Быстрые алгоритмы первичной обработки изображений в бортовых системах технического зрения

  • Anatoly Ivanovich Novikov Рязанский государственный радиотехнический университет имени В.Ф. Уткина http://orcid.org/0000-0002-8166-8234
  • Anton Viktorovich Pronkin Рязанский государственный радиотехнический университет имени В.Ф. Уткина http://orcid.org/0000-0003-2832-7462
  • Dmitry Igorevich Ustukov Рязанский государственный радиотехнический университет имени В.Ф. Уткина http://orcid.org/0000-0002-4848-8936

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.

Сведения об авторах

Anatoly Ivanovich Novikov, Рязанский государственный радиотехнический университет имени В.Ф. Уткина

профессор кафедры высшей математики, профессор кафедры электронных вычислительных машин, доктор технических наук, доцент

Anton Viktorovich Pronkin, Рязанский государственный радиотехнический университет имени В.Ф. Уткина

магистрант кафедры электронных вычислительных машин

Dmitry Igorevich Ustukov, Рязанский государственный радиотехнический университет имени В.Ф. Уткина

ассистент кафедры электронных вычислительных машин

Литература

[1] Kostyashkin L.N., Nikiforov M.B. Obrabotka izobrazhenij v aviacionnyh sistemah tehnicheskogo zrenija [Image Processing in Aeronautical Vision Systems]. Fizmatlit, Moscow; 2016. (In Russ.)
[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.)
Опубликована
2020-11-30
Как цитировать
NOVIKOV, Anatoly Ivanovich; PRONKIN, Anton Viktorovich; USTUKOV, Dmitry Igorevich. Быстрые алгоритмы первичной обработки изображений в бортовых системах технического зрения. Международный научный журнал «Современные информационные технологии и ИТ-образование», [S.l.], v. 16, n. 3, p. 673-685, nov. 2020. ISSN 2411-1473. Доступно на: <http://sitito.cs.msu.ru/index.php/SITITO/article/view/699>. Дата доступа: 25 sep. 2021 doi: https://doi.org/10.25559/SITITO.16.202003.673-685.
Раздел
Исследования и разработки в области новых ИТ и их приложений