Количественная оценка ядра размытия по дорожным знакам с использованием СЧЧ косого края как метрики резкости

Почему размытые автомобильные камеры важны

Современные автомобили все больше полагаются на камеры для обнаружения пешеходов, считывания дорожных знаков и удержания автомобиля в полосе. Но так же, как и зрение человека, зрение камеры со временем может ухудшаться из‑за старения, нагрева, вибрации или небольших смещений в сборке. В этой статье рассматривается новый способ «измерить», насколько размытой стала автомобильная камера, анализируя обычные дорожные знаки — что потенциально позволяет автопроизводителям отслеживать состояние камер во времени вместо ожидания явных отказов.

Преобразование дорожных знаков в тестовые таблицы

На заводах резкость камер проверяют по специальным тестовым шаблонам перед отправкой. На дороге, однако, нет такого контролируемого объекта — есть только реальный мир. Авторы используют один распространенный и воспроизводимый объект в этом мире: дорожные знаки с четкими, высококонтрастными краями. Они опираются на стандартную метрику резкости, называемую пространственной частотной характеристикой (СЧЧ), которая по сути показывает, насколько хорошо камера сохраняет мелкие детали изображения. Анализируя немного наклонные («косые») края на дорожных знаках, можно вычислить СЧЧ подобно лабораторным тестам, но непосредственно по сценам реального вождения.

Фиксация того, как объектив распространяет свет

Размытие в камере можно описать маленьким изображением, называемым ядром размытия или функцией распределения точки. Оно показывает, как свет от одной точки сцены распределяется по соседним пикселям матрицы. Оценивать такое ядро напрямую по размытым фотографиям обычно очень сложно, потому что многие комбинации исходного четкого изображения и шаблона размытия могут дать похожий результат. Чтобы справиться с этим, исследователи сначала используют программное обеспечение для оптического проектирования, чтобы смоделировать около 1300 реалистичных ядер размытия для конкретной автомобильной камеры при различных настройках фокусировки и положениях в изображении. Затем они сжимают этот большой набор в компактный набор ключевых паттернов с помощью статистического инструмента анализа главных компонент (PCA), так что любое реалистичное размытие можно описать всего несколькими десятками чисел вместо сотен значений пикселей.

Сопоставление кривых резкости вместо пикселей

Когда компактный «словарь» ядер размытия построен, процесс оценки начинается с двух небольших фрагментов размером 45 × 45 пикселей, вырезанных из размывшегося изображения дорожного знака, вместе с соответствующими фрагментами из резкого опорного снимка того же знака. Для кандидата на ядро размытия, взятого из PCA‑модели, резкие фрагменты искусственно размываются и для них вычисляются кривые СЧЧ. Эти кривые затем сравниваются с кривыми СЧЧ, измеренными на реальных размытых фрагментах. Глобальный метод оптимизации, известный как дифференциальная эволюция, подстраивает параметры ядра так, чтобы минимизировать различие между двумя наборами кривых. По сути, алгоритм ищет шаблон размытия, который делает синтетические кривые резкости как можно ближе к тем, что получены из реального изображения камеры.

Насколько хорошо работает метод?

Авторы сначала тестируют свой метод на синтетических данных, где истинные ядра размытия известны точно. На десяти разных уровнях размытия, от очень резкого до заметно дефокусированного, оцененные ядра хорошо совпадают с истинными по нескольким независимым мерам схожести, причём значения структурного сходства обычно выше 0.95 и средние ошибки очень малы. Они также сравнивают свой подход с современными методами «слепого» удаления размытия из компьютерного зрения, которые в основном направлены на визуальное улучшение изображений, а не на восстановление точной формы ядра. В задаче точного восстановления исходного ядра для этой конкретной камеры новый метод на базе PCA ясно превосходит эти эталоны. Наконец, алгоритм применяют к реальным снимкам модифицированной автомобильной камеры, в которой сенсор можно сдвигать малыми шагами для создания известных степеней дефокуса. Хотя истинные ядра размытия здесь недоступны, оцененные ядра дают синтетические края, чьи кривые резкости и внешний вид остаются очень близки к фактическим размытым краям в широком диапазоне настроек фокусировки.

От лабораторной методики к проверке состояния камеры

Для неспециалистов главный вывод заключается в том, что авторы теперь могут превращать обычные дорожные знаки в диагностический инструмент, который показывает, как меняется оптика автомобильной камеры со временем, а не только выглядит ли изображение резким или мягким. Вместо одного числа «пройдено/не пройдено» оцененное ядро размытия кодирует подробную информацию о том, как свет распространяется внутри объектива, что, в свою очередь, можно связать с дефокусом или конкретными оптическими дефектами. Хотя текущий метод вычислительно затратен и работает только на небольших фрагментах вокруг чётких краёв, он указывает путь к будущим системам, в которых периодически изображения отправляются с автомобилей на сервер для отслеживания медленного ухудшения резкости камер. Это могло бы помочь в профилактическом обслуживании, поддержать более безопасные системы помощи водителю и в конечном итоге помочь сохранить «цифровые глаза» автономных транспортных средств в хорошем состоянии на протяжении многих лет службы.

Цитирование: Pandey, A., Akhtar, M.Z., Veettil, N.K. et al. Quantitative Kernel estimation from traffic signs using slanted edge spatial frequency response as a sharpness metric. Sci Rep 16, 7387 (2026). https://doi.org/10.1038/s41598-026-40556-w

Ключевые слова: камеры для автомобилей, резкость изображения, ядро размытия, изображение дорожных знаков, мониторинг состояния камеры