Итерационный алгоритм оценки смещения, масштаба и поворота для совмещения телевизионных сигналов при влиянии аддитивных и мультипликативных помех
Автор: Диязитдинов Р.Р.
Журнал: Физика волновых процессов и радиотехнические системы @journal-pwp
Статья в выпуске: 1 т.25, 2022 года.
Бесплатный доступ
В статье представлен итерационный алгоритм совмещения телевизионных изображений. Совмещение определяется параметрами смещения, масштабом и поворотом. Также на изображения оказывают влияние аддитивная и мультипликативная помеха. Алгоритм разрабатывался с целью уменьшения времени обработки изображений при вычислении параметров совмещения. Уменьшение времени обработки происходит за счет значительного сокращения вариантов перебора реперных точек, от которых зависит результат совмещения. Первоначально выбранные координаты реперных точек уточняются в ходе работы алгоритма и обеспечивают приемлемое совмещение телевизионных сигналов. Параметры совмещения разделены на две группы: смещения вдоль координатных осей (первая группа), масштаб и поворот (вторая группа). Они оцениваются отдельно друг от друга. Итерационная процедура заключается в использовании смещений для оценки масштаба и поворота, а затем в использовании масштаба и поворота для оценки смещений. Этот процесс повторяется несколько раз, и с каждой новой итерацией вычисленные параметры приближаются к действительным значениям. Разработанный алгоритм позволил уменьшить время обработки в 25 раз по сравнению с алгоритмом полного перебора для изображений, использованных для тестирования. Первое изображение имело размеры 288 × 384 пикселя, второе - 128 × 128 пикселя. Второе изображение являлось фрагментом первого. В заключении статьи приведены результаты численного моделирования, определяющие зависимость погрешности оценки параметров от мощности шума.
Совмещение, изображение, итерационный, смещение, масштаб, поворот, аддитивный, мультипликативный
Короткий адрес: https://sciup.org/140290780
IDR: 140290780 | УДК: 621.397 | DOI: 10.18469/1810-3189.2022.25.1.36-44
Iterative algorithm for offsets, scale and rotate estimation for television image superposition with additive and multiplicative noise
We describe the iterative algorithm for television image superposition. The superposition is defined by offsets, scale, and rotates. Also additive and multiplicative noise influences the image. The main aim of developing this algorithm is to reduce the time of processing images for estimation superposition parameters. Reducing processing time is provided by reducing the set of reference points, which defines the superposition. The initial coordinate of the reference points is refined at the process of the algorithm work for acceptable superposition of the television images. The superposition parameters are divided into two groups. Offsets belong to the first group, scale and rotate belong to the second group. The parameters in each group are estimated independently. The iterative procedure uses the offsets for estimation scale and rotate, and after it uses scale and rotates for estimation of the offsets. This process is repeated. The next iteration approximates the rate to the real value of the superposition parameters. The developed algorithm allows reducing processing time at 25 times faster than the brute force algorithm for the test data. The test data include two images; the first image has the resolution 288 × 384 pixels, the second image has the resolution 128 × 128 pixels. The second image is the fragment of the first image. Also at the end of the article, the numerical simulation had been presented. The simulation shows the dependences of error estimation of parameters from the noise power.
Список литературы Итерационный алгоритм оценки смещения, масштаба и поворота для совмещения телевизионных сигналов при влиянии аддитивных и мультипликативных помех
- Сунгатуллина Д.И. Быстрый алгоритм совмещения контуров изображений, связанных изотропным аффинным преобразованием // Графикон 2014. 2014. C. 92–95.
- Ефимов А.И. Разработка и исследование алгоритмов совмещения изображений от бортовых видеодатчиков с виртуальной моделью местности: дис. … канд. тех. наук. Рязань: Издательство Рязанского государственного радиотехнического университета, 2016. 172 c.
- Ефимов А.И., Новиков А.И. Алгоритм поэтапного уточнения проективного преобразования для совмещения изображений // Компьютерная оптика. 2016. Т. 40, № 2. C. 258–265. DOI: https://doi.org/10.18287/2412-6179-2016-40-2-258-265
- Мясников Е.В. Определение параметров геометрических трансформаций для совмещения портретных изображений // Компьютерная оптика. 2007. Т. 31, № 3. C. 77–82.
- Reddy B., Chatterji B. An FFT-based technique for translation, rotation, and scale-invariant image registration // IEEE Transactions on Image Processing. 1996. Vol. 5, no. 27. P. 1266–1271. DOI: https://doi.org/10.1109/83.506761
- Phase correlation based image alignment with subpixel accuracy / A. Alba [et al.] // 11th Mexican International Conference on Artificial Intelligence (MICAI 2012). 2012. Vol. 7629. P. 171–182. DOI: https://doi.org/10.1007/978-3-642-37807-2_15
- Evangelidis G., Psarakis E. Parametric image alignment using enhanced correlation coefficient maximization // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2008. Vol. 30, no. 27. P. 1858–1865. DOI: https://doi.org/10.1109/TPAMI.2008.113
- Богатырева В.В., Дмитриев А.Л. Оптические методы обработки информации. СПб.: СПбГУ ИТМО, 2009. 74 с.
- Акаев А.А., Майоров С.А. Оптические методы обработки информации: репринтное воспроизведение издания 1988 года. СПб.: СПбГУ ИТМО, 2005. 259 с.
- Pyramid methods in image processing / E.H. Adelson [et al.] // Computer Science. 1988. P. 33–41.
- Бессмельцев В.П., Булушев Е.Д., Быстрый алгоритм совмещения изображений для контроля качества лазерной микрообработки // Компьютерная оптика. 2014. Т. 38, № 2. C. 343–350.
- Lucas B.D., Kanade T. An iterative image registration technique with an application to stereo vision // Proceedings of the 7th International Joint Conference on Artificial Intelligence (IJCAI, Vancouver, Canada, 24–28 August 1981). 1981. P. 121–130.
- Мачнев А.М., Жук С.Я. Беспоисковый алгоритм определения угла поворота изображений // Вісник Національного технічного університету України «КПІ». 2008. № 37. С. 33–37.
- Lowe D.G. Distinctive image features from scale-invariant keypoints // International Journal Computer Vision. 2004. Vol. 60, no. 2. P. 91−110. DOI: https://doi.org/10.1023/B:VISI.0000029664.99615.94
- Applicability of the SIFT operator to geometric SAR image registration / P. Schwind [et al.] // International Journal Remote Sens. 2010. Vol. 31, no. 8. P. 1959−1980. DOI: https://doi.org/10.1080/01431160902927622
- SURF: Speeded up robust features / H. Bay [et al.] // Computer Vision and Image Understanding. 2008. Vol. 110, no. 3. P. 346−359. DOI: https://doi.org/10.1016/j.cviu.2007.09.014
