Институт в фотографиях

Научные и прикладные результаты лаборатории 10

2020

 

Исследование влияния пространственной неоднородности фотоприемника на качество подавления фона в задаче обнаружения малоразмерных объектов на пространственно-нестационарном фоне

Предложен метод коррекции структурной помехи в паре кадров, отличающихся сдвигом фона, не требующий выравнивания чувствительности приемника посредством его предварительной  калибровки. 

Учет полученной оценки при формировании разностного кадра позволяет многократно снизить остаточный фон, практически не ухудшая изображений объектов. На рисунке 1, а и б, приведены два кадра последовательности с пространственно-нестационарным фоном и слабоконтрастными подвижными объектами, сформированной сканирующим матричным ИК приемником, с неравномерной чувствительностью (СКО – 10% от среднего значения). Рисунки 1, в и г,  демонстрируют результаты межкадровой обработки без (в) и с учетом (г) неравномерности чувствительности, оцененной предлагаемым способом. СКО фона в исходных кадрах – 53.3, СКО остаточного фона без учета неравномерности – 29.9, с учетом неравномерности – 5.0. Среднее значение амплитуды объектов ~27, уровень случайного шума фотоприемника ~ 2.5. Все данные представлены в одинаковых единицах.

lab10 2020 noise correct

Рис. 1. Коррекция неравномерности чувствительности матричного фотоприемника без предварительной калибровки

Оценивание движения фона и объектов в последовательности изображений, в частности, выполняется посредством сопоставления особых точек – локальных фрагментов изображений с устойчивыми к яркостным и геометрическим преобразованиям характеристиками.

 

Сравнение и статистические характеристики детекторов особых точек изображений

 

Предложен способ оценки качества детекторов/дескрипторов особых точек, основанный на анализе числа правильных и ложных соответствий в множестве пар тестовых изображений. Качество обнаружения истинных соответствий характеризуется распределением числа пар исходных и геометрически искаженных изображений по количеству найденных на них соответствий. Ложные соответствия представлены распределением пар случайно выбранных из тестового множества изображений по тому же параметру. Тестовым  множеством в работе служит набор из 10000 изображений из базы MIRFLICKR (https://press.liacs.nl/mirflickr/), размер изображений ~ 400×400 пикселей, В качестве примера на рисунке 2 приведены указанные распределения для двух распространенных детекторов/дескрипторов: BRISK и AKAZE. По оси абсцисс указано количество соответствий на паре изображений, а по оси ординат – процент пар изображений из тестового множества.

lab10 2020 feat pt

Рис.2. Распределение числа правильных и ложных соответствий для детекторов BRISK и AKAZE (слева – BRISK, справа – AKAZE)

Синим цветом изображены графики числа правильных соответствий, красным – числа ложных. Пунктирными и сплошными линиями показаны графики для различных параметров детекторов. Из графиков видно, что только при корректно выбранных параметрах детекторов можно отличить пару искаженных изображений одной и той же сцены от пары случайно выбранных изображений. Предложенный способ позволяет выбрать правильные параметры детекторов/дескрипторов.


2019

 

Подавление пространственно-нестационарного фона с резкими перепадами яркости в последовательностях изображений движущихся малоразмерных слабоконтрастных объектов

Предложен новый, основанный на компенсации дробных межкадровых сдвигов, алгоритм подавления пространственно-нестационарного фона в последовательностях изображений движущихся малоразмерных слабоконтрастных объектов. В алгоритме предприняты меры, гарантирующие устойчивость к ситуациям, когда невозможно получить достоверную оценку направления сдвига, что обеспечивает подавление фона даже в области резких изменений яркости практически до уровня шума регистрации, что иллюстрируется рисунком 1. На исходном изображении СКО случайного шума составляет около 0.5% от СКО фона, а амплитуда объектов - примерно 15 СКО шума, поэтому объекты полностью маскируются фоном, тогда как после обработки обнаруживаются с вероятностью ~ 95% при вероятности ложной тревоги ~ 10-5 .

Lab 10 2019

Рис. 1 - Подавление фона, рамками ограничены фрагменты, содержащие движущиеся объекты: а – исходный кадр последовательности, б – компенсация целочисленного сдвига, в – компенсация линейной части дробного сдвига, г – компенсация остаточного дробного сдвига

 

Применение нейронных сетей в задаче обнаружение объектов на пространственно-нестационарных фонах

Для обнаружения неподвижных объектов разработан подход, заключающийся в комбинации согласованной фильтрации и сверточных нейронных сетей. На первом этапе обработки используется классический согласованный фильтр и пороговая обработка, а затем полученные фрагменты тестируются с помощью предварительно обученной нейронной сети. В экспериментах на модельных данных при наблюдении объекта с интенсивностью, равной СКО фоновой компоненты при фиксированной вероятности обнаружения, равной 0,99 вероятность ложной тревоги была уменьшена с 1.59*10-4 до 1.11*10-4. На тех же данных при вероятности обнаружения равной 0,88, вероятность ложной тревоги была снижена с 8.13*10-5 до 4.94*10-5. Таким образом, в указанном диапазоне вероятностей обнаружения удалось снизить вероятность ложной тревоги на 40 – 60 процентов.

 

 

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 зада