منبع پایان نامه ارشد با موضوع پردازش تصویر و اندازه گیری

در رابطه بالا λ نشان دهنده پارامتر مربوط به بهینه سازی با استفاده از روش لاگرانژ می باشد. همچنین هم به ترتیب نشان دهنده میانگین وزن داری از سرعت همسایه های مجاور هر نقطه است. این دو پارامتر به ترتیب نشان دهنده سرعت در راستای y و x در مرحله k ام می باشد.در فرآیند محاسبه سرعت هر نقطه، هر چه مقدار k را بزرگ تر در نظر بگیریم، دقت اعداد به دست آمده افزایش می یابد. هر چند که این امر باعث افزایش شدید حجم محاسبات و در نتیجه کاهش سرعت است.
به این ترتیب به ازا هر کدام از نقاط تصویر، یک بردار سرعت حاصل می شود. این بردار دو عضوی نشان دهنده سرعت در راستای محورهای مختصات می باشد. با در نظر گرفتن نقاطی که در فاصله نزدیک به هم قرار دارند و دارای بردار سرعت یکسان هستند، می توان ساختار اجسام متحرک تصویر و همچنین میزان سرعت آن ها را به دست آورد. در ادامه تصاویری از اعمال این روش بر روی دنباله ای از فریم ها خواهیم دید ]12[.
شکل شماره 2-4 الگوریتم جریان بصری
Widget not in any sidebars

شکل شماره 2-4 الگوریتم جریان بصری

ردیف بالا : فریم های نمونه از دنباله فریم های حاصل از دوربین متحرک. ردیف پایین : نتیجه اعمال الگوریتم جریان بصری
ردیف بالا : فریم های نمونه از دنباله فریم های حاصل از دوربین متحرک. ردیف پایین : نتیجه اعمال الگوریتم جریان بصری
فصل سوم
الگوریتم های ارائه شده به منظور آشکار سازی
مقدمه
در این فصل به معرفی دو الگوریتم پیشنهادی جهت آشکارسازی اهداف در تصاویر دوربین متحرک خواهیم پرداخت. الگوریتم اول بر پایه روش های تطبیق بلوکی می باشد. عمده کاربرد این دسته از روش ها در فشرده سازی تصاویر ویدئویی است. لیکن در این جا، از آن ها به عنوان ابزاری در جهت جبران سازی حرکت دوربین در تصاویر به دست آمده از دوربین متحرک استفاده شده است. پس از جبران سازی حرکتی دوربین، زمینه برای تشخیص نواحی از تصویر که حرکتی در راستای متفاوت با حرکت دوربین دارند مهیا می باشد. پس از تعیین مناطق متحرک تصویر، با استفاده از تصاویر به دست آمده از الگوریتم K-Means می توان مرز های نواحی متحرک تصویر را با دقت بسیار زیاد و به درستی تعیین کرد. علاوه بر این الگوریتم، روش دومی نیز در این فصل پیشنهاد شده است که بر مبنای یک الگوریتم تطبیق نقطه ای می باشد. این الگوریتم بسیار قوی که به تازگی ارائه شده است توانایی تطبیق نقاط متناظر در فریم های متوالی را دارا می باشد. با استفاده از این قابلیت امکان به کار گیری این روش در ردیابی اهداف در دنباله فریم های متوالی می باشد. با توجه به قدرت این روش در تعیین نقاط متناظر، میزان و همچنین نوع حرکت دوربین تاثیر چندانی بر روی بازده عملکرد این روش نخواهد داشت. روش پیشنهادی قابلیت تطبیق با شرایط مختلف ردیابی را نیز دارا می باشد. به عبارت دیگر با وجود اعمال برخی تبدیلات بر روی تصاویر از جمله : جابجایی، چرخش، تغییر اندازه و یا تغییر شدت نور ، این روش باز هم توانایی یافتن نقاط متناظر و همچنین ردیابی اهداف را خواهد داشت.
الگوریتم پیشنهادی اول
این الگوریتم پیشنهادی متشکل از ترکیب چند الگوریتم شناخته شده در پردازش تصویر می باشد. جبران سازی حرکتی اولین مرحله این روش است که به وسیله الگوریتم های تطبیق بلوکی صورت می گیرد. پس از آن در مرحله دوم مرزهای تصاویر حاصل شده بهبود یافته و دقت آشکارسازی افزایش می یابد. در مرحله نهایی این روش، مشخصه کاملی از اهداف متحرک تصویر حاصل می شود. همچنین در این مرحله اعمال عملگرهایی روی تصویر باعث می شود که کیفیت تصویر نهایی افزایش یابد. در ادامه به معرفی تمام مراحل و توضیح کامل هر کدام از آن ها خواهیم پرداخت.
جبران سازی حرکتی به وسیله الگوریتم های تطبیق بلوکی
با توجه به این نکته که دنباله تصاویر گرفته شده از یک دوربین متحرک به دست آمده است، می توان نتیجه گرفت که تمام اجزا هر دو فریم متوالی نسبت به هم دارای حرکت می باشند. در نتیجه در گام اول باید به گونه ای بتوان حرکات اجزا مختلف تصویر را شناسایی کرد. به این معنی که باید در ابتدا نوع حرکت مربوط به هر ناحیه تعیین شود. برای انجام این کار از جبران سازی حرکتی استفاده می شود. منظور از جبران سازی حرکتی آن است که بتوان به گونه ای حرکت به وجود آمده ناشی از حرکت دوربین را از حرکات ذاتی موجود در فریم ها مشخص کرد. به این ترتیب با جبران سازی این حرکت، مقدار جابجایی واقعی اجسام در فاصله بین دو فریم متوالی به راحتی محاسبه خواهد شد. به علاوه اجسامی که واقعا دارای حرکت می باشند نیز قابل تشخیص خواهند بود.
غالب روش هایی که برای جبران سازی حرکتی در تصاویر ویدئویی به کار برده می شود بر پایه الگوریتم های تطبیق بلوکی می باشند ]13، 14[. در این روش ها، هدف تعیین کردن مقدار حرکت اجزا مختلف تصویر است. منظور از حرکت آن است که بتوانیم جابجایی اجزا مختلف تصویر را در فاصله میان دو فریم متوالی تعیین کنیم. در نتیجه می توانیم به هر کدام از پیکسل های تصویر مقداری را به عنوان بردار جابجایی اختصاص دهیم. فرض هایی در این الگوریتم ها برای محاسبه بردار جابجایی در نظر گرفته شده است که در ادامه به ذکر آن ها خواهیم پرداخت ]15[ :
تغییرات بسیار ناگهانی در ظاهر اجسام در فاصله بین دو فریم متوالی وجود ندارد.
تغییرات بسیار ناگهانی در شدت رنگ و نور تصویر در فاصله بین دو فریم متوالی وجود ندارد.
راستای جابجایی دوربین با راستای جابجایی اجسام زاویه نسبتا کوچکی را می سازد. به عبارت دیگر اهداف نسبت به دوربین در جهت عمق حرکت نمی کنند.
مفهوم الگوریتم تطبیق بلوکی
این الگوریتم ها به طور خلاصه به عنوان روش هایی برای محاسبه میزان همبستگی در نظر گرفته می شوند. نحوه عملکرد این الگوریتم ها به این صورت است که در مرحله اول تصویر حاضر را به صورت مجموعه ای از بلوک های مربعی غیرهمپوشان تبدیل می کند. هدف کلی این روش ها آن است که برای هر بلوک از فریم فعلی، بلوک متناظری در فریم بعدی را به گونه ای بیابد که این دو بلوک بیش ترین شباهت را با هم داشته باشد. برای یافتن بهترین متناظر برای هر بلوک از فریم فعلی، در محدوده مشخصی اطراف موقعیت همان بلوک ولی در فریم بعدی جستجو را انجام می دهد. بهترین بلوک متناظر را بلوکی در نظر می گیریم که دارای کمینه مقدار خطا باشد. به عبارت بهتر بیشینه میزان شباهت با بلوک اولیه را داشته باشد. برای اندازه گیری و همچنین بیان میزان شباهت میان بلوک ها از توابع گوناگونی استفاده می شود. این توابع معمولا غیر منفی و بر اساس تفاوت شدت رنگ پیکسل ها می باشند. توابعی که در ادامه بحث معرفی خواهند شد به نوعی معمول ترین توابع مورد استفاده در این دسته از الگوریتم ها برای بیان شباهت می باشند.
(3-1)
(3-2)
در رابطه بالا عبارت OriginalBlock نشان دهنده بلوک مربوط به فریم فعلی بوده و همچنین Candidate Block معرف بلوک مربوط به فریم بعدی می باشد. همچنین بلوک ها همگی مربعی و با ابعاد در نظر گرفته شده اند. مقدار پارامتر N نیز عموما برابر 8 و یا 16 در نظر گرفته خواهد شد.