Предварительная обработка и анализ цифровых изображений, полученных в условиях недостаточной освещенности тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Хрящев, Денис Александрович

• Хрящев, Денис Александрович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Хрящев, Денис Александрович

ОГЛАВЛЕНИЕ

Введение

Глава 1. Существующие методы предварительной обработки и выделения контуров изображения

1.1. Общая схема предварительной обработки изображения

1.2. Контрастность цифрового изображения

1.3. Цифровой шум. Выбор наиболее подходящей модели шума

1.4. Основные характеристики темных изображений

1.5. Низкочастотные фильтры

1.6. Выделение контуров изображения

1.7. Постановка задачи

1.8. Выводы по главе

Глава 2. Разработка алгоритмов предварительной обработки, анализа, выделения контуров изображения

2.1. Общая схема алгоритма повышения качества изображений

2.2. Оценка степени контрастности цифрового изображения

2.3. Выбор наиболее подходящей модели аддитивного и импульсного шума

2.4. Разработанный низкочастотный фильтр

2.5. Разработанный алгоритм выделения контуров на изображениях

2.6. Схема повышения качества изображений, полученных в условиях недостаточной освещенности

2.7. Выводы по главе

Глава 3. Программная реализация разработанных алгоритмов и сравнение их с существующими

3.1. Методика экспериментальной проверки разработанных алгоритмов

3.2. Проверка предлагаемого алгоритма, вычисляющего степень контрастноти

3.3. Проверка разработанного алгоритма выбора модели шума

3.4. Тестирование предлагаемого низкочастотного фильтра

3.5. Проверка разработанного алгоритма вычисления градиента

3.6. Тестирование общей схемы повышения качаества изображений, полученных в условиях недостаточной освещенности

3.7. Выводы по главе

Глава 4. Внедрение результатов работы

4.1. Описание разработанного программного продукта

4.2. Обработка изображений, полученных внешней камерой АГТУ

4.3. Внедрение разработанного программного продукта в Астраханском филиале ОАО «ВымпелКом»

4.4. Выводы по главе

Заключение

Список литературы

Приложение А

Приложение Б

Приложение В

Приложение Г

Приложение Д

Приложение Е

Приложение Ж

Введение диссертации (часть автореферата) на тему «Предварительная обработка и анализ цифровых изображений, полученных в условиях недостаточной освещенности»

ВВЕДЕНИЕ

Актуальность диссертационного исследования. Современный период развития средств обработки информации характеризуется масштабным внедрением различных алгоритмов и технологий интеллектуализации процессов обработки данных. Одним из важных компонентов процесса интеллектуализации информационных технологий является все большая необходимость использования информации, имеющей форму фото и видео данных, в частности цифровых изображений, поскольку такие технологии наиболее приемлемы и удобны для использования в системах видео наблюдения, автофокусировки в фото и видео камерах, медицинских приборах и т.п.. Объем продаваемых ежегодно программно-аппаратных средств, связанных с захватом, обработкой и хранением фото и видео изображений увеличивается ежегодно на 6-10% (статистическое агентство МагкеШпе), что приводит к пропорциональному ежегодному приросту фото и видео изображений. В случаях, когда съемка производится в условиях с недостаточной освещенностью, качество изображений значительно снижается из-за несовершенства фото и видео камер. Поэтому проблема повышения эффективности и качества обработки фото и видео изображений является актуальной и представляет несомненный интерес.

Процесс обработки изображений состоит из ряда этапов, среди которых одним из наиболее важных является предварительная обработка изображений, которая представляет самостоятельный интерес. Предварительная обработка и выделение контуров на цифровых изображениях имеют широкий спектр применения в различных областях, начиная от подготовки изображения к распознаванию, улучшению изображения во всевозможных записывающих устройствах путем низкочастотной фильтрации и эквализации гистограмм яркостей - фото и видео камерах, сканерах, эхолокаторах, изображений, полученных при помощи ультразвука, рентгена, радио локации, астрономических фотографий, электронной микроскопии и т.п.

Исследование, проводимое в настоящей диссертации, нацелено на выявление и анализ основных недостатков существующих методов

предварительной обработки и выделения контуров изображений и представляет особый интерес в области обработки и повышения качества цифровых изображений. Изучение влияния предварительной обработки изображений на результаты распознавания образов имеет большое значение и может быть использовано для повышения эффективности распознавания образов путем применения более эффективных методов предварительной обработки изображений.

Степень разработанности проблемы. Существует ряд стандартных методов улучшения цифровых изображений и предварительной обработки, в которые входят анализ шума на цифровых изображениях, низкочастотная фильтрация, коррекция контрастности, выделение контуров.

Широко изучены методы определения степени контрастности цифровых изображений, среди которых существуют подходы, усредняющие локальные контрастности, подсчитанные по формулам Вебера [1], Михельсона [2], Нестерук и Порфирьева [3] и т.п. Интерес к изучению степени контрастности цифровых изображений нашел свое отражение в трудах P.A. Воробель [4], в котором обобщенный контраст изображения подсчитывается интегрально, основываясь на линенйном описании контрастов. Все известные методы определения степени контрастности дают относительную оценку контрастности, что задает направление для дальнейших исследований - вычисление абсолютной степени контрастности без использования какого-либо эталонного изображения.

В диссертации были использованы наработки зарубежных авторов относительно методики анализа шума на цифровых изображениях посредством анализа гистограмм яркостей малых областей изображения с небольшим среднеквадратическим отклонением яркостей, предлагаемых Р. Гонсалесом и Р. Вудсом [5]. Низкая точность вычисляемых таким методом значений статистических характеристик шума, а также отсутствие детального описания t моделей шума и методов рассчета их характеристик требуют проведения дополнительных исследований.

При работе над диссертацией в ходе исследования были изучены коллективные труды и отдельные монографии зарубежных и российских ученых,

посвященные низкочастотной фильтрации цифровых изображений. В частности, статьи о билатеральных фильтрах Томаси и его коллег [6], а также труд Бухтоярова С.С. [7] о применении нелинейных фильтров на основе ранговой статистики. Кроме того, в диссертации рассматривались гомоморфные [8] и линейные усредняющие фильтры, такие как фильтр Гаусса [9] и Баттерворта [10]. Узкая область применения известных методов относительно типа шума на изображении задает направление для дальнейших исследований — разработка более универсальных низкочастотных фильтров, эффективно подавляющих разные типы цифрового шума на изображениях.

Для решения задачи выделения контуров на цифровых изображениях известен широкий спектр стандартных методов. В работе рассматривались наиболее распространенные методы, вычисляющие градиент - Робертса [11], Прюитт [12], Собела [13], Шарра [14] и лапласиан [15] изображения. В диссертации были использованы наработки Г. Шарра, описанные в его труде об оптимальных операторах. Область для дальнейших исследований методов, вычисляющих градиент изображения, представляет из себя повышение помехоустойчивости и точности стандартных методов, а также разработку новых методов.

Цель и задачи исследования. Целью данной работы является создание новых более эффективных алгоритмов анализа и предварительной обработки, которые повышают качество изображений, полученных в условиях недостаточной освещенности.

Для достижения поставленной цели решаются следующие задачи:

1. разработка новых алгоритмов анализа контрастности и статистических характеристик изображения, учитывающий недостатки существующих;

2. создание более производительных аналитических алгоритмов выбора наиболее подходящей модели шума и низкочастотной фильтрации изображений;

3. разработка новых алгоритмов вычисления градиента изображения, имеющих большую точность;

4. реализация и апробация предложенных в работе алгоритмов в виде программного продукта, повышающего качество изображений, полученных

условиях недостаточной освещенности.

Объект и предмет исследования. Объектом исследования в настоящей диссертационной работе являются цифровые изображения.

Предметом исследования является процесс анализа и обработки информации цифровых изображений.

Теоретические и методологические основы исследования. Для решения поставленных задач используются методы и алгоритмы обработки растровых цифровых изображений, методы анализа статистических характеристик цифровых изображений, системный анализ. В методологическом отношении для анализа гистограмм яркостей и контрастов использовались стандартные методы математической статистики и теории вероятностей.

Гипотеза исследования. В диссертации утверждается, что формы гистограмм контрастов изображений можно аппроксимировать одной функцией, делается предположение о том, как меняются параметры этой функции в зависимости от повышения и понижения контрастности изображения.

Автор полагает, что для анализа шума на цифровом изображении лучшие результаты покажет метод, вычисляющий параметры цифрового шума аналитически для определенного круга моделей цифрового шума.

Гипотеза исследования строится на предположении автора о том, что для более эффективного подавления шума на изображении требуется использовать комбинированные низкочастотные фильтры, в которых бы использовался разный тип фильтров в зависимости от типа шума на изображении.

Автор полагает, что для выделения контуров изображения лучше использовать матрицы свертки большего размера, чем используемые в стандартных методах для более точного вычисления изображения, содержащего контуры изначального.

Достоверность и обоснованность результатов, научных положений обусловлена корректным применением использованных в работе алгоритмов и подтверждена результатами экспериментальных исследований, показавших, что гистограммы цифровых изображений аппроксимируются функцией, предложенной в диссертации, предлагаемый аналитический алгоритм выбора наиболее

подходящей модели шума позволяет подобрать модель шума и ее статистические характеристики с лучшей производительностью, чем стандартные алгоритмы, предлагаемые низкочастотный фильтр и алгоритм выделения контуров показывают лучшие по сравнению со стандартными фильтрами результаты обработки изображения. Разработанные алгоритмы были протестированы и использованы в программном продукте «Повышение качества темных изображений», зарегистрированном во ФСИС (Роспатент), приложение Ж.

Эмпирическая база исследования. В основу исследования положен принцип изучения и обобщения форм гистограмм яркостей и контрастов цифровых изображений. Информация, используемая в исследовании, была получена посредством анализа гистограмм десятков изображений, модифицированных путем повышения и понижения яркости, контрастности, добавления аддитивного и импульсного цифрового шума.

В ходе исследования форм гистограмм контрастов цифровых изображений было искажено более 20 различных изображений путем применения оператора лапласа и линейного усредняющего фильтра. После чего для каждого изначального и искаженного изображения были построены и проанализированы гистограммы контрастов.

Для исследования воздействия цифрового шума 10 изображений было искажено импульсным и аддитивным шумами, после чего для каждого изображения в нескольких малых областях были построены и проанализированы гистограммы яркостей и контрастов.

Для анализа эффективности существующих методов низкочастотной фильтрации 10 тестовых изображений искажались аддитивным и импульсным шумом и фильтровались существующими методами. Для всех изображений подсчитывались и анализировались значения пикового соотношения сигнал-шум и статистические характеристики.

Данные об эфективности методов, вычисляющих градиент и лапласиан изображения были получены путем вычисления градиента и лапласиана 5 тестовых изображений известными методами и анализа гистограмм полученных градиентов.

Научная новизна полученных результатов.

1. Сформирована процедура обработки и оценки качества изображений, выполняющая визуализацию, трансформацию и анализ информации по гистограммам яркостей и контрастов, позволяющая оценить абсолютную степень контрастности, определить наиболее подходящую модель шума.

2. Разработана методика обработки изображений путем адаптивной низкочастотной фильтрации, позволяющая существенно повысить качество изображения, отличающаяся применением низкочастотных фильтров в зависимости от типа шума на изображении.

3. Модифицирован метод выделения контуров изображения путем вычисления градиента, который отличается большей точностью вычисления градиента изображения.

Основные положения и результаты, выносимые на защиту:

1. Функция, аппроксимирующая формы гистограмм контрастов цифровых изображений, на основании которой можно рассчитать степень контрастности изображения;

2. Способ определения наиболее подходящей модели цифрового шума по формулам, предложенным в настоящей работе с точностью, сравнимой с методом наименьших квадратов;

3. Комбинированный низкочастотный фильтр, включающий в себя фильтры разных типов, используемые в зависимости от типа фильтруемого шума;

4. Альтернативные помехоустойчивые матрицы свертки для вычисления градиента изображения;

5. Алгоритм повышения качества изображений, полученных в условиях недостаточной освещенности.

Теоретическая и практическая значимость исследования.

Предлагаемые в настоящей работе алгоритмы определения степени контрастности и выбора наиболее подходящей модели шума могут использоваться в программных и аппаратных продуктах, анализирующих цифровые изображения, для оценки качества изображения.

Предлагаемый в настоящей работе низкочастотный фильтр может быть

использован как отдельно - в различных программных и аппаратных продуктах для подавления шума и улучшения качества изображений, так и как часть программно-аппаратного комплекса, распознающего изображения.

Предлагаемый в диссертации метод выделения и бинаризации контуров может быть использован как отдельно - в различных программных и аппаратных продуктах, анализирующих формы объектов на изображении, так и как часть программно-аппаратного комплекса, распознающего изображения.

Алгоритмы анализа и повышения качества изображений были реализованы в виде программного продукта «Повышение качества темных изображений», зарегистрированного во ФСИС (Роспатент) и внедрены в технической дирекции Астраханского филиала ОАО «ВымпелКом». В приложении Е приведен акт внедрения. В приложении Ж приведено свидетельство о регистрации ПО для ЭВМ.

Апробация результатов исследования. Основные положения и результаты настоящей работы докладывались на следующих конференциях: Математические методы в технике и технологиях 23, Саратов 2010, с докладом «О гистограммах и определении степени контрастности цифрового изображения», Математические методы в технике и технологиях 24, Саратов 2011, с докладом «Альтернативный метод выделения контуров на цифровых изображениях». В 2009-2010 годах на научные конференции профессорско-преподавательского состава подавались тезисы «Об одном методе низкочастотной фильтрации цифровых изображений».

1. Основные результаты исследования и разработанные методы были опубликованы в следующих научных журналах: Вестник Астраханского Государственного Технического Университета, серия Морская техника и технология, -№1, 2010, статья «Об одном методе низкочастотной фильтрации гидролокационных изображений», Вестник Астраханского Государственного Технического Университета, серия Управление, вычислительная техника и информатика, -№1, 2010, статья «Об одном методе анализа цифрового изображения с применением гистограмм», Вестник Астраханского Государственного Технического Университета, серия Управление, вычислительная техника и информатика, -№2, 2010, статья «Об одном методе выделения контуров на цифровых изображениях», Известия Волгоградского Государственного

Технического Университета, серия Актуальные проблемы управления, вычислительной техники и информатики в технических системах, -№ 3(76), 2011, статья «Об одном методе определения наиболее подходящей для анализируемого цифрового изображения модели аддитивного шума», статья «Повышение качества изображений, полученных в условиях недостаточной освещенности», Инженерный вестник Дона, -№ 3, 2013.

Структура диссертации. Диссертационная работа состоит из введения, четырех глав основного текста, заключения, списка литературы. Основной объем работы - 145 страниц машинописного текста, который включает 31 рисунок и 22 таблицы. В списке литературы 92 наименования.

В первой главе было проведено исследование изображений, полученных в условиях недостаточной освещенности, которое позволило определить основные характеристики и недостатки темных изображений, поставлена задача повышения качества темных изображений, рассмотрены стандартные алгоритмы анализа и повышения качества изображений, выявлены их достоинства и недостатки.

Во второй главе предлагается решение поставленной задачи. Описываются разработанные лично автором альтернативные алгоритмы предварительной обработки и анализа изображений - определения степени контрастности, выбора наиболее подходящей модели шума, низкочастотной фильтрации, выделения контуров.

В трейтьей главе описываются результаты реализации предложенных автором алгоритмов и анализ их эффективности путем сравнения с известными алгоритмами.

В четвертой главе описаны системы видео наблюдения и внешних камер Астраханского филиала ОАО «ВымпелКом», описано разработанное с примененением алгоритмов, изложенных в третьей главе, программное обеспечение и представлены результаты внедрения разработанного ПО.

ГЛАВА 1. СУЩЕСТВУЮЩИЕ МЕТОДЫ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ И ВЫДЕЛЕНИЯ КОНТУРОВ ИЗОБРАЖЕНИЯ

1.1. Общая схема предварительной обработки цифрового изображения

В первую очередь в ходе предварительной обработки производится анализ изображения, определяющий различные статистические характеристики изображения, такие как математическое ожидание и среднеквадратическое отклонение яркостей, контрастность, построение гистограммы яркостей и контрастов, подбор наиболее подходящей модели и параметров цифрового шума [20]. Затем на следующем этапе предварительной обработки производится низкочастотная фильтрация, которая производит удаление цифрового шума на изображении [21].

После низкочастотной фильтрации контрастность изображения снижается и требуется ее скорректировать. Для коррекции контрастности производится вычисление контуров изображения. В результате суммирования яркостей пикселей изображения с яркостями вычисленных контуров осуществляется коррекция контрастности изображения.

На рисунке 1.1 изображена общая блок-схема предварительной обработки изображения. В качестве входных данных принимается исходное необработанное изображение А, для которого вычисляется гистограмма яркостей Я, определяются такие статистические характеристики яркостей пикселей изображения, как математическое ожидание ¡л, среднеквадратичное отклонение а и медиана ¿ии2, а также вычисляются математическое ожидание ¡лп и среднеквадратическое отклонение <т„ цифрового шума [22].

Затем изображение А обрабатывается низкочастотными фильтрами для удаления цифрового шума и усиления контуров. Результатом низкочастотной фильтрации является изображение А', на котором производится вычисление контуров В. Итогом предварительной обработки является изображение В со сбалансированным контрастом и подавленным низкочастотным шумом.

Рисунок 1.1— Общая блок-схема подготовки изображения к распознаванию Таким образом, для предварительной обработки изображения выполняется вычисление статистических характеристик, степени контрастности и шума на изначальном изображении. После чего производится низкочастотная фильтрация шума, удаляющая шумовую составляющую изображения. На завершающем этапе выполняется поиск контуров изображения и коррекция контраста с помощью вычисленных контуров.

1.2. Контрастность цифрового изображения

Для измерения контрастности цифрового изображения обычно опираются на три основных определения контраста. Контраст Вебера определяется как [23]:

где I - яркость отдельного элемента изображения, контрастность которого оценивается, 1Ь - яркость фона (усредненная каким-либо образом яркость соседних элементов изображения). Контраст Вебера используется в случаях, когда на изображении присутствуют мелкие детали на фоне мало различающихся по цвету крупных объектов. Главным недостатком такого определения контраста является снижение подсчитанного значения с ростом яркости фона, то есть такое определение плохо подходит для вычисления контрастности светлых изображений.

Контраст Михельсона используется для изображений, на которых количество темных и светлых областей приблизительно одинаково. Контраст Михельсона определяется соотношением [23]:

где и /тах - соответственно минимальное и максимальное значения яркости в

анализируемой области изображения, а в знаменателе стоит удвоенное значение средней яркости.

Другим наиболее распространенным определением контраста является среднеквадратический контраст, который применяется ко всем типам изображения и определяется формулой [23]:

где /, - яркость /-го пикселя области, для которой оценивается контрастность. Основным недостатком такого определения является его низкая по сравнению с контрастом Вебера и Михельсона производительность.

Менее распространенным способом определения контраста является формула В.Ф. Нестерук и H.H. Порфирьева [3]:

C = {l-Ib)Ub,

где / - яркость элемента изображения, для которого оценивается контрастность, 1Ь — яркость фона, у - параметр, характеризующий физиологические свойства

конкретного объекта. По сути предложенная формула включает в себя формулу Вебера как первое приближение. Основным недостатком такого определения является безграничное количество условий, при которых значение контраста достигает максимума.

Для определения общей контрастности цифрового изображения при помощи одного из определений контраста (Вебера, Михельсона или среднеквадратического) вычисляются локальные значения контрастов во всех пикселях изображения или в группах пикселей, после чего полученные значения каким-либо образом усредняются. Полученное значение является общим контрастом изображения.

Альтернативным методом определения, насколько контрастно цифровое изображение, является метод P.A. Воробель. Он предложил следующее описание локальных контрастов [4]:

CL={I, -/,)//_,

где /, и /2 - яркости элементов изображения, /тах - максимальное значение яркости элементов изображения. Таким образом, максимальное значение локального контраста достигается при минимальном значении яркости одного из элементов и максимальном значении яркости другого, а минимального — при равенстве яркостей сравниваемых элементов.

Для подсчета общего контраста Воробель предложил метод, базирующийся на линейном описании локальных контрастов:

Сс =-y-f|2(/-/)+/max -\2{l-l)~Imm\-h(I)dI,

max

где h(l) - гистограмма яркостей анализируемого изображения.

Основным недостатком вышеперечисленных стандартных методов определения контраста цифрового изображения является то, что они дают качественную оценку контрастности изображения. Для того, чтобы с их помощью определить, насколько контрастно изображение относительно изображения со

сбалансированной контрастностью, необходимо оценить контрастность какого-либо эталонного изображения и сравнить полученное значение со значением, вычисленным для анализируемого изображения.

Таким образом, существует потребность в новом методе, дающем качественную оценку контрастности цифрового изображения, который бы при этом не использовал какого-либо эталонного изображения и выполнял дополнительных предварительных вычислений, в результате чего время вычисления степени контрастности анализируемого изображения существенно сократилось бы.

1.3. Цифровой шум. Выбор наиболее подходящей модели шума

На современном этапе развития цифровой фото и видео техники на всех записываемых изображениях помимо полезного сигнала всегда присутствует цифровой шум. Цифровой шум проявляется на изображении в виде расположенных случайным образом цветовых точек, близких по размеру к одному пикселю с яркостью и/или цветом, которые значительно отличаются от средних яркостей и оттенков соседних пикселей, в результате чего снижается качество цифрового изображения.

Чтобы оценить статистические параметры цифрового шума на конкретном изображении, необходимо подобрать наиболее подходящую модель цифрового шума. Информация о наиболее подходящей модели цифрового шума является полезной при низкочастотной фильтрации цифровых изображений для подавления помех и улучшения изображений, поскольку, зная тип шума на изображении и его статистические характеристики, можно подобрать наиболее оптимальный фильтр для данного изображения.

Наиболее распространенными и часто применяемыми типами цифрового шума являются аддитивный, импульсный и мультипликативный [5].

Аддитивный шум возникает в результате процесса оцифровывания аналогового сигнала цифровыми фото и видео камерами, различных атмосферных явлений, перепадов температуры или атмосферного давления, недостаточной

освещенности, присутствия побочного фонового электромагнитного излучения, а также несовершенства оптических сенсоров записывающих устройств, а также устройств хранения информации. Аддитивный шум описывается соотношением [5]:

ш(х>у) = /{х>у) + п(х>у)>

где ^(х,^) - зашумленное изображение, /(х,у) - исходное изображение, г/{х,у) -аддитивный, независящий от исходного изображения шум с определенной функцией плотности распределения вероятностей. Такой шум не зависит от пространственных координат и не коррелирует с изначальным изображением. Значения яркости такого шума могут рассматриваться как случайные величины, характеризующиеся функцией плотности распределения вероятностей.

Из определения аддитивного шума видно, что наиболее эффективными фильтрами низких частот для аддитивного шума являются линейные усредняющие фильтры, которые основываются на операции линейной свертки:

п т п т

Кх>У) = ё{х>у)*М = £ + + >)• » Е Х^о+У = 1'

Ы-п 1=-л _/=-т

где И{х,у) - отфильтрованное изображение, - зашумленное изображение,

/„+)>+у. - элементы матрицы свертки линейного усредняющего фильтра.

п т

Ь{х,у)= X Х(/(* + 1>у + М+ *>у + Л)1^ >

1=-п }=-п\

п т п т

п+1,1и+у *

Основными моделями аддитивного шума являются шум Гаусса, Релея, Эрланга, Экспоненциальный, белый и шум квантования [24].

Благодаря математической простоте и удобству применения одной из наиболее широко распространенных моделей аддитивного шума является Гауссов шум (нормальный шум), который образуется в собственных электрических цепях фото и видео аппаратов, а также в фото сенсорах при недостаточной освещенности и сильных температурных перепадах. Модель шума Гаусса также применяется для аппроксимации любого аддитивного шума на цифровых изображениях, что позволяет быстро оценить статистические характеристики шума и значительно

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Хрящев, Денис Александрович

ЗАКЛЮЧЕНИЕ

Основные результаты, которые были получены в ходе выполнения работы состоят в следующем:

1. В работе выполнен анализ существующих алгоритмов подготовки цифровых изображений к распознаванию, которые включают в себя построение гистограмм яркостей и контрастов и их анализ, подбор наиболее подходящей для данного изображения модели цифрового шума, эквализацию гистограммы яркостей, низкочастотную фильтрацию, поиск и бинаризацию контуров изображения, который показал, что существующие алгоритмы обладают рядом значимых недостатков. В частности - известные алгоритмы вычисления степени контрастности не позволяют дать абсолютную оценку степени контрастности и качества изображения, выбор модели шума методом наименьших квадратов имеет низкую производительность, а методом статистического анализа малой области изображения - невысокую точность. Известные низкочастотные фильтры эффективны при фильтрации какого-либо одного типа шума. Существующие алгоритмы, выделяющие контуры изображений недостаточно помехоустойчивы, а методы бинаризации имеют малую производительность.

2. В ходе построения и анализа нескольких десятков гистограмм контрастов различных изображений была выявлена зависимость формы гистограммы контрастов от степени контрастности изображения. На основании выявленной зависимости было сделано теоретически, а затем проверено на практике, предположение о форме гистограммы контрастов изображения со сбалансированным контрастом. В результате чего разработан подход в оценке абсолютной степени контрастности изображений, который, в отличие от существующих методов, не требует использования эталонного изображения со сбалансированным контрастом, а сразу подсчитывает абсолютную степень контрастности.

3. Для решения задачи выбора наиболее подходящей модели цифрового шума был разработан новый алгоритм, основывающийся на определении формы гистограммы контрастов изображения по функциям плотности распределения

вероятностей из списка наиболее распространенных моделей аддитивного и импульсного шума. Основные достоинства разработанного алгоритма - большая точность по сравнению с алгоритмом статистического анализа малой части изображения и большая производительность по сравнению алгоритмом наименьших квадратов. Для подавления цифрового шума был разработан альтернативный адаптивный низкочастотный фильтр, состоящий из двух фильтров - линейного усредняющего и взвешенного рангового фильтра. Предлагаемый фильтр имеет преимущество перед стандартными фильтрами, поскольку в нем в зависимости от типа шума на изображении используется наиболее эффективный в подавлении данного шума фильтры.

4. Для решения задачи выделения контуров на изображении был разработан альтернативный помехоустойчивый алгоритм, вычисляющий градиент изображения. К основным достоинствам разработанного алгоритма относятся более высокая точность вычисления градиента и лучшая помехоустойчивость. Для бинаризации найденных контуров был предложен алгоритм, использующий пороговую бинаризацию по значению, зависящему от медианы уровней яркости контуров изображения. Главным достоинством разработанного алгоритма бинаризации является его высокая производительность и инвариантность к контрастности изображения.

5. Разработанные алгоритмы позволяют значительно повысить качество изображения и подготовить его к распознаванию образов. В экспериментах, проведенных в работе, качество изображения было повышено в среднем на 15-23% по критерию пиковое соотношения сигнал-шум.

6. Предложенные в работе были оптимизированы для повышения качества изображений, полученных в условиях недостаточной освещенности. В результате реализации предложенной схемы повышения качества таких изображений было показано повышение качества изображений после применения разработанных алгоритмов по таким показателям, как математическое ожидание и среднеквадратическое отклонение яркостей. Итогом работы стало внедрение программного продукта «Повышение качества темных изображений» в систему видео наблюдения Астраханского филиала ОАО «ВымпелКом».

Список литературы диссертационного исследования кандидат наук Хрящев, Денис Александрович, 2013 год

СПИСОК ЛИТЕРАТУРЫ

I.Чукова, Ю.П. Закон Вебера-Фехнера/ Ю.П. Чукова. -М.: МП Гигиена, 2009. -144 с.

2. Miehelson, A. Studies in Optics. -U. of Chicago Press, 1927. -80 p.

3. Нестерук, В.Ф. Контрастный закон восприятия света. Оптика и спектроскопия/В.Ф. Нестерук, Н.Н. Порфирьева-М.: 1970, Т. 29, вып. 6. -С. 11381143.

4. Воробель, Р. А. Повышение контраста изображений с помощью модифицированного метода кусочного растяжения. Отбор и обработка информации/ Р.А. Воробель, И.М. Журавель -М.: 2000, -№14 (90), -С. 116-121.

5.Гонсалес, Р. Цифровая обработка изображений/ Р. Гонсалес, Р. Вудс -М.: Техносфера, 2005. -1072 с.

6. Tomasi, С. Bilateral filtering for gray and color images/ C. Tomasi, R. Manduchi -Inproc. IEEE Int. Conf on Computer Vision, 1998. -P. 836-846.

7. Бухтояров, C.C. Удаление шума из изображений нелинейными цифровыми фильтрами на основе ранговой статистики: дис. ... канд. техн. наук: 05.12.04 / Московский научно-исследовательский телевизионный институт. -М., 2007. -184 с.

8. Лукин, А. Введение в цифровую обработку сигналов. Математические основы. -М.: Лаборатория компьютерной графики и мультимедия МГУ, 2002. -43 с.

9. Davies, Е. Machine Vision: Theory, Algorithms and Practicalities, Academic Press, 1990, -PP. 42-44.

10. Bianchi G., Sorrentino R. Electronic filter simulation and design. Mc Graw-Hill Professional, 2007, -P. 17-20.

II. Roberts L.G. Machine Perception Of Three-Dimensional Solids. Massachusetts Institute of Technology. Lincoln Laboratory, 1965. -30 p.

12. Neoh H.S., Hazanchuk A. Adaptive Edge Detection for Real-Time Video Processing using FPGAs. Altera Corporation, 2005. -7 p.

13. Engel K. Real-time volume graphics, 2006. -PP. 112-114.

14. Scharr,H. Optimale Operatoren in der Digitalen Bildverarbeitung // Ruprecht-Karls-Universität, Heideiber, 2000, -178 P.

15. Kamgar-Parsi В., Roselnfeld A. Optimum laplacian for Digital Image Processing // In proc. IEEE Int. Conf on Image Processing. 1997. -P. 728-731.

16. Liao P.S., Chen T.S., Chung P.C. A Fast Algorithm for Multilevel Thresholding // J. Inf. Sei. Eng. 17. 2001. -P. 713-727.

17. Траер Д., Такст Т. Оценка эффективности методов бинаризации // http://citeseer.nj.nec.cOm/cache/papers/cs/4013/ftp:zSzzSzftp.ifl.uio.nozSzpubzSztrierzS zeval JTR/evaluation-of-bmarization-methods.pdf, 1995.

18. Траер Д., Джейн К. Целевая оценка эффективности методов 6HHapH3a4HH//http://citeseer.nj.nec.com/cache/papers/cs/4013/ftp:zSzzSzftp.ifi.uio.nozS zpubzSztrierz Szeval_T R/goal-directed-evaluation-of.pdf, 1995.

19. Хемминг P.B. Цифровые фильтры. - M.: Наука, 1990. - 268 с.

20. Журавель И.М. Локально-адаптивные методы повышения контрастности изображений: Дис. ... канд. техн. наук: 05.13.06 / Физико-механический институт HAH Украины. -Львов, 2001.-154 с.

21. Прэтт У. Цифровая обработка изображений. -М.: Мир, 1982. -790 с.

22. Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. -М.: Машиностроение, 1990. -200 с.

23. Опенгейм Э. Применение цифровой обработки сигналов. -М.: Мир, 1980,

-545 с.

24. Гольденберг Л.М. и др. Цифровая обработка сигналов: Учебное пособие для вузов. -М.: Радио и связь, 1990.- 256 с.

25. Шлезингер М.И. Математические средства обработки изображений. -К.: Наукова думка, 1989. -200 с.

26. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений. -Спб.: СпбГУ ИТМО, 2008, -192 с.

27. Шлихт Г.Ю. Цифровая обработка цветных изображений. -М.: ЭКОМ, 1997. -336 с.

28. Ярославский Л.П. Введение в цифровую обработку изображений. -М.: Сов. Радио, 1979. -312 с.

29. Белявцев В.Г., Воскобойников Ю.Е. Алгоритмы фильтрации изображений с адаптацией размеров апертуры. -Е.: Автометрия. Издательство Сибирского отделения Российской академии наук, 1998. -№ 3 -с. 18-25.

30. Капеллини В., Константинидис А. Дж.,Эмилиани П. Цифровые фильтры и их применения. -М.: Энергоиздат, 1983.

31. Меньшиков Б.Н. Нелинейная эхокомпенсация на базе адаптивных полиномиальных фильтров Вольтерра.: Дис. ... канд. техн. наук: 05.12.13 / Ярославский государственный университет им. Демидова. -Ярославль. 2007. -116 с.

32. Бьемон Ж., Лагендейк Р.Л., Марсеро P.M. Итерационные методы улучшения изображений. ТИИЭР, 1990. -Т.78, -№5, -с. 58-84.

33. Журавлев Ю.И., Гуревич И.Б. Распознавание образов и распознавание изображений. Распознавание, классификация, прогноз. Математические методы и их применение. -М.: Наука, 1989, -с. 5-72.

34. Бакут П.А., Колмогоров Г.С., Ворновицкий И.Э. Сегментация изображений: методы пороговой обработки. -М.: Зарубеж. радиоэлектрон, 1987, -№10, -с. 4-24.

35. Сойфер В.А. Методы компьютерной обработки изображений. -М.: Физматлит, 2003, -394 с.

36. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. —М.: Вильяме, 2004, -466 с.

37. Шапиро Л., Стокман Дж. Компьютерное зрение. -М.: Бином. Лаборатория знаний, 2006, -752 с.

38. Гольденберг Л.М. и др. Цифровая обработка сигналов: Справочник. - М.: Радио и связь, 1985.-312 с.

39. Хрящев Д.А. Об одном методе анализа цифрового изображения с применением гистограмм. Вестник Астраханского Государственного Технического Университета, серия Управление, вычислительная техника и информатика, -№1, 2010, -с 109-113.

40. Хрящев Д.А. Об одном методе определения наиболее подходящей для анализируемого цифрового изображения модели аддитивного шума. Известия

Волгоградского Государственного Технического Университета, серия Актуальные проблемы управления, вычислительной техники и информатики в технических системах, -№ 3(76), 2011, -с 24-31.

41. Хрящев Д.А., Попов Г.А. Об одном методе низкочастотной фильтрации гидролокационных изображений. Вестник Астраханского Государственного Технического Университета, серия Морская техника и технология, -№1, 2010, -с 63-68.

42. Хрящев Д.А. Об одном методе выделения контуров на цифровых изображениях. Вестник Астраханского Государственного Технического Университета, серия Управление, вычислительная техника и информатика, -№2, 2010, -с 181-187.

43. Бахвалов Н.С., Кобельков Г.М., Жидков Н.П. Численные методы. -М.: Наука, 1987. -627 с.

44. Зарубин B.C., Крищенко А.П. Теория вероятностей. -М.: МГТУ им. Н. Э. Баумана, 2004, -488 с.

45. Ольшевский В.В. Статистические методы гидролокации. -JL: Судостроение, 1983, -280 с.

46. Журавель И.М. Краткий курс теории обработки изображений: [http://matlab.exponenta.ru/imageprocess/book2/index.php], 2004.

47. Dash L., Chatterji B.N. Adaotive contrast enhancement and de-enhancement // Pattern Recognition, -V.24, -№4, 1992, -P. 289-302.

48. Frei W. Image Enhancement by Histogram Hyperbolization // Computer Graphics and Image Processing, -V.6, -№3, 1977, -P. 286-294.

49. Helstrom C.W. Image Restoration by the Method of Least Squares // J. Opt. Soc. Aur., -V.57, -№3, 1976, -P. 297-303.

50. Антонью А. Цифровые фильтры: анализ и проектирование. - М.: Радио и связь, 1983.-320 с.

51. Баскаков С.И. Радиотехнические цепи и сигналы: Учебник для вузов. -М.: Высшая школа, 1988.- 448 с.

52. Бат М. Спектральный анализ в геофизике. - М.: Недра, 1980.- 535 с.

53. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. — М.:

Мир, 1989.-540 с.

54. Блейхут Р. Быстрые алгоритмы цифровой обработки сигналов. — М.: Мир, 1989.-448 с.

55. Вычислительная математика и техника в разведочной геофизике: Справочник геофизика. - М.: Недра, 1990. - 498 с.

56. Гутников B.C. Фильтрация измерительных сигналов. — JL: Энергоатомиздат, 1990. - 192 с.

57. Даджион Д., Мерсеро Р. Цифровая обработка многомерных сигналов. -М.: Мир, 1988.-488 с.

58. Дмитриев В.И. Прикладная теория информации: Учебник для студентов вузов. - М.: Высшая школа, 1989.- 325 с.

59. Канасевич Э.Р. Анализ временных последовательностей в геофизике. -М.: Недра, 1985.- 300 с.

60. Клаербоут Д.Ф. Теоретические основы обработки геофизической информации с приложением к разведке нефти. - М.: Недра, 1981. - 304 с.

61. Кулханек О. Введение в цифровую фильтрацию в геофизике. - М.: Недра, 1981.- 198 с.

62. Купер Дж., Макгиллем А. Вероятностные методы анализа сигналов и систем. - М.: Мир, 1989. - 376 с.

63. Макс Ж. Методы и техника обработки сигналов при физических измерениях: В 2-х томах. - М.: Мир, 1983.

64. Марпл-мл. C.JI. Цифровой спектральный анализ и его приложения. - М.: Мир, 1990.-584 с.

65. Никитин A.A. Теоретические основы обработки геофизической информации: Учебник для вузов. - М.: Недра, 1986.- 342 с.

66. Оппенгейм A.B., Шафер Р.В. Цифровая обработка сигналов. - М.: Связь, 1979.-416 с.

67. Отнес Р., Эноксон JI. Прикладной анализ временных рядов. - М.: Мир, 1982.-428 с.

68. Рабинер JL, Гоулд Б. Теория и применение цифровой обработки сигналов. - М.: Мир, 1978. - 848 с.

69. Рапопорт М.Б. Вычислительная техника в полевой геофизике: Учебник для вузов. - М.: Недра, 1993.- 350 с.

70. Сиберт У.М. Цепи, сигналы, системы. - М.: Мир, 1988. - 336 с.

71. Лосев А.К. Линейные радиотехнические цепи: Учебник для вузов. - М.: Высшая школа, 1971. - 560 с.

72. Васильев Д.В. Радиотехнические цепи и сигналы: Учебное пособие для вузов. - М.: Радио и связь, 1982. - 528 с.

73. Зиновьев А.Л., Филиппов Л.И. Введение в теорию сигналов и цепей: Учебное пособие для вузов. - М.: Высшая школа, 1975. - 264 с.

74. Севостьянов Б.А. Курс теории вероятностей и математической статистики. - М.: Наука, 1982. - 256 с.

75. Коваленко И.Н., Филиппова A.A. Теория вероятностей и математическая статистика: Учебное пособие. - М.: Высшая школа, 1982. - 256 с.

76. Худсон Д., Статистика для физиков. - М.: Мир, 1970. - 296 с.

77. Гурский Е.И. Теория вероятностей с элементами математической статистики: Учебное пособие для вузов. - М.: Высшая школа, 1971.- 328 с.

78. Вероятностные методы в вычислительной технике: Учеб. пособие для вузов / А.В.Крайников и др. - М.: Высшая школа, 1986. - 312 с.

79. Игнатов В.А. Теория информации и передачи сигналов. - М.: Советское радио, 1979.

80. Дьяконов В., Абраменкова И. MATLAB. Обработка сигналов и изображений. Специальный справочник. - СПб.: Питер, 2002, 608 с.

81. Астафьева Н.М. Вейвлет-анализ: Основы теории и примеры применения. / Успехи физических наук, 1996, т. 166, № 11, стр. 1145-1170.

82. Дремин И.Л. и др. Вейвлеты и их использование. / Успехи физических наук, 2001, т.171, № 5, стр. 465-501.

83. Петухов А.П. Введение в теорию базисов всплесков. - СПб.: Изд. СПбГТУ, 1999, 132 с.

84. Адаптивные фильтры. /Под ред. К.Ф.Н.Коуэна и П.М.Гранта. - М.: Мир, 1988, 392 с.

85. Дьяконов В.П. Вейвлеты. От теории к практике. - М.: СОЛОН-Р, 2002. -

448 с.

86. Корн Г., Корн Е. Справочник по математике для научных работников и инженеров. -М.: Наука, 1984.

87. Овечкина Е.В. (НТИ УГТУ-УПИ), Поршнев C.B. (УГТУ-УПИ). Разработка методов оптимальной аппроксимации эмпирических зависимостей. (Статья в электронном журнале).

88. Новиков Л.В. Основы вейвлет-анализа сигналов. Учебное пособие. СПб, ИАнП РАН, 1999

89. Айфичер Э., Джервис Б. Цифровая обработка сигналов. Практический подход. / М., "Вильяме", 2004, 992 с.

90. Большаков И.А., Ракошиц B.C. Прикладная теория случайных потоков, М.: Сов. радио, 1978,- 248с.

Изображения гистограмм контрастов для аппроксимации функции,

описывающей их форму

В приложении приведены гистограммы контрастов 18 изображений,

использованных для аппроксимации формы гистограмм контрастов.

Рисунок А.1 - Изображение 1 и его гистограмма, /и = 172,24, а = 29,68

1 1

0,9 ■

0.8-

0,7 ■

0.6-

0.5-

0.4-

0,3-

0.2-

0.1 -

0 - 1 >( 1 1 1 1 1 1 1 1 1 1 1 1 1 1

0 15 31 47 63 73 35 111 127 143 159 175 191 207 223 233 255

Рисунок А.2 - Контраст изображения 1 увеличен, ц = 174,26, <т = 28,53

1 1

0.9-

0,8 -

0.7 -

0.6-

0.5-

0.4-

0.3-

0,2-

0,1 -

П

и 11111111111111111

0 15 31 47 63 79 95 111 127 143 159 175 191 207 223 233 255

Рисунок А.З - Контраст изображения 1 понижен, ц = 174,28, а - 27,18

Рисунок А.4 - Изображение 2 и его гистограмма, ¡л = 67,67 , а - 24,89

1 I!

0.9 -■ I

0.8 -■ I

07 I 0.6-■ 1

0.5-- А

0.4-■ К

0.3--

0.2-■

1 Н^____

I-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1

О 15 31 47 63_79 95_111 127 143 159 175 191 207 223 239 255

Рисунок А.5 - Контраст изображения 2 повышен, /л = 69,55, а = 30,28

1 1

0,9-

0,8-

0,7 -

0.Б- -

0,5- •

0.4 -

0,3- •

0.2- -

0,1 J п

и ■ 1 1 1 ■ 1 ■ 1 1 1 ■ ■ 1 1 1 ■ 1

0 15 31 47 63 79 95 111 127 143 159 175 191 207 223 239 255

Рисунок А.6 - Контраст изображения 2 понижен . ¡л = 68,99, а = 25,48

Рисунок А.7 - Изображение 3 и его гистограмма, /л = 125,75, а = 37,79

15 31 47 63 79 95 111 127 143 159 175 191 207 223 239 255

Рисунок А.8 - Контраст изображения 3 повышен, /л = 125,74, а = 37,79

Рисунок А.9 - Контраст изображения 3 понижен, ¡л = 136,82, <т = 37,58

Рисунок АЛО - Изображение 4 и его гистограмма, /и = 58,24, <т = 18,39

Рисунок А.11 - Контраст изображения 4 повышен, ¡л = 56,05, а = 15,47

1 -

0,9 ■

0.8-

0.7-

0,6 ■

0,5-

0,4 -

0,3- ■

0,2-

0,1 -

0 -

11111111111111111

0 15 31 47 63 79 95 111 127 143 153 175 131 207 223 239 255

Рисунок А. 12 - Контраст изображения 4 понижен, /л = 55,67, а = 15,69

Рисунок А. 13 - Изображение 5 и его гистограмма, /л = 89,60, а = 37,17

Рисунок А. 14 - Контраст изображения 5 повышен, ¡л - 96,56, а - 31,27

1 -0.9-

0.8-

0.7-

0.6- 1

0.5- -

0.4 - ■

0.3-

0.2- 1

0.1 -

0 -

1111111111111(111

0 15 31 47 63 79 95 111 127 143 159 175 191 207 223 239 255

Рисунок А. 15 - Контраст изображения 5 понижен, /л = 96,54, а = 34,05

Рисунок А. 16 - Изображение 6 и его гистограмма, /л = 89,58, сг = 29,08

1

0.9 •

0.8-

0,7-

0,6 -

0.5-

0.4 -

0,3-

0,2-

0,1 0

0 -1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1 15 31 47 63 79 95 111 127 143 159 175 191 207 223 233 255

Рисунок А. 17 - Контраст изображения 6 повышен, /л = 92,26, а = 32,17

1 0,9-

0.8 -

0.7-

0,6 -

0,5 -

0.4 -

0.3-

0,2-

0.1 -

0 -

1 1 1 1 1 1 I 1 1 1 1 1 1 1 1 1 1

0 15 31 47 63 79 95 111 127 143 159 175 191 207 223 239 255

Рисунок А. 18 - Контраст изображения 6 понижен, ¡л = 92,01, а - 29,33

Гистограммы контрастов. Сравнение авторского определения контрастности

с алгоритмом Воробель

1 -1

0,9-

0,8-

0,7-

0,6-

0,5-

0.4 -

0,3-

02- 1

0,1 ■ 0 -

0 -1-1-1-1-1-1-1-1-1-1-1-1-1-1-1-1 15 31 47 63 73 95 111 127 143 159 175 1Э1 207 223 239 255

Рисунок Б. 1 - Контраст изображения 1 повышен

1 у

0,9-0.8 - ■

0.7-• 06-0,5 -■ 0,4 0,3-020,1

о --

I

I-|_

4-

-4-

-4-

-+-

-4-

-I

15 31 47 ез 79 95 111 127 143 159 175 191 207 223 239 255

Рисунок Б.2 - Контраст изображения 1 понижен

Рисунок Б.З - Контраст изображения 2 повышен

1 1

0,9 -

0,8-

0.7-

0.6- •I

0,5 - •

0,4 - ■

0,3 - ■ I

0,2-

0,1 -

и

0 15 31 47 63 79 95 111 127 143 1 53 175 1 91 207 223 239 255

Рисунок Б.4 - Контраст изображения 2 понижен

1 -1 0,9-

0,8-

0,7-

0,6-

0,50,4 -0.30,20,1 -П 1

0 15 31 47 63 79 95 111 127 143 159 175 191 207 223 239 255

1 1

0,9-

0,8-

0,7-

0.Б-

0,5 -

0,4-

0,3-

0,2 -

0,1 -0 ■ 0 -,-,-1-1-1-1-1-1-1-1-1-1-1-1-1-1 15 31 47 63 79 95 111 127 143 159 175 191 207 223 239 255

Рисунок Б.6 - Контраст изображения 3 понижен

Рисунок Б.7 - Контраст изображения 4 повышен

I-

н-1-1-1-1-(-1-1-(-1-)-1-1-1

0 15 31 47 63 79 95 111 127 143 159 175 191 207 223 239 255

Рисунок Б.9 - Контраст изображения 5 повышен

1 -]

0,9 -

0,8-

0,7-

0.6-

0,5 - ■

0,4 - ■

0.3- ■

0,2- ■

0.1 - ■ к

0 -I

0 15 31 47 63 79 95 111 127 143 159 175 191 207 223 239 255

Рисунок Б. 10 - Контраст изображения 5 понижен

1 у

0,9 --0,8-0,7--0.6-■ 0,5-0,4 -0.3-0,2 -■ 0,1 -0 |-1-1-1-> „, |-1-1-1-1-1 I-1-1-1-1-1

О 15 31 47 63 79 95 111 127 143 159 175 191 207 223 233 255

Гистограммы изображения 1 после искажения аддитивным и импульсным шумом, после подавления шума низкочастотными фильтрами

Ниже показанотестовое изображения 1 и его гистограмма яркостей.

Рисунок В. 1 — тестовое изображение 1 и его гистограмма яркостей На рисунках В.2 - В.4 показаны гистограммы яркостей тестового изображения 1 после искажения его шумом Гаусса с ^ = 10,сг = 16 и применения фильтра Гаусса и предлагаемого усредняющего линейного фильтра.

На рисунках В.5 - В.7 показаны гистограммы яркостей тестового изображения 1 после искажения его белым шумом а = 10,6 = 20 и применения фильтра Гаусса и предлагаемого усредняющего линейного фильтра.

На рисунках В.8 - В. 10 показаны гистограммы яркостей тестового изображения 1 после искажения его импульным шумом Ра = 50, РА =210 и применения медианного и предлагаемого рангового взвешенного фильтров.

1 1

0,9 -

0,8-

0,7 -

0,6 -

0.5-

0,4 -

0,3 -

0,2-

0,1 -

0

0 15 31 47 63 79 95 111 127 143 1 59 175 191 207 223 239 255

Рисунок В.2 - изображение 1 искажено шумом Гаусса с // = 10,сг = 16

Рисунок В.З - применен фильтр Гаусса

Рисунок В.5 - изображение 1 искажено белым шумом а = 10,6 = 20

Рисунок В.6 -применен фильтр Гаусса

Рисунок В.8 - изображение 1 искажено импульным шумом Ра =50,РЬ =210

Рисунок В.9 - применен медианный фильтр

Гистограммы градиентов изображений 2 и 6

1 0.9-

0.8-

0.7-

0.6-

0.5-

0.4-

0.3-

0,21

0.1

и

0 15 31 47 63 79 95 111 127 143 159 175 191 207 223 239 255

Рисунок Г.1 - градиент изображения 2 вычислен алгоритмом Собела

Рисунок Г.2 - градиент изображения 2 вычислен с применением лапласиана

1 т 0,9

0.8-■ 0.7 0.6 0.5 0.4-■ 0.3-• 0.2 0.1 0

15 31 47 63 79 95 111 127 143 159 175 191 207 223 239 255

Рисунок Г.З - градиент изображения 2 вычислен предлагаемым алгоритмом

^—I—I—I—)—»-

Н-1-н

О 15 31 47 63 73 95 111 127 143 159 175 191 207 223 239 255

Рисунок Г.4 - градиент изображения 6 вычислен алгоритмом Собела

Рисунок Г.5 - градиент изображения 6 вычислен с применением лапласиана

Рисунок Г.6 - градиент изображения 6 вычислен предлагаемым алгоритмом

Анализ изображений, полученных в условиях недостаточной освещенности

Ниже приведены изначальные тестовые изображения, полученные в условиях недостаточной освещенности и их гистограммы яркостей.

Рисунок Д.2 - тестовое изображение 2 и его гистограмма яркостей

Рисунок Д.З - тестовое изображение 3 и его гистограмма яркостей

Гистограммы яркостей тестовых изображений были эквализированы для

увеличения диапазона яркостей и повышения общей яркости изображений.

Рисунок Д.4 - гистограмма яркостей изображения 1 эквализирована

Рисунок Д.5 - гистограмма яркостей изображения 2 эквализирована

Рисунок Д.6 - гистограмма яркостей изображения 3 эквализирована

Аддитивный шум Гаусса был подавлен путем нахождения разницы между яркостями тестовых изображений и сгенерированного изображения шума по характеристикам тестовых изображений.

Рисунок Д.7 - тестовое изображение 1 после удаления шума Гаусса

1 1 0.9 ■

0.8 ■

0.7 ■

0.6 ■

0,5 ■

0,4 ■

0,3 ■

0,20,1 ■ 1

0 15 31 47 63 79 95 111 127 143 159 175 191 207 223 239 255

Рисунок Д.8 - тестовое изображение 2 после удаления шума Гаусса

I-1-1-I-

-I-1-1-1-

15 31 47 63 79 95 111 127 143 159 175 191 207 223 239 255

Рисунок Д.9 - тестовое изображение 3 после удаления шума Гаусса Контрастность тестовых изображений была повышена путем добавления лапласиана яркостей к яркостям тестовых изображений. В результате повышения контрастности увеличился диапазон значений яркостей.

Рисунок Д. 10 - тестовое изображение 1 после повышения контрастности

Рисунок Д. 11 - тестовое изображение 2 после повышения контрастности

Рисунок Д. 12 - тестовое изображение 3 после повышения контрастности Далее приведены изображения, полученные внешними камерами АГТУ в

темное время суток и их гистограммы яркостей. Изображения, полученные внешними камерами АГТУ были обработаны предлагаемыми алгоритмами, после чего для них были построены гистограммы яркостей.

2013-03-01 20 19 Ж

\

4: п.09

1 0,9-

0,8

0,7

0,6-

0.5-

0.4-

0.3- I

0.20,1 п ] 1 _

и 1 1111111111111111

0 15 31 47 63 73 35 111 127 143 153 175 191 207 223 233 255

Рисунок Д. 13 - изначальное изображение с камеры 1

1 0.9-

0.8-

0,7-

0.6-

0.5-

0,4-

0,3-

0,2-

0,1 -0 ■ к__ —