Программа: Оптико-электронные приборы и системы


Объективная оценка восприятия глубины для стереоизображений, созданных на стерео полигоне



страница12/12
Дата29.04.2018
Размер0.78 Mb.
ТипПрограмма
1   ...   4   5   6   7   8   9   10   11   12

Объективная оценка восприятия глубины для стереоизображений, созданных на стерео полигоне.

Для получения оценок и более наглядного представления результатов, необходимо все полученные коэффициенты при статистическом анализе пересчитать в оценки, которые бы коррелировали с оценками полученными субъективным методом. Реализация такой задачи, возможна толька при условии, что пересчет коэффициентов в оценки, будет базироваться на результатах полученных по методу субъективных оценок.



Произведя пересчет используя приемы математической статистики, были получены следующие значения (в данной работе берутся пороговые значения коэффициентов для каждого из уровня оценок, существуют и иные варианты пересчета):

  • Тест – объект «Автомобиль»:

Таблица 1. Пороговые значения коэффициентов для каждой оценки.

Оценка

Коэф. корреляции

Коэф. кросс-корреляции (пик)

Коэф. кросс-корреляции (среднее)

5

0,9297

0.966

0.307

4

0,894

0.953

0.308

3

0,879

0.931

0.309

2

0.863

0.926

0.31

1

0.859

0.921

0.311




  • Тест – объект «Самолет»:

Таблица 2. Пороговые значения коэффициентов для каждой оценки.

Оценка

Коэф. корреляции

Коэф. кросс-корреляции (пик)

Коэф. кросс-корреляции (среднее)

5

0.945

0.96

0.319

4

0.909

0.933

0.321

3

0.894

0.911

0.318

2

0.893

0.906

0.317

1

0.879

0.896

0.320

Как видно из таб.1 и таб.2 значения распределены не равномерно, и в некоторых случаях «спред» между ними черезвычайно мал, что естественно, приведет к увеличению погрешности при выставления итоговой оценки.

Для уточнения вычисляемых коэффциентов, применяется «искусственная» дополнительная обработка изображения, заключающаяся в выделение самого объкта и отсечении части фона (естественно это приведет к изменению коэффициентов и пересчету таблиц) (Рис.4.12, Рис.4.13).





Рис.4.12. Исходные изображения для оценки.





Рис.4.13. Изображения после дополнительной обработки (обрезана часть фона).


Собрав аналогичную статистику по данным изображениям (см.приложение 2), можно сделать вывод: что тренд остался прежним, но сами коэффициенты изменились и пороговые значения стали более выраженными (таблица 3).

Тест – объект «Автомобиль»:

Таблица 3. Пороговые значения коэффициентов для каждой оценки


Оценка

Коэф. корреляции

Коэф. кросс-корреляции (пик)

Коэф. кросс-корреляции (среднее)

5

0,82

0.798

0.258

4

0,724

0.77

0.256

3

0,677

0.69

0.255

2

0.64

0.66

0.254

1

0.61

0.65

0.253

Основываясь на данной сетке выставим оценки по объективному методу, используя тест объект «автомобиль» (итоговая оценка, вычисляется как среднеарифметическое от результотав оценки по каждому критерию, используемого в эксперименте) и построим график машинных оценок от величины вертикального параллакса Рис.4.14.

(по аналогии с Рис.4.13 и Рис.4.14).

Рис.4.14. Зависимость машинных оценок от угла вертикального парралакса.

Рассмотрим в приближении графики зависимостей объективных и субъективных оценок, для случаев базы равно 30мм и 300мм (Рис.4.15 - Рис.4.20).

Рис.4.15. Зависимость оценок от угла вертикального параллакса, для значения базы 30мм.


Рис.4.16. Зависимость оценок от угла вертикального параллакса, для значения базы 60 мм.



Рис.4.17. Зависимость оценок от угла вертикального параллакса, для значения базы 90 мм.



Рис.4.18. Зависимость оценок от угла вертикального параллакса, для значения базы 120 мм.


Рис.4.19. Зависимость оценок от угла вертикального параллакса, для значения базы 200 мм.



Рис.4.20. Зависимость оценок от угла вертикального параллакса, для значения базы 300мм.

Сравнивая зависимости на графиках, можно сделать следующие выводы:


  • Общая зависимость обоих методов полностью совпадает;

  • Некоторые оценки для одного и того же значения вертикального парралакса совпадают полностью;

  • График полученный методом объективных оценок, имеет намного меньше скачков и более плавную форму, что приводит к наименьшему разбросу результатов;

  • Обе зависимости сильно коррелирую между собой.


ГЛАВА5. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ


В целях оптимизации действий и времени направленных на вычисления интересующих коэффициентов, был разработан алгоритм с использованием пакета Matlab.

Основная задачи реализуемого приложения:



  • Вычисление математических коэффицентов;

  • Пересчет коэффициентов в оценки, согласно известным пороговым значениям;

  • Удобный и динамический интерфейс для загрузки изображений и считывания результатов.

Основные этапы работы программы представлены в таблице 3, а логика принятия решения в таблице 4.

Таблица 3. Основные этапы работы алгоритма.



Таблица 4. Логика принятия решения.



Листинг программы приведен в приложении (см. Приложение 1).

Единственным действием пользователя, является выбор и загрузка необходимой картинки. В программе реализовано два режима: первый – загрузка картинок на каждой из которых изображена одна из частей стереопары, второй – загрузка изображения, на котором находится вся стереопара полностью (рис5.1.).

Рис.5.1. Вид интерфейса программы.

Для выбора изображения необходимо нажать кнопку «Открыть стереопару и произвести расчет» (Рис.5.2.).

Рис.5.2. Выбор подгружаемого изображения.

После выбора изображения, дальнейший расчет произойдет автоматически, в результате будут получены коэффиценты и оценки.

Рис.5.3. Результат работы программы.

Так же, для более наглядного понимания, какие изображения в итоге сравнивались, на экране появляется дополнительное окно, на котором отображены две части стереопары (Рис.5.4.)

Рис.5.4. Окно с отображением сравниваемых изображений.

Отметим достоинства и недостатки разработанного приложения.

Достоинства:



  • Хорошая визуализация;

  • Оптимальный алгоритм расчета коэффицентов;

  • Высокая автоматизированность (пользователю требуется выполнить только одно действие);

  • Приложение является кросс-платформенным.

Недостатки:

  • Не реализована одновременная загрузка «пачки» изображений и получение выходных данных в виде выгружаемого *.xls файла;

  • Отстутсвует алгоритм построения графиков (т.к. отсутствует возможность подгружать сразу несколько изображений).


ЗАКЛЮЧЕНИЕ


Результатом работы стало определение критериев, по которым можно производить оценку качества стереоизображения на ЭВМ, в работе такая оценка называется объективной. Объективность метода, состоит в невосприимчивости к различным человечиским факторам (усталость, дефекты зрения, различные ошибки при проведении экспериментов). Основными критерями, наиболее ярко выражающими различия между почти-что схожими изображениями, стали коэффициент корреляции, коэффициент кросс-корреляции с ориентированием на положительное пиковое значение, коэффициент кросс-корреляции с ориентированием на среднее значение. Так же было изучен параметр, называющийся – диспаритет. Его применение при данном исследовании неэффективно, т.к. результаты отражает незначительные изменения при сравнении различных изображений.

В дипломной работе было проведено сравнение результатов, полученных с помощью метода восприятия (субъективные оценки) и с помощью ЭВМ, были получены следующие результаты:



  • Общая зависимость обоих методов полностью совпадает;

  • Некоторые оценки для одного и того же значения вертикального парралакса совпадают полностью;

  • График полученный методом объективных оценок, имеет намного меньше скачков и более плавную форму, что приводит к наименьшему разбросу результатов;

  • Обе зависимости сильно коррелирую между собой.

Для определения объективных оценок, был разработан программный алгоритм, в математической среде Matlab. Так же, в целях визуализации результатов, к данному алгоритму был создан программный интерфейс в среде GUI Matlab.

Для получения аналитической информации были изучены основные понятия и эффекты, использующиеся для анализа и создания 3D – изображений.


ЛИТЕРАТУРА


1. Валюс Н.А. Стерео: фотография, кино, телевидение, Москва, Искусство, 1986.

2. Мешков В.В., Матвеев А.Б., Основы светотехники: учебное пособие для вузов в двух частях, Москва, Энергоатомиздат, 1989.

3. Мамчев Г.В., Стереотелевизионные устройства отображения информации, Москва, Радио и связь, 1983.

4. Ляховецкий В.А., Имитационная модель, методы и технические средства исследования стереоскопического зрения человека, Санкт-Петербург, 2004

5. Ляховецкий В.А. Методика оценки утомления стереоскопического зрения оператора / В.А. Ляховецкий, Е.П. Попечителев, С.В. Иванов // Доклады конференции “Биотехнические системы в XXI веке”, СПб., 22-26 марта 2004г. – СПб., 2004.– C.91-93.

6. Г.В.Мамчев. Выбор устройств селекции изображений стереопары для электронной демонстрации стереофильмов. “Техника и технологии кино” 2007.

7. Нестерова Е. Роль субъективных оценок при тестировании различных видов изображений, СПб.: СПбГУКиТ. 2006.

8. Кинцис Ю. Современные мультимедийные проекторы. Тестирование и субъективная оценка качества изображения, Техника кино и телевидения. 2002. № 3.

9. Катыс П.Г., Трехмерное отображение визуальной информации в виртуальном пространстве. Учебное пособие./МИРЭА, Москва, 1998

10. Takeo Kanade (Carnegie Mellon University), Masatoshi Okutomi (Canon Inc.), A Stereo Matching Algoritm with an Adaptive Window: Theory and Experiment. International Conference on Robotic and Automatic Sacramento, California – April 1991.

11. Котюжанский Л.А. Вычисление карты глубины стереоизображения на графическом процессоре в реальном времени. ФГАОУ ВПО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина», Екатеринбург 2012.

12. Махмутова Г.Э. Моделирование и исследование процессов стереовидения. МЭИ 2012.

13. http://ru.wikipedia.org/wiki/Диспаратность (Определение диспарантности)

Приложение 1


function varargout = Gui_corr(varargin)

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ...

'gui_Singleton', gui_Singleton, ...

'gui_OpeningFcn', @Gui_corr_OpeningFcn, ...

'gui_OutputFcn', @Gui_corr_OutputFcn, ...

'gui_LayoutFcn', [] , ...

'gui_Callback', []);

if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1});

end
if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:});



end

function Gui_corr_OpeningFcn(hObject, eventdata, handles, varargin)

handles.output = hObject;

guidata(hObject, handles);

function varargout = Gui_corr_OutputFcn(hObject, eventdata, handles)

varargout{1} = handles.output;

function img_L_Callback(hObject, eventdata, handles)

axes(handles.graph_img_L);

[FileName, PathName] = uigetfile('*.bmp;*.jpg;*.png');

if FileName~=0

FullName = [PathName FileName];

img_L = imread(FullName);

imshow(img_L)

end


handles.L = img_L;

handles.img_L = img_L;

handles.img_L = rgb2gray(handles.img_L);

guidata(hObject,handles)

function img_R_Callback(hObject, eventdata, handles)

% hObject handle to img_R (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

axes(handles.axes5)

[FileName, PathName] = uigetfile('*.bmp;*.jpg;*.png');

if FileName~=0

FullName = [PathName FileName];

img_R = imread(FullName);

imshow(img_R)

end

handles.R = img_R;



handles.img_R = img_R;

handles.img_R = rgb2gray(handles.img_R);

guidata(hObject,handles)

% --- Executes on button press in Lets_go.

function Lets_go_Callback(hObject, eventdata, handles)

% hObject handle to Lets_go (see GCBO)

% eventdata reserved - to be defined in a future version of MATLAB

% handles structure with handles and user data (see GUIDATA)

axes(handles.axes7)

R(1,1) = corr2(handles.img_L,handles.img_R);

imshowpair(handles.L,handles.R,'ColorChannels','red-cyan');

title('Red-cyan composite view of the stereo images');

D = disparity(handles.img_L, handles.img_R, 'BlockSize', 15,'DisparityRange', [0 32], 'UniquenessThreshold', 0);

for i = 1 : length(D(:,1))

for j = 1 : length(D)

if D(i,j)<0

D(i,j) = 0;

else


D = D;

end


end

end


R(2,1) = mean(mean(D));

axes(handles.axes9)

C = normxcorr2(handles.img_L,handles.img_R);

surf(C), shading flat

[max_c, imax]=max(abs(C(:)));

[ypeak, xpeak]=ind2sub(size(C), imax(1));

R(3,1) = max_c;

set(handles.uitable1,'Data',R);

function one_img_Callback(hObject, eventdata, handles)

axes(handles.axes6)

[FileName, PathName] = uigetfile('*.bmp;*.jpg;*.png;*.JPG');

if FileName~=0

FullName = [PathName FileName];

img_one = imread(FullName);

imshow(img_one), title('Input image')

end


example = img_one;

img_one = rgb2gray(img_one);

cy = size(img_one(:,1));

cy = cy(1,1)/2;

cx = length(img_one);

x1 = cx/4;

x2 = cx*3/4;

right = img_one((cy-350):(cy+350),(x2-410):(x2+460));

left = img_one((cy-350):(cy+350),(x1-460):(x1+410));

R(1,1) = corr2(right,left);

axes(handles.axes7)

imshowpair(left,right,'ColorChannels','red-cyan');

title('Red-cyan composite view of the stereo images');

D = disparity(left, right, 'BlockSize', 15,'DisparityRange', [0 32], 'UniquenessThreshold', 0);

for i = 1 : length(D(:,1))

for j = 1 : length(D)

if D(i,j)<0

D(i,j) = 0;

else

D = D;


end

end


end

R(4,1) = mean(mean(D));

axes(handles.axes9)

C = normxcorr2(left,right);

surf(C), shading flat

[max_c, imax]=max(abs(C(:)));

[ypeak, xpeak]=ind2sub(size(C), imax(1));

R(2,1) = max_c;

R(3,1) = mean(mean(abs(C)));

%%%


if R(1,1) > 0.82

R(1,2) = 5;

elseif R(1,1)<0.82 & R(1,1)>0.724

R(1,2) = 4;

elseif R(1,1)<0.724 & R(1,1)>0.677

end


if R(2,1) > 0.798

R(2,2) = 5;

elseif R(2,1)<0.798 & R(2,1)>0.77

R(2,2) = 4;

end

R(3,2) = 4;



R(5,2) = (R(1,2)+R(2,2)+R (3,2))/3;

%%%


right = example((cy-350):(cy+350),(x2-410):(x2+460),:);

left = example((cy-350):(cy+350),(x1-460):(x1+410),:);

figure, subplot(1,2,1), imshow(right), subplot(1,2,2), imshow(left);

set(handles.uitable1,'Data',R);

guidata(hObject,handles)

function point_Callback(hObject, eventdata, handles)

point = str2double(get(hObject, 'String'));

if number_points < 1

errordlg('Input must be 1 or more','Error');

end
handles.point = point;

guidata(hObject,handles)

function point_CreateFcn(hObject, eventdata, handles)

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white');



end

1 Аккомодация - приспособление органа либо организма в целом к изменению внешних условий. Например, изменение преломляющей силы оптической системы глаза для ясного восприятия объектов, расположенных на разном расстоянии.

2 Нормальный стереоскопический базис - расстояние между узловыми точками глаз человека. Это расстояние для разных людей б.з. колеблется в пределах от 55 до 73 мм. Величина б.з. определяет различие между левым и правым сетчаточными изображениями, которое является основой стереоскопического восприятия.

3 Диспарантность - различие взаимного положения точек, отображаемых на сетчатках левого и правого глаза. Диспаратность изображений лежит в основе неосознаваемых психофизиологических процессов бинокулярного и стереоскопического зрения.


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