Гнеушев А.Н., Морзеев Ю.В., Мурынин А.Б.
СПИРИТ Корп., Б. Коммунистическая 27, Москва, Россия
www.spiritcorp.com

Ключевой проблемой в области разработки систем технического зрения для анализа реальных 3D сцен является проблема предварительной обработки изображений с целью выделения характерных признаков объектов.
Процесс предварительной обработки входной видеоинформации зависит от выбора целевых признаков, которые необходимо выделить в результате этого процесса. Большой класс целевых объектов (например, транспортных средств, строения, лица людей и т.д.) может быть представлен на изображении совокупностью границ, определяющих их внутреннюю структуру, отделяющих их от фона и других объектов. Данные границы на изображении представляются максимальными перепадами значений интенсивности, которые являются контурными признаками объектов. Для их выделения применяют различные градиентные фильтры [1].
Искажения различной физической природы на изображениях реальных сцен препятствуют качественному выделению максимальных перепадов интенсивностей. Они изменяют пространственно-частотные образы объектов, распределяя признаки (максимальные перепады интенсивности) в достаточно широкой полосе пространственных частот [1]. Искажения могут быть различных видов: импульсные шумы, затенения, блики. Для нахождения перепадов интенсивностей в разных частотных диапазонах применяется фильтр на основе градиента Гауссиана [2]. После свертки с данным фильтром производится поиск локальных максимумов модуля градиента по направлению соответствующего градиента. Найденные максимумы характеризуют контура объектов на изображении в данном частотном диапазоне.
Для широкополосного выделения максимальных перепадов значений интенсивности необходимо дифференцировать изображение в различных частотных диапазонах. Это позволяет выделять как полезную информацию (признаки), так и отсеивать шумы в каждом конкретном узком частотном диапазоне.
Адаптивная настройка фильтра на конкретный частотный диапазон обеспечивается оценкой дифференциальных параметров изображения, позволяющей на основе модели перепада интенсивности получить оценку значения оптимального параметра фильтра. Параметрами модели перепада является линейный размер детализации фрагментов целевых объектов b и половина ширины перепада интенсивности Xo на изображении. На основе задания этих параметров оценивается верхняя и нижняя граница частотного диапазона (минимальное и максимальное значение параметра фильтра) для поиска оптимальной частотной локализации целевых перепадов:

где P1,P2 - дифференциальные параметры изображения,
Xomin, Xomax, bmin, bmax - параметры модели перепада для оценки диапазона .
Максимум максимального градиента перепада, как функции параметра достигается при оптимальной настройке фильтра на контурную точку. Таким образом, увеличивая параметр sigma от min до max, производится сдвиг фильтра от верхней частотной границы в сторону уменьшения частоты. При каждой новой настройке фильтра выделяются максимальные градиенты интенсивности, значения которых в каждой точке изображения сравниваются со значениями максимальных градиентов при предыдущих настройках фильтра для нахождения максимума. Выделенные значения максимумов максимальных градиентов в каждой точке как функции от параметра характеризуют контура на изображении, локализующихся в различных пространственных частотах.
Результаты экспериментов показывают адекватность автоматической настройки фильтра для областей изображения с различной контрастностью.

Данный метод может быть основой для последующих этапов анализа структуры объектов по контурам, отделения их от фона, контурной сегментации.

Литература:
1. Д. Марр. Зрение. Информационный подход к изучению представления и обработки зрительных образов. М.: Радио и связь, 1987.
2. Axel F. Korn. Toward a Simbolic Representation of Intensity Changes in Images. IEEE Transactions on pattern analysis and machine intelligence, Vol. 10, № 5, 1988.