Видеосистема НПА обнаружения неподвижных подводных объектов

Введение 4
Задание на курсовой проект 6
1 Особенности применения СТЗ под водой 7
1.1 Необитаемые подводные аппараты (НПА), классификация и технические характеристики 7
1.2 Оптические характеристики водной среды 10
2. Разработка функциональной схемы и выбор основных элементов видеосистемы НПА 15
2.1 Разработка функциональной схемы видеосистемы НПА 15
2.2 Выбор осветителя и видеокамеры 18
Super Wide-i SeaCam 22
2.3 Расчёт основных параметров системы 23
Расчёт длительности импульса стробирования 23
Расчет предельной дальности видения под водой 24
3. Разработка алгоритма обработки изображения 29
3.1 Предварительная обработка изображения 29
3.3 Бинаризация 36
Бинаризация по порогу яркости 37
Методы локальной пороговой обработки 41
Заключение 52
Список использованных источников 53
Список электронных ресурсов 53

Вычисляется порог в соответствии с формулойМетод Отса (определение оптимального порога)С помощью данного метода вычисляется порог t, минимизирующий среднюю ошибку сегментации, т.е. среднюю ошибку от принятия решения о принадлежности пикселей изображения объекту или фону. Значения яркостей пикселей изображения можно рассматривать как случайные величины, а их гистограмму – как оценку плотности распределения вероятностей. Если плотности распределения вероятностей известны, то можно определить оптимальный (в смысле минимума ошибки) порог для сегментации изображения на два класса c0и c1(объекты и фон).В дальнейших рассуждениях предполагаем, что:изображение представляется с помощью L уровней яркости;hi – число элементов изображения, имеющих яркость i, i = 0, 1, ..., L-1;H – общее число пикселей на изображении;гистограмма изображения является нормализованной и ее можно рассматривать как распределение вероятностейэлементы изображения делятся на два класса c0и c1 с помощью порогового значения t, где класс c0содержит пиксели с яркостями из множества (0, 1, ..., t), а класс c1 – пиксели с яркостями из множества (t, t+1, ..., L – 1). Вероятности каждого из этих двух классов и средние значения их яркости описываются выражениями:где означает среднюю яркость всего изображения.Можно легко проверить, что для любого t справедливо следующее соотношение:Дисперсии каждого из классов определяются формулами:Определение оптимального порога можно осуществить на основе оптимизации одной из следующих функций, зависящих от порога t:где – дисперсия межклассовая, – дисперсия внутриклассовая, – дисперсия совокупная, причем не зависит от величины порога t и выражается формулойСтоит отметить, что требует использования статистик 2-го порядка (дисперсии классов), в то время как – статистик 1-го порядка (средние классов). Поэтому является наиболее простой мерой, зависящей от величины порога t. Исходя из этого, оптимальный порог можно вычислить по формуле:.Поскольку дисперсия является мерой разброса уровней яркости вокруг среднего значения, то большое ее значение свидетельствует о большом отклонении от среднего. В связи с этим операция нахождения максимума в формуле для определения порога означает увеличение изолированности двух классов на бинаризированном изображении. Итак, для бимодального изображения рассмотренный метод помещает порог между средними значениями яркости объектов и фона так, чтобы максимизировать межклассовую дисперсию.3.2.2 Бинаризация методом выделения контуровОбнаружение границ — фундаментальный инструмент для сегментации изображения. Такие алгоритмы преобразуют входное изображение в изображение с контурами объектов, преимущественно в серых тонах. В обработке изображений, особенно в системах компьютерного зрения, с помощью выделения контура рассматривают важные изменения уровня яркости на изображении, физические и геометрические параметры объекта на сцене. Это фундаментальный процесс, который обрисовывает в общих чертах объекты, получая тем самым некоторые знания об изображении. Обнаружение границ является самым популярным подходом для обнаружения значительных неоднородностей.Граница является местным изменением яркости на изображении. Они, как правило, проходят по краю между двумя областями. С помощью границ можно получить базовые знания об изображении. Функции их получения используются передовыми алгоритмами компьютерного зрения и таких областях, как медицинская обработка изображений, биометрия и тому подобные. Обнаружение границ— активная область исследований, так как он облегчает высокоуровневый анализ изображений. На полутоновых изображениях существует три вида разрывов: точка, линия и граница. Для обнаружения всех трех видов неоднородностей могут быть использованы пространственные маски.В данной работе рассмотрены наиболее популярные методы. К ним относятся: оператор Робертса, Собеля, Превитта, алгоритм Канни и LoG-алгоритм.Рассмотрим основные методы выделения границ на изображении.Оператор РобертсаОдним из вариантов для вычисления дискретного градиента является оператор Робертса. Поскольку для вычисления модуля градиента можно использовать разности в любых двух взаимно перпендикулярных направлениях, в операторе Робертса берутся диагональные разности: гдеОпределение разности формируется двумя фильтрами с конечной импульсной характеристикой(КИХ-фильтрами), импульсные характеристики которых соответствуют маскам 2х2:К недостаткам этого оператора относятся высокая чувствительность к шумам и ориентации границ областей, возможность появления разрывов в контуре и отсутствие явно выраженного центрового элемента. А достоинство у него одно — малая ресурсоемкость.Операторы Собеля и Превитта.На практике для вычисления дискретных градиентов удобнее использовать операторы Собеля и Превитта. У оператора Собеля влияние шума угловых элементов несколько меньше, чем у оператора Превитта, что существенно при работе с производными. У каждой из масок сумма коэффициентов равна нулю, т.е. эти операторы будут давать нулевой отклик на областях постоянной яркости [19,20,21].КИХ-фильтры представляют собой маски 3x3.Маски оператора Собеля:Маски оператора Превитта:В операторе Собеля используется весовой коэффициент 2 для средних элементов. Это увеличенное значение используется для уменьшения эффекта сглаживания за счет придания большего веса средним точкам. Для решения вопроса инвариантности в отношении поворота используются так называемые диагональные маски, предназначенные для обнаружения разрывов в диагональных направлениях. Диагональные маски оператора Собеля:Диагональные маски оператора Превитта: При наличии центрального элемента и малой ресурсоемкости этим оператором свойственна высокая чувствительность к шумам и ориентации границ областей, а также возможность появления разрывов в контуре. ЛапласианДля решения задачи выделения перепадов яркости можно применить дифференциальные операторы более высокого порядка, например оператор Лапласа [2,3,5]:В дискретном случае оператор Лапласа можно реализовать в виде процедуры линейной обработки изображения окном 3x3. Вторые производные можно аппроксимировать вторыми разностями:КИХ-фильтр для оператора Лапласа:Лапласиан принимает как положительные, так и отрицательные значения, поэтому в операторе выделения контуров необходимо взять его абсолютное значение. Таким образом, получаем процедуру выделения границ, нечувствительную к их ориентации:Роль лапласиана в задачах сегментации сводиться к использованию его свойства пересечения нулевого уровня для локализации контура и выяснению, на темной или светлой стороне контура находится рассматриваемый пиксель. Основным недостатком лапласиана является очень высокая чувствительность к шумам. Кроме того возможны появления разрывов в контуре, а также их удвоение. К достоинствам же его можно отнести то, что он нечувствителен к ориентации границ областей, и малую ресурсоемкость.Детектор границ CannyДетектор границ Canny [22] ориентируется на три основных критерия: - хорошее обнаружение (повышение отношения сигнал/шум); - хорошая локализация (правильное определение положения границы);- единственный отклик на одну границу.Из этих критериев строится целевая функция стоимости ошибок, минимизацией которой находится «оптимальный» линейный оператор для свертки с изображением. Для уменьшения чувствительности алгоритма к шуму применяется первая производная Гауссиана. После применения фильтра, изображение становится слегка размытым. Вот как выглядит маска Гауссиана:После вычислением градиента сглаженного изображения в контуре границы оставляются только точки максимума градиента изображения. Используется информация о направлении границы для того, чтобы удалять точки именно рядом с границей и не разрывать саму границу вблизи локальных максимумов градиента [22].Для определения направления градиента используется оператор Собеля. Полученные значения направлений округляться до одного из четырех углов— 0, 45, 90 и 135 градусов. Затем с помощью двух порогов удаляются слабые границы. Фрагмент границы при этом обрабатывается как целое. Если значение градиента где-нибудь на прослеживаемом фрагменте превысит верхний порог, то этот фрагмент остается также «допустимой» границей и в тех местах, где значение градиента падает ниже этого порога, до тех пор, пока она не станет ниже нижнего порога. Если же на всем фрагменте нет ни одной точки со значением выше верхнего порога, то он удаляется. Такой гистерезис позволяет снизить число разрывов в выходных границах. Включение в алгоритм шумоподавления повышает устойчивость результатов, но увеличивает вычислительные затраты и приводит к искажению и потере подробностей границ. Алгоритмом скругляются углы объектов и разрушаются границы в точках соединений. Недостатками этого метода являются сложность реализации и очень большая ресурсоемкость, а также то, что возможно некоторое округление углов объекта, что приводит к изменению параметров контура. К достоинствам же метода можно отнести слабую чувствительность к шумам и ориентации границ областей, то, что он четко выделяет контур и позволяет выявлять внутренние контуры объекта. Кроме того он исключает ошибочное обнаружение контура там, где объектов нет.Результаты работы программы продемонстрируем на рисунках 14-16.Обозначения методов обработки на рисунках: а) -LoG, б) - Собель, в) - Превит, г) - Робертс, д)– КанниРисунок 14 – Результаты выделения границ изображения 1Рисунок 15 – Результаты выделения границ изображения 2Рисунок 16 – Результаты выделения границ изображения 3Рисунок 16 – Результаты выделения границ изображения 4Сравнительная характеристика рассмотренных методов выделения границ приведена в таблице 3.Таблица 3 – Субъективная оценка данных методовМетодШумыРазрывы контураЛаплассаудовлетворительноплохоСобеляхорошохорошоПревитахорошоудовлетворительноРобертсаудовлетворительноудовлетворительноКаннихорошоплохоИз рассмотренных методов выделения границ на изображении наиболее подходящим является метод Канни, который продемонстрировал наилучший результат выделения контура объекта на изображении, а также минимальную чувствительность к шумам.Полученные изображения приведены на рисунке 18.Рисунок 17 – Изображения после интентированияЗаключениеРасширение и усложнение подводно-технических работ сделало актуальной задачу повышения их точностных характеристик. Однимиз способов решения этой задачи является разработка высокоточных бездрейфовых, малогабаритных и относительно дешевых систем определения линейных,угловых и скоростных параметров перемещения обитаемых и необитаемых подводныхрабочих аппаратов.В настоящем проекте рассмотрены принципы реализации систем технического зрения необитаемых подводных аппаратов.Данная система является лазерной стробируемой видеосистемой.ОсновуСТЗ составляет:устройство получения видеоизображения в сине-зелено-желтом рабочем диапазоне видимой части спектра (цифровая камера Super Wide-i SeaCam®), устройство формирования лазерной вспышки по стробирующему импульсу длиной 2 мкс (OE11-442-1500), алгоритм обработки цифрового изображения,персональная ЭВМ с программным обеспечением для распознавания измеряемых объектов, анализа и расчета необходимых геометрических элементов.Система технического зрения обеспечивает наблюдение, обнаружение, распознавание и слежение за целями в реальном масштабе времени.Список использованных источниковКарасик В.Е., Орлов В.М. Лазерные системы видения: Учебное пособие. МГТУ им. Н.Э. Баумана, 2001. 352 с., ил.Автономные подводные роботы: системы и технологии / М.Д Агеев, Л.В. Киселев, Ю.В. Матвиенко и др.; под общ. ред. М.Д. Агеева; [отв. ред. Л.В. Киселев]; Ин-т проблем морских технологий. - М.: Наука. 2005. - 398 с.Системы технического зрения:Справочник/В.И. Сырямкин, В.С. Титов, Ю.Г. Якушенков и др. // Под общей редакцией В.И. Сырямкина, В.С. Титова - Томск: МГП "РАСКО”, 1992. 367 с.: ил.Техническое зрение в системах управления мобильными объектами-2010: Труды научно-технической конференции-семинара. Под ред. Р. Р. Назирова. Таруса, 16–18 марта 2011 г.А.М. Павин. Идентификация подводных объектов произвольной формы на фотоснимках морского дна. Подводные исследования и робототехника, 2011, №2(12)Список электронных ресурсовОсветитель: https://www.km.kongsberg.com/ks/web/nokbg0240.nsf/AllWeb/6F3047395514EC91C1257DDD004D36E2?OpenDocumentКамера OE14-112/113 Continuous Rotate and Tilt Zoom Colour Camera:https://www.km.kongsberg.com/ks/web/nokbg0240.nsf/AllWeb/FDF2EFF30AC344D3C1257DE1003C90D9?OpenDocumentКамера Super Wide-i SeaCam: http://www.deepsea.com/portfolio-items/super-wide-i-seacam/Приложение АПрограмма для обработки изображений 1 «Градациисерого»:close all; clear all; clc;I=imread('3.jpg');figure, imshow(I);gr=rgb2gray(I);figure, imshow(gr);gr1=imadjust(gr);gr2=histeq(gr);gr3=adapthisteq(gr);figure, subplot(2, 4, 1), imshow(gr);subplot(2, 4, 2), imshow(gr1);subplot(2, 4, 3), imshow(gr2);subplot(2, 4, 4), imshow(gr3);subplot(2, 4, 5), imhist(gr);subplot(2, 4, 6), imhist(gr1);subplot(2, 4, 7), imhist(gr2);subplot(2, 4, 8), imhist(gr3);a=num2str((max(max(gr))));a=str2double(a);a1=num2str((max(max(gr1))));a1=str2double(a1);a2=num2str((max(max(gr2))));a2=str2double(a2);a3=num2str((max(max(gr3))));a3=str2double(a3);x1=170;x2=540;y1=306;y2=718;x11=700;x12=800;y11=120;y12=1000;K=abs((mean(mean(gr(y1:y2, x1:x2)))-mean(mean(gr(y11:y12, x11:x12))))/a);K1=abs((mean(mean(gr1(y1:y2, x1:x2)))-mean(mean(gr1(y11:y12, x11:x12))))/a1);K2=abs((mean(mean(gr2(y1:y2, x1:x2)))-mean(mean(gr2(y11:y12, x11:x12))))/a2);K3=abs((mean(mean(gr3(y1:y2, x1:x2)))-mean(mean(gr3(y11:y12, x11:x12))))/a3);Программа 2 «Бинаризация по порогу яркости (Отса)».close all; clear all; clc;frame=imread('SuCb3DXE93Akontrast.jpg');ticgr=rgb2gray(frame);gr2=imadjust(gr);bw=im2bw(gr, 0.625);% figure, imshow(bw);se = strel('diamond', 6);bw = imdilate(bw, se); %утолщение линий изображения[L, N]=bwlabel(bw, 4);%figure, imshow(L);Areas=[];stats=regionprops(L, 'Area', 'Centroid');for i=1:NAreas=[Areas stats(i).Area];end[m, idx]=max(Areas);%figure, imshow(bw), hold on;CENTR=round(stats(idx).Centroid);tocXX=abs(334-CENTR(1));YY=abs(244-CENTR(2));%plot(CENTR(1), CENTR(2), 'linewidth', 2, 'Marker', '+', 'MarkerSize', 10);figure, imshow(frame), hold on;plot(CENTR(1), CENTR(2), '+r', 'linewidth', 2, 'MarkerSize', 15);plot(334, 244, '+b', 'linewidth', 2, 'MarkerSize', 15);Программа 3 «Выделение контуров изображения (LoG, Собель, Превит, Робертс):close all; clear all; clc;frame=imread('2.jpg');gr=rgb2gray(frame);gr=imadjust(gr);ticbw1=edge(gr, 'log', 0.0042);tocticbw2=edge(gr, 'sobel', 0.04);tocticbw3=edge(gr, 'prewit', 0.07);tocticbw4=edge(gr, 'roberts', 0.07);tocticbw5=edge(gr, 'canny', 0.29);tocfigure, subplot(2,2,1), imshow(bw1), title('a)');subplot(2,2,2), imshow(bw2), title('б)');subplot(2,2,3), imshow(bw3), title('в)');subplot(2,2,4), imshow(bw4), title('г)');se=strel('diamond', 5);bw5=imclose(bw5, se);bw5=imfill(bw5, 'holes');bw5=bwareaopen(bw5, 5000);figure, imshow(bw5);Программа 4Выделение центра.[m, idx]=max(Areas);%figure, imshow(bw), hold on;CENTR=round(stats(idx).Centroid);tocXX=abs(334-CENTR(1));YY=abs(244-CENTR(2));%plot(CENTR(1), CENTR(2), 'linewidth', 2, 'Marker', '+', 'MarkerSize', 10);figure, imshow(frame), hold on;plot(CENTR(1), CENTR(2), '+r', 'linewidth', 2, 'MarkerSize', 15);plot(334, 244, '+b', 'linewidth', 2, 'MarkerSize', 15);