Полезность видеокамеры, как датчика информации об объекте наблюдения: предлагаем критерий сравнения

Хотелось бы от Вас получить ссылку на источник с такой точкой зрения и количественным значением погрешности.

В статье "Evaluation of an algorithm for the assessment of the MTF using an edge method" P. B. Greera and T. van Doorn, Med. Phys. 27, 2048 (2000) подробно разобраны все источники погрешностей этого метода измерения MTF. Например, при относительной ошибке в 1% определения угла наклонной кромки, погрешность вычисления MTF составляет 36%.

В общую погрешность вносят вклад:

1. погрешность вследствие ограничений "окна" (числа точек N по вертикали и М по горизонтали, а это неизбежно);
2. погрешность точности определения кромки вследствие "шума" изображения;
3. погрешность пространственной дискретности оси измерения;
4. погрешность целочисленного дифференцирования;
5. погрешность алгоритма сглаживания.

Легко убедиться, что вычисления MTF разными программами по одному и тому же изображению наклонной кромки дают разные результаты, отличающиеся вплоть до нескольких десятков %. Проверьте и убедитесь в этом сами.

В статье "Evaluation of an algorithm for the assessment of the MTF using an edge method" P. B. Greera and T. van Doorn, Med. Phys.

Ссылку дайте плз. Почитать уж очень хочется.

Конечно, нам не трудно для вас набрать в Google "Evaluation of an algorithm for the assessment of the MTF using an edge method"

Вот, пожалуйста: http://online.medphys.org/resource/1/mphya6/v27/i9/p2048_s1?isAuthorized=no

Обращайтесь, если чо.

Коллеги! Как бы вырулить на дорогу созиданий? :-) Ведь идея предложена заманчивая. Хотя реализумая ли? Ведь автомобиль нельзя охарактеризовать одним числом (например произведением литража двигателя на габариты, на максимальную скорость и пр.). Так можно ли для видеокамеры найти такую интегральную характеристику и как бы проверить ее жизнеспособность?

Оказывается, мы не одиноки во Вселенной! Наши браться по разуму (или, ткскть, антиподы(?)) тоже озабочены этой проблемой. Как раз в то же время, как мы обсуждали информационную полезность видеокамер, NIST (Институт Стандартов и Технологий США) провёл 28-30 ноября симпозиум Forensics@NIST 2012, основной темой и задачей которого было - определить самый современный уровень в науке об исследованиях доказательств и улик. В частности, отдельный поток симпозиума был посвящён исследованиям цифровых изображений как доказательств.

Специалисты NIST тоже пришли к выводу, что необходима количественная оценка пригодности цифровых изображений для доказательств, и предложили такую оценку: Forensic Image Examination Rating Scale (FIERS):

FIERS = c₀ + c₁ * log₁₀(TSD) + c₂ * log₁₀(RER) + c₃ * G / SNR + c₄ * H (1)

FIERS = quality measure for a deployed imaging system;

TSD = target sampled distance, pixel spacing projected to the target;

RER = relative edge response (slope of the normalized edge response measured between two points one-half pixels on opposing sides of an edge);

SNR = signal to noise ratio;

G = noise gain arising from modulation transfer function compensation (MTFC). In the absence of compensation, G = 1;

H = edge overshoot is the height of edge overshoot on the normalized edge response. H arises from modulation transfer function compensation;

c₀, c₁, c₂, c₃, c₄ - коэффициенты, которые подобраны на основании практического анализа банков цифровых изображений NIST.

В результате NIST предложил формулу для вычисления характеристики FIERS, которая может принимать значения (0...10), и имееет следующие образные интерпретации:

FIERS = 9.0 - "возможность идентифицировать отдельные иголки хвои"

FIERS = 8.4 - "определение древесных пород в зависимости от размера листа и формы"

FIERS = 8.2 - "биометрическая идентификация человека по индивидуальным чертам лица"

FIERS = 8.0 - "определение положения и размера дворников на автомобиле"

FIERS = 8.0 - "идентификация номерного знака автомобиля"

FIERS = 7.7 - "обнаружение наружных зеркал заднего вида на автомобилях"

FIERS = 7.7 - "различение деталей велосипеда (например, рама, колеса / шины и т.д.).

FIERS = 7.3 - "различение конечностей (рук, ног)"

FIERS = 6.6 - "обнаружение небольших дорожных знаков (например, остановка, выход, ограничение скорости)"

FIERS = 6.2 - "различение людей, когда они не в группе".

Любопытно. Каков следующий шаг?

Любопытно. Каков следующий шаг?

Если все согласны, что FIERS позволяет количественно измерить пригодность цифровых изображений для решения конкретной задачи, то как-минимум, 2 вывода:

1) У любого датчика изображений (камера+объектив) есть максимальное предельное значение FIERS. Им можно мериться.

2) В технических заданиях на внедрение систем видеонаблюдения можно писать коротко и ясно:

"Система видеонаблюдения должна обеспечивать следующие значения FIERS:
- для подсистемы охраны периметра во всех зонах контроля - не менее 7.0;
- для проходных входа/выхода работников - не менее 8.2;
- для КПП въезда/выезда автомобилей - не менее 8.0".

Как-то так.

Ответ vocord.ru

Прежде всего, хочется сказать, что точность проведения измерений является очень важным критерием при выборе инструмента для исследований.

А теперь отвечу на надуманные недостатки при построении ФПМ по наклонной кромке.

vocord.ru: Например, при относительной ошибке в 1% определения угла наклонной кромки, погрешность вычисления MTF составляет 36%.

/////В этой фразе умышленно не дописали ее завершающую часть, в которой как раз и уточняется о какой части ФПМ идет речь: «… составляет 36% на частоте среза системы F = FC, где FC это частота Найквиста.».

Частота Найквиста это верхний предел работы любой системы.

В такой небрежности явно прослеживается желание представить ФПМ только с отрицательной стороны.

Смотрите рисунок http://www.aha.ru/~gas/Fig-2.jpg. На рабочей области, даже при разном наклоне кромки, графики совпадают.

Там где возможности камеры исчерпаны или превышена частота Найквиста разброс действительно большой, но эту область никто не использует.

vocord.ru: 1. Погрешность вследствие ограничений "окна" (числа точек N по вертикали и М по горизонтали, а это неизбежно);

//// Вертикальный размер окна может быть равным высоте кадра. Куда больше? Горизонтальный размер вообще не принципиален. Лишь бы кромку захватил.

vocord.ru: 2. Погрешность точности определения кромки вследствие "шума" изображения;

/////Шум находится на уровне черного, а работа с переходными характеристиками идет на уровнях 10% - 90%.

Поэтому шум никакого влияния на результат не оказывает.

vocord.ru: 3. Погрешность пространственной дискретности оси измерения;

//// Поскольку нет статьи, а только аннотация я не понимаю о какой оси идет речь.

vocord.ru: 4. Погрешность целочисленного дифференцирования;

//// Естественные погрешности, но они мизерны и управляемы.

vocord.ru: 5. Погрешность алгоритма сглаживания.

///// Алгоритмы сглаживания это не аппроксимация и о их погрешностях как-то не принято говорить. Алгоритмы сглаживания, скорее всего, характеризуются величиной отклонения (уклонения) от узловых точек, значение которых минимизируют. Но это совсем не погрешность. Хотя могу ошибаться.

vocord.ru: Легко убедиться, что вычисления MTF разными программами по одному и тому же изображению наклонной кромки дают разные результаты, отличающиеся вплоть до нескольких десятков %. Проверьте и убедитесь в этом сами.

//////Хотелось посмотреть эти сравнительные результаты вычислений, о которых пишет vocord.ru.

Даже при разном угле наклонной кромки грфики совпадают (http://www.aha.ru/~gas/Fig-2.jpg) не говоря уже о многократном повторении одного и того же испытания.

Скорее всего, этот недостаток относится к тестированию с использованием тест-таблиц. Сколько тестирующих, столько и результатов.

И в завершении.

Кто нибудь интересовался, а какие ошибки мы имеем при тестировании оборудования по тест-таблицам?

Что такое раздельное видение штрихов на мире?

Как контраст штрихов влияет на результат?

Какое влияние на результат оказывает острота зрения тестирующего и освещенность, включая цветовую температуру.

Может быть, пора заняться наведением порядка в методиках тестирования по тест-таблицам, а уж потом критиковать ФПМ.

Поскольку нет статьи, а только аннотация я не понимаю о какой оси идет речь.

Как говорится: "Статью не читал, но осуждаю!".

В статье всё подробно разобрано в виде формул ТФКП. А ваш контраргумент - только крепкое словцо: "...прослеживается желание представить ФПМ только с отрицательной стороны...", "...Куда больше? Горизонтальный размер вообще не принципиален...", "...шум никакого влияния на результат не оказывает...", "...не понимаю о какой оси идет речь...", "...они мизерны и управляемы...", "...Но это совсем не погрешность. Хотя могу ошибаться...".

да, и насчёт "небрежности": упомянутая погрешность 36% возникает не на частоте Найквиста, которая в статье обозначается как f_s, а на частоте f_c= f_s/2.

Прочитайте уж статью и поспорьте с ней своими точными вычислениями, а не беллетристикой.

итоговая формула информационной полезности: U = C^α * Q^β * P (5)

количественная оценка пригодности цифровых изображений для доказательств, и предложили такую оценку: Forensic Image Examination Rating Scale (FIERS):

FIERS = c₀ + c₁ * log₁₀(TSD) + c₂ * log₁₀(RER) + c₃ * G / SNR + c₄ * H (1)

Кстати , хотелось бы обратить внимание, что: FIERS ∝ log₁₀(U) с точностью до нормировочных коэффициентов, т.е. и NIST, и мы пришли к приблизительно к одним и тем же идеям и умозаключениям.