Анализ системы контроля и управления(Финал). Анализ системы контроля и управления доступом с использованием
 Скачать 5.97 Mb.
|
|
Пример 3.2. Компрессия изображения - отпечатка пальца Этот пример применения сжатия стал классическим. В свое время ФБР использовало ВП для сжатия информации, в результате этого удалось хранить большой объем отпечатков пальцев в простых компьютерах с небольшим объемом памяти, что сэкономило значительные средства. Ниже приведена упрощенная программная реализация, в которой использованы функции порога двумерного вейвлета ( wdcbm2 ) и удаления шума и сжатия ( wdencmp ): function detfingr load detfingr; nbc = size(map,1); wname = 'sym4'; lev = 3; [c,s] = wavedec2(X,lev,wname); alpha =1.5; m = 2.7*prod(s(1,:)); [thr,nkeep] = wdcbm2(c,s,alpha,m); [xd,cxd,sxd,perf0,perfl2] = wdencmp('lvd',c,s,wname,lev,thr,'h'); colormap(pink(nbc)); subplot(221), image(wcodemat(X,nbc)), title('Исходное изображение '); subplot (222),image(wcodemat(xd,nbc)), title('Сжатое изображение'); xlabl = ['2-norm rec. :', num2str(perfl2)]; xlab2 = [' % - zero cfs: ',num2str(perf0), '%']; xlabel([xlabl xlabl2]) end На рис. 3.7 приведены исходный и сжатый отпечатки пальца; в исходном положении без изменений; разлагаем на большое количество вейвлет коэффициентов; при этом более 80 % коэффициентов обнулено, а в оставшихся сосредоточено 96 % от энергии всех коэффициентов разложения. Из них значащие 20%. Несмотря на то, что сжатие осуществлено в пять раз, качество изображения остается вполне хорошим. По этому объем архива отпечатков пальцев для криминалистических отделов может быть существенно уменьшен.  Рис. 3.7 Аналогично можно сжимать снимки в картографии, медицине, геологии и других областях. сжатию изображений проявляется значительный интерес во всем мире. Это обусловлено стремительным развитием цифровой техники обработки изображений, цветных принтеров, графических мониторов, цифровых фото- и видеокамер и т.п. Изображение, представленное в цифровом виде, имеет довольно большой объем в битах. Например, цветное изображение размером 512х512 требует для своего хранения 768 кбайт, а если передавать видеопоследовательность таких изображений со скоростью 25 кадров в секунду, то требуемая скорость составит 188 Мбит/с. Кроме ситуации, рассмотренной в примере 3.2, когда требуется хранить большой объем информации в компьютере с ограниченной памятью, возможны еще другие ситуации. Например, требуется сохранить качество изображения (фотографии или фильма) таким, чтобы даже экспертиза не отличила сжатую копию от оригинала. В этом случае компрессия окажется небольшой (коэффициент сжатия от 3 до 5). Это режим сжатия почти без потерь. В другой ситуации может потребоваться, наоборот, большая компрессия, когда сигнал или изображение передаются по каналу с ограниченной пропускной способностью, либо когда вся процедура анализа и синтеза информации должна быть осуществлена за кратчайшее время и результат должен быть передан немедленно и по возможности дешевле. Это режим сжатия с допустимыми потерями, при котором коэффициент сжатия может достигать сотен и даже тысяч. Поэтому в разных ситуациях надлежит выбирать соответствующие вейвлеты для оптимизации всей процедуры ВП (анализа и синтеза) [24]. Тем не менее, для любой из этих ситуаций ВП имеет преимущество по сравнению с методами кодирования, использующими оконное преобразование Фурье, при этом количественные показатели такого выигрыша зависят от поставленной задачи [19]. еще следует отметить, что принципиальное отличие процедуры компрессии с помощью ДВП от широко распространенного сжатия по стандарту JPEG состоит в том, что она работает со всем изображением, в то время как в JPEG изображение разбивается на блоки, которые сжимаются независимо. В случае ВП можно подобрать такую базисную вейвлет-функцию, которая адаптирована к наиболее информативным особенностям изображения. Здесь адаптивность понимается в том смысле, что элементы или участки изображения с довольно плавным изменением яркости представляются небольшим числом вейвлет-коэффициентов. Опишем последовательность операций цифровой обработки изображений, позволяющую идентифицировать лицо человека по измеренному расстоянию между зрачками: -считывание данных матрицы видеоизображения лица, преобразование изображения в полутоновое и нормировка изображения по рамке: x=imread('D:\MATLAB\work\S.jpg'); s10=rgb2gray(x); s10=1-im2double(s10); figure, imshow(1-s10), title('изображение лица человека'); whos s10 На рис.1 приведено полутоновое изображение.  Рис.1. Полутоновое изображение лица человека - гамма-коррекция негативного полутонового изображения: s20=imadjust(s10,[0.85 0.95],[0 1],1.4); figure, imshow(s20,[]),title('Результат гамма-коррекции изображения лиц'); На рис.2 приведен результат гаммы-коррекции изображения.  Рис.2. Результат гамы-коррекции изображения лица - выделение маской глаз s30(1:981,1:736)=0.01;% маска глаз s30(320:450,150:600)=1; figure, imshow(s30,[]),title('Маска глаз'); s30(320:450,150:600)=s20(320:450,150:600);%выделение глаз figure, imshow(s30,[]),title('Глаза'); На рис.3а приведена маска, а на рис.3б изображение глаз.   а) б) Рис.3. Выделение маской глаза - гамма-коррекция маски зрачка человека и пространственная корреляционная обработка изображения с выделенными маской глазами: s40=imadjust(s40,[0.6 0.95],[0 1],2.3); figure, imshow(s40,[]),title('Маска зрачка'); g=dftcorr(s30,s40); x1=max(g(:)) x2=min(g(:)) gs=(g-x2)/x1; figure, imshow(gs), title('корреляционная обработка изображения глаз'); На рис.4а приведена маска зрачка, а на рис.4б приведен результат пространственной корреляционной обработки изображения с выделенными маской глазами   а) б) Рис.4. Пространственная корреляционная обработка изображения с выделенными маской глазами - формирование бинарного изображения, сегментация элементов и измерение расстояние между зрачками: %бинарное изображение level = 0.85; BW = im2bw(mat2gray(gs),level); figure,imshow(BW), title('Бинарное изображение'); %сегментация элементов [labeled,numObjects] = bwlabel(BW',4); numObjects %измерение расстояния между зрачками [B,L] = bwboundaries(BW','noholes'); figure, imshow(label2rgb(L', @jet, [.5 .5 .5])), title('Измерение расстояния между зрачками, мм'); hold on stats = regionprops(L,'Centroid'); for k = 1:length(B) boundary = B{k}; % оценка координат границ centroid(k,:) = stats(k).Centroid; end x1=[centroid(1,1) centroid(length(B),1)] y1=[centroid(1,2) centroid(length(B),2)] plot(y1,x1,'-.r*','LineWidth',2) a=0.386*sqrt((centroid(1,1)-centroid(1,2))^2+(centroid(2,1)-centroid(length(B),2))^2); %расстояние между зрачками, мм metric_string = sprintf('%2.2f',a); text(300,330,metric_string,'Color','y',... 'FontSize',8,'FontWeight','bold'); На рис.5 приведены результаты измерения в мм расстояния между зрачками.  Рис.5. Результат измерения в мм расстояния между зрачками По данным наблюдений у 95% мужчин расстояние между зрачками близко к значению 69мм, а для 95% женщин это расстояние близко к 64 мм. Заключение книге сделана попытка сжато изложить основы теории не-прерывного, дискретного и быстрого вейвлет-преобразования (ВП), а также ознакомить читателя с некоторыми практически-ми приложениями и компьютерным «инструментарием» ВП. За короткий срок теория и практика ВП получили револю-ционное развитие. Об истории исследований вейвлетов (вспле-сков) в мире и России можно узнать из статьи В. Спиридонова «Всплеск революций» и краткой заметки Ю. Фаркова «Мелко-волновый анализ», опубликованных в журнале «Компьютерра», 1998, № 8. Уникальные свойства вейвлетов, ВП и быстрые алгоритмы ВП сделали их мощным и эффективным инструментом анализа синтеза сигналов и изображений различной природы. Число публикаций неуклонно растет и не поддается учету из-за огромного количества практических приложений. Круг вопросов по применению ВП так обширен, что для его описания потребовалось бы многотомное издание. За счет применения ВП уже получены хорошие результаты во многих областях науки, техники, медицины и экономики. Прежде всего, ВП используется в задачах анализа нестацио-нарных сигналов, где оно оказывается более эффективным, чем традиционное преобразование Фурье, и используется в: радио-технике и радиосвязи [1–4, 7, 8, 13, 14, 19–21, 24–32, 36–38]; физике [15, 16, 19, 20, 31]; лазерной технике [17]; сейсмо- и гид-роакустике [33, 38]; медицине и биологии [4, 19]; гидродинами-ке [12, 22], метеорологии [15], авиации [19] и др. Известны многообещающие результаты применения ВП в цифровой связи [1, 21, 24, 28] и, в частности, в трансмультип-лексорах, в системах с широкополосными сигналами. Перспек-тивно применение вейвлет-пакетов для скрытой связи и в сис-темах с многостанционным доступом. ВП широко используется для очистки от шума и сжатия сиг-налов, изображений и мультимедиа-информации [1, 3, 7–10, 19, 24, 28, 35, 38]. Во введении уже отмечалось, что ВП легло в ос-нову международных стандартов по сжатию изображений MPEG-4, JPEG-2000, графических программных средств Corel, видеокодеров фирмы Analog Devices, стандарта ФБР по сжатию отпечатков пальцев. Применению вейвлетов в компьютерной графике посвящена книга [9]. Вейвлеты применяются для обнаружения сигнала на фоне помех и его распознавания [19, 23, 36]. Например, ВМС США использовали ВП для обнаружения и распознавания подводных лодок. Многие исследователи за рубежом и в России применяют ВП для обнаружения и распознавания локальных особенностей электрокардиосигнала [4, глава 3]. Поскольку ВП сравнительно легко обобщается на множества любых размерностей, оно мо-жет использоваться для анализа и распознавания многомерных образов. ВП находит все более широкое применение в исследовании прогнозе временных рядов. Фактически временным рядом яв-ляется любая функция (или сигнал), представленная в отдель-ные моменты времени. Кроме уже рассмотренных дискретных сигналов временным рядом может быть последовательность от-счетов температуры или давления среды, стоимость акций или курс доллара в определенные моменты времени, Интернет-трафик и т.п. В отечественной литературе перспективы приме-нения ВП для анализа временных рядов рассмотрены в работе [15]. Известны успешные попытки применения ВП для прогно- |