Завдання виявлення і локалізації протяжних дрібних об'єктів різних розмірів і форми зустрічається в радіотехнічних системах спостереження, які використовують радари з синтезованою апертурою, лідари, інфрачервоні і телевізійні камери. Основною трудністю при обробці є інтенсивний і нестаціонарний фон. Це завдання вирішується з використанням орієнтованої фільтрації, адаптивної порогової обробки і морфологічного аналізу. Запропоновано вдосконалений метод адаптації порога виявлення, заснований на аналізі ізольованих фрагментів, які залишаються на зображенні після порогової обробки.

Анотація наукової статті з комп'ютерних та інформаційних наук, автор наукової роботи - Волков В.Ю.


Adaptive Extraction of Small Objects in Digital Images

The problem of detection and localization of various size and shape small-extended objects in electronic surveillance systems using synthetic aperture radar, lidar, infrared and television cameras is discussed. An intensive and non-stationary background is described as the main difficulty in processing. This problem is solved using oriented filtering, adaptive thresholding and morphological analysis. Improved method is proposed for the adaptation of detection threshold based on the analysis of isolated fragments remaining in the image after thresholding.


Область наук:
  • Комп'ютер та інформатика
  • Рік видавництва діє до: 2017
    Журнал
    Известия вищих навчальних закладів Росії. Радіоелектроніка
    Наукова стаття на тему 'АДАПТИВНЕ ВИДІЛЕННЯ ДРІБНИХ ОБ'ЄКТІВ НА ЦИФРОВИХ ЗОБРАЖЕННЯХ'

    Текст наукової роботи на тему «АДАПТИВНЕ ВИДІЛЕННЯ ДРІБНИХ ОБ'ЄКТІВ НА ЦИФРОВИХ ЗОБРАЖЕННЯХ»

    ?Телебачення і обробка зображень

    621.391: 621.397

    В. Ю. Волков

    Санкт-Петербурзький державний університет телекомунікацій ім. проф. М. А. Бонч-Бруєвича

    Адаптивне виділення дрібних об'єктів на цифрових зображеннях

    Завдання виявлення і локалізації протяжних дрібних об'єктів різних розмірів і форми зустрічається в радіотехнічних системах спостереження, які використовують радари з синтезованою апертурою, лідари, інфрачервоні і телевізійні камери. Основною трудністю при обробці є інтенсивний і нестаціонарний фон. Це завдання вирішується з використанням орієнтованої фільтрації, адаптивної порогової обробки і морфологічного аналізу. Запропоновано вдосконалений метод адаптації порога виявлення, заснований на аналізі ізольованих фрагментів, які залишаються на зображенні після порогової обробки.

    Фільтрація, локалізація об'єктів на зображеннях, адаптивна порогова обробка

    Завдання виявлення і локалізації дрібномасштабних протяжних об'єктів на зашумлених зображеннях виникає в радіотехнічних системах спостереження, що використовують радари з синтезованою апертурою, інфрачервоні і лазерні системи, а також телевізійні камери [1] - [4]. Це завдання актуальна, оскільки зазначені об'єкти зазвичай мають штучне походження і являють першорядний інтерес.

    При виявленні, виділенні і локалізації об'єктів виникають суттєві труднощі в побудові ефективних алгоритмів і структур обробки, оскільки прийняті зображення містять інтенсивний і нестаціонарний фон з елементами, структурно-подібними сигналам. При цьому відношення "сигнал / фон" зазвичай невелика, а зареєстроване цифрове зображення має невисоку якість, мале число рівнів квантування, плям характер і нечіткі межі природних і штучних структур (берегів річок, доріг, мостів, будівель).

    Поряд з об'єктами і фоном в радіолокаційних зображеннях присутня так званий спекл-шум, обумовлений взаємної інтерференцією когерентних хвиль, що мають випадкові зрушення фаз і / або випадкові інтенсивності. Дрібномасштабні об'єкти виглядають як орієнтовані або неорієнтовані плями, що мають нечіткі межі внаслідок недостатньо високого разре- © Волков В. Ю. 2017

    шення і внутрішню спекл-структуру. Такі ж особливості властиві і пасивної перешкоди [4], [5].

    При виділенні об'єктів інтересу просторове накопичення в межах кордонів малоефективно внаслідок їх невеликих розмірів. Статистика фону вельми відрізняється від гауссовской, розподілу явно асиметричні, а "хвости" розподілів підпорядковані логнормального або змішаної (забрудненої) нормальної (contaminated-normal) щільності [6]. При малих обсягах вибірок ці щільності оцінюються з працею.

    Такий характер фону і корисних сигналів практично виключає використання відомих методів порогової обробки, наприклад гисто-програмних методів, методу Отсу [3] та ін. Неправильне формування порогів може привести до втрати корисних об'єктів на самій ранній стадії обробки. Неможливо використання і традиційних методів виділення контурів на зображеннях з метою виділення природних об'єктів (річок, доріг, кордонів лісосмуги і т. П.), Заснованих на формуванні просторових похідних (градієнтів і лапласіанов), оскільки через особливості спекл-картинок істотно проявляються імпульсні перешкоди без видимого ефекту виділення якісного контуру.

    Основними принципами, що дозволяють вирішувати зазначену складну задачу, є просторово-орієнтована фільтрація, адап-

    тивная порогова обробка і селекція корисних об'єктів по зв'язності сусідніх пікселів з урахуванням протяжності корисних структур [1] - [3], [7].

    Постановка завдання і метод виявлення об'єктів на зображеннях. Є зображення в цифровій формі, що містить об'єкти інтересу з довільною орієнтацією з порівняно незначними по відношенню до зображення розмірами. Форма об'єктів може бути лінійної або плям, а їх розміри задаються в пікселях, причому для протяжності об'єктів вказуються мінімальна і максимальна межі. Особливістю завдання є те, що поява дрібномасштабних об'єктів інтересу практично не впливає на інтегральні характеристики зображення.

    Загальна структура цифрової обробки зображень включає попередню фільтрацію, бінарне квантування (порогову обробку) і подальшу морфологічну обробку. Вхідне зображення після реєстрації видається в цифровій формі (двовимірним масивом на прямокутній сітці відліків). Завдання автоматичної установки порога в автономних інформаційно-керуючих системах дуже важлива для сегментації [2], [3], [7] - [10]. Добре відомі методи установки глобальних і локальних порогів зазвичай використовують гістограми або локальні властивості точки на зображенні [3], [8]. Як правило, при установці порогів використовуються властивості вхідного зображення, а результати порогової обробки не враховуються. У запропонованому в цій статті методі оптимальне значення порога залежить від властивостей виділених об'єктів. Тим самим порогова обробка адаптується до результатів бинаризации.

    Метою цієї статті є дослідження адаптивного методу установки порога сегментації для виявлення і виділення об'єктів, заснованого на структурному розкладанні бінарного зображення на елементарні ізольовані зв'язкові фрагменти різної форми і розмірів, аналіз впливу порогового рівня на результати розкладання і розробка алгоритму для установки і зміни порога відповідно до результатами розкладання.

    Попередня фільтрація. Попередня фільтрація має на меті поліпшення зображення, усунення нестаціонарності фону і підкреслення перепадів і границь. Передбачається, що об'єкти інтересу завжди мають більш високу інтенсивність по відношенню до фону (в іншому випадку необхідно інвертувати зображення). У зазначених цілях застосовуються диференціюю-

    Ь Ь Ь Ь Ь Ь

    г Ь а а а а а

    Ь Ь Ь Ь Ь Ь

    .!

    Ь Ь Ь Ь Ь Ь

    а а а а а Ь г

    Ь Ь Ь Ь Ь Ь

    .1

    б

    Ь Ь Ь Ь Ь

    Ь а а а Ь

    г Ь а а а Ь

    Ь а а а Ь

    Ь Ь Ь Ь Ь

    1

    в

    Мал. 1

    щие фільтри зі згладжуванням в обраному вікні, які дозволяють далі використовувати глобальний поріг для бінарного квантування по перевищенню інтенсивністю порога квантування [7], [8].

    При фільтрації лінійних об'єктів заданої орієнтації використовуються просторово-орієнтовані маски фільтра (рис. 1, а, б) (г, у - до -ордінати елемента маски, наявного на пікселі зображення, з яким асоціюється результат обробки).

    Завдання оптимізації вагових коефіцієнтів елементів масок представляє самостійний інтерес. У цій статті прийняті коефіцієнти а = 1, Ь = - 1. При цьому сума всіх коефіцієнтів не дорівнює нулю, що призводить до деякого ненульова рівнем фону на виході фільтра. Це не впливає на подальшу селекцію об'єктів, а призводить лише до змін порогових рівнів.

    Запропоновані маски мають незамкнуте облямівка символами Ь, що дозволяє ефективно виділяти закінчення протяжних лінійних об'єктів, що мають довільну і невідому довжину. Далі результати фільтрації масками по рис. 1, а і б підсумовуються, при цьому відбувається придушення ліній, довжина яких перевищує довжину масок. Така обробка дозволяє скоротити число каналів орієнтованої фільтрації об'єктів.

    У разі об'єктів з невідомої орієнтацією організовується ряд каналів з масками для виділення всіх можливих дрібних об'єктів. для виокрем-

    Мал. 2

    | ... V:,: | д -V -М

    Мал. 3

    лення невеликих об'єктів плям характеру застосовуються неорієнтовані маски фільтрів (наприклад, маска з рис. 1, в).

    Поряд з усередненням в диференціюють фільтрах використовуються і інші оператори, такі, як вибіркова медіана або максимальне значення серед прикордонних елементів зі значенням коефіцієнтів Ь [7]. Результати використання усереднюються фільтрів показані на рис. 2 і 3, де наведено вихідні зображення (а) і результати попередньої фільтрації за допомогою орієнтованої маски (б). Дрібномасштабні об'єкти інтересу виділені білим овалом.

    Порогова обробка. Цей етап дуже важливий. Неправильна установка порогу часто призводить до незворотних втрат сигналів. Зазвичай дрібномасштабні об'єкти інтересу володіють високою інтенсивністю і виділяються після порогової обробки. Однак їх локалізації перешкоджає фон, на якому після бинаризации формуються об'єкти різної форми і розмірів - "сміття".

    Мал. 4 ілюструє зміна результатів обробки на виході порогового пристрою зображення, наведеного на рис. 3, а, для трьох значень порога. На рис. 4, а при низькому порозі (фактично певному по методу Отсу) в об-

    0, 1 • .1 *? ^ \ - / год, I I _: X уГч ^ *

    б

    а

    а

    в

    ласті фону формуються безліч різних, в тому числі і протяжних об'єктів, що не дозволяє в подальшому селектировать корисні і заважають об'єкти (фон) по їх протяжності.

    З ростом значення порога кількість «сміттєвих» об'єктів знижується, а самі вони зменшуються, зокрема приймають вид ізольованих пікселів (рис. 4, б). При дуже високих значеннях порога (рис. 4, в) ці фрагменти пропадають, проте починається руйнування корисних об'єктів, які самі розпадаються на окремі фрагменти, після чого можуть бути безповоротно втрачені. Тому значення порогів не повинні бути занадто високими; вони повинні забезпечувати фрагментацію фону, але при цьому зберігати структуру сигналів. Кращий пороговий рівень дає максимальні морфологічні відмінності (по протяжності) між корисними і фоновими об'єктами, і ці відмінності слід використовувати при подальшій обробці.

    Основна ідея установки і адаптивного регулювання порога бінарного квантування пов'язана з урахуванням результатів бинаризации. З цією метою пропонується ієрархія видів ізольованих фрагментів, що виникають на бінарному зображенні, і для заданого виду ізольованих фрагментів вводиться ефективність їх виділення, яка може бути використана для настройки порогового рівня [7], [9], [10].

    Ієрархія ізольованих фрагментів на бінарному зображенні. Метою є аналіз атрибутів ізольованих фрагментів, які характеризують протяжність і суміжність дрібномасштабних об'єктів інтересу. Для характеристики протяжності використовується характеризується-Ціон маска ізольованого фрагмента - мінімальна прямокутна маска, яка повністю охоплює цей фрагмент. При цьому в неї не потрапляють частини інших фрагментів.

    Іншою характеристикою є наповненість об'єкта, яка вимірюється загальною кількістю суміжних пікселів в ізольованому фрагменті. Відносна наповненість визначається відношенням наповненості до кількості пікселів в характерізаціонной масці об'єкта.

    На рис. 5, а показано гауссовское шумове поле, на рис. 5, б - результат його бинаризации досить високим порогом. Ізольовані пікселі на цьому малюнку характеризуються маскою 1 х 1, ізольовані пари пікселів можуть мати ха-рактерізаціонную маску 1 х 2, 2 х 1 або 2 х 2 залежно від їх орієнтації. Деякі ізольовані пари, трійки і четвірки повністю накриваються маскою 2 х 2. Більші фрагменти з трьох точок мають маски 2 х 3 і 3 х 2. Лінії з трьох точок можуть мати маски 1 х 3, 3 х 1 або 3 х 3 в залежності від орієнтації. Є й інші більш протяжні, але ізольовані фрагменти різної форми і орієнтації.

    Ієрархія дрібних ізольованих фрагментів на бінарному зображенні (до характерізаціонной маски 3 х 3 включно) приведена на рис. 5, ст. У лівому верхньому кутку знаходяться ізольовані точки. Розміри і складність структур ізольованих фрагментів зростають від лівого верхнього до правого нижнього кута малюнка.

    Оскільки фрагмент є сукупність зв'язкових точок, його можна характеризувати параметром зв'язності - довжиною шляху між крайніми точками у фрагменті [3]. В цьому випадку зв'язність фрагмента буде дорівнює максимальному розміру характерізаціонной маски.

    Для реалізації адаптивної порогової обробки на початковому етапі можна використовувати квадратні характерізаціонние маски 1 х 1, 2 х 2, 3 х 3 і т. Д. Це не виключає в подальшому залучення орієнтації фрагментів як додаткового ознаки при установці порога.

    I I

    Т ~ 1 + -|

    J__I

    I Г н-I ± _1. I I

    I I

    III I "Г-Т-Г-Г -|I-I - * - I-

    -1-1-1-1-I - * -. * - *-

    М4444 +

    I - * - I - * - I - * - I- |-Ч - * - * - * - *-!-

    Н-Н + 4-!-

    | - |-I-І-Ь-Ф-

    Н-Н + Н-

    -|Ь-Ф-І-I Т I I

    |н-н-

    -і-н - 1-1- »" »-

    т-1-н-

    -1-I- '

    11111II Т - Т-1

    а

    в

    Вхід

    ?

    Реєстрація I ^ Фільтр j F ^ Бінарний квантователь

    Фільтр 2

    E

    селектор максимуму

    селектор довжини

    вихід

    Мал. 6

    Установка і регулювання порога з використанням аналізу ізольованих фрагментів на бінарному зображенні. Число виникають в бінарному зображенні дрібних фрагментів кожного виду невелика як при дуже низьких, так і при високих значеннях порогів. При низьких порогах дрібні фрагменти зливаються в більші, а при високих порогах залишаються тільки дуже дрібні об'єкти, в кінцевому рахунку, тільки ізольовані точки. Будемо вважати об'єктами інтересу зв'язкові об'єкти, що містять 2, 3 і більше пікселів. Для деякого проміжного значення порога кількість таких дрібномасштабних зв'язкових об'єктів буде максимальним.

    З ростом значення порога зменшується загальне число пікселів, в яких інтенсивність перевищує поріг, а отже, і можливість утворення зв'язкових структур. Тому при аналізі кількості пікселів, що містяться в тих чи інших фрагментах, доцільно нормувати це кількість на загальне число пікселів, в яких встановлений поріг перевищено. Отримані нормовані числа можна розглядати як оцінку ефективності селекції дрібномасштабними -го фрагмента при даному значенні порога.

    Нехай після бінарного квантування з заданим значенням порога T зображення містило всього N (T) точок перевищення порога. При послідовному виділенні дрібномасштабних об'єктів з збільшується в розмірах характе-різаціонной маскою і їх видалення із бінарного зображення на ньому залишаються все більш і більш

    великі фрагменти. На кожному кроці видалення бінарне зображення втрачає Nj (T), N2 (T) і т. Д.

    пікселів. Оскільки всі ці числа залежать від порога квантування, то можна зробити нормування і розглядати відносні значення N (T) / N (t), N2 (t) / N (t) і т. Д. Ці значення можна розглядати як оцінку ефективності виділення фрагментів при заданому значенні порога.

    Структура обробки зображень, яка реалізує адаптивну порогову обробку з селекцією пов'язаних об'єктів з метою виділення дрібномасштабних об'єктів, наведена на рис. 6. Попередня фільтрація зареєстрованого зображення I виконується фільтром F. Вихідна зображення фільтра квантуется з набором порогів T. Фільтр E реалізує морфологічні операції для виділення ізольованих фрагментів з урахуванням характерізаціонной маски. Селектор максимуму витягує порогове значення, яке максимізує ефективність E виділення фрагментів заданої довжини. Селектор максимуму вибирає дрібномасштабні об'єкти заданої довжини.

    На рис. 7 показана паралельна реалізація алгоритму виділення одного (? -Го) з можливих K об'єктів інтересу. Бінарне квантування здійснюється паралельно c кількома порогами Tj, ..., TM. Отриманий масив бінарних зображень надходить на систему каналів, в кожному з яких виділяється об'єкт інтересу і подсчі-розробляються число виділених пікселів. Максимум цього числа визначає оптимальне значення по-

    До структурам виділення інших об'єктів інтересу

    T

    роги для даного фрагмента, і відповідне бінарне зображення селектіруется. Для кожного об'єкта формуються аналогічні структури.

    Аналіз ймовірностей появи зв'язкових фрагментів. Розглянемо задачу виявлення сигналу на фоні випадкової одновимірної стаціонарної шумовий послідовності, а також на випадковому двовимірному однорідному шумовому поле1. Сигнал проявляється в збільшенні математичного очікування в декількох суміжних елементах послідовності або в деякій області поля, при цьому незначні і невідомі розміри області не дозволяють використовувати для виявлення сигналу накопичення або гістограмного методи.

    Для вирішення завдання можна встановити поріг бінарного квантування, що забезпечує при малому числі помилкових викидів виділення корисного сигналу. Фактично потрібно встановити поріг як процентну точку щільності розподілу шуму. Оскільки розподіл шуму невідомо, слід застосувати непараметричні методи.

    Відомі знакові і рангові процедури не враховують зв'язність елементів сигналу, очікувані розміри об'єктів інтересу, які є вельми інформативними ознаками. Крім того, в них корисний сигнал впливає на значення порога, що не дозволяє підтримувати задані параметри виявлення. Ці недоліки можна усунути, якщо використовувати селекцію фрагментів після бинаризации за розмірами і формою.

    Розглянемо спочатку кінцеву одновимірну дискретну послідовність незалежних випадкових величин, яка представляє шум. Нехай встановлений певний поріг бинаризации, що перетворює цю послідовність в послідовність 1 і 0 з невідомими ймовірності появи p і q відповідно, причому p + q = 1. Така послідовність виникає на виході порогової схеми при впливі на вхід послідовності випадкових величин з деяким розподілом ймовірності.

    Завдання полягає в оцінюванні невідомого значення p або q по реалізації з N значень бінарної послідовності. На рис. 8, а показаний фрагмент такій послідовності для N = 9.

    Добре відома оцінка р = п1 / N, пов'язана з підрахунком числа одиниць в послідовності

    Одномірне уявлення шуму дозволяє визначити точні значення ймовірностей появи зв'язкових фрагментів, тоді як при двовимірному поданні вдається отримати лише нижні межі для цих ймовірностей.

    0.5 0

    1 0 1 0 1 1 1 0 1 0

    V} 81 6 4 2

    12 3 4

    5 6а

    8 9

    0.5 б

    Мал. 8

    [6], де П1 - випадкове число одиниць. Величина П1 має біноміальний розподіл з диспер-2

    сией з? 1 = pqN, тому при оцінці малих ймовірностей р оцінка р має великий коефіцієнт варіації V = с ^ р = у] д / ^ р), т. е. сильно

    флуктуірует. Типовий вид залежності коефіцієнта варіації від ймовірності р наведено на

    Мал. 8, б (vo = -ШV = д / р).

    Оцінка процентної точки розподілу може служити порогом в завданню виявлення об'єктів на шумовому фоні. При цьому забезпечується стабілізація ймовірності появи помилкових викидів. Відомо, що помилки оцінювання процентних точок мінімальні при оцінюванні медіани розподілу (р = 0.5), при цьому до -

    коефіцієнт варіації оцінки V) = 1 [6]. Помилки оцінювання ростуть зі зменшенням імовірності, відповідної процентної точці.

    Розглянемо інший метод непараметричної оцінки р, заснований на підрахунку числа одиниць в ізольованих пов'язаних фрагментах, що складаються з одиниць, оточених нулями. Такими фрагментами будуть ізольовані одиниці ^ = {010}, пари 5 * 2 = {0110}, ізольовані трійки 5з = ​​{01110} і т. Д. На рис. 8, а показана послідовність з N символів, в якій є дві ізольовані одиниці і одна ізольована пара. В одновимірному випадку можлива селекція ізольованих фрагментів тільки за розмірами (числу пов'язаних одиниць).

    Ймовірності появи ізольованих фрагментів мають максимуми при певних значеннях ймовірностей р і д. Ці значення можуть бути оцінені за допомогою селекції відповідних фрагментів і підрахунком в них числа одиниць.

    Теоретичні розрахунки залежності ймовірності Рб появи відповідного ізольованого фрагмента від значення д = 1 - р для N = 9 наведені на рис. 9, а. розрахунки засновані

    Б

    2

    і

    Р

    на визначенні числа сприятливих результатів щодо загального числа кодових комбінацій,

    число яких становить 2N = 512. При цьому в вихідної послідовності можливі кратні події, наприклад, одночасно можуть виникнути максимум 4 ізольовані одиниці або 3 ізольовані пари.

    У розглянутому випадку максимум ймовірності появи ізольованих одиниць реалізується при ^ = 0.69, для ізольованих пар - при

    Д2 = 0.5, для трійок - при дз = 0.4. На рис. 9, а

    приведена крива 1 функції 1 - д ^, що показує ймовірність появи хоча б однієї одиниці в коді. Ця крива отримана підсумовуванням значень ймовірностей всіх можливих ізольованих фрагментів для даного значення д.

    Можливості виділення будь-яких ізольованих фрагментів падають з ростом порога (що супроводжується зростанням ймовірності д), так як число точок перевищення порога зменшується. Тому для характеристики ефективності селекції ізольованих фрагментів ймовірність їх виділення можна нормувати на ймовірність появи хоча б однієї одиниці 1 - д ^ (рис. 9, а, 1). Результати нормування представляють ефективність селекції = р / (1 - DN) і наведені на рис. 10, а. Положення максимумів наведених

    кривих залежать тільки від виду ізольованого фрагмента, тому їх оцінки є непараметричних (не залежними від розподілу) оцінками для відповідних ймовірностей перевищення порога.

    Проілюструємо результати дослідження на прикладі бинаризации гауссовской послідовності N (о, О2) порогом Т / о. Залежності ймовірностей появи ізольованих фрагментів від порога для цього випадку представлені на рис. 9, б. Максимум для ізольованих точок доводиться на Т ^ ст = 0.5, максимум для пар - на медіану, для трійок - на Тз / ст = -0.27.

    Залежності ефективності селекції від ймовірності д і від відносного порога Т / ст наведені на рис. 10, а і б відповідно. Для ізольованих точок ^ екстремум ефективності виділення відсутня, при зростанні порогу ймовірність виділення таких точок зберігає кінцеве значення, в той час як ймовірності виділення більш складних пов'язаних фрагментів падають до нуля. Екстремуми для інших фрагментів переміщаються лівіше, зокрема, для ізольованих пар - на медіану. Крива 1 на рис. 10, б представляє ймовірність появи одиниці в кожній позиції коду 1 - Ф (Т / о).

    Отримані результати справедливі для будь-якого виду розподілу ймовірностей последова-

    ності, яка піддається бинаризации. Їх також можна поширити на двовимірний випадок.

    Для гауссовского шумового поля з нульовим математичним очікуванням і одиничною дисперсією ймовірність того, що інтенсивність в окремому пікселі перевищує порогове значення, визначається як Р (Т) = 1-Ф (Т), де Ф (Т) -інтеграл ймовірності. Тоді для характеризації-ційної маски, що містить N елементів, ймовірність відсутності будь-яких фрагментів дорівнює

    Фn (Т). Тому для знаходження ефективності селекції ймовірності появи ізольованих фрагментів слід нормувати на функцію PN (Т) = 1 - Фn (Т), що визначає ймовірність появи хоча б одного ізольованого фрагмента в межах маски.

    З урахуванням зазначеного ймовірність отримання ізольованою точки на характерізаціонной масці 3 х 3 розраховується як

    Р (Т) = Ф8 (Т) [1-Ф (Т)],

    а ймовірність появи ізольованого фрагмента на характерізаціонной масці 2 х 2 обмежена знизу значенням

    Р2 (Т) = 2Ф10 (Т) [1 - Ф (Т)] 2 [1 + Ф2 (Т)] +

    + Ф12 (Т) [1-Ф (Т)] 3 [1 + 3Ф (Т)]. (1)

    В (1) враховані ймовірності появи двох горизонтальних і двох діагональних пар, чотирьох трійок і однієї четвірки одиниць в пікселях маски.

    Для характерізаціонной маски 3 х 3 є 2 варіанти ліній з трійок пікселів у вікнах 3 х 1 і 1 х 3, 2 діагональні лінії з трійок, 36 варіантів четвірок, 32 варіанти п'ятірок, 2 шістки для вікон 3 х 2 і 2 х 3, 4 шістки у вікні 3 х 3, 12 сімок, 4 вісімки і 1 варіант дев'яти одиниць в пікселях. Підсумовуючи ймовірності кожного з подій з вагами, рівними кількості сприятливих варіантів, можна визначити нижню межу для ймовірності появи фрагмента з цими властивостями.

    Залежно нижніх меж ефективності селекції

    Ек = Рк (Т) / РN (Т), к = 1, 2, 3 (для характерізаціонних масок 1 х 1, 2 х 2 і 3 х 3 відповідно), наведені на рис. 11, а. Для ізольованих точок максимум в нормованих кривих відсутня. Криві ефективності для будь-яких зв'язкових фрагментів мають очевидний максимум. Для фрагментів, що складаються з двох

    Мал. 11

    пікселів, він відповідає значенню порога Т2 / о = 1.3, т. е. такий поріг є найкращим для виділення зазначених об'єктів.

    Положення максимумів визначаються непараметричних оцінками процентних точок розподілів ймовірностей інтенсивностей, причому такі оцінки прив'язані до розміру і формі фрагмента. Теоретичні розрахунки і наявність максимумів в характерних точках підтверджуються результатами моделювання процесу бинаризации шумового поля з нормальним розподілом (рис. 11, б). Моделювання проводилося на зображенні розміром 256 х 256 пікселів при порогових рівнях.

    Неважко помітити, що обраний за максимумами цих кривих поріг в розглянутому прикладі близький до оптимального порогу за критерієм максимальної правдоподібності для завдання виявлення зсуву гауссовского розподілу при відношенні "сигнал / шум" приблизно 2.6 [9], [10].

    Характеристики виявлення сигналу в кожній точці зображення. Розглянемо одновимірну задачу виявлення збільшення інтенсивності в двох суміжних точках в разі, коли поріг виявлення встановлюється по максимальному числу ізольованих фрагментів 52 в бінарному вихідному сигналі, т. Е. Необхідний поріг до є вибірковою модою розподілу р $ (щ) числа

    перевищень порогів Тк (к = 1, К) для обраного типу ізольованого фрагмента.

    Точний вид розподілу порога м>б (к) встановити важко. Гістограма цього розподілу, отримана моделюванням гаусів-ської шумовий послідовності х ^ ~ N (т0, с),

    к = 1, N для N = 256, фрагмента 52, т0 = 3, с = 1 показана на рис. 12, а. Вважаючи розподіл ^ 2 (к) симетричним, приймемо для нього гаусову апроксимацію з коефіцієнтами варіації V = 0.5; 1 і 1.5. Нехай розподіл в сигнальних точках також гауссовское і ставлення "сигнал / шум" в кожній точці визначається як е = (1 - т0) /<з.

    Тоді умовна ймовірність правильного виявлення ізольованого фрагмента з двох суміжних точок при заданому порозі до визначається як

    В2 (е, к) = Ф2 (е - к).

    Якщо селектор порога забезпечує його несмещенную оцінку, безумовна вірогідність правильного виявлення зазначеного фрагмента визначається наступним чином:

    Б (е) = | Б2 (е, к) ^ 2 (к) СКГ.

    Залежно Б (е) для трьох значень коефіцієнта варіації V і заданої ймовірності помилкової тривоги Г = 0.25 наведені на рис. 12, б. Крива 1 відповідає нульовому значенню порога.

    Результати моделювання для гауссовской шумовий послідовності ^ = 64) наведені

    на рис. 13, а. Послідовність є нестаціонарної і включає протяжна ділянка з 10-го по 30-й елемент, на якому відношення "сигнал / шум" збільшується вдвічі (нестаціонарний фрагмент вказано лінією 1). Адаптивний поріг показаний лінією 2. Результат селекції фрагментів Б2 на бінаризованими сигналі відображений кривої 3. З огляду на застосування морфологічної обробки наявність нестаціонарності не вплинуло на поріг.

    Для порівняння на рис. 13, б наведено результат виділення фрагментів за допомогою порога, установленого по вибіркової медіані (лінія 2). Даний обнаружитель схильний до дії протяжної перешкоди, оскільки морфологічна обробка відсутня. В результаті виділено весь ділянку збільшеного сигналу (крива 3), на якому визначення фрагмента Б2 неможливо.

    Виділення дрібномасштабних об'єктів на реальних зображеннях. Результати виділення дрібномасштабних об'єктів на реальних радіолокаційних зображеннях представлені на рис. 14 для зображень, наведених на рис. 2 (рис. 14, а-в) і 3 (рис. 14, г-е).

    На рис. 14, а, г показані виходи бінарних Квантователь. Для бинаризации в обох випадках використовувалися адаптивні пороги, які вибиралися по максимуму оцінок ефективності виділення невеликих зв'язкових фрагментів.

    Залежності значень ефективності виділення фрагментів від порогового рівня перед-

    10

    J_Ш_

    21

    1

    42

    2 3

    б

    Мал. 12

    21

    42

    п

    і

    6

    4

    2

    5

    2

    3

    0

    0

    п

    а

    а

    і

    1

    2

    2

    3

    0

    п

    Es 0.35 0.25 0.15 0.05

    1 х1

    L

    2 х 2

    3 х 3

    J_I_I_L

    "X.

    Es 0.09 0.06 0.03 0

    0

    10 15

    б

    20

    25

    Мал. 14

    ставлені на рис. 14, б, д. На кривих зазначений тип квадратної характерізаціонной маски. Морфологічна обробка полягала у виділенні об'єктів заданої довжини.

    Результати виділення об'єктів інтересу наведені на рис. 14, в, е.

    Таким чином, у цій статті запропоновано новий алгоритм виділення і локалізації дрібномасштабних об'єктів, що включає попередню фільтрацію, адаптивну порогову обробку і морфологічний відбір. Для селекції зв'язкових ізольованих фрагментів використана відповідна ієрархія. Тип дрібномасштабного протяжного об'єкта визначається його характерізаціонной маскою, повно-26

    стю накриває цей об'єкт. Ефективність виділення дрібномасштабних зв'язкових фрагментів певного типу на бінарному зображенні для заданого значення порога визначається як число пікселів, що належать цим фрагментами, віднесене до загальної кількості перевищень даного порогу. Найкращий пороговий рівень повинен забезпечувати найбільшу ефективність виділення фрагментів даного типу.

    Ефективність запропонованого адаптивного методу установки і регулювання порога перевірена моделюванням гауссовского поля, а також при обробці реальних зображень, отриманих радіолокатором з САР.

    а

    г

    5

    T

    д

    в

    е

    СПИСОК ЛІТЕРАТУРИ

    1. Волков В. Ю. Методи дискретної фільтрації і завдання обробки зображень в радіотехнічних системах спостереження / СПбГУТ. СПб., 2013. 144 с.

    2. Волков В. Ю. Адаптивні і інваріантні алгоритми виявлення об'єктів на зображеннях і їх моделювання в Matlab: навч. посібник. СПб .: Лань, 2014. 191 с.

    3. Гонсалес Р., Вудс Р., Еддінс С. Цифрова обробка зображень в середовищі MATLAB. М .: Техносфера, 2006. 615 с.

    4. Gao Gui. Statistical modeling of SAR images. A Survey // Sensors. 2010. Vol. 10, iss. 1. P. 775-795.

    5. Misra A., Kartikeyan B. Denosing techniques for synthetic aperture radar data - a Review // Int. J. Computer Engineering & Technology (IJCET). 2015. Vol. 6, iss. 9. P. 01-11.

    6. Айвазян С. А., Енюков І. С., Мешалкин Л. Д. Прикладна статистика. Основи моделювання і первинна обробка даних: довід. изд. М .: Фінанси і статистика, 1983. 471 с.

    7. Волков В. Ю., Турнецкій Л. С. Порогова обробка для сегментації і виділення протяжних об'єктів на цифрових зображеннях // Інформаційно-керуючі системи. 2009. № 5 (42). С. 10-13.

    8. Sezgin M., Sankur B. Survey over image thresholding techniques and quantitative performance evaluation. // J. of Electronic Imaging. 2004. Vol. 13, iss. 1. P. 146-165.

    9. Volkov V. Segmentation and Extraction of Extensive Objects on Digital Images // Proc. 2009 Intern. conf. on Image Processing, Computer Vision and Pattern Recognition. IPCV2009, Las Vegas, USA, Jul 13-16, 2009. Las Vegas: CSREA Press, 2009. Vol. II. P. 656-662.

    10. Volkov V. Thresholding for segmentation and extraction of extensive objects on digital images // Proc. 32 Ann. German Conf. on Artificial Intelligence. KI 2009 Paderborn, Germany, Sept. 15-18, 2009. Berlin: Springer Verlag, 2009. P. 623-630.

    Стаття надійшла до редакції 28 жовтня 2016 р.

    Для цитування: Волков В. Ю. Адаптивне виділення дрібних об'єктів на цифрових зображеннях // Изв. вузів Росії. Радіоелектроніка. 2017. № 1. С. 17-28.

    Волков Володимир Юрійович - доктор технічних наук (1993), професор (1995) кафедри радіосистем і обробки сигналів Санкт-Петербурзького державного університету телекомунікацій ім. проф. М. А. Бонч-Бруе-вича. Автор 200 наукових робіт. Сфера наукових інтересів - обробка зображень в системах технічного зору; рішення задач прийому в умовах апріорної невизначеності. E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.

    V. Yu. Volkov

    The Bonch-Bruevich Saint Petersburg State University of Telecommunications Adaptive Extraction of Small Objects in Digital Images

    Abstract. The problem of detection and localization of various size and shape small-extended objects in electronic surveillance systems using synthetic aperture radar, lidar, infrared and television cameras is discussed. An intensive and non-stationary background is described as the main difficulty in processing. This problem is solved using oriented filtering, adaptive thresholding and morphological analysis. Improved method is proposed for the adaptation of detection threshold based on the analysis of isolated fragments remaining in the image after thresholding.

    Key words: Filtering, Localization of the Objects in Images, Adaptive Thresholding

    REFERENCES

    1. Volkov V. Yu. Metody diskretnoi filtratsii I zadachi obrabotki izobrahzenii v radiotekhnicheskikh sistemakh na-blyudeniya. [Methods of discrete filtering and image processing in radio surveillance systems]. SPbGUT, Saint Petersburg, 2013, 144 p. (In Russian)

    2. Volkov V. Yu. Adaptivnye I invariantnye algoritmy obnar-uhzeniya ob''eknov na izobrahzeniyakh I ikh modelirovanie v Matlab. [Adaptive algorithms and invariant object recognition in images and simulation in Matlab]. Saint Petersburg, Lan ', 2014 року, 191 p. (In Russian)

    3. Gonsales R. C., Woods R. E., Eddins St. L. Digital image processing using MATLAB. Upper Saddle River, Prentice Hall, 2004, 344 p.

    4. Gao Gui. Statistical modeling of SAR images. A Survey. Sensors. 2010 vol. 10, no. 1, pp. 775-795.

    5. Misra A., Kartikeyan B. Denosing techniques for synthetic aperture radar data - a Review. Int. J. Computer Engineering & Technology (IJCET). 2015-го, vol. 6, no. 9, pp. 01-11.

    6. Aivazyan S. A., Enyukov J. S., Meshalkin L. D. Pri-kladnaya statistika. Osnovy modelirovaniya i pervichnaya obrabotka dannykh [Fundamentals of modeling and primary data processing]. Moscow, Finance and Statistics, 1983, 471 p. (In Russian)

    7. Volkov V. Yu., Turneckiy L. S. Thresholding segmentation and isolation of extended objects in digital images. Information and Control Systems. 2009 no. 5 (42), pp. 10-13. (In Russian)

    8. Sezgin M., Sankur B. Survey over image thresholding techniques and quantitative performance evaluation. J. of Electronic Imaging. 2004, vol. 13, no. 1, pp. 146-165.

    9. Volkov V. Segmentation and Extraction of Exten- 10. Volkov V. Thresholding for segmentation and ex-

    sive Objects on Digital Images. Proc. 2009 Int. conf. on traction of extensive objects on digital images. Proc. 32

    Image Processing, Computer Vision and Pattern Recogni- Ann. German Conf. on Artificial Intelligence. KI 2009.

    tion. IPCV2009. Jul 13-16 2009, Las Vegas, USA. Las Ve- Sept. 15-18 2009, Paderborn, Germany, Berlin, Springer

    gas, CSREA Press, 2009 vol. II, pp. 656-662. Verlag, 2009 pp. 623-630.

    Received October, 28, 2016

    For citation: Volkov V. Yu. Adaptive Extraction of Small Objects in Digital Images. Izvestiya Vysshikh Uchebnykh Zavedenii Ros-sii. Radioelektronika. [Journal of the Russian Universities. Radioelectronics]. 2017, no. 1, pp. 17-28. (In Russian)

    Vladimir Yu. Volkov - D.Sc.in engineering (1993), Professor (1995) of the department of radiosystems and Signal Processing of the Bonch-Bruevich State Telecommunications University (Saint Petersburg). The author of 200 scientific publications. Area of ​​expertise: image processing in computer vision systems; reception under a priori uncertainty conditions. E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.


    Ключові слова: ФІЛЬТРАЦІЯ / FILTERING / ЛОКАЛІЗАЦІЯ ОБ'ЄКТІВ НА ЗОБРАЖЕННЯХ / LOCALIZATION OF THE OBJECTS IN IMAGES / АДАПТИВНА порогової обробки / ADAPTIVE THRESHOLDING

    Завантажити оригінал статті:

    Завантажити