Обнаружение и селекция объектов на изображении по геометрическим параметрам. Презентация2020. Обнаружение и селекция объектов на изображении по геометрическим параметрам Студент д т. н., профессор Волков В. Ю
 Скачать 2.62 Mb.
|
|
«Обнаружение и селекция объектов на изображении по геометрическим параметрам» Студент Руководитель: д.т.н., профессор Волков В.Ю. Работа выполнена в Выпускная квалификационная работа Санкт-Петербург 2020 Цели работы Описать структуру и изучить свойства и характеристики алгоритма выделения изолированных связных объектов на цифровом изображении. Алгоритм основан на многопороговой обработке и установке порогов по геометрическим параметрам отселектированных объектов. Указанная цель достигается путем решения следующих задач: 1. Сформировать и описать структуру алгоритма выделения объектов интереса с установкой порога по результатам селекции. 2. Получить и оценить результаты обработки тестовых и реальных изображений 3. Изучить влияние параметров алгоритма на результаты обнаружения Лиходед И. 2/21 Введение Задачи обнаружения, выделения и селекции объектов различной формы возникают в системах радиовидения, использующих синтезированные антенные решетки (SAR), инфракрасные, лидарные и телевизионные камеры. Лиходед И. 3/21 Рисунок 1 – Примеры изображений с различных камер: а) Инфракрасное изображение; б) Телевизионное изображение а б Селекция объектов при многопороговой обработке Лиходед И. 4/21 Идея алгоритма заключается в выборе оптимального порогового значения для достижения наилучшего выделения структур в заданном диапазоне площадей. Многопороговая обработка преобразует исходное монохромное изображение в набор бинарных изображений (слоев). Рисунок 2а – Результат при пороге T=149 Рисунок 2б – Результат при пороге T=164 Рисунок 2а – Результат при пороге T=199 Селекция объектов по площади Лиходед И. 5/21 Рисунок 2 – Структурная схема селекции объектов по площади На каждом двоичном слое производится селекция объектов, имеющих площадь в заданном диапазоне. Далее выбирается порог бинаризации, который обеспечивает максимальное число отселектированных объектов данной категории. Селекция объектов на шумовом фоне Лиходед И. 6/21 Рисунок 4 – Шумовое поле Рисунок 5а – Селекция объектов в шуме при Smin =10 Рисунок 5б – Селекция объектов в шуме при Smin =150 Пороги выбираются в соответствии с положением максимума числа отселектированных объектов. Характеристики для чистого шума Рисунок 6 – Зависимости числа объектов от порога Рисунок 7 – Зависимости степени вероятности ложной тревоги от порога Вероятность ложной тревоги зависит от минимальной площади обнаруженных объектов. Кривые сверху вниз соответствуют пороговым уровням T = 150, 155, 160, 165, 170. Для верхней кривой (рис. 6): Nmax = 4866 при T = 166. После удаления изолированных точек: Для Smin = 1, Nmax = 2522 при T = 163 (пунктирная линия) Для Smin = 5, Nmax = 863 при T = 157; (малая пунктирная) Для Smin = 10, Nmax = 483 при T = 154 (нижняя кривая). Лиходед И. 7/21 Nmax T Smin T = 150 T = 155 T = 160 T = 165 T = 170 Лиходед И. 8/21 Результат бинаризации по методу Отсу показан на рисунке 9б. Изображение после бинаризации содержит много ложных тревог. Для устранения ложных тревог можно выделить небольшие объекты (рисунок 9в). Рисунок 9а – Тестовое изображение Рисунок 9б – Бинаризация и селекция объекта с порогом Отсу T=120 Рисунок 9в – Результат селекции с порогом T=140 после селекции с Smin = 50 Тестовое изображение искажено аддитивным гауссовским шумом со стандартным нормальным распределением с нулевым средним и единичной дисперсией (рисунок 9а). Рисунок 9д – Результат селекции с низким порогом Т = 135 после селекции с Smin = 50 Рисунок 9г – Результат селекции с высоким порогом после селекции с Smin = 50 На рисунках 9г и 9д, можно наблюдать два типа искажений: пропадание точек и фрагментация объекта. Лиходед И. 9/21 Рисунок 10б – Зависимость числа изолированных объектов от значения уровня порога. Рисунок 10а – Изображение с объектами разной формы Лиходед И. 10/21 Представлена модель монохромного зашумленного изображения на сетке размером. Объекты интереса имеют малое отношение сигнал/шум d = 1,163. Максимальное число объектов N=22 выделяется при значении T = 109. Лиходед И. Рисунок 11а – Селекция объектов при высоком уровне порога T=130 Рисунок 11б – Селекция объектов при среднем уровне порога T=115 Рисунок 11в – Селекции объектов при низком уровне порога T=109 На рисунке 11а порог T=130, а максимальное число объектов достигается при T = 109. При снижении порога, на фоне появляются ложные объекты, их площадь сравнима с площадью полезных объектов. 11/21 Задача обнаружения объекта Для F = 0,01 и tNP = 2,326, для обеспечения вероятности правильного обнаружения D = 0,5 пороговая дефлекция равна d(0,5) = 2,326. Для Smin = 150 порог составляет tNP = 0,47 и он соответствует значительно большей вероятности ложной тревоги F=0,32. 12/21 Лиходед И. Рисунок 8 – Характеристики обнаружения объекта интереса: фиолетовая кривая для F=0,01 и tNP =2,326; красная кривая для F=0,32 и tNP =0,47 Объект интереса обнаруживается путем задания порогового уровня tNP, удовлетворяющего критерию Неймана-Пирсона. Вероятность обнаружения для каждого пикселя: D = 1 – Φ(tNP –d), где d - отношение сигнал/шум, Φ – интеграл вероятности Лапласа, tNP – нормированный порог для получения заданной вероятности ложной тревоги F. d D Сравнение селекции по площади и метода бинарного интегрирования Лиходед И. Рисунок 13 – Результат обнаружения объектов с помощью селекции объектов по площади Рисунок 14 – Результат обнаружения объектов с помощью метода бинарного интегрирования Метод селекции объектов по площади обеспечивает неплохое выделение формы объектов даже при малых отношениях сигнал/шум. А метод бинарного интегрирования существенно искажает форму объектов. 13/21 Рисунок 12 – Квадратные объекты на фоне стандартного гассуовского шума Селекция компактных объектов на реальном изображении Лиходед И. 14/21 Рисунок 15а – Реальное изображение Рисунок 15б – Зависимость количества объектов от порога Рисунок 15г – Применение селекции объектов по площади Рисунок 15в – Применение метода Отсу Лиходед И. 15/21 Рисунок 16а – Реальное телевизионное изображение Рисунок 16б – Зависимость количества изолированных объектов от порога для Smin=1000 и Smax=4000 16/21 Рисунок 18б – Применение селекции объектов по площади при T=100, Smin = 1000, а Smax = 4000 Рисунок 18в – Применение селекции объектов по площади при T=100, Smin = 6000, а Smax = 10000 Рисунок 18а – Применение метода Отсу Лиходед И. Лиходед И. 17/21 Рисунок 19а – Реальное инфракрасное изображение Рисунок 19б – Зависимость количества изолированных объектов от уровня порога Селекция объектов по площади на реальном инфракрасном изображении Рисунок 20а – Результат селекции объектов по площади при значении порога T=40 Рисунок 20б – Результат селекции объектов по площади при значении порога T=49 Лиходед И. 18/21 Рисунок 21в – Применение селекции объектов по площади при T=90, Smin = 1000, а Smax = 6000 Рисунок 21а – Инфракрасное изображение 19/21 Лиходед И. Рисунок 21б – Применение метода Отсу Заключение (Вставить сюда проверенный ВАРИАНТ!) В работе были исследованы возможности программной реализации алгоритма многопороговой обработки с применением селекции объектов по площади на тестовых изображения, была проверена работа алгоритма на реальных изображениях, формируемых системами радиовидения. А также была получена зависимость характеристики объекта от параметров алгоритма. При увеличении минимальной площади объектов уменьшаются порог и количество отселектированных объектов. Лиходед И. 20/22 Спасибо за внимание!!! Лиходед И. 22/22 |