1. На главную
  2. Электронные версии
  3. Программирование
  4. № 3, 2023

Программирование, 2023, № 3, стр. 13-25

АЛГОРИТМ ОБНАРУЖЕНИЯ АТМОСФЕРНЫХ ОСАДКОВ ДЛЯ ЗАДАЧ КОМПЬЮТЕРНОЙ ОБРАБОТКИ ВИДЕОИЗОБРАЖЕНИЙ

В. Т. Дмитриев a, *, А. А. Бауков a, **

a Рязанский государственный радиотехнический университет имени В.Ф. Уткина
390005 Рязань, ул. Гагарина, д. 59/1, Россия

* E-mail: vol77@rambler.ru
** E-mail: baukov.andrej@yandex.ru

Поступила в редакцию 09.01.2023
После доработки 16.01.2023
Принята к публикации 22.01.2023

Аннотация

Показана актуальность задачи обнаружения и уменьшения видимости атмосферных осадков на видеоизображениях, полученных неподвижными камерами. Выполнен статистический анализ геометрических (площадь, коэффициент формы, отклонение ориентации от средней по кадру) и цветояркостных (интенсивность, насыщенность цвета) характеристик частиц дождя и снега с целью обоснования решающих правил выделения пикселей частиц осадков. Данный анализ заключается в получении распределений исследуемых параметров частиц и аппроксимации их известными законами распределений с использованием метода семейства кривых Пирсона, критерия Колмогорова и симплекс-алгоритма Нелдера–Мида. Разработан алгоритм детектирования капель дождя и снежинок на видеопоследовательностях, который предполагается к использованию в составе алгоритма уменьшения видимости атмосферных осадков. Предложенный подход представлен в виде многоступенчатой классификации пикселей кадра на зоны с движущимися объектами и области неподвижного фона, искажаемые и неискажаемые частицами осадков в течение накопленных кадров. В зависимости от области, к которой относится обрабатываемый пиксель, итоговое решение об отнесении его к классу атмосферных осадков принимается с использованием предложенных решающих правил или разработанной процедуры пороговой обработки с автоматическим определением локальных пороговых значений. Выполнено экспериментальное исследование предложенного алгоритма и с использованием двухкритериального подхода определены оптимальные значения числа накопленных кадров для корректной работы алгоритма: 100 кадров для видеоизображений с дождем; и 140 кадров для видео со снегом. Выигрыш разработанного подхода по сравнению с известными по оценкам вероятностей ошибок первого и второго рода составляет до 1.7 и 9.1% соответственно.

Список литературы

  1. Визильтер Ю.В., Желтов С.Ю., Бондаренко А.В., Осоков М.В., Моржин А.В. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практических занятий. М.: Физматкнига, 2010. 672 с.

  2. Garg K., Nayar S.K. Vision and rain // International Journal of  Computer Vision. 2007. V. 75. № 1. P. 3–27.

  3. Jia Z., Wang H., Caballero R.E., Xiong Z., Zhao J., Finn A. A two-step approach to see-through bad weather for surveillance video quality enhancement // Machine Vision and Applications. 2012. V. 23. № 6. P. 1059–1082.

  4. Brewer N., Liu N. Using the shape characteristics of rain to identify and remove rain from video // Joint IAPR International Workshops on Statistical Techniques in Pattern Recognition (SPR) and Structural and Syntactic Pattern Recognition (SSPR). Berlin, Heidelberg: Springer, 2008. P. 451–458.

  5. Bossu J., Hautiere N., Tarel J. Rain or Snow Detection in Image Sequences through use of a Histogram of Orientation of Streaks // International Journal of Computer Vision. 2011. № 93.

  6. Кириллов С.Н., Покровский П.С., Бауков А.А. Алгоритм уменьшения влияния атмосферных осадков на качество видеоизображений в системах управления // Сб. тез. докл. научно-техн. конф. “Техническое зрение в системах управления – 2019”. 2019. С. 34–35.

  7. Pearson K. Contributions to the Mathematical Theory of Evolution. Skew Variations in Homogeneous Material // Philosophical Transactions of the Royal Society of London. Ser. A. 1895. V. 186. P. 343–414.

  8. Тихонов В.И. Статистическая радиотехника. М.: Радио и связь, 1982. 624 с.

  9. Голик Ф.В. Аппроксимация кривыми Пирсона плотности распределения суммы независимых одинаково распределенных случайных величин // Кибернетика и программирование. 2017. № 2. С. 17–41.

  10. Гончаров В.А. Методы оптимизации. М., 2008. 188 с.

  11. Lagarias J.C., Reeds J.A., Wright M.H., Wright P.E. Convergence Properties of the Nelder-Mead Simplex Method in Low Dimensions // SIAM Journal of Optimization. 1998. V. 9. № 1. P. 112–147.

  12. Гмурман В.Е. Теория вероятностей и математическая статистика. М.: Высш. шк., 2003. 479 с.

  13. Вероятность и математическая статистика: Энциклопедия / Под ред. Ю.В. Прохорова. М.: Большая Российская энциклопедия, 2003. 912 с.

  14. Вадзинский Р.Н. Справочник по вероятностным распределениям. СПб.: Наука, 2001. 295 с.

  15. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2012. 1104 с.

  16. Pfister R., Schwarz K.A., Janczyk M., Dale R., Freeman J. Good things peak in pairs: a note on the bimodality coefficient // Frontiers in psychology. 2013. V. 4.

  17. Савинов А.Н., Иванов В.И. Анализ решения проблем возникновения ошибок первого и второго рода в системах распознавания клавиатурного почерка // Вестник ВУиТ. 2011. № 18.

  18. Статистические методы. Вероятность и основы статистики. Термины и определения. ГОСТ Р 50779.10-2000. М.: Госстандарт России, 2001. 42 с.

  19. Лисничук А.А., Батищев А.В. Двухкритериальный синтез OFDM-сигналов для повышения энергетической эффективности и помехоустойчивости // Вестник РГРТУ. 2021. № 76. С. 3–16.

  20. Гонсалес Р., Вудс Р., Эддинс Р. Цифровая обработка изображений в среде MATLAB. М.: Техносфера, 2006. 616 с.

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Программирование

Архивы выпусков Информация о журнале Отправить рукопись в журнал