Смекни!
smekni.com

Методы и средства цифровой коррекции изображения в оптико-электронных системах визуализации (стр. 2 из 4)

Анализ этих методов применительно к тепловизионным системам на базе микроболометрических матриц показывает, что они нуждаются в существенной доработке. Так, применительно к тепловизионным системам с микроболометрами наиболее часто используемая двухточечная калибровка не обеспечивает требуемого качества изображения во всем наблюдаемом диапазоне температур. При компенсации шума при помощи пространственной фильтрации происходит размытие контрастных границ объектов, что снижает пространственное разрешение, а как следствие, снижает расстояние обнаружения и распознавания. Применяя линейный фильтр дифференцирования можно повысить контраст границ объектов, что приводит к повышению дальности обнаружения и распознавания. Побочным эффектом является повышение уровня шума и изменение внешнего вида изображения (выделение контуров). Используя линейный фильтр дифференцирования, можно построить алгоритм, позволяющий производить сравнительную оценку качества фокусировки объектива. Линейный метод автоматической регулировки уровней яркости, применяемый в тепловизионных системах, нуждается в доработке с целью увеличения контраста изображений в широком температурном диапазоне.

Во второй главе рассматриваются пути совершенствования методов цифровой обработки изображений в тепловизионных системах на основе микроболометрических матриц.

Экспериментально было показано, что зависимость сигнала от температуры наблюдаемого объекта не является линейной, но достаточно хорошо описывается полиномом второго порядка. Дальнейшее увеличение порядка полинома не приводит к существенному снижению ошибки приближения. Поправочные коэффициенты определяются путем калибровки по трем температурам объекта для каждой из рабочих температур матрицы и записываются в память прибора.

Предлагается метод замещения дефектного элемента (пиксела), основанного на применении в блоке цифровой обработки сигнала (рис. 1) фильтра размытия, используемого в ряде других алгоритмов (фильтрация шумов, оконтуривание, автофокусировка). Под линейным фильтром понимается следующая операция

над элементами изображения
:

,

где

задают размеры «окна» фильтра с независимыми от
весовыми коэффициентами матрицы
. Для обеспечения сохранения общего уровня сигнала накладывается условие:

.

В работе использовалась следующая маска:

.

Дефектные элементы исключаются из рассмотрения. В местах, соответствующих дефектным элементам, весовые коэффициенты фильтра

принимали нулевое значение:

при этом сумма всех элементов должна быть равной единице, для этого проводится нормировка:

.

При применении пространственного фильтра размытия для снижения влияния шума резкие переходы яркостей изображения становятся более гладкими, а мелкие детали практически исчезают. Этого можно избежать, проведя селекцию контрастных участков, для которых производится более слабое размытие или оно не производится вовсе. Для селекции применяется фильтр дифференцирования. Нижняя граница определяется из расчета вероятности принадлежности к равномерному участку, которая должна быть больше определенной граничной величины (например

), верхняя – меньше другой граничной величины (например
). Промежуточные значения, лежащие в интервале между нижней и верхней границами, определяются при помощи линейной интерполяции. Можно считать, что шум имеет нормальный закон распределения. Комбинирование размытого
и исходного
изображения предлагается производить следующим образом:

,

где весовой коэффициент степени размытия

определяется на основе квантилей
и
по следующей зависимости:

,
,

где

,
,
– значение сигнала после применения дифференцирующего фильтра. Для поиска квантилей
и
можно воспользоваться формулой

,
.

Здесь опять используется маска размытия

. Это позволяет использование единого фильтра размытия для нескольких алгоритмов различного назначения.

Для реализации дифференциального фильтра предлагается использовать лапласиан, построенный на разности исходного изображения и фильтра размытия, применяемого для подавления шумов и замещения дефектных элементов матрицы.

Построение адаптивной временной фильтрации производится аналогичным образом:

где

– элементы входного изображения (пиксели)
кадра,
– обработанное изображение
- го кадра,
– коэффициенты, выбираемые в зависимости от скорости изменения яркости каждого пикселя,
и
– верхний и нижний коэффициент накопления, причем
, а
может быть любым числом, лежащим в интервале от 0 до 1 (например
). Будем считать, что если значение сигнала пикселя (в качестве изображения принимается «размытая» разница между кадрами) ниже верхней границы наличия шума, то с вероятностью 0,999 это изменение значения вызвано шумом, а при значении
, находящемся выше нижней границы отсутствия шума, с вероятностью 0,001 можно считать, что изменение значения в этом пикселе вызвано движением на изображении. Вычисление квантилей
и
производится тем же способом, что и при пространственной фильтрации. Контрастные границы, которые в тепловизионном изображении движутся, в силу разных причин несколько размыты. Для исключения возникновения дефектов при движении этих границ, желательно расширить зону влияния изменяющихся зон (на разности изображений). Это можно осуществить, применив маску наращивания, т.е. поиск максимума модуля разности по локальной подобласти.

При работе многих тепловизионных приборов было замечено значительное преобладание коррелированного шума по столбцам и строкам, имеющего вид полос, над прочими шумами. Указанные выше фильтры не способны удалить эти полосы без существенной потери качества изображения. В диссертации предлагается метод компенсации влияния данного вида шума на изображение, который иллюстрирован алгоритмом компенсации горизонтальных полос. Алгоритмы, производящие компенсацию шумов по столбцам или по строкам, выполняются по отдельности. Разработанный метод базируется на предположении, что изменение изображения под действием шума происходит для всей полосы (столбца или строки) по общему закону