Алгоритмы совмещения разнородных изображений в бортовых системах визуализации

• Автор: Герман, Елена Владимировна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Рязань
• Количество страниц: 180 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ

1 ОБЗОР И АНАЛИЗ МЕТОДОВ СОВМЕЩЕНИЯ ИЗОБРАЖЕНИЙ И ВЫДЕЛЕНИЯ ГРАНИЦ

1.1 Особенности задачи совмещения информации в СТЗ ЛА

1.2 Реализация решения задачи совмещения изображений в современных системах

1.3 Обзор методов совмещения

1.3.1 Обзор и анализ некорреляционных методов совмещения изображений

1.3.2 Детекторы точек

1.3.3 Детекторы контуров

1.3.4 Алгоритмы принятия решения о соответствии определённой пары «особенностей» ТИ и ЭИ

1.4 Обзор методов выделения границ на изображении

1.4.1 Методы выделения границ (краев) первого порядка
1.4.2 Методы выделения границ (краев) второго порядка
1.4.3 Метод выделения границ Канни
1.5 Методы скелетизации (утоньшения)
1.5.1 Метод Щепина
1.5.2 Алгоритм Зонга-Суня
1.5.3 Шаблонный метод
1.5.4 Волновой метод
Основные результаты
Постановка задачи исследований
2 ЭТАПЫ РЕШЕНИЯ ЗАДАЧИ ВЫДЕЛЕНИЯ ГРАНИЦ ОБЪЕКТОВ
2.1 Разработка алгоритма выделения границ объектов подстилающей
поверхности
2.1.1 Адаптация по удаленности

2.1.2 Применение методов математической морфологии для поиска границ объектов
2.2 Модификация алгоритма разметки границ объектов бинарного изображения
2.3 Проверка границ
2.4 Схема алгоритма выделения границ объектов подстилающей поверхности
2.5 Оценка трудоемкости этапов выделения границ объектов
2.6 Исследование алгоритма выделения границ объектов подстилающей поверхности
2.7 Исследование устойчивости алгоритма выделения объектов к аддитивному гауссову шуму
Основные результаты
3 РАЗРАБОТКА АЛГОРИТМА СОВМЕЩЕНИЯ ИЗОБРАЖЕНИЙ РАЗЛИЧНОЙ ПРИРОДЫ
3.1 Методика определения зоны наблюдения летательного аппарата..
3.1.1 Математическая модель формирования неискаженного изображения
3.1.2 Математическая модель и исследование параметров изображения с учетом ошибок
3.2 Совмещение разнородных изображений в СТЗ ЛА
3.2.1 Постановка задачи совмещения изображений в СГЗ ЛА
3.2.2 Получение границ на модельном изображении
3.2.3 Оценка целевой функции
3.2.4 Схема алгоритма совмещения
3.3 Анализ трудоемкости алгоритма совмещения изображений
3.4 Исследование влияния различных координат на формирование результирующей зоны неопределенности
3.5 Исследование неравномерной сетки перебора с учетом нормального закона распределения погрешностей
3.6 Критерии сравнения алгоритмов совмещения изображений
3.7 Сравнение алгоритмов совмещения изображений
Основные результаты
4 ПРОГРАММНЫЙ СТЕНД ДЛЯ ИССЛЕДОВАНИЯ И АПРОБАЦИИ АЛГОРИТМОВ
4.1 Проектирование программного стенда
4.2 Подготовка исходных данных для проведения экспериментов
4.3 Оценка возможности аппаратной реализации предлагаемых алгоритмов
4.4 Экспериментальная проверка предлагаемых алгоритмов выделения особенностей и совмещения изображений
4.4.1 Цель проведения экспериментальных исследований
алгоритмов
4.4.2 Методика испытаний
4.4.3 Входные и выходные данные для проведения исследований
4.4.4 Результаты испытаний
Основные результаты
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ПРИЛОЖЕНИЕ

Один из прямых методов решения - метод ячеек. Всё пространство делится на равные небольшие ^-мерные кубики (к - размерность пространства) - «ячейки» - по определённому ключу, затем поиском по спирали находится лучшее соответствие для заданной записи. Несмотря на то, что эта процедура минимизирует количество рассматриваемых записей, она требует больших временных затрат, а также много памяти [32]. Вариацией данной идеи является метод поиска по kd-деревьям (k-dimensional trees, т.е. к-мерные деревья), к-мерное дерево — это вариант двоичного дерева, у которого каждая вершина является k-мерной точкой. Каждая вершина, не являющаяся висячей (листом дерева), рассматривается как гиперплоскость, разбивающая пространство пополам. Точки в "левом" полупространстве представляют левое поддерево данной вершины, а точки в "правом" полупространстве представляют правое поддерево.
Другим типичным подходом к решению проблемы сопоставления особенностей является сравнение их окрестностей кросскорреляционным или другим методом. Выбор размеров окрестности может быть связан с мерой информативности изображения или выбран только с учётом оптимизации вычислительных затрат алгоритма.
Кросскорреляционный метод заключается в том, что окрестность каждой найденной особенности на первом изображении сравнивается с окрестностью каждой особенности на втором изображении по следующей формуле:
Л[Х1 [А.
где (р - коэффициент корреляции, А,,, =М(х, -^|)2 = Вхх, Х22 =М(х2 ~^2)2 = Ох2, А.12 = М(х, -^,)(х2-£,2) = соу(х|,х2), ^ = Мх{,
%2=Мх2, х, - изображение участка с первого снимка, х2 - изображение участка со второго снимка, М(х) - математическое ожидание, О(х) -