ПОВЫШЕНИЕ КАЧЕСТВА ИЗОБРАЖЕНИЯ СИСТЕМЫ ВИДЕОНАБЛЮДЕНИЯ

АННОТАЦИЯ

Выполнен краткий обзор системы видеонаблюдения, рассмотрены основные компоненты цифровой системы видеонаблюдения. Разработан метод для повышения качества изображения в программной среде MAtLAb.

Ключевые слова: система видеонаблюдения; изображение; камеры.

Введение  

Повышенный интерес злоумышленников к объектам, в которых хранятся денежные средства, материальные или культурные ценности (чаще всего это затрагивает банки, музеи, офисы, крупные универмаги и т.п.) пробудил острую потребность комплексно подходить к решению проблемы - обеспечить их безопасность.

1. Обзор систем видеонаблюдения

Системы видеонаблюдения (Closed Circuit Television - телевидение замкнутого контура) это важнейшее элемент ИСО, поскольку они выдвигают систему охраны объекта на более значительный уровень по качеству и позволяют находить решение почти на любые задачи. Преимущество системы видеонаблюдения заключается в том, что они позволяют приобрести визуальную картинку ситуации на охраняемом объекте. Современная аппаратура видеонаблюдения дает возможность делать это в разных условиях: при всевозможном уровне освещенности, в автоматическом режиме без оператора, может обнаружить вторжение на охраняемую территорию и прочее. 

Используются несколько стандартов систем видеонаблюдения: аналоговый, цифровой SDI и цифровой IP. Сравнение параметров этих трех систем (таблица 1).

Таблица 1.

В зависимости от типа применяемого оборудования видеосистемы разделяют на аналогово-цифровые и сетевые. Первые используют, если нужно сформировать наблюдение в небольшом количестве помещений, а на видеорегистратор записывают информацию с камер. На территориально-распределенных объектах обеспечить безопасность позволяют сетевые (IP) системы, у которых есть возможность комбинации и с иными системами безопасности [1].

Сетевые системы видеонаблюдения используются в составе комплексов безопасности крупных компаний и масштабных объектов.

Аналоговые камеры наблюдения. На сегодняшний день в видеосистемах часто применяют аналоговые видеокамеры, отличающиеся более простой конструкцией и приемлемой стоимостью.  

Сетевые видеокамеры. На современном рынке главной тенденцией оборудования сферы безопасности является постепенный переход к применению сетевых (IP) камер в составе видеосистем. Сетевые видеокамеры, в отличие от аналоговых, обладают возможностью подключения к сети Ethernet, имеют процессор обработки видеосигнала, веб-сервер и могут позволить выполнить видеонаблюдение, настройку и запись видео удаленно из любой точки мира.

2. Основные компоненты цифровой системы видеонаблюдения

Камера - это устройство, которое преобразует оптическое изображение наблюдаемого объекта в электрический видеосигнал. Камера является электронным устройством, в котором размещены чувствительный элемент - ПЗС- или КМОП-матрица, объектив и цепи обработки сигнала.

Важная задача при проектировании системы – верный выбор телевизионных камер [2].

В настоящее время рынок систем безопасности предлагает следующие камеры видеонаблюдения: камеры стандартного дизайна (корпусные), купольные камеры, видеоглазки, бескорпусные и модульные камеры, скрытые камеры.

3. Повышение качества изображения системы видеонаблюдения

А. Применение фильтра Винера для определения номеров автомашин.

Фильтр Винера обеспечивает оптимальную оценку полезного сигнала, смешанного с аддитивным шумом, по критерию минимума среднеквадратической ошибки. Фильтр Винера называется также линейным оптимальным фильтром, поскольку меньшее значение среднеквадратической ошибки, чем в фильтре Винера, в любом линейном фильтре получить нельзя.

Адаптивный фильтр – разновидность цифрового фильтра, в котором коэффициенты фильтра изменяются в соответствии с некоторым критерием. Адаптивные фильтры применяются в том случае, когда статистические параметры обрабатываемого сигнала неизвестны или меняются со временем. При этом адаптивный фильтр автоматически подстраивается под изменяющиеся условия функционирования.

Фото слева показывает авто с смазанными цифрами номер, а справа – обработанный ПО с фильтром Винера [3].

%   

Рисунок 1. изображение о и после обработки

Часть ПО по устранению смаза в системе Матлаб, использующая фильтр Винера (wnr3):

PSF = fspecial('motion', len, theta); % Функция смаза изображения

%Добавление аддитивного шума.

noise_mean = 0;

noise_var = 0.0001;

blurred_noisy = imnoise(I, 'gaussian',  noise_mean, noise_var);

figure, imshow(blurred_noisy)

title('Simulate Blur and Noise')

% 

%Обработка сигнала  со смазом и шумом фильтром.

estimated_nsr = 0;

estimated_nsr = noise_var / var(I(:));

wnr3 = deconvwnr(blurred_noisy, PSF, estimated_nsr); 

Б. Повышение качества воспроизведения малоконтрастного изображения для выделения его деталей с использованием обработка гистограммы изображения и функции cdf (кумулятивной функции распределения - Cumulative distribution function)

Ниже приводится часть ПО по примению обработки гистограммы изображения (в системе Матлаб), позволяющая существенно повысить качество детализации этого изображения [4].

%Определение средних элементов на изображении

                if(inc==mid_val)

                    ele=B(i+x-1,j+y-1)+1;

                end

                    pos=B(i+x-1,j+y-1)+1;

                    cdf(pos)=cdf(pos)+1;

                   inc=inc+1;

            end

        end       

%Использование кумулятивной функции распределения -  cdf

        for l=2:256

            cdf(l)=cdf(l)+cdf(l-1);

        end

            Img(i,j)=round(cdf(ele)/(M*N)*255);

     end

end

figure,imshow(Img);

figure,

subplot(2,1,1);

title('До обработки гистограммы'); imhist(A);

subplot(2,1,2);

title('После обработки гистограммы'); imhist(Img);

%   

Рисунок 2. Изображение колеса до обработки (слева) и после обработки (справа)

Рисунок 3. Гистограмма колеса до обработки (сверху) и после обработки (снизу)

В.  Использование суммирования молоподвижных изображений (кадров) для увеличения отношения сигнал/шум

clc; close all; clear all;   

img=imread ('girl_small.jpg');

figure(11)

imshow (img);

title('Исходное изображение');

img1=imnoise(img,'gaussian',0,0.15);   % 0.15 – уровень шума

figure(1)

imshow (img1);

title('Зашумленное изображение');

img2=imnoise(img,'gaussian',0,0.15);  

img3=imnoise(img,'gaussian',0,0.15);  

img4=imnoise(img,'gaussian',0,0.15);  

img5=imnoise(img,'gaussian',0,0.15);  

img6=imnoise(img,'gaussian',0,0.15);  

img7=imnoise(img,'gaussian',0,0.15);  

img8=imnoise(img,'gaussian',0,0.15);  

img9=imnoise(img,'gaussian',0,0.15);  

img_s =  (img1/9+ img2/9+ img3/9+ img4/9 + img5/9+ img6/9+ img7/9+ img8/9 + img9/9);

figure(3)

imshow (img_s);

title('Сумма 9-х зашумленных изображений');

%   

Рисунок 4. Изображение при увеличении отношения сигнал/шум

Список литературы:

1. Телевидение: Учебник для вузов / В. Е. Джакония, А. А. Гоголь, Я. В. Друзин и др.; Под ред. В. Е. Джаконии. 3-е изд. перераб. и доп. - М.: Радио и связь, 2003. - 616 с.: ил.
2. Волхонский В.В. Телевизионные системы наблюдения. Учебное пособие. Изд-во «Экополис и культура». Санкт-Петербург, 1997 г. 166 с.
3. Журавель, И. М. Краткий курс теории обработки изображений / И. М. Журавель [Электронный ресурс] // Обработка сигналов и изображений. - Режим доступа: http://matlab.exponenta. ru/imageprocess/book2/index.php (дата обращения: 01.02.2015).
4. Matlab code: Local Histogram equalization. https://www.imageeprocessing.com/2011/06/local-histogram-equalization.html