Комплексирование спектрозональных изображений

Обнаружение и распознавание изображений производится по совокупности прямых и косвенных признаков объекта.

Прямые признаки связаны непосредственно с объектом. Это геометрические, оптические и другие различные признаки (например, размер, форма, общий тон, текстура, температура и др.).

Косвенные признаки не связаны непосредственно с объектом, но все же несут в себе важную информацию. К таким признакам относятся расположение объектов относительно друг друга, тень, следы и т.д. Следы деятельности объектов являются довольно часто единственным признаком, по которому возможно обнаружить и распознать объект.

При работе со спектрозональными изображениями неизбежен процесс комплексирования, т.е. процесс объединения изображений, полученных в различных спектральных диапазонах с целью получения более информативного результирующего изображения по сравнению с исходными [71-73].

Задачей комплексирования является выделение отличительных особенностей изображений и предоставление максимального количества информации, содержащейся в исходных изображениях в одно результирующее изображение с минимальными потерями.

Комплексирование является сложным техническим процессом, который включает в себя несколько этапов [74]:

- выбор количества измерительных каналов;

- получение исходных изображений;

- предварительная обработка;

- оценка информационного содержания;

- процедура комплексирования.

Процесс комплексирования можно разделить на 3 уровня: низкий, промежуточный и высокий уровни. Уровень комплексирования зависит от того, на каком этапе обработки происходит слияние изображений [75].

Рассмотрим подробнее каждый из названных выше уровней комплексирования.

Комплексирование низкого уровня заключается в комбинировании нескольких исходных изображений с целью получения более подробного изображения по сравнению с изначальным. Алгоритмы низкого уровня в настоящий момент получили наибольшее распространение, они основаны на активном использовании яркостных матриц.

Комплексирование промежуточного уровня заключается в работе с отдельными частями и признаками изображения (края, углы, контуры и так далее) с последующим формированием карты особенностей. Данные особенности могут получаться как от одного входящего изображения, так и от нескольких, после чего происходит поиск общих особенностей, которые используются в дальнейшей обработке спектрозональных изображений.

Комплексирование высокого уровня основано на сравнении нескольких экспертных оценок: данный способ включает в себя методы голосования, статистические методы, логические методы и др.

На рисунке 1.14 представлены различные методы комплексирования изображений [76,77].

Рисунок 1.14 - Классификация методов комплексирования изображений

На рисунке 1. 15 показан процесс комплексирования на различных этапах обработки изображений.

Рисунок 1.15 - Методы комплексирования изображений

б)

в)

г)

Рисунок 1.15 - Методы комплексирования изображений (продолжение)

На рисунке 1.15а) происходит комплексирование изображений на уровне зональных первичных решений. Принимаются предварительные решения об обнаружении объекта с последующим окончательным решением по канальным изображениям.

Комплексирование на уровне элементарных сигналов многоканальной оптико-электронной системы показано на рисунке 1.15б).

признаки определяются по векторному полю яркости многоспектрального изображения.

На рисунке 1.15в) отражено комплексирование на уровне признаков. Определяются опознавательные признаки объекта по канальным изображениям, затем признаки объединяются в единый вектор признаков, на основании которого принимается итоговое решение.

На рисунке 1.15г) показано комплексирование на уровне элементарных сигналов многоканальной оптико-электронной системы. Цель такого принципа - получение единого комплексированного изображения.

Схема, представленная на рисунке 1.15 а), является наиболее простой для реализации. Однако при работе со спектрозональными изображениями ее эффективность может существенно снизиться, так как решения принимаются независимо от диапазона спектра.

С точки зрения максимального использования следует применять схему, представленную на рисунке 1.15б), т.к. учет различных диапазонов спектра происходит по самим измерениям. Для реализации данной схемы необходима разработка многоканальных признаков изображений, а также наличие точной взаимной привязки отдельных изображений.

Схема, представленная на рисунке 1.15в), является эффективной в связи с тем, что взаимная связь разных спектральных яркостей изображения производится в меньшей степени. Реализация данного метода является сложной, т.к. в процедуре принятия решения используется расширенный вектор признаков, что сказывается в дальнейшем на вычислительных ресурсах.

Схема, представленная на рисунке 1.15г), учитывает взаимную корреляцию спектральных измерений, существенно снижает требования к вычислителю и позволяет упростить процедуру оценки эффективности комплексной обработки.

Рассмотрим основные алгоритмы комплексирования спектрозональных изображений [78-80].

Алгоритм попиксельного слияния

Суть данного алгоритма заключается в нахождении яркости каждого пикселя результирующего изображения, которое получается суммированием пикселей двух исходных спектрозональных изображений с учетом некоторых весовых коэффициентов.

Алгоритм комплексирования на основе анализа низко- и высокочастотных составляющих изображений

При работе с данным алгоритмом хорошо учитываются мелкие детали, которые имеются на одном из нескольких изображений, однако плохо обрабатываются большие монотонные области.

Рассмотрим подробнее алгоритм комплексирования на основе анализа низко- и высокочастотных составляющих изображений:

1 этап. Разложение исходных спектрозональных изображений на низкочастотные и высокочастотные составляющие с использованием сглаживающей маски.

2 этап. Вычисление значений яркостей матриц сглаживания для исходных изображений.

3 этап. Фильтрация изображений с высокими частотами.

4 этап. Вычисление значений яркости комплексированного изображения.

5 этап. Вычисление значений яркости высокочастотных составляющих комплексированного изображения.

6 этап. Получение результирующего комплексированного изображения, которое определяется как сумма низкочастотных и высокочастотных составляющих.

Алгоритм комплексирования на основе оценки информативности

В основе алгоритма лежит оценка информативности участка изображения вокруг каждого пикселя.

Процедура комплексирования данного метода включает в себя следующие этапы.

1 этап. Выбор размера скользящего окна элементов.

2 этап. Расчет среднего квадратичного отклонения для центрального элемента.

3 этап. Расчет максимального значения среднего квадратического отклонения.

4 этап. Повтор 2 и 3 этапа для второго изображения.

5 этап. Получение результирующего комплексированного изображения.

Алгоритм комплексирования на основе добавления отличий

При использовании данного алгоритма при процедуре комплексирования одно из изображений берется в качестве базового, к которому в дальнейшем будут добавляться участки из второго изображения.

Процедура проходит по следующему алгоритму.

1 этап. Вычисление диапазона модулей разности для последующего задания пороговых значений.

2 этап. Вычисление пороговых значений яркости изображений.

3 этап. Вычисление яркостей элементов комплексированного изображения.

Алгоритм комплексирования на основе морфологического анализа

Данный метод основан на морфологическом подходе и гистограммной морфологической сегментации. Рассмотрим его основные этапы.

1 этап. Получение морфологической формы изображения.

2 этап. Определение морфологических проекций для спектрозональных изображений.

3 этап. Комплексирование изображения, яркость пикселей которого рассчитывается как среднее значение яркости пикселей исходных изображений.

Алгоритм комплексирования с использование пирамиды Лапласа

Данный алгоритм включает в себя 4 базовых этапа.

1 этап. Низкочастотная фильтрация исходных изображений.

2 этап. Уменьшение разрешения при переходе из слоя в слой пирамиды.

3 этап. Интерполяция.

4 этап. Вычитание двух изображений попиксельно.

1.3.