.
Основное содержание диссертационного исследования отражено в работах [22], [36], [50], [51].
Математическая постановка задачи построения методов преобразования изображений
Применение операторов производных второго порядка по направлению порождает проблемы более неприятные. Единственный способ избежать подобных дополнительных вычислительных затрат — это попытаться применить оператор, не зависящий от направления.
Еще одна группа методов, основанная на использовании статистических характеристик изображения, носит название гистограммных методов. Гистограмма распределения яркостей реального изображения, подвергнутого линейному квантированию, имеет ярко выраженный подъем в сторону малых уровней. Поэтому мелкие детали на темных участках видимы плохо, а сами изображения характеризуются низким контрастом. С целью повышения контраста таких изображений используют методы видоизменения гистограммы. Суть этих методов состоит в преобразовании яркостей исходного изображения таким образом, чтобы гистограмма распределения яркостей приобрела желательную форму [8; 15; 65].
Оптимальным с точки зрения зрительного восприятия человеком является изображение, элементы которого имеют равномерное распределение яркостей. Множество исследователей [66] получили ряд улучшенных изображений путем выравнивания гистограммы, то есть в каждом случае они стремились достичь равномерности распределения яркостей обработанного изображения. У. Фрэй исследовал метод видоизменения гистограмм, который обеспечивает экспоненциальную или гиперболическую форму распределения яркостей улучшенного изображения [68]. Д. Кетчам [72] усовершенствовал этот метод, применив скользящую "локальную" гистограмму, полученную для некоторого участка изображения.
Процедура выравнивания гистограммы состоит из следующих действий: 1. Вычисляется гистограмма распределения яркостей элементов изображения H{L); 2. Строится нормированная кумулятивная гистограмма CH(L); 3. Формируется новое изображение
Это преобразование эффективно для улучшения визуального качества низко контрастных деталей. Существует также ряд известных методов видоизменения гистограммы, которые приводят к получению изображений с заранее заданным распределением [59; 69; 70]. В таблице 1 приведены примеры преобразований, соответствующих поставленной задаче приведения плотности вероятности исходного изображения к требуемому виду [54].
Таким образом, преобразование плотности вероятности предполагает знание интегрального распределения для исходного изображения. Как правило, достоверные сведения о нем отсутствуют. Использование для рассматриваемых целей аналитических аппроксимаций также малопригодно, т.к. их небольшие отклонения от истинных распределений могут приводить к существенному отличию результатов от требуемых. Поэтому в практике обработки изображений преобразование распределений выполняют в два этапа.
На первом этапе измеряется гистограмма исходного изображения. Для цифрового изображения, шкала яркостей которого, например, принадлежит целочисленному диапазону 0...255, гистограмма представляет собой таблицу из 256 чисел. Каждое из них показывает количество точек в кадре, имеющих данную яркость. Разделив все числа этой таблицы на общий размер выборки, равный числу используемых точек изображения, получают оценку распределения вероятностей яркости изображения. Обозначим эту оценку w x(j), 0 j 255. Тогда оценка интегрального распределения получается по формуле:
На втором этапе выполняется само нелинейное преобразование, обеспечивающее необходимые свойства выходного изображения. При этом вместо неизвестного истинного интегрального распределения используется его оценка, основанная на гистограмме. С учетом этого, все методы поэлементного преобразования изображений, целью которых является видоизменение законов распределения, получили название гистограммных методов. В частности, преобразование, при котором выходное изображение имеет равномерное распределение, называется эквализацией (выравниванием) гистограмм.
Отметим, что процедуры преобразования гистограмм могут применяться как к изображению в целом, так и к отдельным его фрагментам. Последнее может быть полезным при обработке нестационарных изображений, содержание которых существенно различается по своим характеристикам на различных участках. В этом случае лучшего эффекта можно добиться, применяя гисто-граммную обработку к отдельным участкам.
Общим недостатком методов подчеркивания контуров является усиление высокочастотного шума. Это объясняется тем, что операция дифференцирования, которая так или иначе используется практически во всех методах линейного контрастирования, приводит к ослаблению низких и усилению высоких частот пространственного спектра функции яркости наблюдаемого изображения. Поэтому линейные методы контрастирования обладают низкой помехоустойчивостью. Чтобы повысить их помехоустойчивость, применяется сглаживание шума изображений. Сглаживание шума может выполняться одновременно с процедурой контрастирования. Соответствующую маску получают путем свертывания сглаживающей и подчеркивающей контуры масок.
Адаптация размеров апертуры локально-несмещенного фильтра по временной составляющей
В данной главе рассматриваются задачи, возникающие при подавлении шумов в изображениях и их последовательностях. Предложен метод локальной несмещенного сглаживания шумов, рассматривается задача нахождения оптимальной локально-несмещенной фильтрации, решается задача адаптации размера апертуры фильтра по временной составляющей.
Обычно изображения, сформированные различными информационными системами, искажаются действием помех. Это затрудняет как их визуальный анализ человеком-оператором, так и автоматическую обработку. Ослабление действия помех достигается фильтрацией. При фильтрации яркость каждой точки исходного изображения, искаженного помехой, заменяется некоторым другим значением яркости, которое признается в наименьшей степени искаженным помехой. Изображение представляет собой двумерную функцию пространственных координат, которая изменяется по этим координатам медленнее, чем помеха, также являющаяся двумерной функцией. Это позволяет при оценке полезного сигнала в каждой точке кадра принять во внимание некоторое множество соседних точек, воспользовавшись определенной похожестью сигнала в этих точках. В других случаях, наоборот, признаком полезного сигнала являются резкие перепады яркости. Однако, как правило, частота этих перепадов относительно невелика, так что на значительных промежутках между ними сигнал либо постоянен, либо изменяется медленно. И в этом случае свойства сигнала проявляются при наблюдении его не только в локальной точке, но и при анализе ее окрестности.
Таким образом, идеология фильтрации основывается на рациональном использовании данных как из самой локальной точки, так и данных ее соседей.
Задача состоит в нахождении вычислительной процедуры которая позволяла бы достигать наилучших результатов с учетом особенностей и законов зрительного восприятия изображений и видеоизображений человеком.
Как уже отмечалось ранее, специфика восприятия человеком искажений видеоинформации проявляется в фиксации их глазом человека не в пределах одного кадра, а в некоторой совокупности кадров. Следовательно, разработка методов фильтрации должна учитывать наличие временной составляющей видеоизображений. Будем исходить из предположения, что соседние кадры сильно коррелиро-ваны, т. е. обладают статистической зависимостью и являются изображениями одной и той же реальной сцены. Обработка статичных видеопоследовательностей основывается на неизменности сканируемой сцены в течение некоторого промежутка времени. Следовательно, фильтрация может быть проведена с использованием информации из некоторой последовательности соседних кадров. Допустим, регистрирующее устройство формирует монохромное видеоизображение в цифровом виде (1.3.1). Воспользуемся при фильтрации видеопоследовательностей локальной линейной фильтрацией, в которой выходной эффект определяется линейной комбинацией входных данных: весовые коэффициенты, совокупность которых задает импульсную характеристику (ИХ) или ядро фильтрации. Значения весовых коэффициентов определяют, какая часть исходного сигнала точки апертуры включается в отфильтрованное значение. Различные наборы значений коэффициентов задают разные типы фильтров. Безусловно, хотелось бы определить в некотором смысле оптимальную импульсную характеристику. В качестве критерия оптимальности наиболее часто используется критерий минимума среднего квадрата ошибок. Однако данный критерий использует информацию о полезном сигнале, что в реальных информационных системах не всегда достижимо. Поэтому, одним из подходов при определении ядра фильтрации является эвристический подбор значений коэффициентов, дающих хороший выходной результат фильтрации с точки зрения исследователя. Другим подходом является определение критериев, основанных на использовании входных и выходных (получаемых в результате обработки) данных информационной системы. Вопросы, посвященные определению оптимальной линейной локально-несмещенной фильтрации, рассматриваются в следующем параграфе. Фильтрация шумов в видеоизображении предполагает введение определенных ограничений на процедуру преобразования. Мы будем строить ограничения задачи, придерживаясь следующих целей: 1). Использовать информацию из некоторой окрестности S обрабатываемой точки. 2). Подавление шумовой составляющей должно происходить с минимальной потерей информации. 3). Использовать эффект локального усреднения восприятия человеком изображений; 4). Учитывать наличие определенной зависимости между значениями интенсивности одноцветных составляющих соседних пикселей, выражающееся в плавном изменении информативной (не шумовой) компоненты изображения при переходе от одного пикселя к соседнему. Предложим метод локально-несмещенного сглаживания, который удовлетворяет указанным выше условиям. Наиболее полно и унифицировано формализовать эти условия удается в классе линейных преобразований. Метод локально-несмещенного сглаживания предполагает, что весовые коэффициенты имеют гауссовское распределение и удовлетворяют условию сохранения средней яркости видеоизображения:
При данной фильтрации, выходной сигнал формируется из значений входных, принадлежащих апертуре с импульсной характеристикой, зависящей от расстояния точек окрестности до рабочей (обрабатываемой) точки. Максимальный весовой коэффициент имеет рабочая точка, остальные коэффициенты имеют меньшие значения в зависимости от расстояния до обрабатываемой точки. Чем дальше точка окрестности от рабочей, тем меньший весовой коэффициент она имеет. Таким образом, вводим функцию расстояния между точками апертуры и гауссовскую функцию от этого расстояния:
Восстановление преобразованного изображения и настройка па раметров преобразования
Непосредственное назначение исходной локальной освещенности - служить основой для формирования своего заменителя - функции опорной локальной освещенности (ОЛО). ОЛО используется при синтезе выходного изображения и должна отличаться от исходной локальной освещенности лишь тем, что оно позволяет перевести «освещенность» всех фрагментов изображения (в том числе находящихся в темноте и в области чрезмерной яркости) в удобный для восприятия диапазон интенсивностей яркости.
Поскольку ИЛО не должна содержать информацию о всех типах малопиксельных объектов (МПО) (эта информация должна полностью перейти на исходную фоно-объектовую составляющую, определяемую в виде разности ИИ -ИЛО), то единственным способом сохранить всю информацию о малопиксельных объектах на ИФО является формирование исходной локальной освещенности путем сильного специального многократного локального усреднения исходного изображения, полностью «размывающего» МПО по их окрестности. При этом не удается избежать сохранения на ИЛО контрастных многопиксельных объектов (MHO) в виде их сильно сглаженных образов (ССО), не сохраняющих деталей и границ MHO (они переносятся на фоно-объектовую составляющую в виде специфических объектов).
Однако сохранение на исходной локальной освещенности следов контрастных многопиксельных объектов в виде сильносглаженных объектов, не мешает исходной локальной освещенности выполнять свое назначение — быть основой для построения опорной локальной освещенности.
Незначительное изменение амплитуды сильносглаженных образов при проведении преобразования ИЛО- ОЛО не оказывает существенного влияния на восприятие MHO синтезируемых в выходном изображении, из двух частей, информации: носителем одной (сильносглаженных образов) является ОЛО, а носителем другой (границ MHO) является контрастированная фоно-объектовая составляющая.
В силу описанных особенностей информационного содержания исходной локальной освещенности (и определения ИФО в виде разности ИИ-ИЛО) в исходной фоно-объектовой составляющей содержится вся информация о малопиксельных объектах (как слаборазличимых, так и контрастных) и информация о границах. Кроме того в ИФО могут содержаться «ложные объекты» очень малой пиксельности, являющиеся образами шумовых (случайных) одиночных «всплесков» («провалов») разного происхождения.
Для облегчения построения процедуры контрастирования слаборазличимых (т.е. малой амплитуды) малопиксельных объектов в ходе преобразования ИФО-ЖФО возникает еще одно специальное требование к свойствам ИФО -сохранение на ней слаборазличимых МПО неискаженными и в желательно «центрированном» виде относительно нулевого уровня (т.е. чтобы яркая часть малопиксельных объектов — вершина — имела положительное значение, а их «основание» имело отрицательное значение).
Придание этого свойства исходной локальной освещенности предполагает реализацию специальной многошаговой процедуры ИИ- ИЛО, состоящей из двух частей: - первая - это несколько шагов коррекции исходного изображения; - вторая - следующая за коррекцией, многоразовое сильное локальное усреднение откорректированного ИИ. При этом каждый шаг коррекции исходного изображения предполагает две фазы: - одноразовое локальное усреднение ИИ (или скорректированного на пре дыдущем шаге - в зависимости от номера шага); - корректировку отдельных значений упомянутого ИИ («укорачивание» отдельных отклонений ИИ от локально усредненных значений) по результатам его локального усреднения. Непосредственно исходная локальная освещенность строится уже в результате многоразового сильного локального сглаживания окончательно скорректированного перед этим ИИ. Фаза корректировки ИИ. Эта многошаговая итерационная процедура с числом шагов, примерно «Усечение» значений X(k\ порождающих значительные отклонения от локально усредненной Xw обеспечивает желаемое «центрирование» слаборазличимых малопиксельных объектов относительно исходной локальной освещенности и затем на ИФО относительно нулевого уровня. Второй и заключительный фазой преобразования ИИ- ИЛО является многократное сильное усреднение окончательно скорректированного изображения с использованием локально-несмещенного сглаживания. Каждое усреднение проводится на блоках 3x3 пикселя. Конкретное число проводимых многократных локальных усреднений будем определять на основании статистических характеристик изображений, получаемых в результате однократного усреднения. Многократное сглаживание исходного изображения можно представить в виде следующей итерационной процедуры: илок+1 =s(mot), где S - функция сглаживания изображения, ИЛО0 - скорректированное исходное изображение. В силу особенностей информационного содержания ИЛО, а именно, она должна содержать информацию только об освещенности и не содержать контрастных элементов, в качестве характеристики, позволяющей выполнить остановку итерационной процедуры, можно взять дисперсию изображения, определяемую формулой (2.3.1). Итерационную процедуру построим на следующем правиле: если сглаженное изображение на шаге к + \ содержит контрастные элементы, то оно снова подвергается сглаживанию, иначе получена исходная локальная освещенность с требуемыми свойствами.
Команды главного меню приложения
Введем некоторый «уровень» исходной фоно-объектовой составляющей, такой чтобы интервал [-5,5] значений Z покрывал большинство «центрированных» слаборазличимых МПО (то есть перепадов значений на границах таких МПО). Например 5 = 8.
Будем считать, что граничные уровни, покрываемые интервалом [-5,5], должны быть в среднем увеличены в к раз пропорционально, чтобы соответствующие им образы слаборазличимых малопиксельных объектов стали «уверенно различимыми в среднем». Таким образом, интервал [-5,5] определим как область максимального линейного усиления значений Z с постоянным коэффициентом к.
Считаем, что большие интервалы значений Z, то есть покрывающие [-5,5], отражают граничные перепады ИФО более контрастных объектов и поэтому требуют менее сильного и не обязательно линейного усиления. Поэтому коэффициент усиления по мере удаления значений Z от 5 в большую по модулю сторону сделаем не постоянным, а будем постепенно снижать до 1 и потом несколько меньших значений (т.е. будем даже снижать контрастность, что вполне допустимо для высококонтрастных малопиксельных объектов). Снижение к меньше единицы необходимо для того, чтобы максимально возможные значения контрастированной фоно-объектовой составляющей не превысили по модулю значение 255-А. (напомним, это необходимо, чтобы при суммировании КФО с ИЛО восстанавливаемое изображение по значениям яркости не выходила за допустимые границы [0;255]).
КФО будем обозначать переменной Т, область значений которой [-255 +А; 255-А]. График функции Z-»r (ИФО-ЖФО), реализующий приведенные выше рассуждения, может иметь вид представленный на рис. 4. Как мы уже говорили, параметры к и б задаются априори. Степень корня ц подбирается экспериментально при заданных значениях к и 8. Алгоритм предварительного оконтуривания ИФО. Будем по прежнему обозначать ИФО переменной Z, а оконтуренное ИФО переменной Z . Процедура оконтуривания исходной фоно-объектовой составляющей (перед ее контрастированием) заключается в умеренном усилении перепадов яркости на предполагаемых границах образов малопиксельных объектов на ИФО. Это преобразование (z - Z") включает несколько операций: 1. Первоначально проводится слабое одноразовое локальное-несмещенное сглаживание исходной фоно-объектовой составляющей с заданным весовым коэффициентом в рабочей точке, значение которого близко к 0,5. В результате получаем слабосглаженное ИФО (z), сохраняющую информацию о положении малопиксельных объектов только с «округленными» границами. 2. Вычитая сглаженную ИФО из исходной, получаем информацию об ис ходных граничных значениях всех малопиксельных объектов (z), то есть 5. Нормированная оконтуривающая поправка суммируется с исходными значениями ИФО. Таким образом, получаем оконтуренные образы предполагаемых малопиксельных объектов на исходной фоно-объектовой составляющей, выраженные переменной Z : z =z + z. Примечание. Значения параметров т, 0, со выбираются из указанных выше интервалов в ходе экспериментальной отработки процедуры оконтуривания [z r). В силу специфики информационного содержания исходной фоно-объектовой составляющей, она является носителем различного рода помех, присутствующих на исходном изображении. Т.е. в ней содержаться «ложные объекты», являющиеся образами шумовых (случайных) одиночных «всплесков» («провалов») разного происхождения. Естественно, наличие помех на изображении затрудняет его визуальный анализ человеком, поэтому, перед на 82 чалом процедуры контрастирования ИФО, рекомендуется провести её однократное локально-несмещенное сглаживание. Это позволит ослабить действие помех и избежать появления контрастных «ложных объектов» негативно сказывающихся на зрительное восприятие и анализ человеком. 3.5 Восстановление преобразованного изображение и настройка параметров преобразования Согласно описанному вначале замыслу формирования улучшенного изображения путем разложения исходного на несколько составляющих с качественно разным информационным содержанием и последующим формированием из каждой из них «улучшенных» аналогов, восстанавливаемое изображение должно образовываться путем сложения КФО и ОЛО, то есть СИ=КФО + ОЛО. Комментарий к предполагаемому качеству СИ. Ожидается, что в синтезированном изображении, по сравнению с исходным, произойдут следующие положительные изменения: - в целом освещенность фона для всех фрагментов станет более однородной (несколько приблизится к «серому»); - слаборазличимые малопиксельные объекты в большинстве проявятся более контрастно и более четкими границами, более контрастным станет и фон (проработается его фактура); - проявятся значительное большинство малопиксельных объектов слабой яркости, находящихся ранее в «темных» или «чрезмерно ярких» фрагментах изображения; - в целом изображение станет более контрастным и более богатым, в смысле представления мелких объектов и деталей, что с точки зрения обзорно-прицельных систем является положительным. Однако одновременно с этим, следует ожидать проявления и некоторых негативных эффектов, в частности: - падение контрастности малопиксельных объектов, находящихся в ближайшей окрестности контрастных многопиксельных объектов; - снижение контрастности крупных многопиксельных объектов (кроме граничной области) и некоторое изменение их вида; - появление объектоподобных «всплесков» («провалов») яркости, так называемых «ложных малопиксельных объектов». Порядок настройки параметров процедуры преобразования изображения. В экспериментальной программе нужно предусмотреть возможность замены и фиксации значений следующих параметров:
