Способ обнаружения точечных тепловых объектов на сложном атмосферном фоне

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Способ обнаружения точечных тепловых объектов на сложном атмосферном фоне

Гурченков Д. А., Жендарев М. В., Набатчиков А. С., Якименко И. В.

В работе изложен способ обнаружения тепловых объектов на атмосферном фоне с помощью инфракрасных ОЭС с широким полем зрения. Предлагаемый способ основан на использовании отличий пространственных спектров излучения точечного теплового объекта и протяженного, более холодного, атмосферного фона. На основе данного способа обнаружения тепловых объектов разработан алгоритм двумерного пространственного фильтра, который может быть реализован программно в видеопроцессоре теплопеленгатора. фоноцелевое изображение массив излучение

Ключевые слова: оптико-электронные устройства, обнаружение, точечного теплового объекта.

In this abstract is stated the way of the thermal objects detection on the correlated atmospheric background by means of infra-red heat direction finders with a wide field of vision. The way is based on use of differences of spatial spectra of dot thermal object radiation and extensional colder atmospheric background. On the basis of this way is developed the algorithm of the bidimentional spatial filter which can be realized programmatically in the video processor of the heat direction finder.

Keywords: optoelectronic devices, detection, dot thermal object.

Вместе объекты и окружающий их фон образуют поле излучений - фоноцелевую обстановку (ФЦО), характеристики которой изменяются по случайным законам в пространстве и во времени. Для инфракрасной (ИК) пассивными оптико-электронной системы (ОЭС) обнаружения одной из основных функций является оперативный анализ ФЦО, завершающийся выделением отметки искомого объекта.

Предлагаемый способ заключается в обнаружение точечного теплового объекта (ТТО) в соответствии с фоновым принципом извлечения информации о его присутствии в составе фоноцелевого изображения (ФЦИ), формируемого ИК пассивными ОЭС. Он позволяет обнаруживать ТТО в случаях, когда объект находится на таком удалении, при котором существует малый контраст излучения цели по отношению к излучению атмосферного фона, а размер ее изображения не превышает размера элемента массива ФЦИ.

Способ состоит из трех этапов.

Первый этап заключается в определении сложности ФЦО на основе анализа пространственно-корреляционных свойствах излучения атмосферного фона (АФ), которая оценивалась по величине радиусов пространственной корреляции рассчитываемых для ФЦИ. Такой подход был предложен на основе анализа пространственно-корреляционных и дисперсионных свойствах излучения АФ, полученных входе экспериментальных исследований закономерностей пространственной структуры излучения неоднородностей АФ. Предлагается считать уровень r_пор=2-3^о для радиуса пространственной корреляции пороговым значением для определения характера сложности ФЦО и разделения ее на простую (r> r_пор) и сложную (r< r_пор). Оценку сложности ФЦО необходимо проводить при обработке каждого ФЦИ.

Фоноцелевые изображения как правило в нижней трети кадра содержат изображения не только АФ но и земных объектов особенно вдоль линии горизонта. Такая область изображения имеет радиусы корреляции, отличающиеся от характеристик АФ. Для устранения ошибок принятия решения о сложностьи ФЦО целесообразно проводить пространственно-корреляционный анализ более высоких областей изображений, соответствующих излучению АФ. Предлагается для каждого обрабатываемого ФЦИ производить расчет коэффициентов пространственной корреляции между контрольными строками. Контрольные строки определяются исходя из размера обрабатываемого массива ФЦИ, т.е. массив ФЦИ сегментируется на три области по горизонтали и строки массива, определяющие центральную область ФЦИ, берутся контрольными (рисунок 1).

Исходя из этого разработан алгоритм подпрограммы первого этапа способа - оценки сложности ФЦО. Блок-схема алгоритма подпрограммы показана на рисунке 2.

Рисунок 1 - Сегментация массива ФЦИ

Алгоритм предусматривает выполнение следующих операций:

1. Получение массива изображения из аналогово-цифрового преобразователя (АЦП) видеопроцессора размером , где N число строк, а M число столбцов массива.

2. Определение контрольных строк массива ФЦИ (номер первой конторольной строки определяется как k₁ =N/3 и k_i =N-N/3 - номер конечной контрольной строки).

3. Расчет коэффициентов пространственной корреляции по углу места:

где x_i,k - i элемент k строки;

x_i,p - i элемент p строки.

, математическое ожидание энергетических яркостей в k-й и p-й строках;

, среднеквадратические отклонения энергетических яркостей в k-й и p-й строках;

4. Пороговая обработка, в процессе которой происходит сравнение величин коэффициентов корреляции , рассчитанных между контрольными строками со сдвигом 3^о. Если принимается решение о том, что ФЦО содержит «сложный фон», в противном случае - «простой фон».

Если ФЦО признана «простой» то следующим этапом будет применение одного из алгоритмов пространственной фильтрации приведенных в [1] и представленных на рисунке 3.

Рисунок 2 - Блок-схема алгоритм подпрограммы первого этапа способа

Второй этап заключается в предварительной обработке ФЦИ только сложного атмосферного фона. В процессе экспериментальных исследований пространственно-временной структуры излучения атмосферного фона, было установлено, что для сложных типов облачности с радиусом корреляции составляющим 2-3^о по углу места, следовательно в областях пространства ограниченных этими угловыми величинами, процесс собственного излучения атмосферы можно считать стационарным.

Таким образом, предварительной обработке ФЦИ сложного атмосферного фона включает разделения ФЦИ на сегменты размером 2Ч3^о.

Из теории обработки изображений известны методы использующие разбиение изображений на области, однородные в смысле заранее выбранных критериев. Наиболее распространенным является представление исходного изображения в областях, каждая из которых удовлетворяет некоторому критерию схожести. Критерий схожести диктует разделение методов и алгоритмов сегментации на две большие группы: по критерию однородности и по критерию неоднородности [2, 3]. Критерием однородности для ФЦИ сложного атмосферного фона является величина радиус корреляции.

Рисунок 3 - Алгоритмы обработки ФЦИ

После того, как выполнена сегментация ФЦИ на области, полученные совокупности пикселей обычно описываются и представляются в форме удобной для дальнейшей обработки. При выборе способа представления областей возможны два пути - это представление области ее внешними характеристиками (т.е. границей), или представление области внутренними характеристиками (т.е. совокупностью элементов изображения, составляющих эту область) [4, 5]. Так как границы сегментов определены радиусами корреляции возникает необходимость в определении подхода к описанию совокупности элементов ФЦИ внутри каждого сегмента.

В цифровой обработке изображений для описания области применяются три основных подхода: статистический, структурный и спектральный [4, 5]. Статистические методы позволяют охарактеризовать внутреннее состояние области или ее текстуру. Структурные методы занимаются изучением взаимного положения простейших составляющих изображения, как например описание параллельных линий, проходящих с постоянным шагом. Спектральные методы основаны на свойствах Фурье-спектра и используются прежде всего для обнаружения глобальной периодичности в изображении по имеющим большую энергию узким выбросам на спектре [4, 5] .

В предположении того, что излучение атмосферного фона каждого сегмента ФЦИ стационарно, но оно может изменяться в случае появления в сегменте объектов с излучением отличным от атмосферного. Возникает необходимость в статистическом подходе к обработке сегмента, который способен фиксировать изменение внутреннего состояния излучения в каждом сегменте ФЦИ. Подход заключается в использовании статистических характеристик, определяемых яркостным контрастом сегмента ФЦИ. Так, как мерой яркостного контраста является дисперсия [4, 5], то для способа обработки частично воспользуемся методикой дисперсионного анализа.

Дисперсионный анализ является статистическим методом анализа результатов наблюдений, зависящих от различных одновременно действующих факторов, с целью выбора наиболее значимых факторов и оценки их влияния на исследуемый процесс [6]. Используя оценку яркостного контраста в сегментах ФЦИ можно определить в каком из сегментов наблюдается изменение ФЦО.

Суть дальнейших действий заключается в вычислении отношения общей дисперсии характеризующей изменение средних значений яркости сегмента ФЦИ к выборочной дисперсии характеризующей рассеяние значений яркости по строкам и определении сегмента, в котором это отношение уменьшается за период обработки пачки ФЦИ. Уменьшение величины отношения дисперсий в сегменте свидетельствует о локальном увеличении яркостного контраста излучения и следовательно о наличии в сегменте объекта с излучением отличным от атмосферного.

Блок-схема алгоритма подпрограммы реализующего второй этап способа показана на рисунке 4.

Алгоритм предусматривает выполнение следующих операций:

1. Сегментация массива ФЦИ, т.е. определение областей (номеров строк, столбцов массива ФЦИ) излучения атмосферного фона ограниченных радиусами корреляции составляющими 2-3^о по углу места.

2. Расчет дисперсии характеризующей изменение яркости элементов в каждой строке сегмента массива ФЦИ:

где n - количество строк сегмента ФЦИ;

u_i,j - яркостный элемент сегмента ФЦИ.

3. Расчет дисперсии характеризующей рассеяние значений u_i,j по строкам сегмента ФЦИ:

где m - количество столбцов сегмента ФЦИ;

- среднее значение яркости элементов по строкам сегмента ФЦИ.

Рисунок 4 - Блок-схема алгоритма подпрограммы второго этапа способа

4. Расчет общей дисперсии яркостного контраста сегмента ФЦИ:

где - среднее значение яркости элементов по всему сегменту ФЦИ.

5. Вычисление отношения общей дисперсии яркостного контраста сегмента к дисперсии характеризующей рассеяние значений яркости по строкам сегмента ФЦИ. Изменение величины яркости одного из элементов сегмента приводит к изменению результирующей величины h_{i, j}.

6. После расчета отношений дисперсий в каждом сегменте представим массив ФЦИ в виде матрицы состоящей из численных значений h_i,j для каждого сегмента в момент времени t.

7. Из теории обработки изображений известно, что одним из подходов к обнаружению изменений в последовательности изображений, произошедших между кадрами является их поэлементное сравнение. Одним из способов такого сравнения является построение разностного изображения. Построение разностного изображения заключается в вычитании из опорного изображения последующих изображений, что приводит к взаимному уничтожению одинаковых составляющих, а ненулевые значения остаются только в местах, соответствующих изменяющимся компонентам изображения. [17, 18]

Матрица H в момент времени t является опорной за период обработки Т в пачки ФЦИ. Вычитание из опорной матрицы Н матриц пачки ФЦИ за период обработки сформирует конечную разностную матрицу

где - конечное разностное значение отношения дисперсий для каждого сегмента.

8. В конечной разностной матрице определяются ненулевые значения по которым определяются сегменты для последующей обработки.

При обработке сегментов могут возникнуть ситуации, когда яркостный контраст ТТО может совпадать с яркостным контрастом атмосферного фона. В таких ситуациях могут быть сформированы ложные яркостные сигналы на конечном этапе обработки сегмента ФЦИ. Чтобы уменьшить вероятность формирования ложных отметок на ВКУ необходимо определить дополнительные условия для определения сегмента, в котором предположительно находится ТТО. Дополнительным условием является расчет нормированного коэффициента отношения дисперсий и определение значения отношения «цель-АФ» необходимого для дальнейшей обработки сегментов.

В ходе предварительного имитационного моделирования было определено, что нормированный коэффициент отношения дисперсий должен быть не более 0,95.

Третий этап заключается в окончательной обработке ФЦИ, которое сводится к обработке тех сегментов в которых предположительно обнаружено излучение ТТО (ненулевое значение ). Окончательная обработка сегментов производиться с помощью алгоритмов пространственной фильтрации приведенных в [1] и представленных на рисунке 3.

Таким образом, производят разделение множества элементов сегмента ФЦИ на два подмножества, соответствующих излучению АФ и ТТО. В результате деления и присвоения элементам одного подмножества нулевых значений, а другому единичных формируют бинарный массив сегмента ФЦИ. Элементам сегментов ФЦИ в которых предположительно не обнаружено излучение ТТО (нулевое значение ) присваиваются нулевые значения. Итогом применения способа обнаружения точечных тепловых объектов в сложной ФЦО ИК пассивными ОЭС является получение бинарного изображения, соответствующего пачки ФЦИ, накопленных за период обработки.

Бинарное изображение применимо не только для обеспечения визуального обнаружения, но и для использования его в качестве машинного зрения автоматических систем. В этом случае анализ бинарного массива обеспечит определение угловых координат объекта. Точность измерения которых сравнима с шагом пространственной дискретизации фоноцелевого изображения.

Литература

1. Якименко И. В. Методы, модели и средства обнаружения воздушных целей на атмосферном фоне широкоугольными оптико-электронными системами. Монография. Смоленск, ВА ВПВО ВС РФ, 2010. 163 с.

2. Бакут П. А., Колмогоров Г.С., Ворновицкий И. Э. Сегментация изображений: методы пороговой обработки. // Зарубежная радиоэлектроника. № 10, 1987. С. 6-24.

3. Гансалес Р., Вудс Р. Цифровая обработка изображений. М., Техносфера, 2005.1012 с.

4. Гансалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М., Техносфера, 2006. 615 с.

5. Яншин В. В. Анализ и обработка изображений принципы и алгоритмы. М.; Машиностроение, 1995. 111 с.

6. Кобзарь А. И. Прикладная математическая статистика. Для инженеров и научных работников. М., ФИЗМАТЛИТ, 2006. 816 с.

Размещено на Allbest.ru