Алгоритмы обработки в бинокулярных системах технического зрения используют принципы фотограмметрии для реконструкции трёхмерной сцены по изображениям от двух видеокамер [3]. Следовательно, для определения пространственного положения (трёхмерных координат) объекта (ориентира) в поле зрения бинокулярной системы необходимо выделить общие характерные признаки объекта на изображениях двух видеокамер [2]. На практике необходимо учитывать тот факт, что измерения производятся при изменении условий наблюдения, причём не только во времени, но и, что более существенно, в пределах изображений трёхмерной сцены [1].
Цель исследований состоит в исследовании информативности полутоновых изображений природных ландшафтов.
Распределения интенсивности излучения в изображениях природных ландшафтов
Принимая во внимание огромное разнообразие изображений различных сцен, которое может быть получено с помощью телевизионных систем, для анализа выбраны три полутоновых изображения разноплановых природных ландшафтов (в 8-битовой кодировке градаций интенсивности с приведённой размерностью 682×512 пикселей): аэросъёмка (рис. 1), лесной пейзаж (рис. 2) и ледовый ландшафт (рис. 3). Причём тестовые изображения на рисунках представлены слева, а справа – распределения интенсивности излучения (в дальнейшем – интенсивности) в анализируемом изображении, полученные обработкой полутоновых изображений в пакете MATLAB.
Представленный на рисунках материал подтверждает измерения условий наблюдения в пределах изображений трёхмерной сцены. Действительно, математические ожидания интенсивностей излучения в пикселях тестовых изображений различаются примерно в 2 раза от 61,5 до 112,1 при 8-битовой кодировке. Аналогичные различия в 2 раза от 30,75 до 59,05 характерны и для среднеквадратичного отклонения (СКО) интенсивности излучения в элементах изображения.
а б
Рис. 1. Тестовая аэросъёмка (а) и распределение интенсивности излучения (б)
а б
Рис. 2. Тестовое изображение лесного пейзажа (а) и распределение интенсивности излучения (б)
а б
Рис. 3. Тестовое изображение ледового ландшафта с айсбергом (а) и распределение интенсивности излучения (б)
Кроме того, следует заметить, что форма гистограмм распределения интенсивности излучения различна для разных тестовых изображений. В ледовом ландшафте практически отсутствуют элементы изображения с интенсивностью менее 30. Однако пиковое значение гистограммы соответствует 32. В диапазоне интенсивностей от 40 до 150 плотность распределения изменяется незначительно. При дальнейшем увеличении интенсивности наблюдается медленное монотонное уменьшение значений распределения (доля пикселей).
В целом из рис. 3, а, следует, что в изображении ледового ландшафта велика доля пикселей с высоким уровнем интенсивностей излучения (светлых тонов).
Совсем другая картина наблюдается при анализе аэросъёмки на рис. 1, а. Практически отсутствуют элементы разложения, интенсивности в которых превышают 150. Наибольшее количество пикселей имеют интенсивности в диапазоне от 32 до 64.
Для описанных изображений на рис. 4 представлены функции распределения интенсивности в пикселях. Функции подтверждают существенные изменения условий наблюдения при выделении точечных особенностей на трёхмерной сцене.
Проведённый анализ тестовых изображений подтверждает актуальность исследований, направленных на обеспечение устойчивого выделения точечных особенностей на трёхмерной сцене при изменяющихся условиях наблюдения.
Распределение интенсивностей в полутоновых изображениях природных ландшафтов
Для снижения объёма вычислений при реконструкции трёхмерной сцены по стереопаре изображений от двух видеокамер используют не все элементы изображения, а лишь заранее определённый набор точечных особенностей ориентиров, например углы в детекторе Харриса или края в детекторе Кэнни [4–6].
Основным недостатком детекторов точечных особенностей является то, что они при идентичных параметрах (например, при одинаковом значении порогового уровня или числе обнаруживаемых точек в детекторе Харриса) или изменении внешних условий наблюдения (например, освещённости сцены) могут давать разные результаты. Это может приводить к тому, что точечной особенности на одном изображении не будет найдено соответствие (сопряжение) на другом изображении стереопары. Помимо этого использование детектора Харриса может приводить к выбору в качестве точечной особенности малоинформативных участков изображения с высоким контрастом (например, мест перехода на изображении между морем и сушей, небом и землёй или растительностью).
Рис. 4. Функции распределения интенсивности для трёх тестовых изображений
Рис. 5. Тестовая аэросъёмка с тремя строками, в пределах которых производится анализ изменений уровня интенсивности
Действительно, обратимся к аэросъёмке на рис. 5. Здесь выделены три строки, в пределах которых производится анализ изменений уровня интенсивности. Цифрами слева и внизу отображены номера пикселей соответственно по строкам и столбцам дискретного изображения.
Во всех трёх строках участки справа и слева изображений принадлежат водной поверхности. В средней части строк имеются фрагменты строений. В нижней строке слева от центра имеется участок акватории порта.
На рис. 6–8 представлены распределения интенсивности (сплошные) и разности интенсивностей (штриховые линии) излучений в пикселях для трёх строк тестового изображения на рис. 5.
Рис. 6. Распределение интенсивностей (сплошная) и разности интенсивностей (штриховая линия) излучений для верхней строки на рис. 5
Рис. 7. Распределение интенсивности (сплошная) и разности интенсивностей (штриховая линия) излучений для средней строки на рис. 5
Рис. 8. Распределение интенсивности (сплошная линия) и разности интенсивностей (штриховая) излучений для нижней строки на рис. 5
Сравнение левой и правой частей распределения интенсивности излучений (сплошные линии) показывает, что интенсивности от водной поверхности находятся в пределах от 30 до 60 при 8-битовой кодировке. Причём если для верхней строки среза на рис. 6 интенсивность от водной поверхности практически постоянна, то для рис. 7 она изменяется более чем на 10 %. Ещё более существенны изменения интенсивности от водной поверхности для рис. 8. Если слева средняя интенсивность составляет 60, то справа – 40, а в акватории порта – 30.
В то же время распределение разности интенсивностей между соседними пикселями на рисунках 6 – 8 от водной поверхности практически близко к нулю. Заметим, что в этих распределениях положительные выбросы соответствуют резким переходам от светлого участка к тёмному, а отрицательные – от тёмного к светлому. Следовательно, знак разности интенсивностей между соседними пикселями позволяет классифицировать особенность как переход от светлого участка к тёмному или наоборот. Кроме того, заметим уменьшение СКО интенсивностей при переходе от интенсивностей к разности интенсивностей. Действительно, как следует из рис. 5, СКО различаются почти в 1,5 раза.
Обратимся к рис. 8. Если за пороговый уровень выбрать Uпор = 64 (приблизительно на 10 % превышающий максимальное значение интенсивности от водной поверхности), то при условии выделения выбросов ∆U, удовлетворяющих условию , в распределении разности интенсивности будет выделено всего 5 характерных точек, причём первая и вторая точки будут соответствовать молу. Наконец три следующие точки соответствуют стенам зданий. Следовательно, все 5 точек являются информативными.
Если для выделения точечных особенностей использовать амплитудную селекцию по распределению интенсивности, при пороговом уровне Uпор = 128 будет выделено около 12 точек.
Обратим внимание на существенные изменения математического ожидания интенсивности в трёх выделенных на рис. 5 строках, которые составляют соответственно 66,3; 58,4 и 49,2 (рис. 6–8). Столь же значительны и изменения СКО интенсивности: 32,6; 29,6 и 24,9. Это указывает на необходимость при построении алгоритма выделения точечных особенностей ориентироваться не на интенсивность, а на разность интенсивностей (контраст) в анализируемых изображениях сцены.
Выводы
Проведённый анализ тестовых полутоновых изображений разноплановых природных ландшафтов (в 8-битовой кодировке градаций интенсивности с приведённой размерностью 682×512 пикселей) показывает, что фиксация порогового уровня интенсивности при изменении условий наблюдения сцены или статистических энергетических характеристик сцены исключает возможность эффективного нахождения информативных точечных особенностей. Более значимые результаты могут быть получены при переходе от анализа интенсивностей к анализу разности интенсивностей между соседними пикселями. Нахождение точек с большим положительным и/или отрицательным контрактом позволяет эффективно выделять набор информативных точечных особенностей.
При фиксированном значении порогового уровня или количестве точечных особенностей, а также при изменении внешних условий наблюдения (например, освещённости сцены) известные детекторы могут приводить к выбору в качестве точечной особенности малоинформативных участков изображения с большой величиной контраста (например, мест перехода на изображении между морем и сушей, небом и землёй или растительностью).
Анализ полутоновых изображений разноплановых природных ландшафтов показывает, что хотя в пределах изображения сцены математическое ожидание изменений интенсивности велико, но между соседними пикселями (элементами разрешения) оно незначительно.
Рецензенты:
Обуховец В.А., д.т.н., профессор, Институт радиотехнических систем и управления, ФГАОУ ВО «Южный федеральный университет», г. Таганрог;
Рогозов Ю.И., д.т.н., профессор, заведующий кафедрой системного анализа и телекоммуникаций, Институт компьютерных технологий и информационной безопасности, ФГАОУ ВО «Южный федеральный университет», г. Таганрог.
Библиографическая ссылка
Румянцев К.Е., Петров Д.А. ИНФОРМАТИВНОСТЬ ПОЛУТОНОВЫХ ИЗОБРАЖЕНИЙ ПРИРОДНЫХ ЛАНДШАФТОВ // Фундаментальные исследования. – 2015. – № 5-2. – С. 329-334;URL: https://fundamental-research.ru/ru/article/view?id=38217 (дата обращения: 17.08.2024).