Control Systems and Computers, N6, 2020, Статья 1
https://doi.org/10.15407/csc.2020.06.003
Golovin O.M. Image Enhancement In Video Analytics Systems. Control Systems and Computers. 2020. № 6. С. 3-20.
УДК 364.2:331
А.Н.Головин, кандидат технических наук, старший научный сотрудник, Институт кибернетики имени В.М.Глушкова НАН Украины просп. Академика Глушкова, 40, Киев 03187, Украина, o.m.golovin.1@gmail.com
УЛУЧШЕНИЯ ИЗОБРАЖЕНИЙ В СИСТЕМАХ ВИДЕОАНАЛИТИКИ
Введение. Достижение основной цели системы видеонаналитики, а именно, понимание сцены, решается через процессы обнаружения и распознавания объектов и установление причинно-следственных связей между ними. Эффективность и качество работы подобной системы напрямую связано с обработкой большого количества изображений и не всегда высокого качества. Потребность в успешном решении проблемы получения качественных данных, как первоначальной звена всего процесса обработки изображений, усугубляется тем, что в системах видеоаналитики предполагается максимальное устранение человека от процесса сбора и обработки изображений. Это обусловлено тем, что видеосистемы получают слишком большие объемы видеоданных и они, как правило, избыточные, а контроль изображений и регулирования параметров системы со стороны человека-оператора является монотонным и тяжелым, но ответственным. Одним из вариантов повышения эффективности систем обработки видеоинформации является автоматический режим функционирования, при котором человеку остается возможность вмешательства лишь для принятия решений в отдельных случаях на основе изображений, улучшение качества которых должно также выполняться в автоматическом режиме.
Цель статьи. Системы видеоаналитики функционируют в автоматическом режиме с большим количеством изображений и видеопоследовательностей при минимальном вмешательстве человека в процесс их получения и обработки. Одной из важных проблем, от решения которой зависит эффективность работы системы видеоаналитики, является качество полученных изображений, на которые влияет много внешних факторов. Среди них — изменения в режиме освещения сцены, которые сложно не только устранить, но и предусмотреть (погодные условия, временные изменения, ситуация в сцене и прочее). Изображения, полученные в таких условиях, содержат искажения контраста и низкую интенсивность освещения как всего изображения, так и отдельных его участков, имеют узкий динамический диапазон и сильный шум. Сложности, возникающие в результате изменений освещения, в некоторых случаях приводят не только к некорректной работе всей системы, но и к их полному отказу. Все вышесказанное формирует цель работы, которая заключается в разработке эффективного подхода к обеспечению системы видеоаналитики качественными изображениями сцены в автоматическом режиме с элементами адаптации к изменениям освещенности.
Методы. Системный подход, программное моделирование, анализ.
Результаты.Разработан метод для определения оптимального значения параметра гамма коррекции изображений, при котором обеспечивается выбор в автоматическом режиме наиболее качественного изображения сцены для дальнейшей обработки. Метод отличается способностью приведения качества изображения к максимально возможному уровню качества в автоматическом режиме и имеющимися элементами адаптивности к изменениям в режиме освещенности сцены внимания.
Выводы.Разработан метод для определения оптимального значения параметра гамма-коррекции изображений, при котором обеспечивается выбор в автоматическом режиме наиболее качественного изображения сцены для дальнейшей обработки. Для достижения поставленной цели этой работы в процесс определения оптимального значения параметра гамма введено понятие «идеального» образца изображения, которое характеризуется одинаковой вероятностью появления уровней яркости изображения и рассредоточением гистограммы изображения по всей шкале яркости. При таких данных изображения функция вероятности уровней яркости принимает кусочно-линейный вид с 256 интервалами (по количеству уровней яркости) от 0 до 1.0 (или от 0 до общего количества пикселей в изображении без нормализации). Кумулятивная гистограмма такого «идеального» образца изображения представляет график в форме восходящей лестницыс 256 (по количеству уровней яркости) одинаковымиступеньками, а аппроксимация значений кумулятивной гистограммы «идеального» образца изображения приводит к превращению гистограммы в прямую линию с координатами (0,0 ) — (1,255) (рис. 11) или «линию идентичности».
В основе метода лежит минимизация среднеквадратичной разницы между кумулятивной гистограммой скорректированного с помощью гамма-коррекции изображения и соответствующей гистограммой в виде «линии идентичности»введенного «идеального» образца изображения.
Разработанный инструментарий определения в автоматическом режиме оптимального значения параметра гамма, а затем и наилучшего изображения для визуализации и последующей обработки существенно повышает эффективность систем видеоаналитики, процессов сегментации и обработки изображений за счет снижения негативного влияния режима освещения сцены на качество изображений.
Предлагаемый метод отличается способностью приведения качества изображения к максимально возможному уровню качества в автоматическом режиме и имеющимися элементами адаптивности к изменениям в режиме освещенности сцены внимания. Эффективность метода позволяет применять его к широкому спектру изображений и видеопоследовательностей.
Загрузить полный текст! (на английском)
Ключевые слова: гамма-коррекция, улучшение изображения, система видеоаналитики, гамма параметр, гистограмма, компьютерное зрение, сегментация.
Поступила 16.11.2020
