Моделирование и структурная оптимизация псевдоградиентных алгоритмов оценивания параметров межкадровых геометрических деформаций изображений

• Автор: Муратханов, Дмитрий Сосович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Ульяновск
• Количество страниц: 153 с.

СОДЕРЖАНИЕ

Список основных сокращений.

ВВЕДЕНИЕ.
Глава 1. МОДЕЛИ, МЕТОДЫ И АЛГОРИТМЫ ОЦЕНИВАНИЯ МЕЖКАДРОВЫХ ГЕОМЕТРИЧЕСКИХ ДЕФОРМАЦИЙ ИЗОБРАЖЕНИЙ.

1.1. Постановка задачи

1.2. Модели межкадровых геометрических деформаций изображений .

1.3. Подходы к оцениванию межкадровых геометрических деформаций изображений

1.4. Оптимальные алгоритмы оценивания межкадровых геометрических деформаций изображений.
1.5. Выбор целевых функций и псевдоградиента при оценивания межкадровых геометрических деформаций изображений.

ф 1.6. Пссвдоградиентныс алгоритмы оценивания межкадровых

геометрических деформаций изображений

1.7. Выводы и постановка задач исследований.
Глава 2. СТРУКТУРНАЯ ОПТИМИЗАЦИЯ ПСЕВДОГРАДИЕИТНЫХ АЛГОРИТМОВ ОЦЕНИВАНИЯ ПАРАМЕТРОВ МЕЖКАДРОВЫХ ГЕОМЕТРИЧЕСКИХ ДЕФОРМАЦИЙ ИЗОБРАЖЕНИЙ
2.1. Постановка задачи
2.2. Принцип структурной оптимизации псевдоградиентных алгоритмов .
2.3. Функция штрафа в задаче структурной оптимизации псевдоградиентных алгоритмов.
2.4. Функции штрафа при оценивании параметров межкадровых пространственных деформаций
2.5. Основные результаты и выводы.
Глава 3. ДОСТОВЕРНОСТЬ РЕЗУЛЬТАТОВ И ВЫЧИСЛИТЕЛЬНЫЕ ЗАТРАТЫ ПРИ ИСПОЛЬЗОВАНИИ СТРУКТУРНОЙ ОПТИМИЗАЦИИ ПСЕВДОГРАДИЕНТНЫХ АЛГОРИТМОВ.
3.1. Постановка задачи
3.2 Проверка гипотезы об отсутствии искомого вектора в исследуемой
области определения параметров геометрических деформаций
3.3. Достоверность критерия проверки гипотезы об отсутствии искомых подобластей в исследуемой области определения параметров.
3.4. Вероятность ошибки при решении задачи поиска Vподобластей
в области определения параметров
3.5. Вычислительные затраты при структурной оптимизации алгоритмов.
3.6. Основные результаты и выводы.
Глава 4. ПРИМЕРЫ РЕАЛИЗАЦИИ ПСЕВДОГРАДИЕНТНЫХ АЛГОРИТМОВ, ОСНОВАННЫХ НА ПРИНЦИПЕ
СТРУКТУРНОЙ ОПТИМИЗАЦИИ.
4.1. Постановка задачи.
4.2. Сокращение вычислительных затрат при расчете псевдоградиснта целевой функции.
4.3. Псевдоградиент целевой функции при решении задачи поиска
фрагмента на большом изображении
4.4. Программная реализация автоматизированного поиска
местоположения фрагмента на изображении.
4.5. Основные результаты и выводы.
ЗАКЛЮЧЕНИЕ.
ЛИТЕРАТУРА


Получены рекуррентные выражения для расчета ПРВ Ф1П для целевых функций, характерных при оценивании параметров МГД изображений, в частности, выборочного коэффициента межкадровой корреляции и среднего квадрата межкадровой разности. Проведен вероятностный анализ достоверности нахождения подобласти МГД, содержащей искомый вектор параметров. Получены выражения для расчета вероятности пропуска искомой подобласти. Исследованы вычислительные затраты структурно оптимизированных алгоритмов, для чего найдены дискретное распределение вероятностей числа итераций, выполненных ПГ процедурами. В четвертой главе на основе проведенных исследований выработаны рекомендации по сокращению вычислительных затрат при расчете ПГ целевой функции в задачах оценивания МГД изображений, найден ПГ для задачи поиска фрагмента на изображении, на основе которого разработан алгоритм автоматизированного поиска и выполнена его программная реализация. Приведены примеры результатов работы алгоритма. Глава 1. При синтезе различных алгоритмов обработки последовательности изображений для решения задач фильтрации, компенсации, обнаружения и других обычно предполагается, что наблюдения в одном и том же узле сетки отсчетов на всех кадрах соответствуют одной точке пространства. Для реальных систем регистрации и обработки изображений это допущение, как правило, несправедливо из-за движения фотоприемника относительно объекта, несовершенства его конструкции (например, нестабильности развертки в системах с электронной мишеныо и скорости движения считывающей линейки), турбулентности среды, нелинейности оптического тракта и многих других факторов. Эти факторы приводят к тому, что наблюдения в одном и том же узле сетки отсчетов соответствуют на разных кадрах различным точ-4 кам пространства, т. Если эти деформации не учитывать, то эффективность обработки изображений, например, обнаружения объектов, может резко ухудшиться по сравнению с расчетной. Поэтому возникает задача оценивания межкадровых геометрических деформаций (МГД) изображений для их учета в различных алгоритмах обработки изображений [8, ,,,, ,, и др. МГД могут быть как мешающим фактором, который необходимо учитывать при решении других задач, так и нести в себе полезную информацию. Характерным примером необходимости учета МГД может служить задача совмещения многозональных изображений в различных дистанционных исследованиях [, ]. Похожая проблема существует и в медицине, когда для повышения качества диагностики требуется совместить разнородные по способу получения изображения (рентгеновские, ультразвуковые, радиометрические и т. Еще одной областью использования оценок МГД последовательностей изображений для формирования команд исполнительным устройствам является робототехника []. Синтез алгоритмов оценивания МГД реальных изображений приходится производить при наличии сложного комплекса мешающих факторов, таких как временная и пространственная неоднородность характеристик изображений и помех, неоднородность чувствительности датчиков и т. Даже если все мешающие факторы могли бы быть учтены в полной мере, модель изображений оказалась бы очень сложной, а алгоритмы оценивания, основанные на такой модели, - нереализуемыми в реальном времени. К тому же мешающие факторы по своей природе случайны, поэтому в описании реальных изображений практически всегда присутствует как параметрическая, так и непараметрическая априорная неопределенность. Вопросам разработки и исследования методов и алгоритмов оценивания МГД посвящено большое число работ. При этом можно выделить четыре основных подхода: сопоставление изображений [1, 7, , , , , , , , и др. Большинство известных методов требует значительных вычислительных ресурсов и не позволяют реализовать их в реальном времени при изображениях больших размеров. Синтез алгоритмов оценивания МГД невозможен без построения моделей МГД. Реальные информационные системы характеризуются очень большими скоростями поступления данных. Это обусловливает актуальность создания новых, ориентированных на реализацию в реальном времени, алгоритмов оценивания параметров МГД телевизионных, тепловизиониых, радиолокационных, гидролокационных и других пространственно-временных сигналов.