Wyniki wyszukiwania - BazTech

1

Remarks on noise removal in infrared images

Budzan S., Wyżgolik R.

Measurement Automation Monitoring

|

2015

|

Vol. 61, No. 6

187--190

EN

Noise removal in IR (Infra Red) images is very popular in recent years, however the same approach is utilized as for vision images, with no or minor changes. In this work we wanted to show the results of noise removal for selected filters. We focused on investigation of some filters normally used for image processing and their influence to IR image quality. In IR imaging the choice of filter depends mainly on the purpose of the processing, e.g. detection of small objects in complex images, edge and contour detection or removal of non-uniformity of the detector array. The performance of the selected noise reduction filters was evaluated using PSNR (Peak Signal-to-Noise Ratio) and MAE (Mean Absolute Error) quality measure, greater value of the PSNR and lower value of the MAE indicate better noise reduction. The results are shown only for few images from our database which contain over 2000 of IR images.

2

Rozpoznawanie twarzy dla obrazów widzialnych i podczerwieni z zastosowaniem funkcji transformacji w przestrzeni cech

Szaber M.

Metody Informatyki Stosowanej

|

2008

|

nr 1 (Tom 13)

139-145

PL

W niniejszym artykule zaproponowano funkcję transformacji bazującą na odejmowaniu i dodawaniu odpowiednich zestawów cech.

EN

Face recognition systems based on visual images have reached a significant level of maturity with some practical success, However, the performance of visual face recognition may degrade under poor illumination conditions and in completely darkness. Infrared images represent a viable alternative to visible images in the search for practical face recognition. While contemporary face recognition system are limited to cases when identified and database images belong to the same category. We investigate the face recognition scheme where category of identified face images differs from that stored in face database.

3

Infrared images in automatic recognition of the type of road obstacle in a fog

Cyran K. A., Niedziela T.

Archives of Transport

|

2006

|

Vol. 18, iss. 4

29-38

EN

The paper considers an application of the infrared imaging into recognition of the type of obstacIe present on the road during the foggy conditions. For this purpose, we apply a recognition system, based on the optimised ring-wedge detector and neural network. The design of the system utilises an enhanced method of optimisation whose basic version was first applied in a system used for the monitoring of a subsurface stress in the opticai fibre. The method, theoretically claimed to be general, indeed has proved the usefulness also in the case of system dedicated for monitoring of the road. Therefore, in this study we have tried its application into recognition of infrared images, the issue not considered before. The experimental results indicate that the system performs recognition of living creatures (human beings, animals) as opposed to other obstacles generating heat (different kind of vehicles) with about 90% accuracy in testing.

PL

Artykuł dotyczy możliwości wykorzystania zdjęć termalnych w celu rozpoznawania przeszkód drogowych mogących pojawić się we mgle. W tym celu zastosowano system bazujący na zoptymalizowanym ekstraktorze cech charakterystycznych w postaci detektora pierścieniowo-klinowego oraz klasyfikatorze w postaci sztucznej sieci neuronowej. Projektowanie systemu oparte zostało na rozszerzonej metodzie optymalizacji, której pierwszą wersją była aplikacja monitoringu nacisku na światłowód. Metoda ta może być uważana za uniwersalną, udowodniono jej użyteczność w przypadku systemu przeznaczonego do monitoringu drogowego. W związku z tym w artykule pokuszono się o jej aplikację rozpoznawania obrazów w podczerwieni dla przypadku wcześniej nie rozważanego. Eksperymentalne wyniki wskazują, że system potrafi poradzić sobie z rozpoznawaniem istot żywych (ludzi i zwierząt) oraz odróżnić je od innych przeszkód generujących ciepło (różne klasy pojazdów) z 90% trafnością w czasie testowania.