|
L
и
Х
и
:
X = X
L
U X
u
,
где
X
L
= { x ( i , j ) \ x(i, j ) < X
m
\Vx( i, j ) e X]
и
X
u
= i x ( i , j ) \ x ( i , j ) > X
m
\ Vx(i, j ) e X].
Шаг 3.
Вычисление функции распределения вероятностей для
X
L
и
Х
и
:
V
l
(X
i
) = j
j
K
где
п
к
- количества пикселей, имеющих яркость
Х
к
(к = 0,1,2,
N
L
—
общее количество пикселей в части
X
L
;
п
к
Р
и
(Х
ц
) =
т г
,
я
и
где
п
к
- количества пикселей, имеющих яркость
Х
к
(к = т + 1 , т + +2, ...,L —
1),
N
v
— Х
и
общее количество пикселей в изображении части.
Шаг 4.
Вычисление для
X
L
и
Х
и
кумулятивной функции распределения:
1
Ш
Z
m
PdXi);
i=0
Z
L—1
Ри(Хд-
i=m+1
Ш аг 5.
Определение функций выравнивания гистограмм частей
XL
и
Х и :
Ш д = Х о + (Хт — X 0) c d f L(Xi);
29
М В Д = *
rn+ 1
+ (В Д
1
- X
m + i
) c d f
u
(X
l
).
Шаг 6.
Представление обработанного выходного изображения на основе
конкатенации сглаженных гистограмм частей
X
L
и
Х
и
:
у = № . о ) = f
i
(X
i
)
и
f
u
( x
u
),
где
f
L
(X
L
) = f
L
{X(i,j~))\VX(i,j)
L
и
f
u
= ( X
u
) = f
u
( X( i , J ) ) \ VX( l , j ) e x
u
.
Здесь функция
f
i
(X
L
)
сглаживает гистограмму изображения части
X
L
в
интервале
[Х
0
, Х
т
\
, а функция
f
u
(X
u
)
сглаживает гистограмму изображения
части
Х
и
в интервале
[Х
т + 1
, Х
ь - 1
].
Предложенные алгоритмы А1 и А2 экспериментальным путём были
сопоставлены с известными алгоритмами HE (Histogram Equalization) и CLAHE
(Contrast Limited Adaptive Histogram Equalization), основанными на сглаживании
гистограмм. Эксперименты были проведены с использованием базы данных,
состоящей из 120 изображений с известными значениями критериев PSNR,
SSIM, AMBE.
Здесь:
PSNR (Peak Signal-To-Noise Ratio) обозначает соотношение между
максимумом возможного значения сигнала и мощностью шума, искажающего
значения сигнала, и рассчитывается следующим образом:
PSNR = 1 0 \ g ( ^
где
L
— максимальное значение, принимаемое пикселем изображения,
о
2
-
среднеквадратичную ошибку. Чем выше значение PSNR, тем выше качество
обрабатываемого изображения;
SSIM (Structure Similarity) - индекс структурного сходства, являющийся
одним из методов измерения схожести между двумя изображениями,
вычисляется согласно
( ?р
х
р
у
+ C
i
) (2 a x>
y
+ С
2
)
SSIM (х, у ) =
+ P
y
+C
l
) ( °
x
+ °
у
+С
2
)
'
2
2
где
- среднее
х,
д
у
- среднее
у, ох
- дисперсиясия
х, &у
-дисперсияси
у, ах у
- ковариация
х
и
у, с1
и
с2
- переменные. Чем ближе показатель SSIM к единице,
тем лучше качество обработанного изображения.
AMBE (Absolute Mean Brightness Error) - критерий оценки уровня
сохранности яркости обработанного изображения, выражаемый следующим
образов
A MB E ( X , Y ) = \Xm - Y m \,
где
Хт
- средняя яркость данного изображения,
V
-
1
т
средняя яркость
обработанного изображения. Чем меньше ошибка яркости, тем лучше
сохраняется яркость обработанного изображения.
В таблице 1 приведены средние значения этих критериев, полученные по
результатам экспериментальных исследований.
30
Таблица 1
Результаты экспериментальных исследований сопоставляемых
алгоритмов повышения качества изображения на основе улучшения его
________________ _________ контрастности__________________________
Алгоритмы
PSNR
SSIM
AMBE
HE
26.1
0.78
55.8
CLAHE
28.4
0.84
42.3
А1+А2
29.2
0.91
36.2
В третьей главе диссертации «
Алгоритмы обнаружения лица на
исходном изображении
», рассмотрены внешние факторы, влияющие на
распознавание изображения лица в системах активного видеонаблюдения,
алгоритмы
обнаружения
области
лица на изображении.
Предложены
модифицированная нейросетевая модель пошаговой корректировки угла
поворота области лица на входном изображения, а также алгоритм обнаружения
изображения лица в условиях частичной окклюзии.
В параграфе 3.1 данной главы представлен анализ алгоритмов обнаружения
области лица на изображении, которые разделяются по способам реализации,
математическому аппарату и областям применения на следующие группы:
- эмпирические методы;
- характеристические методы с инвариантными свойствами;
- методы распознавания лиц по характерным признакам;
- методы, основанные на глубоком обучении;
- методы обнаружения с использованием 3D-модели лица.
В параграфе 3.2 диссертации представлены алгоритмы обнаружения
области лица на изображении, инвариантные относительно вращения. Кроме
того, предлагается модель нейронной сети на основе пошаговой настройки
(НСПН) для обнаружения изображения лица, отраженного под разными углами
плоскости. Рисунок 1 иллюстрирует архитектуру предлагаемой модели
нейронной сети. Модель НСПН предполагает реализацию трех этапов обработки
входного изображения лица.
Первый этап.
На этом этапе для каждого входного окна х выполняются три
операции: осуществление бинарной классификации (лицо или не лицо),
возвращение регрессии ограничительной рамки и настройка ориентации угла
поворота в плоскости согласно следующей тройки параметров:
F i(x )
^
где F1(x) - детектор первого этапа, созданный на основе CNN,
f
- оценка
достоверности лица,
t
- вектор, представляющий регрессию ограничительной
рамки,
д
- индикатор направления.
31
Do'stlaringiz bilan baham: |
