<<
>>

5.3. Экспериментальные исследования предложенного алгоритма гистограммного анализа тепловизионных изображений

Порог овый уровень разделения

/'(/') Кривая распределения ' А уровней яркости «цели

Кривая распределения уровней яркости фона

Рис. S.7. Пример синтезированного тепловизионного изображения

Прежде всего, выполнен анализ эффективности работы алгоритма с син-тезированными тепловизионными изображениями, представляющие выделяющиеся по яркости области на однородном по яркости фоне.

Кроме того, на изображения был нанесен аддитивный шум, имеющий нормальное распределение

Для оценки эффективности работы предложенного алгоритма гистограммного анализа проведено исследование следующих показателей, характе-ризующих качество его работы: количество ложных срабатываний, количество верных срабатываний и количество пропусков «цели».

с одинаковыми математическим ожиданием и дисперсией в области фона и в области «цели» (рис. 5.7).

Для оценки вероятности пропуска «цели», ложной идентификации «цели» и вероятности верного обнаружения «цели» при использовании алгоритма гис- тограммного анализа целесообразно рассмотреть результаты его работы с синтезированными изображениями, характеризующимися различными статистическими характеристиками шумовой составляющей и размерами апертуры. Первое синтезированное изображение сформировано сигналом Ри(х,у) с

:V/;j(.v, v) = 120, CTt, =50. Для типичных тепловизионных изображений характерно. что «цель» занимает площадь, равную 3-4% от общей площади изображения, поэтому область «цели» на изображении имеет параметры: А/., (л,>)=150, x-f = 140, >/=100, Л'(7 ) = 80, > (/) = 80 при ,V(/) = 800 и

>'(/) = 300. Синтезированное изображение показано на рис. 5.8,

Рис. 5.8. Обработка синтезированного тепловизионного изображения

Уровень яркости, обеспечивающий минимальную совокупную вероятность ошибочной классификации пикселей, соответствует = 135. На рис. 5.8.

в показаны результаты выполнения классификации пикселей тепловизионного изображения по выбранному порогу Р0. Рис. 5.8, г демонстрирует результаты работы алгоритма классификации в соответствии с минимальным значением критерия квадратичной близости.

Черные точки на изображении соответствуют срабатыванию обнаружению «цели» в соответствующей точке изображения.

При обработке изображения для каждого пикселя, принадлежащего одному из двух классов: {В,Т} - фону или яркости соответственно, принимается

решение о принадлежности к одному из этих классов. Обозначим исход проверки каждого пикселя двумя буквами: я, \а2. Буква я, показывает класс, который приписывается анализируемому пикселю на основании результатов работы алгоритма классификации. Следующая буква а2 обозначает класс, к которому

принадлежит пиксель на самом деле. Таким образом, возможен один из четырех исходов: исходы, соответствующие верным срабатываниям алгоритма - Т | Т, В | В, исход «ложной тревоги» - Т \ В и пропуск «цели» - В \ Т.

Для оценки эффекгивности алгоритма идентификации состояния элемента изображения на основании результатов гистограммного анализа необходимо оценить апостериорные вероятности Рт(а[\а2) указанных выше четырех ис-ходов по формуле:

PM{a\\ai)= P{a\\ai)' P{ai), где p(ci\\a2) - вероятность исхода с принятием решения о принадлежности пикселя классу а, при условии принадлежности пикселя классу а2, р(а2) - априорная вероятность появления пикселя, принадлежащего классу а2. Оцениваются вероятности pm{T\T)1patt(B\T),paa(B\B)1pm(T\B) четырех соответствующих исходов.

Рис. 5.9., а - г демонстрирует зависимость апостериорных вероятностей каждого из четырех исходов от размеров стороны квадратной апертуры. Гра- фики были полнены для «цели», параметры которой хт,уГ1Х(Т),У(Т) соответствуют указанным выше. При пороговой обработке вероятности рассмотренных исходов составили:

Ра {ТIТ) = 0,588; />а(Г|Я) = 0,372; /7а(^|^) = 0,629; ,;a(tf|7> 0,387. 62

22 42

п\А)

V

Та-(ПЯ)

рл{в\т)

22 42

62

б)

1 0,8 0,6 0.4 0.2 0

22

42 62

п(А)

рЛт\Т)

22

42

62

рЛв\в)

о)

1

0.8 0,6 0,4 0,2 0

г)

1

0.8 0.6 0,4 0,2 0

Рис. 5.9. Зависимость вероятностей принятия соответствующего решения

от размеров апертуры

Для оценки «стоимости» Ои принятия ошибочных при использовании гистограммного анализа решений вводилась матрица штрафов за принятие соответствующего решения: С =

(5.10)

^ СТТ °ТЦЛ \СПГ свв) Оценка «стоимости» выполнялась по соотношению: Оп = Ра(ТI'/')• СП. + /;(/i|Т).свт + Рл(Г I В).сти + ра (ВI В).свв. (5.11) 2 12 22 32 42 52 62

Рис. 5.10. Зависимость «стоимости» принятия ошибочного решения от размеров апертуры

В случае, когда матрица штрафов содержит значения

с=

' 0 0,5' ,0,5 0,

график зависимости (2(и(Л)) примет вид, показанный на рис. 5.10.

При использовании пороговой обработки стоимость От при тех же значениях элементов матрицы штрафов С составит От= 0,380. Как показывает рис. 5.10 при л(/4)<50 использование гистограммного анализа эффективнее, чем разделение по порогу.

<< | >>
Источник: СОКОЛОВ Василий Алексеевич. ГИСТОГРАММНЫЙ АНАЛИЗ ТЕПЛОВИЗИОННЫХ ИЗОБРАЖЕНИЙ. 2007

Еще по теме 5.3. Экспериментальные исследования предложенного алгоритма гистограммного анализа тепловизионных изображений:

  1. ГЛАВА 4. Обобщения, теоретический анализ и возможность практического применения результатов экспериментального исследования
  2. 2.2 Обоснование выбора методики проведения экспериментальных исследований
  3. СОКОЛОВ Василий Алексеевич. ГИСТОГРАММНЫЙ АНАЛИЗ ТЕПЛОВИЗИОННЫХ ИЗОБРАЖЕНИЙ, 2007
  4. 5. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ МЕТОДОВ ГИСТОГРАММНОГО АНАЛИЗА ТЕПЛОВИЗИОННЫХ ИЗОБРАЖЕНИЙ
  5. 5.1. Алгоритмическое и программное обеспечение гистограммного анализа тепловизионных изображений
  6. 5.1.2. Программное обеспечение, моделирующее гистограшный анализ тепловизионных изображений
  7. 5.2. Анализ статистических характеристик реальных тепловизионных изображений
  8. 5.3. Экспериментальные исследования предложенного алгоритма гистограммного анализа тепловизионных изображений
  9. 5.3.2. Анализ результатов работы алгоритма с реалъншли изображениями
  10. 5.5. Алгоритм обработки данных тепловизионного наблюдения
  11. БИБЛИОГРАФИЧЕСКИЙ СПИСОК
  12. ПРИЛОЖЕНИЕ 2. ИССЛЕДОВАНИЕ СТАТИСТИЧЕСКИХ ХАРАКТЕРИСТИК ТЕПЛОВИЗИОННЫХ ИЗОБРАЖЕНИЙ РЕАЛЬНЫХ СЦЕН
  13. 2.6. «ЭКСПЕРИМЕНТАЛЬНЫЕ» ИССЛЕДОВАНИЯ КОМАНД
  14. Объекты и методы исследования в алгоритме медико-криминалистических ситу алогических экспертиз.
  15. Основные положения экспериментальных исследований