Программа: Оптико-электронные приборы и системы


Методика определения субъективного восприятия глубины



страница10/12
Дата29.04.2018
Размер0.78 Mb.
ТипПрограмма
1   ...   4   5   6   7   8   9   10   11   12

3.2 Методика определения субъективного восприятия глубины

cтереоэффекта


Субъективная оценка качества стереоэффекта с  использованием шкал, определением условий проведения измерений, выбор сюжетов для оценки качества изображения и метода обработки полученных результатов, соответствует рекомендациям по проведению субъективных оценок в телевидении, разработанным Международным союзом электросвязи (МСЭ) — International Telecommunication Union (ITU), в частности отделом ITU-T. [7] Качество изображения оценивается по пятибалльной шкале. Итоговый балл определяется как среднее арифметическое оценок наблюдателей по данному параметру.

Условия измерений постоянны: комната изолирована от влияния солнечного света, расстояние до экрана – 40-60 см; постоянный уровень подсветки помещения и экрана монитора [12].

На экране монитора предъявляются изображения объектов в случайном порядке. Длительность предъявления не менее 6 секунд [17]. В результате, после предъявления наблюдатель должен сообщить оператору, какую оценку он ставит стереоизображению, который видит на экране. Субъективная оценка включает в себя проверку наличия геометрических искажений, качества стереоэффекта, глубины фона и объемности объекта.

Современные исследования показывают, что использование субъективных методов также позволяет найти решение таких неожиданных проблем (неизбежно появляющихся при разработке новых аудиовизуальных систем), как, например, снижение риска опасного негативного воздействия. Оно может возникнуть при определенном сочетании технических параметров изображения (так же, как и звука). Практические методики оценки предполагают использование шкалы ухудшений с пятью реперными точками: ухудшение незаметно; ухудшение заметно, но не мешает; ухудшение несколько мешает; ухудшение мешает; ухудшение очень мешает. [18] Эти точки могут быть преобразованы в значения балльной шкалы для нашего эксперимента:



  • 5 - заметен стереоэффект, объект воспринимается объемно, нет искажений;

  • 4 - стереоэффект есть, нечетко проявляется объемность объекта, нет искажений;

  • 3- стереоэффект есть, нечетко проявляется объемность объекта, наблюдаются искажения;

  • 2 - нет стереоэффекта, есть искажения;

  • 1- нет стереоэффекта, большие искажения фона и объекта.

Отметим недостатки субъективного метода:

  • Необходимость создания специальных условий для проведения эксперимента;

  • Велика погрешность при выставлении оценок наблюдателем (для получения приемлемых статистических данных, количество наблюдателей должно быть не менее 15 человек);

  • Большое количество трудозатрат чел/час.

3.3 Метод объективных оценок


В субъектвином методе существуют определенные недостатки (см. пункт 3.2). Так же в описанном методе происходит анализ выходных данных, т.е. если рассматривать процесс создания стереоизображения, изначально существует только стереопара, части которой являеются входными данными задачи.

Дадим определение объективной оценке:

Объективная оценка – оценка не зависящая от наблюдателя, или от восприятия наблюдателя.

Таким образом можно сформулировать задачу:



  1. Разработь метод, способный по каким-либо критериям сравнивать части одной стереопары.

  2. Разработать алгоритм проставления оценок, исходя из критерия сравнения частей стереопары и опираясь на заведомо известные оценки стереоизображения, полученных по субъективному методу.

В качестве наиболее оптимальных критериев для сравнения изображения, были выбраны следующие:

  • Корреляционный критерий (расчет коэффициента корреляции);

  • Диспаритетный критерий (вычисление диспаритета).

3.3.1. Корреляционный подход


Корреляционный метод, заключается в нахождении коэффициента корреляции между двумя изображиниями (левой и правой частями стереопары).

Было рассмотрено два метода вычисления коэффициента корреляции:



Вычисление коэффициент корреляции между матрицами А и В одинакового размера, происходит следующим образом:

Коэффициент корреляции вычисляется с помощью следующего соотношения:



где Am и Bm – среднии значения.

Из достоинств данного метода хочется отметить простоту. Из недостатков, не информативный результат (не совсем ясно, что за число получаем), матрицы должны быть одного размера (что всегда должно выполняться для стерепар).





Кросс – корреляция.

Стандартный метод оценки степени корреляции двух последовательностей. Часто используется для поиска в длинной последовательности более короткой заранее известной. Рассмотрим два ряда f и g. Взаимная корреляция определяется по формуле:



,

где i — сдвиг между последовательностями относительно друг друга, а верхний индекс в виде звёздочки означает комплексное сопряжение. В общем случае, для непрерывных функций f (t) и g (t) взаимная корреляция определяется как



,

Если X и Y — два независимых случайных числа с функциями распределения вероятностей соответственно f и g, тогда взаимная корреляция f * g соответствует распределению вероятностей выражения –X+Y. Напротив, свёртка f * g соответствует распределению вероятностей суммы X+Y.

Наглядней процесс вычисления данного коэффициента можно представить следующим образом:

Шаг 1. Над обеими матрицами производится быстрое преобразование Фурье (FFT);

Шаг 2. Над базовой матрицей производим комплексное сопряжение (домнажение на -1);

Шаг 3. Полученные матрицы перемножаются;

Шаг 4. Процедура обратного быстрого преобразования Фурье (Inverse FFT).

Результат вычислений изображен на Рис 3.1.





Рис.3.1. Результат расчета коэффициента кросс-корреляции.

Рис. 3.1 можно интерпретировать по разному, но на данный момент коэффициент корреляции соответствует максимальному положительному пиковому значению.

Данный метод имеет следующие плюсы и минусы:


  • Возможность следить за группами объектов;

  • Группа объектов может перемещаться в пространстве друг относительно друга (Преобразование фурье “поглотит” все изменения);

  • Для достоверности измерений, рекомендуется измерять группы от 5 до 12 объектов.

При вычислении коэффициента корреляции одним из двух методов, необходимо предварительно проводить обработку изображения. Т.е. изображение представляет собой трехмерную матрицу (если рассматривать схему RGB), а указанные алгоритмы могут использовать только двухмерный массив (одномерная матрица).

3.3.2. Вычисление диспаритета


Одна из важных задач стереозрения - процесс преобразования двух плоских изображений в трехмерную сцену с восстановлением информации о глубине каждой точки плоского изображения (расстоянии от стереокамеры до соответствующей точки реальной сцены).

Зная информацию о глубине (функция двух переменных) можно генерировать 3D модели ландшафта и других природных объектов для использования в различных приложениях, таких как виртуальная реальность, симуляция полета, робототехника. В частности, знание об удаленности точек изображения от реального прообраза позволяет делать захват опорных точек движущегося объекта для получения трехмерных координат, что важно в индустрии спецэффектов, кино и телевидении [11]. Захват координат опорных точек позволяет строить уникальные бесконтактные человеко-машинные интерфейсы, управление в которых осуществляется движениями пальцев рук или вообще жестов в пространстве на некотором удалении от стереокамеры.

На данный момент известны активные и пассивные методы восстановления информации о глубине реальной сцены. Активные методы используют ультразвуковые преобразователи или лазерное освещение рабочего пространства, дающие на выходе быструю и точную информацию о глубине [19]. Однако у этих методов есть ограничения по отношению к диапазону измерений и стоимости аппаратных компонентов.

Пассивные методы, основанные на компьютерном зрении, обычно реализуются более простыми и недорогими сенсорами, определяющими расстояние. Такие методы способны генерировать информацию о глубине по полученной паре изображений и параметрам двух камер. Одна из фундаментальных проблем стереозрения заключается в установлении точного соответствия между левым и правым изображением стереопары. Под соответствием понимается расстояние (диспаритет) между пикселями одного и того же объекта на левом и правом изображении. Существующие локальные методы по вычислению карты диспаритета основаны на принципе «скользящего окна». Они характеризуются определенной сбалансированностью скорости-качества, хорошо масштабируются и реализуются на таких параллельных архитектурах, как видеокарты.

Общий порядок вычислений представлен на рис. 3.2. Он состоит из предобработки входных данных и вычисления диспаритета пикселя.



Рис.3.2. Общий порядок вычисления диспаритета.

Первый шаг вычислений - получение градиентных изображений стереопары методом свертки (рис. 3.3)

Здесь Ci - обработанный пиксель левого изображения; Ii(i, j) - исходный пиксель на левом изображении; N(x, y) - окрестность 3×3 пикселей; M(i, j) - элемент известной матрицы свертки





Рис.3.3. Выделение контуров на изображении.

Далее вычисляется линейная комбинация градиентного и исходного изображений с варьируемым параметром k (рис. 3.4).

Диспаритет пикселя d по определению равен расстоянию между соответственными пикселями левого и правого изображений (установление соответствия выполняется построчно перебором пикселей на выбранной строке изображений y)





Здесь xl - положение выбранного пикселя фиксированной строки y на левом изображении, xr - положение соответственного пикселя этой строки на правом изображении.

Чтобы найти xr, для каждого элемента (x, y) строки y правого изображения вычисляется сумма стоимостей пикселей C с окрестностями [10].

где W(x, y) - одно- или двумерная окрестность (окно) пикселей с центром в точке (x, y).

Под стоимостью понимается модуль разности левого (выбранного) и правого (подбираемого) пикселей:

Здесь p - пиксель на левом изображении; q - пиксель на правом изображении; d - перебираемый диспаритет.



Рис.3.4. k = 0,5; P - обработанный пиксель, I - пиксель исходного изображения: C - пиксель градиентного изображения



Каталог: Structure -> Universe -> ire -> electrical engineering -> structure -> lighttech -> Documents
Structure -> Операционная система, память, интерфейс
Structure -> География транспортного комплекса
Structure -> Учебное пособие для самостоятельного изучения и выполнения лабораторных работ (для студентов агроинженерных специальностей). Иркутск: Иргсха, 2006. 118 с ил
Structure -> Программа учебной дисциплины основы неврологии
Structure -> Ко дню освобождения Новошахтинска. Новошахтинск в годы Великой Отечественной войны
Documents -> Программа: Оптико-электронные приборы и системы


Поделитесь с Вашими друзьями:
1   ...   4   5   6   7   8   9   10   11   12


База данных защищена авторским правом ©vossta.ru 2019
обратиться к администрации

    Главная страница