ИЗМЕРЕНИЕ РАССТОЯНИЯ ПО ЕДИНСТВЕННОМУ ДЕФОКУСИРОВАННОМУ СНИМКУ

Предмет исследования.Исследован метод извлечения информации об удаленности объектов с использованием единственного дефокусированного снимка. Метод основан на анализе величины размытия изображения в точках, выделенных на нем контуров, соответствующих граничным точкам объектов. Предполагается, что перепад яркости на нерасфокусированном изображении границы можно моделировать идеальной ступенчатой функцией – функцией Хевисайда. Метод. На исходно имеющемся изображении выделяются контуры, соответствующие локальным максимумам модуля градиента яркости. Координаты контурных точек запоминаются для дальнейшего анализа. Затем изображение дополнительно размывается гауссовым фильтром с заданным известным параметром дисперсии. По величине отношения модулей градиентов исходного и дополнительно размытого изображения в точках контуров оценивается величина дефокусировки исходного изображения в зонах, соответствующих границам объектов. Полученные оценки образуют разреженную карту относительной удаленности границ сфотографированных объектов. При помощи специально выбранного метода интерполяции оценки удаленности распространяются на остальные точки изображения, образуя «плотную карту глубины». Основные результаты. Приводятся результаты применения описанного метода для оценки относительной удаленности объектов на реальных фотоснимках, демонстрирующие его высокую эффективность. Практическая значимость. В отличие от широко используемых стереоскопических методов и методов, анализирующих наборы дефокусированных изображений, рассматриваемый подход позволяет иметь дело с единственным снимком, сделанным стандартным способом без использования дополнительных условий и ограничений. Если можно ограничиться оцениванием не абсолютной дальности до сфотографированных объектов, а их относительной удаленности, отпадает также необходимость выполнять специальную калибровку использованной фотокамеры, что позволяет анализировать снимки, полученные ранее, в самых разнообразных ситуациях.

1. Chilian A., Hirschmüller H. Stereo camera based navigation of mobile robots on rough terrain // IEEE Int. Conf. on Intelligent Robots and Systems (IROS). St. Louis, USA, 2009. P. 4571–4576. doi: 10.1109/IROS.2009.5354535
2. Mrovlje J., Vrancic D. Distance measuring based on stereoscopic pictures // Proc. 9th International PhD Workshop on Systems and Control. Izola, Slovenia, 2008.
3. Chaudhuri S., Rajagopalan A.N. Depth from Defocus: A Real Aperture Imaging Approach. Springer, 1999. 172 p. doi: 10.1007/978-1-4612-1490-8
4. Szeliski R. Computer Vision: Algorithms and Applications. Washington: Springer, 2011. 812 p. doi: 10.1007/978-1-84882-935-0
5. Horn B.K.P. Obtaining shape from shading information / In: The Psychology of Computer Vision (P.H. Winston, Ed.). McGraw-Hill, 1975.
6. Marr D. Vision. A Computer Investigation into the Human Representation and Processing of Visual Information. NY: W.H. Freeman and Company, 1982. 415 p.
7. Pentland A. A new sense for depth of field // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1987. V. PAMI-9. N 4. Р. 523–531. doi: 10.1109/TPAMI.1987.4767940
8. Grossmann P. Depth from focus // Pattern Recognition Letters. 1987. V. 5. N 1. P. 63–69. doi: 10.1016/0167- 8655(87)90026-2
9. Волкова М.А., Луцив В.Р. Использование эффекта продольной хроматической аберрации для измерения расстояний по единственной фотографии // Научно-технический вестник информационных технологий, механики и оптики. 2016. Т. 16. № 2. C. 251–257. doi:10.17586/2226-1494-2016-16-2-251-257
10. Zhuo S., Sim T. On the recovery of depth from a single defocused image // Lecture Notes in Computer Science. 2009. V. 5702. P. 889–897. doi: 10.1007/978-3-642-03767-2_108
11. Ray S.F. Applied Photographic Optics: Lenses and Optical Systems for Photography, Film, Video, and Electronic Imaging. Oxford: Focal Press, 2002. 89 p.
12. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М.: Техносфера, 2006. 616 с.
13. Canny J. A computational approach to edge detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1986. V. PAMI-8. N 6. P. 679–698. doi: 10.1109/TPAMI.1986.4767851
14. Damelin S., Miller W. The Mathematics of Signal Processing. Cambridge: Cambridge University Press, 2012. 462 p.
15. He K., Sun J., Tang X. Fast matting using large kernel matting Laplacian matrices // Proc. IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR). San Francisco, 2010. P. 2165–2172. doi: 10.1109/CVPR.2010.5539896
16. Van der Vorst H.A. Bi-CGSTAB: a fast and smoothly converging variant of Bi-CG for the solution of nonsymmetric linear systems // SIAM Journal on Scientific Computing. 1992. V. 13. P. 631–644.
 

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License