Анализ функций, реализующих корреляционную обработку для измерения дальности по цифровым изображениям

Abstract

Отмечено, что корреляционная обработка изображений является одним из наиболее широко применяемых и перспективных инструментов для поиска, идентификации, локализации и слежения за объектами относительно сложных форм. Решается задача анализа возможностей и областей применения функций, реализующих корреляционную обработку цифровых оптических изображений, в случае наличия искажений на изображениях. Исследования проводились для следующих функций: нормированной кросс-корреляционной функции; суммы абсолютных значений разностей; суммы квадратов разностей; нормированной суммы квадратов разностей; RANK-преобразования. Приводится алгоритм уменьшения времени вычисления нормированной кросс-корреляционной функции, обеспечивающий время анализа, сравнимое со временем анализа функций суммы квадратов разностей и суммы абсолютных значений разностей, не использующих нормализацию. = Correlation processing of images is one of the most widely used and promising tools for searching, identifying, lo-calizing, and tracking objects of relatively complex shapes. In the literary sources we have found no information about the possibilities to use various functions implementing image correlation processing to solve problems of measuring distances, dimensional parameters of objects, and constructing a depth map when one of the stereopair images is subjected to noise or monotonic amplitude shift. In this paper we solve the problem of analyzing the possibilities and applications of the functions realizing the correlation processing of digital optical images in the case of image distortions. The stu dies have been performed for the following functions: normalized cross-correlation function (NCC); the sum of absolute differences (SAD); the sum of squared differences (SSD); the normalized sum of squared difference (NSSD); RANK-conversion. An algorithm is proposed to reduce computational time of the normalized cross-correlation function NCC. It provides an analysis time comparable to that of SSD and SAD functions, where normalization is not used.