FDNR (Defog)

CCTV-kamerat asennetaan usein ulos. Niiden odotetaan toimivan ongelmitta 24/7-tilassa, ja kun ne altistetaan voimakkaalle valolle, sateelle, lumelle ja sumulle, ne minimoivat ympäristön haitalliset vaikutukset tallennettavaan kuvaan. Ympäristöolosuhteet vaikuttavat erittäin paljon valvontakameran kuvanlaatuun. Sumu heikentää kuvan laatua pienentämällä huomattavasti kontrastisuhdetta, mikä puolestaan heikentää kameran tallentamien tapahtumien yksityiskohtien selkeyttä ja terävyyttä. Valmistajat varustavat kameroihinsa yhä useammin useita toimintoja, jotka on suunniteltu parantamaan tallennetun kuvan laatua.

Tästä syystä Defog-funktion merkitys, jota joskus kutsutaan myös nimellä F-DNR, on yksi avainalgoritmeista, jotka on toteutettu monien ulkovalvontaan hyödyllisten toimintojen joukossa.

Kuva 1. Kuvien vertailu, joissa Defog-toiminto on poistettu käytöstä (DEFOG OFF) ja on käytössä (DEFOG ON)

Digitaalitekniikan kehityksen edistyminen asianmukaisten kuvankäsittelyalgoritmien avulla tarkoittaa, että Defog-toimintoa käytetään yhä laajemmin jopa edullisissa kameroissa. Tämä tekniikka säätää kameran kuvamuuntimen tallentaman tiedon jakautumista ja parantaa kuvan kontrastia ja yksityiskohtia tietojen häviämisen vähentämiseksi jälkikäsittelyn aikana.

Digitaalisessa Defog-toiminnossa käytetään kahta tunnettua algoritmia: kuvanparannus ilman mallia ja malliin perustuva kuvan palautusmenetelmä. Kuvanparannusmenetelmä ilman mallia lisää kontrastisuhdetta niin, että subjektiivinen visuaalinen arviointi jää käyttäjälle tyydyttäväksi. Malliin perustuva kuvan palautusmenetelmä tutkii kuvan huononemisen syyt ja yrittää seuraavaksi kääntää prosessin päinvastaiseksi niin, että lopullinen kuvanlaatu on lähellä alkuperäistä.

Yleisiä tapoja kuvan parantamiseen ilman mallia ovat histogrammin tasaus ja sumeaan logiikkaan perustuvien algoritmien käyttö. Histogrammin korjaus voidaan jakaa globaaliin ja osittaiseen. Globaalilla histogrammitasauksella on alhaiset laskentakustannukset, mutta kuvan sisältämän yksityiskohtaisen tiedon parantaminen ei useimmiten ole tyydyttävää. Osittainen histogrammin tasaus sen sijaan toimii tehokkaammin, mutta se voi aiheuttaa estovaikutuksia, ja myös kohinan voimistumista voi esiintyä. Suodattimen muokkausalgoritmi tarjoaa hyvän kuvanlaadun, mutta laskentakustannukset ja resurssien kulutus ovat niin korkeat, että tämä ratkaisu ei sovellu reaaliaikaiseen näkymään. Sitä vastoin sumeaan logiikkaan perustuvat Defog-toiminnon vaikutukset eivät yleensä ole tyydyttäviä.

Yhteenvetona voidaan todeta, että kuvanparannusmenetelmät ilman mallia voivat parantaa kuvanlaatua jossain määrin. He eivät kuitenkaan pysty parantamaan sitä tehokkaasti.

Malliin perustuva kuvan palautusmenetelmä sisältää suodatusmenetelmän, maksimientropiamenetelmän ja heikentyneen kuvan funktion estimointimenetelmän. Suodatusmenetelmä, kuten Kalman-suodatus, vaatii yleensä monimutkaisia laskelmia. Maksimientropiamenetelmällä saadaan korkea resoluutio, mutta se on epälineaarinen algoritmi, jolla on suuri laskennallinen monimutkaisuus, ja itse prosessi on myös erittäin monimutkainen. Heikentyneen kuvan funktion estimoimismenetelmä suunnitellaan yleensä tietyn fyysisen mallin perusteella. Tämä algoritmi vaatii kuvan ottamista eri aikoina myöhempää käyttöä varten fyysisen mallin parametrien määrittämiseksi, ja koska se ei ole reaaliaikainen menetelmä, sitä on vaikea soveltaa CCTV-valvontaan.

CCTV-alan suurimmat valmistajat ovat kehittäneet Defog-toiminnon, joka voi toimia reaaliaikaisesti. Tämä tekniikka perustuu ilmakehän optiikan teoriaan. Defog-toiminto erottaa eri alueiden syväterävyyden ja sumutiheyden ja käyttää suodatusprosessia saadakseen selkeän ja luonnollisen kuvan.

Alla on esimerkkejä siitä, kuinka Defog toimii.

Kuva 2. Kuvavertailu ennen kontrastisuhteen parantamisen ja sen jälkeen.

Kuva 3. Kuvan yksityiskohtien vertailu.

Kuva 4. Tekstin vertailu näkymässä.