Содержание к диссертации
Введение
Глава 1. Предварительная обработка изображений земной поверхности. основные задачи и современные алгоритмы их решения 10
1.1 Дистанционное зондирование Земли из космоса в задачах мониторинга и управления 10
1.2. Назначение и роль предварительной обработки в задачах анализа ИЗП 16
1.3. Характеристика современных методов и алгоритмов предварительной обработки ИЗП 20
1.3.1. Повышение резкости ИЗП 20
1.3.2 Изменение масштабов фрагментов ИЗП 26
1.3.3 Совмещение и комплексирование изображений, полученных в различных диапазонах частот 30
1.4 Основы субполосного анализа и синтеза изображений 34
1.5 Задачи исследования 37
Глава 2. Субполосные свойства изображений 39
2.1 Метод повышение резкости изображений на основе оптимального субполосного выделения компонент из адаптивно определяемых интервалов ПЧ 39
2.1.1 Теоретические основы повышения резкости 40
2.1.2 Концептуальные основы экспериментальных исследований 41
2.1.3 Планирование вычислительных экспериментов 43
2.1.4 Описание результатов повышения резкости и выделения линейных структур 45
2.2 Алгоритмы адаптивного повышения резкости ИЗП и выделения линейных структур 51
2.3 Основные результаты и выводы главы 52
Глава 3. Изменения масштабов и повышение контрастности контуров фрагментов изображений 53
3.1 Разработка на основе частотных представлений методов дифференцирования и интерполяции двумерных сигналов 53
3.1.1 Интерполяция на основе оптимальной аппроксимации производной 59
3.2 Разработка алгоритма масштабирования изображений на основе субполосной интерполяции 64
3.3 Разработка алгоритма оконтуривания на основе метода вычисления производной 71
3.4 Вычислительные эксперименты 75
3.4.1 Теоретические основы методов выделения контуров и масштабирования изображений 75
3.4.2 Концептуальные основы экспериментальных исследований 77
3.4.3 Планирование вычислительных экспериментов 82
3.4.4 Описание результатов вычислительных экспериментов 85
3.5 Основные результаты и выводы главы 96
Глава 4. Совмещение и комплексирование изображений и программная реализация разработанных алгоритмов 97
4.1 Совмещение изображений 98
4.1.1 Основы методов совмещения изображений 98
4.1.2 Концептуальные основы экспериментальных исследований 105
4.1.3 Планирование вычислительных экспериментов 109
4.1.4 Описание результатов вычислительных экспериментов 114
4.2 Комплексирование изображений 119
4.2.1 Основы методов комплексировапия изображений 119
4.2.2 Концептуальные основы экспериментальных исследований 124
4.2.3 Планирование вычислительных экспериментов 127
4.2.4 Описание результатов вычислительных экспериментов 129
4.3 Программная реализация разработанных методов и алгоритмов предварительной обработки изображений 135
4.3.1 Архитектура программной поддержки 135
4.3.2 Модуль оконтуривания фрагментов изображений на основе вычисления частных производных 137
4.3.3 Модуль масштабирования изображений 138
4.3.4 Модуль повышения резкости фрагментов изображений 139
4.3.5 Структура входных и выходных данных 140
4.4 Основные результаты и выводы главы 141
Заключение 143
Список использованных источников 145
Приложение А 156
Приложение Б 163
Приложение В 166
Приложение Г 173
Приложение Д 176
- Повышение резкости ИЗП
- Разработка алгоритма масштабирования изображений на основе субполосной интерполяции
- Основы методов совмещения изображений
- Описание результатов вычислительных экспериментов
Введение к работе
Актуальность работы.
Изображения земной поверхности (ИЗП) широко используются для решения задач информационного обеспечения в сельском и лесном хозяйстве, экологии, мониторинге и контроле чрезвычайных ситуаций, при проведении научных и прикладных исследований окружающей среды и др.
В большинстве случаев ИЗП получают в ходе проведения дистанционного зондирования Земли (ДЗЗ) при помощи установленных на космических аппаратах различных оптико-электронных датчиков, которые реагируют на энергию в определенных диапазонах длин электромагнитных волн (разно-спектральные ИЗП). Использование нескольких диапазонов длин волн обусловлено необходимостью получения дополнительной информации об изучаемых объектах. При этом возникает задача комплексирования таких изображений с целью повышения общей информативности относительно одних и тех же участков земной поверхности. Для установления закономерностей широко применяется сопоставление ИЗП или их фрагментов, полученных в различные моменты времени, что принято называть совмещением. При анализе фрагментов ИЗП часто возникает необходимость изменения их размеров (масштабирование). Достоверность результатов анализа и обоснованность выводов во многом зависят от контрастности и резкости контуров фрагментов ИЗП, что принято называть визуальным качеством.
Обработку ИЗП с целью повышения визуального качества, комплексирования и совмещения принято называть предварительной обработкой.
Применяемые в настоящее время методы повышения резкости и выделения контуров фрагментов изображений чувствительны к воздействиям флуктуационных шумов, что часто приводит к появлению лишних деталей (ложные контуры) на результирующих изображениях. Поэтому возникает необходимость разработки градиентных операторов менее чувствительных к указанным искажениям исходных данных, что можно осуществить на основе создания методов оценивания производных компонент ИЗП из отдельных интервалов пространственных частот (ПЧ).
Для повышения резкости изображений обычно используют усиление компонент из области высоких ПЧ, что осуществляется на основе их выделения и добавления результата фильтрации к исходному изображению. Однако необходимо провести дополнительные исследования по уточнению области ПЧ, которые содержат компоненты изображений, дающие наибольший эффект в повышении резкости, и выбрать наилучший метод их выделения.
Масштабирование обычно реализуется на основе прореживания (уменьшение размеров) или интерполяции (увеличение размеров). Применяемые в настоящее время методы интерполяции не позволяют учесть свойства ИЗП, которые проявляются в наличии повышенных долей их энергий в областях ПЧ достаточно малых размеров.
В основе метода определения одних и тех же фрагментов земной поверхности присутствующих на разных изображениях, применяется оценива-
ниє их идентичности с использованием меры близости в виде пространственного коэффициента корреляции, который недостаточно чувствителен к различиям в значениях сравниваемых наборов пикселей. Поэтому необходимо усовершенствовать этот метод на основе разработки таких преобразований ИЗП, к результатам которых указанная мера идентичности будет более чувствительна, чем к исходным данным.
Комплексирование разноспектральных ИЗП обычно сводится к созданию (синтезу) нового изображения, на котором с повышенной резкостью были бы представлены все объекты наблюдаемой сцены, что часто реализуется на основе суммирования с некоторыми весовыми коэффициентами либо самих изображений, либо их компонент из областей высоких ПЧ. Повысить качество синтезируемого изображения можно на основе усиления соответствующих компонент из адаптивно определяемых интервалов ПЧ.
Таким образом, актуальность темы диссертационных исследований определяется тем, что информативность ИЗП в задачах их анализа может быть повышена на основе использования компонент из различных интервалов ПЧ. Методы и алгоритмы предварительной обработки ИЗП, усовершенствованные на основе использования их компонент из адаптивно определяемых интервалов ПЧ, представляется естественным называть субполосными.
Целью данной работы является совершенствование предварительной обработки изображений земной поверхности на основе разработки и применения методов и алгоритмов субполосного анализа и синтеза их компонент в определяемых в процессе обработки ( адаптивно) интервалах пространственных частот.
Для достижения поставленной цели сформулированы и решены следующие задачи:
Разработка метода и алгоритма адаптивной субполосной обработки ИЗП для повышения их резкости;
Разработка метода и алгоритма субполосной интерполяции фрагментов изображений для повышения точности их масштабирования;
Разработка субполосного градиентного оператора, устойчивого к воздействию на исходные данные флуктуационных шумов, и соответствующих алгоритмов решения задач выделения и повышения контрастности контуров фрагментов изображений;
Повышение эффективности метода совмещения ИЗП на основе преобразований исходных данных, позволяющих повысить чувствительность пространственного коэффициента корреляции к идентичности их совмещаемых фрагментов;
Разработка и исследование алгоритмов комплексирования разно-спектральных ИЗП на основе адаптивного выделения компонент ПЧ, позволяющих повысить резкость синтезируемого изображения;
Разработка программных реализаций созданных алгоритмов предварительной обработки изображений.
Объект исследований: изображение земной поверхности. Предмет исследования: методы предварительной обработки ИЗП.
Методы исследований. В работе использованы методы субполосного анализа/синтеза, статистического анализа, цифровой обработки изображений, линейной алгебры и вычислительных экспериментов.
Научную новизну работы составляет следующее:
Эмпирически установленные связи резкости изображений, включая ориентацию их линейных структур, с компонентами из различных интервалов ПЧ.
Субполосные методы численного дифференцирования и интерполяции изображений, позволяющие учесть распределение их энергий по интервалам ПЧ.
Субполосный градиентный оператор на основе субполосного численного дифференцирования, обладающий большей устойчивостью к воздействиям на исходные данные флуктуационных шумов, чем операторы, применяемые в настоящее время для выделения контуров фрагментов изображений.
Метод повышения чувствительности пространственного коэффициента корреляции к идентичности сравниваемых фрагментов совмещаемых изображений на основе применения субполосного градиентного оператора.
Практическая значимость работы определяется алгоритмами, которые позволяют повысить качество предварительной обработки изображений.
Диссертационное исследование выполнялось в рамках следующих федеральных проектов: ФЦП «Научные и научно-педагогические кадры для инновационной России» на 2009-2013 годы, Госконтракт № 14.740.11.0390; аналитическая ведомственная целевая программа МОН РФ «Развитие научного потенциала высшей школы (2009-2011 годы)», проекты 2.1.2/656 и 2.1.2/9382.
Полученные результаты также используются при проведении НИР и ОКР ЗАО «НЛП «СПЕЦ-РАДИО», что подтверждается соответствующим актом, а так же в учебном процессе магистрантов факультета КНиТ НИУ «БелГУ».
Область исследования. Содержание диссертации соответствует паспорту специальности 05.13.17 «Теоретические основы информатики» (технические науки) по следующим областям исследований:
п. 5. Разработка и исследование моделей и алгоритмов анализа данных, обнаружения закономерностей в данных и их извлечениях разработка и исследование методов и алгоритмов анализа текста, устной речи и изображений.
п. 7. Разработка методов распознавания образов, фильтрации, распознавания и синтеза изображений, решающих правил. Моделирование формирования эмпирического знания.
Положения, выносимые на защиту:
Субполосные методы и алгоритмы численного дифференцирования и интерполяции изображений, устойчивые к воздействию флуктуационных помех.
Методы и алгоритмы повышения резкости ИЗП и контрастности контуров их фрагментов на основе оптимального выделения компонент из
адаптивно определяемых интервалов ПЧ и применения субполосного градиентного оператора.
Метод и алгоритмы совмещения изображений на основе применения субполосного градиентного оператора, повышающего чувствительность меры идентичности, а, следовательно, обоснованность результата.
Алгоритмы комплексирования разноспектральных изображений на основе субполосной интерполяции и оптимального выделения компонент из адаптивно определяемых интервалов ПЧ.
Достоверность выводов и рекомендаций обусловлена адекватностью субполосных методов задачам предварительной обработки ИЗП, корректностью применяемых математических преобразований, а также подтверждается результатами вычислительных экспериментов с реальными эмпирическими и модельными изображениями.
Личный вклад соискателя. Все изложенные в диссертации результаты исследования получены либо соискателем лично, либо при его непосредственном участии.
Апробация результатов диссертационного исследования.
Результаты диссертационного исследования обсуждались на следующих научно-технических конференциях: Первая и Вторая Международная научно-техническая конференция, «Компьютерные науки и технологии», 2009 г., 2011 гг., Белгород, Россия; Областная научно-практическая конференция «Белгородская область: прошлое, настоящее и будущее», 22-23 декабря 2009 г., Белгород, Россия; IX международная научно-техническая конференция «Проблемы информатики и моделирования (ПИМ-2009)», 26-28 ноября 2009 г, Харьков, Украина; XXIII международная научной конференция «Математические методы в технике и технологиях ММТТ-23», 22-25 июня 2010 г, Саратов, Россия; Международная научно-практическая Интернет-конференция: «Инновационные подходы к применению информационных технологий в профессиональной деятельности», 2-25 июня 2010 г, Белгород, Россия; 13-я Международная конференция «Цифровая обработка сигналов и ее применение - DSPA - 2011», 30 марта - 01 апреля 2011 года, Москва, Россия; Одиннадцатая международная научно-практическая конференция «Фундаментальные и прикладные исследования, разработка и применение высоких технологий в промышленности» 27-29 апреля 2011 года, Санкт-Петербург, Россия; Международная научно-техническая интернет-конференция «Информационные системы и технологии» 1 апреля - 31 мая 2011, Орел, Россия; XIV Международная научно-техническая конференция «Медико-экологические информационные технологии - 2011», 4-8 июня 2011 г.
Публикации. По теме диссертационного исследования опубликовано 17 печатных работ (из них 4 в журналах из списка ВАК РФ), в том числе два Свидетельства Роспатента РФ о государственной регистрации программы для ЭВМ.
Объем и структура работы. Диссертация состоит из Введения, четырех глав, Заключения и Приложений. Работа изложена на 155 страницах машинописного текста, включая 45 рисунков, 18 таблиц и список литературных источников из 116 наименований.
Повышение резкости ИЗП
Резкость изображения - это степень полноты воспроизведения мелких деталей и резкость контуров изображения. Главная цель повышения резкости ИЗП заключается в том, чтобы подчеркнуть мелкие детали изображения или улучшить те детали, которые в зависимости от технических характеристик и условий съемки не являются достаточно четкими для проведения анализа. Так же во многих случаях наиболее информативными являются характеристики границ областей — контуров. Биологические системы зрительного восприятия, как показывают исследования, используют главным образом очертания контуров, а не разделение объектов по яркости [25, 32, 66, 109, ПО].
Для повышения резкости ИЗП используются как пространственные так и частотные методы. Пространственные методы используют линейные фильтры, которые служат для подчеккивания перепадов яркости и контуров. Выделение вертикальных перепадов осуществляется дифференцированием по строкам, горизонтальных - по столбцам.
Производные дискретной функции определяются в терминах разностей. Первая производная должна быть: равной нулю на плоских участках (областях с постоянным уровнем яркости); ненулевой в начале и в конце ступеньки или склона яркости; ненулевой на склонах яркости. Аналогично, вторая производная должна быть: равной нулю на плоских участках; ненулевой в начале и в конце ступеньки или склона яркости; равной нулю на склонах постоянной крутизны. Максимальное значение изменения яркости конечно, а кратчайшее расстояние, на котором это изменение может происходить, есть расстояние между соседними пикселями [7,10,30].
Операторы Лапласа реагируют на перепады яркости в виде ступенчатого перепада и на «крышеобразный» перепад. Они также выделяет изолированные точки, тонкие линии, их концы и острые углы объектов. Линия подчеркивается в 2 раза ярче, чем ступенчатый перепад, конец линии в 3 раза ярче, а точка - в 4 раза. Оператор Лапласа выделяет в основном неструктурированные элементы, поэтому он чувствителен к шуму [9, 11, 30, 89]. Хотя подчеркивание перепадов с помощью оператора Лапласа происходит без учета их ориентации, оператор Лапласа не инвариантен к ориентации перепадов: например, отклик оператора на наклонный перепад в диагональном направлении почти вдвое больше, чем в горизонтальном и вертикальном [57, 94].
С физической точки зрения, рассмотренные выражения являются фильтрами верхних частот, они выделяют высокочастотные составляющие полезного изображения, ответственные за перепады яркости и контуры, и подавляют «постоянную составляющую» [56, 81, 83, 95]. Однако при их использовании уровень шума на изображении возрастает. Для повышения помехоустойчивости при выделении и наложении контуров, для устранения эффекта размывания контуров при подавлении шума применяют нелинейную обработку.
Нелинейные фильтры, как и линейные, могут применяться для выделения контуров и перепадов яркости. Отличие нелинейных алгоритмов состоит в том, что они используют нелинейные операторы дискретного дифференцирования. К ним относятся фильтр Робертса и фильтр Собела.
При применении оператора Робертса для выделения границ, вычисляется сумма квадратов разницы между диагонально смежными пикселями. В отличие от фильтра Лапласа, при использовании фильтров Робертса и Собела контуры объектов и помехи в виде точек и линий имеют одинаковую яркость [57]. Но значительной проблемой фильтра Робертса является его чувствительность к шуму. По сравнению с фильтром Робертса, фильтр Собеля даёт более яркие и четкие границы, но при этом хуже справляется с синусоидальной помехой (подтверждено вычислительными экспериментами).
У всех рассмотренных выше методов есть такой недостаток: они работают на уровне отдельных пикселов, а потому получаемые контуры не являются непрерывными гладкими линиями.
Также для выделения контуров и повышения резкости изображений применяются частотные методы. Поскольку контуры и другие скачкообразные изменения яркости связаны с высокочастотными составляющими, поэтому повышение резкости изображения может быть достигнуто в частотной области при помощи процедуры высокочастотной фильтрации, которая подавляет низкочастотные составляющие и не затрагивает высокочастотную часть Фурье-преобразования [30, 89]. Основная идея фильтрации в частотной области заключается в подборе передаточной функции фильтра, которая модифицирует F(u,v) специфическим образом [12, 13, 14, 15, 17, 21].
Основываясь на теореме о свертке, известно, что для получения соответствующего отфильтрованного изображения в пространственной области следует вычислить обратное преобразование Фурье от произведения H(u,v)F(u,v). Результат этих действий будет идентичен выполнению операции свертки в пространственной области с маской h(x,y), которая есть обратное преобразование Фурье от H(u,v). На практике пространственная фильтрация обычно основывается при использовании малых масок, которые отражают существенные характеристики их частотных аналогов.
Изображения и их преобразования автоматически считаются периодическими, если фильтрация реализована на основе дискретного преобразования Фурье [49].
Искомое изображение получается выделением действительной части из последнего результата и умножения на ( 1)х+у, чтобы скомпенсировать эффект от умножения входного изображения на ту же величину. Обратное фурье-преобразование в общем случае является комплексным. Однако в случае вещественного входного изображения и вещественной передаточной функции фильтра мнимые части всех значений обратного фурье-преобразования должны равняться нулю. Однако на практике значения обратного фурье-преобразования, как правило, содержат паразитную мнимую составляющую, что связано с ошибками округления при вычислениях. Этой составляющей необходимо пренебречь.
Для фильтрации изображений применяются высокочастотные фильтры Баттерворта и Гауссовы высокочастотные фильтры [30]. На рис. 1.4 представлены трехмерные и полутоновые изображения, а также профили типичных фильтров каждого из перечисленных видов. А на рис. 1.5 представлен результат применения к изображению идеального фильтра высоких частот. Идеальный фильтр высоких частот полностью подавляет все частоты входного сигнала ниже частоты среза и пропускает без изменений все частоты выше частоты среза.
Разработка алгоритма масштабирования изображений на основе субполосной интерполяции
Напомним, что масштабирование фрагментов изображений заключается в изменении из размеров по обоим координатам.
Уменьшение размеров предполагает прореживание пикселей. Для исключения эффектов наложения частот перед прореживанием необходимо осуществить соответствующую фильтрацию. Имеется в виду, что если по координатам х и у в результате прореживания должны оставаться одному из пх и п пикселей (уменьшение масштабов), то исходный фрагмент изображения
После этого можно осуществлять запланированное прореживание.
Для увеличения размеров анализируемого фрагмента изображения необходимо использовать процедуры интерполяции, которые разработаны выше. При этом существенное значение имеет определение интервалов ПЧ, в которых сосредоточена подавляющая доля энергии обрабатываемого фрагмента изображения. Речь идет об использовании соотношений (3.14) (3.15).
Алгоритм определения информационных компонент ПЧ описан во второй главе пункт 2.2.
Интерполяции должна осуществляться покоординатно (порядок не имеет значения) с использованием соотношения (3.67).
На основе предлагаемого метода локальной интерполяции на основе аппроксимации производной с помощью собственных векторов субполосной матрицы, и соотношения (3.67) разработан алгоритм масштабирования изображений, словесное описание которого состоит в следующем.
1. Ввод исходных данных:
Ф - матрица значений яркости обрабатываемого изображения t = {flk},i = l,2, ,Nl, k = l,2,...,N2;
М - количество восстанавливаемых значений функции в пределах шага дискретизации;
L - количество обрабатываемых значений исходного изображения для интерполяции.
2. Рассчитать значения ширины интервала ПЧ Q и апертуру интерполирующего фильтра Nk
3. Для і = 1,2,...,Nk и к = 1,2,...,Nk, осуществить вычисления элементов субполосной матрицы А = {aik}
4. Произвести выбор X.q Aq i = L-\, и сформировать матрицу собственных векторов Q = (qv..,qK) и собственных чисел L = diag(Al,..,AK) матрицы А, которые предполагаются упорядоченными по убыванию величины Лк Лк+],к - 1,..,(Z, - 1).
5. Присвоить значения
Основы методов совмещения изображений
В настоящее время существует большое число методов совмещения изображений [71, 97, 104], которые были разработаны для различных ограничений на исходные данные. Такие ограничения естественным образом возникают при рассмотрении конкретных практических задач и меняются от задачи к задаче. Однако даже при одинаковых ограничениях методы могут существенно отличаться. При этом, задача совмещения изображений имеет глубокую связь с задачей распознавания объекта по его изображению, что позволяет переносить общие решения, найденные для одной задачи, на другую. Различные методы совмещения включают в качестве составных элементов выполнение таких операций, как выделение контуров, сегментация и построение структурного описания изображения.
Поэтому для совмещения изображений часто применяют метод площадной корреляции [84, 97, 103]. Суть данного метода состоит в том, что существует целевая и поисковая область. То есть у одного из совмещаемых изображений выбирается целевая область, а другое изображение является поисковой областью, при этом поисковая область должна быть больше целевой. Корреляция массивов значений пикселов вычисляется путем перемещения целевой обрасти по поисковой, как показано на рис. 4.1.
Но, как уже говорилось, многие объекты, наблюдаемые в одном спектральном диапазоне, имеют инверсные или частично инверсные яркостные характеристики по отношению к одноименным объектам, наблюдаемым в других диапазонах, а также похожие изменения происходят, если съемка производится в разное время. При этом границы (контуры) объектов, как правило, остаются без изменений. Данная особенность позволяет, используя метод выделения контуров, производить совмещение изображений. Также зачастую снимки имеют разное пространственное разрешение, поэтому перед совмещением их необходимо масштабировать.
На основе разработанных методов масштабирования и выделения контуров предлагается следующий алгоритм совмещения изображений на основе данных СГО
1. Исходные изображения Ф1 =щ} и Ф2 = щ), i = l,2,...,N, к = 1,2,..., М преобразовать на основе СГО к виду где fl,fl - оценки частных производных вдоль соответствующих координат (по строкам и столбцам). здесь L - количество обрабатываемых пикселей при вычислении оценки частных производных в точке с координатами (гк).
2. Из результата преобразования ={w;ij изображения Ф1 выбрать фрагмент Ттп = \w)+aJ+„\, где j, I - начальные координаты фрагмента
3. Произвести перемещение целевой области Ттп, начиная с левого верхнего угла изображения Sik, и сдвигая на один пиксель вправо, до совмещения правых краев целевого и поискового изображений. После чего переместить изображение обратно к левому краю и сдвинуть на один пиксель вниз, после чего снова переместить, сдвигая на один пиксель вправо и так до конца изображения. Для каждого положения сдвига необходимо на основании соотношения (4.1) произвести расчет показателя идентичности фрагментов Tmn,Sik;
4. Найти максимальное значение меры идентичности rik, при этом координаты /тах, ктж этого значения являются координатами точки совмещения изображений.
Функциональная схема алгоритма совмещения изображений на основе данных СГО имеет следующий вид (рис. 4.2).
Для иллюстрации работоспособности предложенной процедуры совмещения изображений было использовано два изображения (рис. 4.4(a) и 4.4 (б)), полученные в видимом и инфракрасном диапазоне частот. При этом у них есть область пересечения, показанная черным квадратом (рис. 4.4(a)).
На рис. 4.4 (а, б) черными квадратами выделены области, которые соответствуют одному и тому же участку земной поверхности.
На рис. 4.5 представлен результат преобразований на основе СГО (4.4), изображений представленных на рис. 4.4.
Как видно из рис. 4.4(а, б), что между большинством одинаковых объектов, относящихся одному и тому же участку земной поверхности, существуют заметные яркостные различия, но при этом границы (контуры) (рис. 4.5(а, б), у них практически совпадают.
Результат совмещения, изображений на основе предложенной процедуры представлен на рис. 4.6.
Рис. 4.6 показывает, что на основе предложенной процедуры удалось совместить два изображения полученных в разных диапазонах частот.
Описание результатов вычислительных экспериментов
Для сравнения качества комплексирования изображений на основе предлагаемой процедуры и применяемых в настоящее время методов взвешенного суммирования и добавления высокочастотной составляющей, были проведены вычислительные эксперименты, в которых производилось комплексирование разных фрагментов изображений приведенных на рис. 7 -13 приложение В.
Эксперимент 1
В ходе проведения экспериментальных исследований были определены показатели качества исходных изображений приведенных на рис. 1 - 7 приложение В. Полученные результаты представлены в таблице 4.7.
Как видно из таблицы 4.7 рис.7 обладает более высоким показателем резкости и значением разностного критерия. Поэтому его целесообразно использовать для повышения качества остальных на основе комплексирования.
Эксперимент 2
В таблице 4.8. приведены значения показателей качества результатов комплексирования изображений соответствующих пар (здесь №№ изображений соответствуют №№ соответствующих рисунков приложения В). Они демонстрируют преимущества использования предлагаемого суммирования результатов оптимального выделения компонент изображений из адаптивно определяемых интервалов ПЧ (по всем показателям качества).
Из результатов, представленных в таблице 4.8, видно, что предлагаемая процедура комплексирования изображений показывает более высокие характеристики по сравнению с существующими методами.
На рис. 4.9 представлен результат комплексирования фрагментов из изображений рис. 2 и рис. 7 приложение В, на основе предлагаемого алгоритма.
Эксперимент 3
Для комплексирования использовались изображения из оптического и инфракрасного диапазонов волн, которые представленные на рис. 1 - 6 приложения В. Результаты расчета показателей качества комплексирования этих изображений, представлены в таблице 4.9 (здесь №№ изображений соответствуют №№ соответствующих рисунков приложения В).
На основе результатов, представленных в таблице 4.9, можно сделать вывод, что предлагаемая процедура комплексирования изображений показывает более высокие характеристики по сравнению с существующими методами.
На рис. 4.10 представлен результат комплексирования фрагментов из изображений представленных на рис.4 и рис. 3 приложение В, на основе предлагаемой процедуры.
В результате можно сделать вывод о том, что предлагаемая процедура комплексирования изображений, за счет применения разработанных методов и алгоритмов предварительной субполосной обработки изображений, позволяет получать более высокие результаты комплексирования по сравнению с существующими методами.
