Псеводградиентный алгоритм измерения межкадровых деформаций цифровых изображений с использованием взаимной информации.

Список основных сокращений……………………………………………………4
Введение……………………………………………………………………………..5
1. Теоретические концепции исследуемой области……………………………7
1.1 Оценивание взаимных геометрических деформаций изображений…….7
1.2 Меры подобия изображений…………………………………………...……14
1.3 Меры различия изображений…………………………………………….....18
1.4 Псевдоградиентные процедуры оценивания параметров межкадровых геометрических деформаций изображений.......……………………...……24
1.5 Выводы и постановка задачи исследования………………………………28
2 Псеводградиентный алгоритм измерения межкадровых деформаций цифровых изображений с использованием взаимной информации…...29
2.1 Постановка задачи……………………………………………………………29
2.2 Псеводградиентный алгоритм измерения межкадровых деформаций цифровых изображений……………………………………………………...30
2.3 Основные результаты и выводы…………………………………………...39
3 Определение оптимального количества итераций для псевдоградиентного алгоритма измерения межкадровых деформаций цифровых изображений с использованием взаимной информации…...40
3.1 Постановка задач……………………………………………………………..40
3.2 Создание деформированных изображений……………………………….41
3.3 Применение разработанного псевдоградиентного алгоритма измерения межкадровых деформаций цифровых изображений с использованием взаимной информации……………………………………………………….45
3.4 Определение оптимального количества итераций для псевдоградиентного алгоритма измерения межкадровых деформаций цифровых изображений с использованием взаимной информации…...50
3.5 Выводы…………………………………………………………………………54
Заключение………………………………………………………………………...55
Список литературы……………………………………………………………….56

Весь текст будет доступен после покупки

На данный момент цифровые изображения все больше используются в областях техники, связанных с информацией, её передачей, получением, обработкой. Это объясняется тем, что цифровые изображения в сравнении с одномерными сигналами являются более ёмкими носителями информации. При обработке некоторых последовательных изображений важной задачей является измерение их межкадровых геометрических деформаций (МГДИ). Решение этой задачи требуется в медицинской диагностике, в радиолокации, в навигации, дистанционном исследовании планет, и т. д.
Псевдоградиентные процедуры (ПГП) являются перспективным направлением при измерении МГДИ. Они способны предложить сравнительно небольшие вычислительные затраты и для них не обязательна предварительная оценка параметров исследуемых изображений. Также они обеспечивают высокую точность измерения при воздействии сложного комплекса помех, применимы к обработке изображений в условиях априорной неопределенности.
Для решения практических задач измерения МГДИ важное значение имеет определение количества итераций. Это связано с тем, что измерение параметров МГДИ осложнено большим числом факторов, влиянием которых нельзя пренебречь. К таким факторам можно отнести вид целевой функции, характер плотности распределения вероятностей (ПРВ) и мешающего шума, определяющей в том числе и число итераций.

Весь текст будет доступен после покупки

1.1 Оценивание взаимных геометрических деформаций изображений
Межкадровые геометрические деформации цифровых изображений — это изменения возникающие в процессе кодирования и сжатия цифровых изображений. Они происходят из-за того, что каждый кадр (изображение) кодируется и сжимается независимо друг от друга, без учета соседних кадров.
Эти деформации могут привести к искажениям в изображении, таким как "исчезновение" объектов на краях изображения, "прыжки" объектов на следующий кадр и другим. Эти искажения можно разделить на два типа: локальные и глобальные.
Локальные деформации возникают на небольших участках изображения и могут быть связаны с изменением формы или размера объекта, небольшими кривизнами линий и другими факторами. Глобальные деформации проявляются на всем изображении и связаны с изменением пропорций изображения, его углом наклона, порядком следования объектов и другими факторами.
Оценивание параметров взаимных геометрических деформаций является важной частью обработки цифровых изображений, поскольку они могут привести к значительному ухудшению качества изображения.
Известные методы оценивании взаимных геометрических деформаций изображений реализуются как в частотной, так и в пространственной областях. Методы частотной области основаны фазовой корреляции. Впервые подобный метод был предложен для оценивания сдвигов изображений в [1]. В дальнейшем данный метод был модифицирован за счет использования лог-полярного преобразования [2], что позволило помимо сдвига оценивать и угол поворота, а в дальнейшем еще и коэффициент масштаба [3]. В [4] также предложен метод фазовой корреляции, инвариантный к центрально-симметричному размытию. Впоследствии были предложены методы фазовой корреляции, обеспечивающие субпиксельную точность оценивания [5, 6]. В работе [7] разработан подход к оцениванию деформаций изображений с использованием коэффициента корреляции в частотной области. Однако существенными недостатками методов частотной области остаются их вычислительная сложность и ограниченность несколькими видами моделей деформаций, что затрудняет их применение в современных информационных системах. В методах, работающих в пространственной области, используются непосредственно отсчеты изображений или выделяемые структуры более высокого уровня, а оценивание параметров деформаций сводится, как правило, к оптимизации многомерной целевой функции качества оценивания, характеризующей меру подобия между парами изображений. Оптимизация производится с помощью численных итеративных методов. Такие методы представляют наибольший интерес ввиду их высокой эффективности. Задачу оценивания взаимных геометрических деформаций (параметров привязки) двух изображений будем рассматривать в следующей постановке. Будем считать, что наблюдаемые изображения Z^((1) )={z_?j^((1) ) } и Z^((2) )={z_?j^((2) ) }заданы на прямоугольной сетке ?:{?j=(j_x, j_y )}. Модель наблюдаемых изображений аддитивная — смесь информационного изображения {s_?j } и белого шума {?_?j }: Z^((1) )={z_?j^((1) ) }={s_?j+?_?j^((1) ) } , Z^((2) )={z_?j^((2) ) }={s_?j+?_?j^((2) ) }, ?j??, где ?? - вектор неизвестных параметров некоторой модели деформаций изображений {s_?j } и {s_?j (??)}. Кроме того, задана целевая функция J(Z^((1) ), Z^((2) ), ??)качества оценивания, которая служит мерой сходства (различия) между изображениями Z(1) и Z(2). Необходимо оценить оптимальные значения параметров ??* деформаций изображений, при которых достигается экстремум целевой функции:
??*=arg??extremum J(Z^((1) ), Z^((2) ), ??)? . (1.1)
Разнообразные способы оценки взаимных геометрических деформаций изображений можно классифицировать по различным критериям. В качестве таковых предложено использовать основные элементы методов:
- модель деформации;
- мера подобия или различия, используемая в качестве целевой функции;
- стратегия поиска оптимальных параметров.
Выбор каждого из этих элементов сужает возможности выбора остальных, и в этом смысле приведенные классификационные признаки не являются независимыми. Остановимся на каждом из них подробнее.

Весь текст будет доступен после покупки

1. Kuglin, C. The phase correlation image alignment method / C. Kuglin, D. Hines // Proceedings of International Conference on Cybernetics and Society, IEEE Systems. –1975. – P. 163-165.
2. De Castro, E. Registration of translated and rotated images using finite Fourier transform / E. De Castro, C. Morandi // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 1987. – V. 9, №5. – P. 700-703.
3. Reddy, B. An fft-based technique for translation, rotation, and scale-invariant image registration / B. Reddy,B. Chatterji // IEEE Transactions on Image Processing. –1996. –V.5, № 8. – P. 1266-1271.
4. Ojansivu, V. Image Registration Using Blur-Invariant Phase Correlation / V. Ojansivu , J. Heikkila // Signal processing letters. – 2007. – V.14, № 7. – P. 449-452.
5. Foroosh, H. Extension of phase correlation to subpixel registration / H. Foroosh, J. Zerubia, M. Berthod // IEEE Transactions on Medical Imaging. – 2002. – V. 11, № 3. – P. 188-200.
6. Stone, H.A fast direct Fourier-based algorithm for subpixel registration of images / H. Stone, M. Orchard, E. Chang, S. Martucci // IEEE Trans. Geosci. Remote Sensing. – 2001. –V. 39, №10. – P. 2235-2243.
7. Anuta, P.E. Spatial registration of multispectral and multitemporal digital imagery using fast Fourier transform techniques / P.E. Anuta // IEEE Trans. Geoscience Electronics . – 1970. – V. 8, №. 4. – P. 353-368.
8. Понс, Д. Компьютерное зрение. Современный подход / Д. Понс, Ж. Форсайт // М. : Вильямс. – 2004. – 926 с.
9. Goshtasby, A.A. Image registration. Principles, tools and methods / A.A. Goshtasby // Advances in Computer Vision and Pattern Recognition. Springer. – 2012. – 441 p.

Весь текст будет доступен после покупки