Институт в фотографиях

Научные и прикладные результаты лаборатории 10

2018

 

Аппроксимация пространственно-нестационарного фона в многоцветных изображениях локально стационарными линейными моделями

В задаче обнаружения малоразмерных слабоконтрастных объектов в последовательностях изображений с интенсивным пространственно-нестационарным фоном наиболее эффективное подавление фона, обеспечивающее высокую вероятность обнаружения при заданной вероятности ложной тревоги, достигается за счет применения метода межкадровой обработки, основанного на предсказании текущего фона по предыдущим кадрам последовательности. Применимость метода в бортовой аппаратуре космического мониторинга Земли ограничена необходимостью хранения на борту больших объемов данных и возможностью обнаруживать только динамические объекты. Разработан основанный на линейном прогнозе метод совместной обработки спектральных составляющих двухцветных изображений (полученных в двух областях спектра), содержащих мощный пространственно-нестационарный фон. В применении к задаче обнаружения статических малоразмерных объектов метод позволил в несколько раз (от двух до десятков) снизить вероятность ложных тревог. Рис. 1 иллюстрирует процесс совместной обработки двухцветного изображения (спутник Landsat 7, спектральные каналы 0.63÷0.69 и 0.775÷0.90 мкм), с нанесенными на него слабоконтрастными объектами.

 

 IAE Lab10 2018 2

Рис. 1. Совместная обработка двухцветных изображений: а,д – фрагменты исходного изображения с объектами в двух спектральных каналах, б,е – изображения с подавленным фоном, в,ж – изображения точек, превысивших порог, обеспечивающий заданную вероятность ложной тревоги, г – нанесенные объекты, з – объекты, обнаруженные после совместной обработки

 

Обнаружение малоразмерных объектов в изображениях, зарегистрированных с использованием кругового микросканирования

Для повышения надежности обнаружения малоразмерных объектов матричным фотоприемником применяется микросканирование, позволяющее построить изображение с шагом, меньшим, чем шаг размещения фоточувствительных элементов в приемнике. Для обнаружения малоразмерных объектов в изображениях, зарегистрированных с использованием кругового микросканирования, разработан способ формирования согласованного фильтра, учитывающий изменения наблюдаемой формы объекта, характерные для рассмотренной системы сканирования, что позволило увеличить отношение сигнал/шум на 10 процентов.

 

 

2017

 

Обнаружение и сопровождение объектов в последовательности изображений с применением методов машинного обучения

1. Разработан новый метод обнаружения слабоконтрастных объектов, основанный на создании в процессе обучения контекстной модели фоновой составляющей совокупности изображений (рис. 1). Верификация метода выполнена на совокупности изображений, полученных системой рентгенографического досмотра авиапассажиров. Контекстная модель построена на обучающей выборке из 2 218 изображений размером 800x1000 пикселей.

 

lab10 2017 1 2

Рис. 1. Схема формирования контекстной модели фоновой составляющей совокупности изображений

 

На контрольной выборке из 100 размеченных экспертом изображений, содержащих по 2000 фрагментов, вероятность правильной классификации фрагментов (фон/объект) составила ~82% при вероятности ошибок ~11%. Рис. 2 иллюстрирует результаты обнаружения аномальных фрагментов изображения, не удовлетворяющих построенной модели фона.

lab10 2017 2

Рис. 2. Обнаружение аномальных фрагментов. А - изображение из контрольной выборки, Б - фрагменты, не соответствующие модели фона (подтверждены экспертной оценкой)

2. Для построения траекторий движущихся объектов в последовательности изображений предложена динамическая модель объекта в виде набора особых точек, состав которых изменяется в процессе слежения в зависимости от их меры близости к предыдущим представлениям объекта и окружающего фона. На тестовом наборе из 20 видеопоследовательностей предложенная модель (DCMT) обеспечила снижение средней ошибки в координатах на 9.4% (рис. 3, а) и среднего числа разрывов траекторий на 9.6% (рис. 3, б) по сравнению с аналогичной по вычислительной сложности моделью с неизменным составом особых точек (CMT).

lab10 2017 3

Рис. 3. Применение динамической модели объекта для построения траекторий объектов в видеопоследовательности

3. Предложен способ расчета линейного согласованного фильтра для изображений малоразмерных объектов, сформированных посредством микросканирования, учитывающий обусловленное способом формирования изменение автокорреляционной матрицы шума. Показано, что при размерах объекта, сопоставимых с размером фоточувствительных элементов приемника, предлагаемый фильтр позволяет увеличить отношение сигнал/шум на 10 – 15%.

2016 

Моделирование искажений, возникающих в сканирующем приборе на основе многорядного фотоприемника в режиме ВЗН

Матричные «смотрящие» приборы принципиально не способны обеспечить шаг пространственной дискретизации регистрируемого изображения, меньший, чем размер фоточувствительного элемента приемника, что приводит к ухудшению качества обнаружения малоразмерных объектов. Уменьшение шага дискретизации достигается посредством сканирования изображения относительно фотоприемника. Один из перспективных способов сканирования реализуется применением нескольких пространственно разнесенных фотоприемных субматриц, работающих в режиме временной задержки-накопления [1].
С применением созданной ранее программной реализации математической модели сканирующего фотоприемного устройства, имитирующей формирование изображений наблюдаемой сцены при различных параметрах оптического тракта, топологии, электрических и шумовых характеристиках приемника и режимах сканирования, объяснено возникновение искажений, существенно нарушающих структуру изображений малоразмерных объектов и фона. На рис. 1,(а-в) приведены примеры искажений, предсказанных с помощью модели и обнаруженных при испытаниях устройства.

lab10 2016 1     lab10 2016 2 2     lab10 2016 3
                             а                              б                                 в

  Рис. 1. Искажения в изображениях, формируемых в режиме ВЗН фотоприемником с субматричной структурой при сканировании, обусловленные (а- несовпадением направления ВЗН-каналов и направления сканирования, б – взаимным влиянием соседних каналов, отклонением скорости сканирования от номинального значения)

 

Классификация типов поведения лабораторных животных

В рамках совместных с ИЦиГ СО РАН работ по анализу поведения лабораторных животных разработан классификатор поведения, использующий в качестве входных данных последовательности дальностных изображений. Проведено испытание работоспособности предложенного классификатора на модельных данных. В ходе испытания классификатор показал точность распознавания в 99% на 500 последовательностях, содержащих по 30 изображений.

1. В.Д. Бочков, Б.Н. Дражников, П.А. Кузнецов, К.В. Козлов, В.Н. Соляков. Особенности ФПУ с режимом ВЗН формата 1024x10 на основе КРТ. //Прикладная физика, 2014, №1, с. 58-61

  

2015 

Программная модель оптико-электронной системы обнаружения малоразмерных объектов

Создана программная имитационная модель оптико-электронной системы обнаружения малоразмерных объектов. В модели реализованы:

  • Генерация входных последовательностей изображений, содержащих малоразмерные динамические объекты и пространственно-неоднородный фон.
  • Управление параметрами системы регистрации изображений, в частности: формой ФРТ и параметрами дисторсии оптической системы, топологией матричного фотоприемника, индивидуальными светосигнальными и шумовыми характеристиками фоточувствительных элементов (ФЧЭ) и их взаимным влиянием.
  • Режимы сканирования и временной задержки-накопления.

Первичная обработка изображений, реализованная в модели, ориентирована на обнаружение малоразмерных объектов и обеспечивает выполнение:

  • коррекции неоднородности характеристик ФЧЭ,
  • оценивание статистических моментов фрагментов изображений,
  • межкадровой обработки изображений с целью подавления фона,
  • линейной фильтрации изображений и выделения объектов.

Получены оценки эффективности алгоритмов обнаружения малоразмерных подвижных объектов в последовательности изображений, содержащих пространственно-неоднородный фон, в зависимости от условий регистрации изображений. Аналитически и посредством имитационного моделирования получены оптимальные соотношения между параметрами оптики, фотоприемника, режима регистрации и алгоритмов обработки, обеспечивающие обнаружение объектов минимальной амплитуды с заданной вероятностью при заданной вероятности ложных тревог.

2014

Разработка методов и алгоритмов совместного анализа последовательности изображений для обнаружения малоразмерных и протяжённых объектов

Выполнена сравнительная оценка эффективности методов подавления стационарного фона, основанных на формировании оценки фона текущего кадра посредством его интерполяции по соседним кадрам в последовательности. Показано, что остаточный фон содержит две составляющие: 1) обусловленную присутствием во входном сигнале шума регистрации, 2) связанную с избранной моделью интерполяции и параметрами дискретизации регистрируемого изображения. Определена зависимость дисперсии второй составляющей от пространственного спектра исходного фона и параметров системы регистрации и показано, что при условии, когда изображения формируются в соответствии с критерием Найквиста, дисперсия остаточного фона может быть снижена до величины удвоенной дисперсии шума регистрации. С другой стороны, аналитически показано и подтверждено численным экспериментом, что нарушение этого условия приводит к резкому падению эффективности межкадровой обработки.

Экспериментально подтверждено предположение, что предварительное оценивание смещения фона и последующая интерполяция с помощью априори заданного интерполяционного фильтра обеспечивает почти такое же качество подавления, что и фильтрация, основанная на оптимальном линейном прогнозе. Эта процедура обеспечивает построение устойчивой оценки фона при двух-трехкратном по сравнению с ОЛП сокращении вычислительных затрат.

На основе этих результатов создано программное обеспечение, реализующее первый этап задачи обнаружения динамических объектов (выделение множества максимумов) в последовательностях изображений с пространственно-нестационарным фоном.

 

2013

Математическая модель формирования дискретных изображений в сканирующих оптико-электронных системах

Разработана математическая модель формирования дискретных изображений в сканирующих оптико-электронных системах, использующих для увеличения отношения сигнал/шум в качестве датчика фотоприемные матрицы, работающие в режиме «временная задержка –накопление» (ВЗН). Основное назначение модели – исследование эффективности бортовой аппаратуры регистрации и обработки космических изображений на этапе ее проектирования и изготовления. Для выявления параметров, определяющих качество формируемых изображений, выполнен теоретический и численный анализ основных элементов таких систем: объектива, фотоприемной матрицы, электронного тракта и сканирующего устройства. Модель учитывает влияние на формируемое изображение следующих характеристик оптико-электронного тракта системы: функция рассеяния точки (ФРТ), размер поля обзора, угловой размер элементарного поля зрения, дисторсия объектива, топология фотоприемной матрицы, размер, режим опроса, передаточные и шумовые характеристики фоточувствительных элементов матрицы, нестабильность скорости движения сканирующего устройства, разрядность аналого-цифрового преобразования.

Предложены три варианта моделей ФРТ объектива, соответствующие различным уровням аберраций, и представление общей ФРТ оптического тракта, учитывающей пространственное интегрирование на фоточувствительных элементах и «смаз», обусловленный сканированием. Определен диапазон изменения скорости сканирования (~ 2 %), при котором ФРТ оптического тракта может считаться неизменной, что упрощает модель и позволяет использовать при моделировании быстрые алгоритмы свертки. Оценена зависимость смещения соседних отсчетов формируемого изображения от топологии и режима опроса фотоприемной ВЗН матрицы, обусловленная дисторсией объектива, получена оценка максимально допустимой дисторсии при формировании изображений «точечных» объектов ВЗН матрицей.