Основы телевидения и видеотехники (стр. 26 )

Определение межкадровой разности

К межкадровой обработке относится метод определения межкадровой разности (МКР), заключающийся в поэлементном вычитании предшествовавшего телевизионного кадра из текущего. Так, например, решение задачи обнаружения изменения в телевизионном сюжете на малоподвижном фоне приводит к структурной схеме, представленной на рис. 15.4.

Алгоритм работы блока оценки фона описывается выражением F(x, y, tк) = F(x, y, tк–1) + a[U(x, 7y, tк) – F(x, y, tк–1)], где U(x, y, tк) – сигнал изображения k-го кадра, F(x, y, tк) – оценка фона в k-м кадре, F(x, y, tк–1) – оценка фона в предыдущем кадре, a – коэффициент рекурсии (0 < a < 1). На выбор величины a оказывают влияние мощность шума, степень подвижности фона, количество уровней квантования (при цифровой обработке). Очевидно, что при a = 0 происходит простое межкадровое вычитание, при a = 1 – дополнение оценки фона до значений текущего сигнала.

Рис. 15.4. Структурная схема обнаружителя изменений в ТВ-сюжете

Для случая неподвижного фона можно воспользоваться его оценкой F(x, y, tm) в эталонном кадре, т. е. при k = m = const. Возможен вариант с обновлением эталона при превышении сигналом МКР некоторого порогового значения.

В этом случае в рассмотренной выше схеме появляется обратная связь от блока пороговой обработки к блоку оценки фона. Новая оценка фона F(x, y, tк) (эталон) формируется при появлении сигнала с блока пороговой обработки. Пороговое значение может вычисляться по амплитудным значениям или по значению, например, площади бинарного изображения, занимаемой сигналом МКР. В первом варианте величина МКР просто сравнивается с заданным пороговым уровнем, определяющим, например, выходной бинарный сигнал МКР. Во втором варианте блок пороговой обработки оценивает дополнительно параметр выходного бинарного сигнала (например, площадь), сравнивает его с заданным значением и в случае превышения формирует сигнал обновления эталона. Структурная схема, реализующая рассмотренный метод, приведена на рис. 15.5.

Рис. 15.5. Структурная схема обнаружителя изменений в сюжете

при неподвижном фоне

Метод компенсации фоновой засветки, неравномерности сигнала и дефектов элементов матрицы

Неравномерности сигнала и фоновой засветки устраняют компенсационными методами. Кроме этого, методы компенсации позволяют учесть возможные дефекты элементов матриц (короткозамкнутые ячейки, обрывы, ячейки с аномально высоким уровнем темнового тока и т. п.), которые приводят к появлению ложных ярких (или, наоборот, темных) элементов на темном (или, наоборот, светлом) фоне.

Суть компенсационных методов заключается в следующем. При закрытом объективе фотоприемника запоминают значения темнового тока T(i, j) для каждого i-, j-элемента матрицы M ´ N. Затем облучают фотоприемник контрольной равномерной засветкой, запоминая для каждого i-, j-элемента полученные значения Ф(i, j) от равномерного фона. Для каждого элемента определяют коэффициент передачи N(i, j), при котором выходной сигнал равен эталонному N(i, j) = Ф(i, j)/U0, где U0 = max[Ф(i, j) – T(i, j)].

При информативной засветке синхронно со сканированием производят компенсацию в соответствии с выражением U(i, j) = [Uи(i, j) – T(i, j)]N(i, j), где U(i, j), Uи(i, j) – значения выходного сигнала и сигнала информационной засветки соответственно.

Компенсация дефекта заключается в замене сигнала от дефектной ячейки сигналом предыдущей (недефектной) ячейки или значением яркости, вычисленным по некоторой ее окрестности. Поиск дефекта и его запоминание проводится путем сравнения значений яркости при контрольной засветке Ф(i, j) и значений темнового тока T(i, j) c пороговыми значениями Ф0 и Т0.

При T(i, j) > Т0 выявляют «белые» дефекты, при Ф(i, j) < Ф0 – «черные». Для данных элементов значение коэффициента передачи N(i, j) принимается равным нулю.

Таким образом, поиск дефектов производится в соответствии со следующим выражением:

Ф(i, j)/U0 при Ф(i, j) > Ф0; Т(i, j) < Т0

N(i, j) = ,

0 при Ф(i, j) < Ф0; Т(i, j) > Т0

где U0 = max[Ф(i, j) – T(i, j)] в диапазоне Ф(i, j) > Ф0; T(i, j) < Т0.

При информативной засветке в момент считывания элемента, для которого N(i, j) = 0, в качестве U(i, j) берется предыдущее значение U(i – 1, j – 1).

Более точно компенсация дефектов осуществляется путем анализа массивов коэффициента передачи N(i, j) и текущего сигнала U(i, j) в заданной апертуре Н размером m ´ m элементов, где m = 2k + 1, k = 1, 2…, с центральным элементом, равным 0.

Для исходного массива N(i, j) формируется массив маски:

0, если N(i, j) = 0

Х(i, j) = .

1, если N(i, j) = 1

Полученную маску удобно использовать для обработки информационного массива U(i, j) по формуле

U(i, j), если X(i, j) = 1

U(i, j) = .

U ¢(i, j), если X(i, j) = 0

Дефектный (центральный) элемент заменяется средним значением, вычисленным по окрестности, соответствующей анализирующей апертуре Н, с учетом коэффициентов маски Х(i, j), попавших в апертуру Н, т. е.

,

где n – число нулевых элементов маски в апертуре, что позволяет не учитывать дефектные элементы при вычислении среднего значения.

Контрольные вопросы

6.  В чем заключается метод накопления сигнала изображения?

7.  В чем заключается принцип работы цифрового шумоподавителя?

8.  В чем заключается метод компенсации фоновой засветки, неравномерности сигнала и дефектов элементов матрицы?

При составлении лекции использована литература [1, 2, 18, 23].

ЛЕКЦИЯ 16

16.1. Нелинейная межкадровая обработка

Рассматриваемые в лекции нелинейные (ранговые) методы фильтрации представляют интерес, как для визуализации динамических процессов, когда число пространственно совпадающих реализаций сигнала в кадрах видеопоследовательности достаточно мало, так и для других практических задач, в частности, для видеонаблюдения в реальном времени следов движения малоразмерных объектов, кратковременно появляющихся на неподвижном фоне.

Данные методы основаны на максимизации (минимизации) отсчетов яркости видеопоследовательности. Их сущность заключается в сравнении цифровых кодов элементов кадра с цифровыми кодами соответствующих элементов кадра, полученного в результате предыдущего сравнения, вычислении максимальных (максимизация) или минимальных (минимизация) значений цифровых кодов.

Рис.16.1. Изображения тестовых полос на равномерном фоне и осцилограммы сигнала вдоль выделенной строки. Слева исходное изображение, справа результаты обработки путем максимизации (вверху), путем минимизации (внизу)

На рис.16.1 представлены осцилограммы сигнала тестовых полос на равномерном фоне, характеризующие разброс значений яркости в изображении вдоль выделенной строки (дисперсию шума) в исходном одиночном кадре видеопоследовательности и в обработанном. Как видно из данного рис, дисперсия шума в изображении, обработанном путем максимизации или минимизации существенно меньше, чем в исходном одиночном кадре видеопоследовательности, а математическое ожидание смещается относительно от исходного значения.

Рис. 16.2. Результаты моделирования изменения среднеквадратического отклонения (СКО) на выходе максимизирующего (слева) и минимизирующего (справа) фильтра

Рис. 16.3. Результаты моделирования сдвига математического ожидания на выходе максимизирующего (слева) и минимизирующего (справа) фильтра

На рис.16.2 и 16.3 представлены результаты моделирования в виде графиков для параметров выходного распределения, получаемых в результате нелинейной обработки методом максимизации (минимизации). Из данных графиков видно, что с ростом числа кадров обработки СКО выходного шума уменьшается и не зависит от входного СКО шума. При 20 кадрах обработки оно достигает значения 1,9, при 100 кадрах ‒ значения 2,3, а при увеличении количества кадров обработки до 100000 СКО уменьшается в 3,6 раза. Вместе с тем, при обработке происходит сдвиг математического ожидания, который зависит, как от числа кадров обработки, так и от входного СКО.