Введение 4
1 Анализ подходов к обработке изображений 6
1.1 Модель цифровых изображений и видеоизображений 6
1.2 Особенности зрительной системы человека 9
1.3 Классификация подходов компенсации условий пониженной
освещенности 14
1.3.1 Методы, напрямую моделирующие освещение 16
1.3.2 Методы, основанные на представлении изображения,
нечувствительном к изменению освещенности 17
1.3.3 Методы на основе слияния изображений 19
1.4 Вывод по первой главе 2 1
2 Особенности изображений, полученных в условиях недостаточной
освещенности 22
2.1 Анализ тестовых изображений 22
2.2 Контрастность и способы изменения контрастности 24
2.3 Шумы на изображении, связанные с пониженной освещенностью 3 0
2.4 Вывод по второй главе 33
3 Алгоритм компенсации условий недостаточной освещенности 34
3.1 Описание алгоритма компенсации условий недостаточной освещенности
34
3.2 Экспериментальные исследования 40
3.3 Вывод по третьей главе 43
Заключение 45
Список использованных источников 46
Список публикаций по теме выпускной квалификационной работы 49
Приложение
В настоящее время цифровая обработка сигналов занимает одно из ведущих положений в исследованиях современной науки. Технологии компьютерного зрения, лежащие в основе систем анализа изображений, активно применяются в системах обеспечения безопасности, наблюдения, классификации и др.
Качество работы любого алгоритма компьютерного зрения падает вследствие наличия шумов, вносимых сложными погодными условиями, а также связанными с недостаточной освещенностью.
Улучшение изображений, полученных в условиях пониженной освещенности, в настоящее время является актуальной задачей. Во-первых, это помогает эффективно увеличивать видимость сцены для наблюдателя, во- вторых, свет от источников искусственного освещения ночью распределяется неравномерно, что ведет к ослаблению качества контролирующих изображений и увеличивает трудности наблюдения, в-третьих, большинство алгоритмов компьютерного зрения имеют ограничения по освещенности и работают только с дневными изображениями. Недостаточное количество света и ограниченный динамический диапазон устройства съемки во время получения изображения, не позволяет выделить объекты на изображении даже человеку, с его нелинейными возможностями восприятия.
Компенсация влияния пониженной освещенности позволит увеличить общую контрастность изображения, расширить динамический диапазон яркостей, подавить аддитивный и импульсный шум и другие искажения, вносимые недостаточной освещенностью. Такой комплекс мер позволит улучшить искаженное недостаточной освещенностью изображение, и повысить тем самым качество работы алгоритмов компьютерного зрения.
Целью работы является разработка алгоритма компенсации условий низкой освещенности на изображениях.
Для достижения цели были поставлены следующие задачи:
1) провести обзор подходов способов компенсации недостаточной освещенности;
2) исследовать особенности изображений с пониженной освещенностью и выделить виды вносимых искажений;
3) провести анализ способов компенсации таких искажений;
4) разработать алгоритм, позволяющий скомпенсировать влияние пониженной освещенности;
5) провести экспериментальные исследования эффективности предложенных решений.
Качество работы алгоритма машинного зрения зависит от наличия искажений, вносимых пониженной освещенностью. Для компенсации недостаточной освещенности и повышения качества темных видеоизображений необходимо расширить диапазон яркостей, увеличить среднюю яркость пикселов, повысить контраст и избавиться от аддитивного шума. В работе для имитации недостаточной освещенности к изображениям с нормальной освещенностью последовательно применены гамма-коррекция, добавлен аддитивный гауссов шум и импульсный шум. Компенсация недостаточной освещенности реализована с помощью многомасштабного алгоритма Ретинекс с восстановлением цвета, подавление аддитивного шума выполнено с использованием фильтра Гаусса, импульсный шум устраняется применением медианного фильтра. Для повышения резкости использован фильтр Лапласа. Использованы видеопоследовательности из набора данных Билькенсткого университета, компании Wildfilmsindia и другие. Дополнительно репрезентативность тестового набора повышена самостоятельно снятой в ночное время видеопоследовательностью. Экспериментальные исследования проведены на примере системы обнаружения дыма на основе локальных бинарных шаблонов. Точность обнаружения дыма в условиях недостаточной освещенности по сравнению с исходным изображением в среднем ниже на 28-30 %, при этом значительно увеличивается число ошибок первого пора и число ложных срабатываний до 34,2 % и 27,4 % соответственно. На изображениях, улучшенных с помощью предложенного алгоритма компенсации недостаточной освещенности, точность обнаружения существенно возрастает и составляет 94,41 %, что ниже точности обнаружения дыма относительно исходного изображения всего на 2,3 %. Таким образом, экспериментальные исследования подтверждают эффективность предложенных методов и алгоритмов компенсации недостаточной освещенности.
