Быстрые алгоритмы первичной обработки изображений в бортовых системах технического зрения
Аннотация
В многоспектральных системах технического зрения летательных аппаратов решается большое число задач, призванных обеспечить безопасный полет в сложных условиях видимости и успешное выполнение полетного задания. Эти задачи традиционно делятся на задачи низшего уровня и задачи высокого уровня. К задачам низшего уровня, иначе – задачам первичной обработки изображений, относятся задачи подавления шума в составе обрабатываемого изображения, улучшения изображения и детектирования границ перепада яркостей. К методам решения задач в бортовом компьютере предъявляются жесткие ограничения по затратам машинного времени на их реализацию. Весь комплекс задач как низшего, так и высокого уровня должен решаться в реальном времени. В статье представлены оригинальные алгоритмы решения двух задач низшего уровня – подавления дискретного гауссова шума и детектирования границ. Для подавления дискретного гауссова шума применен модифицированный вариант сигма-фильтра, дополненный оригинальным алгоритмом низкой вычислительной сложности для оценивания уровня шума в составе обрабатываемого изображения и вычисления на этой основе порога отсечения в сигма-фильтре. Для детектирования границ перепада яркостей на изображении предложен способ, являющийся, с одной стороны, аналогом метода Кенни, а с другой - альтернативной ему. Отличия от детектора границ Кенни заключаются, во-первых, в использовании строчной маски для вычисления оценок частных производных в составе градиента. Эта маска обеспечивает получение оптимальных, в смысле метода наименьших квадратов, оценок частных производных. Формирование сглаженных оценок частных производных позволило отказаться от предварительного сглаживания обрабатываемого изображения в условиях шума невысокой интенсивности. Во-вторых, в предложенном методе применен иной способ формирования порогов, обеспечивающих выбор «сильных» и «слабых» линий. В отличие от детектора границ Кенни примененный способ формирования и использования порогов ориентирован на формирование контурного изображения с минимальным числом коротких контурных линий. Короткие линии затрудняют анализ контурного изображения на этапе решения задач высокого уровня. Новый способ детектирования границ требует затрат машинного времени в 2-3 раза меньше, чем детектор границ Кенни.
Литература
[2] Aviacionnye sistemy uluchshennogo i sintezirovannogo videnija: analiticheskij obzor po materialam zarubezhnyh informacionnyh istochnikov [Aviation systems of improved and synthesized vision: Analytical review based on the materials of foreign information sources]. ed. by Fedosov E.A., comp. Vizilter Yu.V. et al. GosNIIAS, Moscow; 2011. (In Russ.)
[3] Kumar N., Kashyap S., Naidu V., Gopalratnam G. Integrated Enhanced and Synthetic Vision System for Transport Aircraft. Defence Science Journal. 2013; 63(2):157-163. (In Eng.) DOI: https://doi.org/10.14429/dsj.63.4258
[4] Furman Ya.Ya., Krevetskiy A.V., Peredreev A.K., Rozhentsov A.A., Khafazov R.G., Egoshina I.L., Leukhin A.N. Vvedenie v konturnyj analiz; prilozhenija k obrabotke izobrazhenij i signalov [Introduction to contour analysis; applications for image and signal processing]. Fizmatlit, Moscow; 2003. (In Russ.)
[5] Loginov A.A., Novikov A.I., Sablina V.A., Shcherbakova O.V. Complex contour analysis feasibility study of contour classifiation and superimposition problems. Vestnik of Ryazan State Radioengineering University. 2013; (43):20-24. Available at: https://www.elibrary.ru/item.asp?id=18886604 (accessed 04.08.2020). (In Russ., abstract in Eng.)
[6] Novikov A.I., Sablina V.A., Nikiforov M.B., Loginov A.A. The contour analysis and image-superimposition problem in computer vision systems. Pattern Recognition and Image Analysis. 2015; 25(1):73-80. (In Eng.) DOI: https://doi.org/10.1134/S1054661815010149
[7] Efimov A.I., Novikov A.I. An algorithm for multistage projective transformation adjustment for image superimposition. Computer Optics. 2016; 40(2):258-266. (In Eng.) DOI: https://doi.org/10.18287/2412-6179-2016-40-2-258-265
[8] Tomasi C., Manduchi R. Bilateral filtering for gray and color images. In: Sixth International Conference on Computer Vision (IEEE Cat. No.98CH36271). Bombay, India; 1998. p. 839-846. (In Eng.) DOI: https://doi.org/10.1109/ICCV.1998.710815
[9] Yang Q., Tan K., Ahuja N. Real-time O(1) bilateral filtering. In: 2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami, FL, USA; 2009. p. 557-564. (In Eng.) DOI: https://doi.org/10.1109/CVPR.2009.5206542
[10] Canny J. A Computational Approach to Edge Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1986; PAMI-8(6):679-698. (In Eng.) DOI: https://doi.org/10.1109/TPAMI.1986.4767851
[11] Gribkov I.V., Zakharov A.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Kutsaev A.S., Osipov A.S. On some issues of the quantitative performance evaluation of edge detectors. Programmnye produkty i sistemy = Software & Systems. 2011; (4):13-19. Available at: https://www.elibrary.ru/item.asp?id=17679097 (accessed 04.08.2020). (In Russ., abstract in Eng.)
[12] Zakharov A.V., Koltsov P.P., Kotovich N.V., Kravchenko A.A., Kutsaev A.S., Osipov A.S. On some methods of comparative study of edge detectors. Trudy NIISI RAN = Proceedings of SRISA RAS. 2012; 2(1):4-13. Available at: https://www.elibrary.ru/item.asp?id=22964684 (accessed 04.08.2020). (In Russ., abstract in Eng.)
[13] Koltsov P.P., Osipov A.S., Kutsaev A.S., Kravchenko A.A., Kotovich N.V., Zakharov A.V. On the quantitative performance evaluation of image analysis algorithms. Computer Optics. 2015; 39(4):542-556. (In Eng.) DOI: https://doi.org/10.18287/0134-2452-2015-39-4-542-556
[14] Maini R., Aggarwal H. Study and Comparison of Various Image Edge Detection Techniques. International Journal of Image Processing. 2009; 3(1):1-11. Available at: https://www.cscjournals.org/library/manuscriptinfo.php?mc=IJIP-15 (accessed 04.08.2020). (In Eng.)
[15] Gonzalez R.C., Woods R.E. Digital Image Processing. 3rd Edition. Pearson; 2007. (In Eng.)
[16] Novikov A.I., Pronkin A.V. Detector of gradient type borders for understanding surface images. Bulletin of the Ryazan State Radio Engineering University. 2019; (68):68-76. (In Russ., abstract in Eng.) DOI: https://doi.org/10.21667/1995-4565-2019-68-2-68-76
[17] Donoho D.L. De-noising by soft-thresholding. IEEE Transactions on Information Theory. 1995; 41(3):613-627. (In Eng.) DOI: https://doi.org/10.1109/18.382009
[18] Olsen S.I. Noise variance estimation in images. In: Proceedings of the 8th Scandinavian Conference on Image Analysis. Troms, Norway; 1993. (In Eng.)
[19] Kumar R., Kumar N., Jung K.H. Color image steganography scheme using gray invariant in AMBTC compression domain. Multidimensional Systems and Signal Processing. 2020; 31(3):1145-1162. (In Eng.) DOI: https://doi.org/10.1007/s11045-020-00701-8
[20] Kovalevsky V. Modern Algorithms for Image Processing: Computer Imagery by Example Using C#. Apress, Berkeley, CA; 2019. (In Eng.) DOI: https://doi.org/10.1007/978-1-4842-4237-7
[21] Amer A., Dubois E. Fast and reliable structure-oriented video noise estimation. IEEE Transactions on Circuits and Systems for Video Technology. 2005; 15(1):113-118. (In Eng.) DOI: https://doi.org/10.1109/TCSVT.2004.837017
[22] Ghazal M., Amer A., Ghrayeb A. Structure-Oriented Spatio-Temporal Video Noise Estimation. In: 2006 IEEE International Conference on Acoustics Speech and Signal Processing Proceedings. Toulouse, France; 2006. p. 845-848. (In Eng.) DOI: https://doi.org/10.1109/ICASSP.2006.1660475
[23] Lapshenkov E.M. No Reference Estimation of Noise Level of Digital Image is Based on Harmonic Analysis. Computer Optics. 2012; 36(3):439-447. Available at: https://www.elibrary.ru/item.asp?id=17962892 (accessed 04.08.2020). (In Russ., abstract in Eng.)
[24] Novikov A.I., Ustyukov D.I. Interference suppressor operators researching in a discrete white noise. Dynamics of Complex Systems – XXI century. 2017; 11(1):26-32. Available at: https://www.elibrary.ru/item.asp?id=29808486 (accessed 04.08.2020). (In Russ., abstract in Eng.)
[25] Kendall M.G., Stuart A. The Advanced Theory of Statistics. Vol. 3: Design and Analysis, and Time Series. London: Charles Griffin & Co., Ltd; 1966. (In Eng.)
[26] Novikov A.I. The Formation of Operators with Given Properties to solve Original Image Processing Tasks. Pattern Recognition and Image Analysis. 2015; 25(2):230-236. (In Eng.) DOI: https://doi.org/10.1134/S1054661815020194
[27] Tikhonov A.N., Arsenin V.Ya. Metody reshenija nekorrektnyh zadach [Methods for the Solution of Ill-Posed Problems]. Nauka, Moscow; 1986. (In Russ.)
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
