Применение анизотропного фильтра Перона - Малика в задаче распознавания посадочной площадки

Введение

Распознавание посадочного ориентира - необ­ходимое условие для осуществления самосто­ятельной посадки беспилотного летательного аппарата (БПЛА) вертолетного типа. Беспи­лотные вертолеты могут быть использованы для автоматизации спасательных, разведыва­тельных и оборонительных задач. Использо­вание информации о положении аппарата от­носительно обнаруженной посадочной пло­щадки позволит скорректировать траекторию посадки и повысить точность ее выполнения. Корпус беспилотного устройства оборудо­ван видеокамерой или системой видеокамер. В процессе обнаружения посадочных ориен­тиров изображение с камеры содержит шумы и избыточную для распознавания информа­цию. Предшествующий распознаванию этап предполагает предварительную обработку изображения, получаемого из оптической си­стемы БПЛА. Один из приемов по удалению шума из входящего изображения - это выпол­нение операции сглаживания.

В настоящей статье рассмотрен фильтр, представленный Пероном и Маликом [1]. Вы­бор метода обусловлен наличием детектора границ, что позволяет сохранить значимые края на изображении при фильтрации шума. Это необходимо, например, для алгоритмов распознавания, основанных на контурном ана­лизе.

Математическая модель

Согласно работе [1], запишем уравнение ани­зотропной диффузии

где div - оператор дивергенции;

c(x, y, t) - величина коэффициента диф­фузии;

∇, Δ - градиент и лапласиан соответст­венно.

Для сохранения границ изображения от размытия коэффициент диффузии вычисляет­ся в зависимости от направления максималь­ного изменения яркости изображения в точке (x, y). В работе [1] авторы предложили следу­ющие функции для вычисления коэффициента диффузии:

Коэффициент K имеет фиксированную, экспериментально подбираемую величину, обозначающую порог чувствительности фор­мулы к границам, который также может быть получен с помощью функции оценки уровня шума изображения. Низкое значение K при­водит к незначительному размытию, высо­кое - сводит фильтр к линейному размытию. Варианты обработки изображения размером 256×256 пикселей, содержащего посадочный ориентир, 16 проходами фильтра Перона - Малика, использующего формулу (2) для по­лучения коэффициента диффузии с разными значениями K, приведены на рис. 1.

Последовательная реализация фильтра Перона - Малика

Последовательную реализацию алгоритма на основе дискретизации уравнения (3), пред­ставленной в работе [1], можно выразить с помощью псевдокода следующим образом: цикл it = [0, кол-во итераций]: цикл х = [1, ширина-1]: цикл у = [1, высота-1]:

Последовательная реализация такого ал­горитма имеет сложность O(w * h * t), где w, h - ширина и высота изображения соответ­ственно; t - количество проходов фильтра (на практике будет содержать двухзначное чис­ло). При такой реализации алгоритм можно использовать только для постобработки, а не для систем реального времени. Эффект сгла­живания при увеличении количества итераций можно наблюдать на рис. 2. Изображения об­работаны фильтром Перона - Малика, исполь­зующим формулу (2) для получения коэффи­циента диффузии при K = 34.

Алгоритм представленной схемы под­дается распараллеливанию, благодаря чему возможна его реализация на графическом про­цессоре, предоставляющем наиболее высокую производительность.

Параллельная реализация фильтра Перона - Малика на GPU

Для оперативного получения результата пред­лагается реализация работы фильтра на гра­фическом процессоре. Для этих целей была выбрана программная платформа OpenCL [2], позволяющая выполнять параллельные вы­числения на центральных и графических про­цессорах разных производителей (Intel, AMD, NVidia, Texas Instruments и др.).

Схема адаптированного алгоритма филь­трации Перона - Малика представлена на рис. 3.

Каждый рабочий поток выполняет одну и ту же версию ядра программы, но с разными входными данными. Общее количество таких рабочих элементов зависит от модели процес­сора. Если изображение имеет слишком боль­шой размер, который превосходит максималь­но возможное количество рабочих потоков по двум направлениям, изображение разбивается на несколько частей, а запуск параллельной фильтрации выполняется в несколько итера­ций для каждой из них. Массив пикселей всего изображения (при условии, что размер массива не превосходит максимально допустимый объ­ем используемой памяти устройства) передает­ся в глобальную память графического процес­сора посредством прямого доступа к памяти (DMA). При этом область памяти доступна как для чтения, так и для записи. Благодаря этому нет задержек между обработкой частей изображения, связанных с передачей данных между GPU и CPU на данных этапах. Достаточно лишь передать смещение относительно нача­ла при выполнении параллельной фильтрации очередного сегмента изображения.

Приведем код ядра программы, выпол­няемый на GPU:

Сравним производительность фильтра при использовании последовательного алго­ритма Перона - Малика, OpenCL реализации на центральном и графическом процессорах. В таблице представлено время работы каждой из реализаций фильтра для указанных входных данных.

На рис. 4 приведен график зависимости времени обработки от размера изображения при фиксированном количестве проходов, рав­ном 16. Обработка изображений осуществля­ется на следующих вычислительных устрой­ствах: Intel(R) Core(TM) i5-4278U CPU 2.60 GHz и Intel(R) HD 5100.

Как видно из приведенных данных (см. таблицу и рис. 4), реализация на графическом процессоре представляет наиболее произво­дительный результат выполнения обработки изображения анизотропным фильтром Перо- на - Малика.

Симулятор оптической системы посадки

В работе [3] представлена модульная среда отладки алгоритма распознавания системы посадки беспилотного вертолета (рис. 5), поз­воляющая моделировать сигнал, получаемый с камеры БПЛА, а также ряд возможных ис­кажений: перспективных искажений, наличие перекрытий, смены освещения и др.

В среде реализован современный подход к моделированию освещения на основе окру­жения. Инструмент позволяет оценить рабо­тоспособность разрабатываемого алгоритма распознавания, управлять параметрами загру­жаемых в виде расширений фильтров и наблю­дать за результатом их воздействия на процесс обработки изображения. Среда удобна для по­иска экспериментальных величин алгоритмов, как, например, коэффициент чувствительности формул (2) и (3) к границам в зависимости от окружения, размера изображения и коли­чества проходов. Реализованный с помощью программной платформы OpenCL фильтр Пе­рона - Малика был успешно интегрирован в среду в виде динамической библиотеки (.dll).

Заключение

Анизотропный фильтр Перона - Малика сглаживает входящее изображение, сохраняя значимые границы. Алгоритм подлежит рас­параллеливанию, благодаря чему была предложена адаптация алгоритма для выполнения параллельной фильтрации на графическом процессоре с помощью вычислительной плат­формы OpenCL. Проведенный анализ проде­монстрировал высокую производительность реализации фильтра на GPU и возможность использования в среде моделирования опти­ческой системы посадки для решения задачи распознавания посадочных ориентиров.