Методы обработки графической информации для повышения точности приборов астроориентации космического базирования, страница 2

Зеленоград,МИЭТ; 16-я Международная научно-практическая конференция «Фундаментальныеи прикладные исследования, разработка и применения высоких технологий впромышленности и экономике», 2013 г, Санкт-Петербург; 3-я Международнаянаучно-практическая конференция «Новейшие исследования в современной науке:опыт, традиции, инновации», 2015, г. Москва.ПубликацииПо теме диссертации опубликовано 8 работ, из них 5 в журналах, включенныхВАК в перечень ведущих рецензируемых журналов и изданий, в которых должныбыть опубликованы основные научные результаты диссертаций. Переченьопубликованных работ приведен в конце автореферата.Структура и объем диссертацииДиссертация состоит из введения, семи глав, заключения, списка литературы иприложения.

Общий объем работы составляет 167 страниц машинописного текста,85 рисунков и 13 таблиц. Список литературы включает 130 наименований.СОДЕРЖАНИЕ РАБОТЫВо введении излагается актуальность выбранных объекта и предметаисследования, цель и основные задачи диссертационной работы, перечисленыметоды исследования, описываются положения, выносимые на защиту, научнаяновизна, достоверность и практическая значимость полученных результатов,приводится краткое содержание работы.10Первая глава посвящена системному анализу АД космического базирования,исследованию требований и ограничений к алгоритмической системе обработкиинформации прибора и анализу общих моделей входной информации.В результате были выбраны следующие пути повышения точности измеренияориентации: увеличение числа регистрируемых прибором звезд за счет обнаруженияслабоконтрастных объектов, повышение вероятности определения контуров изображений звезд, снижениесреднеквадратичнойошибкиизмерениякоординатэнергетического центра каждого изображения звезды.Обозначены элементы, требующие совершенствования для повышенияточности:этаппредварительногообнаруженияиопределенияконтуровизображений звезд и этап измерения координат их энергетических центров.Во второй главе производится исследование существующих методовпредварительного обнаружения.

Входная информация на данном этапе обработкипредставлена цифровым изображением, которое в соответствии с аддитивноймоделью описывается как:I ( x, y)  N ( , )  S0 ( x, y)  S1 ( x, y)  ...  Si ( x, y) ,где N (  , ) – распределение шума на изображении с параметрами уровня фона  исреднеквадратичным размахам шума  , S0 ( x, y) , S1 ( x, y) , … , Si ( x, y) – сигналы отзвезд, i – их общее количество, x  1,2,..., H  , y 1,2,...,V  – позиции отсчетов, H ,V – размеры по горизонтали и вертикали соответственно.ЗадачаобнаружениясостоитвразбиенииизображенияIнаряднепересекающихся подмножеств:{S0 , S1,..., S NS , F}  I ,где F – множество фоновых отсчетов, Si – набор сигнальных подмножеств(кластеров), NS – их общее количество, и исключении фона F .

Иллюстрацияприведена на Рисунке 1.11Рисунок 1. Пример входной и выходной информации для обнаружения и определения контура изображений звездДля повышения точности измерения ориентации были выбраны следующиекритерии к методам решения. Во-первых, вероятность обнаружения хотя бы одногоотсчета из сигнального кластера. Во-вторых, вероятность правильного определенияконтуров изображений звезд (вероятности потери краев и ложного захвата фоновыхэлементоввкластер).В-третьих,количествовычислительныхресурсов,требующихся для обработки информации.В ходе анализа существующих методов (Формирование области интереса(ФОИ), Полнокадровая статистика (ПС), Группирование вблизи локальныхмаксимумов (ГВЛМ), Стробы внутрикадровой обработки (СВКО)) была разработанаструктурная модель процесса обработки, которая представлена на Рисунке 2.I(x,y)СогласованнаяфильтрацияI’(x,y)Оценкапараметровфонаμ(x,y)σ(x,y)I’(x,y)ПороговоепринятиерешенияV(x,y)Рисунок 2. Структура модели процесса обработки информации для предварительного обнаруженияОна содержит три основных элемента, связанных последовательно по цепочкепереработки информации: в первом производится согласованная фильтрация сядром, схожим с формой распределения энергии изображения звезды, во второмпроизводится оценка параметров распределения фона (математического ожидания ( x, y) и СКО  ( x, y) ), в третьем принимается решение о наличии сигнала.Третья глава посвящена задаче оценки параметров распределения фонаизображения.

Её сложность заключается в наличии изображений звезд и дефектовФПУ, отклоняющих распределение фона от априорно полагаемого нормальногозакона. Гистограмма в логарифмическом масштабе приведена на Рисунке 3.12Былапредложенамодельвходной информации, в которойизображения звезд и дефектыхарактеризуетсяпричемвпроцессов,Рисунок 3. Гистограмма отсчетов изображениябудуткаксилуданныевыбросы,физическихвыбросыиметьтолькоправосторонний характер:FP ( x)  (1   )  FB ( x |  , )    FZ ( x) ,гдеFB ( x |  , )– нормальный закон распределения фона изображения снеизвестными параметрами сдвига  и масштаба  , FZ ( x) – неизвестный законраспределения выбросов, FZ ( x  0)  0 ,   0;1 – процент засорения выборки.Для повышения точности ориентации были выбраны следующие критерии:повышение эффективности оценок (минимизация их дисперсий), повышениеустойчивости оценок к правосторонним выбросам и снижение количествавычислительных ресурсов, необходимых для обработки информации.

Былаотмечена схожесть выбранной модели с классической для робастной статистикимоделью Тьюки-Хьюбера, в результате чего рассмотрены некоторые из техническихметодов решения: Median Absolute Deviation и Нечетное отображение выборки.Был предложен собственный метод оценки, структурная схема которогопредставлена на Рисунке 4. Он состоит из двух шагов. Первый шаг (отмеченкрасным) заключается в усечении отсортированной по возрастанию выборки справас помощью рассчитываемого порогового значения. Для этого используется медианавыборки и некоторый элемент из её левой части. Второй шаг (отмечен зеленым)заключается в оценке параметров: математическое ожидание вычисляется каксреднее по усеченной выборке, а СКО как линейная комбинация порядковыхстатистик.13XX'Сортировкаданныхx 'i0.5N ,Грубая оценкапараметровУсечениевыборкиx '0.5N ˆ0ˆ0γX 'M̂Конечная оценкамат.

ожиданияTˆКонечная оценкаСКОРасчет порогаусеченияkλРисунок 4. Структурная схема предлагаемого метода оценкиВ процессе моделирования входных данных и исследований была полученаэффективность разработанного метода свыше 80%, что в среднем в 3 раза вышеаналогов (24% и 32%).На Рисунке 5 графическипредставлены результаты оценкиколичества требуемых методамивычислительныхустойчивостиресурсовметодовикправостороннему засорению. Порезультатампроведенныхэкспериментовпредложенномуметоду необходимо в среднем на20% меньше вычислений, и онобладаетв2,5разабольшейустойчивостью к правостороннимРисунок 5.

Вычислительная сложность и устойчивостьдо 30%.методов оценкиВчетвертойвыбросам при засорении выборкиглавеописанразработанныйметодпредварительногообнаружения и определения контуров изображений звезд в соответствии с ранеепредложенной моделью процесса обработки графической информации. Структурнаясхема предложенного метода изображена на Рисунке 6.14Её первым элементом являетсяЛокальное окноIin (y , x)скользящее окно заданного размера,DyDxXXОценка параметров фонавПринятие решенияизображения.xc ,c̂ (x , y)F ( X , ˆ ,ˆ ) T>V (x , y)являетсяˆ(x , y)которомсодержатсяВторымотсчетыэлементомоценкапараметровраспределения фона с помощьюРисунок 6.

Структурная схема предлагаемого методаобнаруженияразработанного метода устойчивойоценки.Третийэлементпредставляет собой принятие решения для которого был предложен способадаптивного порога детектирования по локальному кластеру произвольной формыдля обнаружения и определения контура слабоконтрастных изображений звезд.Его суть заключается в том, что для каждого набора данных в локальном окне3×3, находящегося в центре окна сканирования, строится вариационный ряд повозрастанию. Он разбивается на два подмножества сигнальных и фоновых отсчетов.Граница разбиения выбирается исходя из сумм фоновых отсчетов, что позволяетснизить порог обнаружения при сохранении вероятности ложного срабатывания.Для сравнительного анализа методов предварительного обнаружения былпроизведен их параметрический синтез и статистическая оценка характеристикпутем моделирования входящей информации.

При этом параметры методовустанавливались исходя из одинакового количества ложных срабатываний.В Таблице 1 представлена оценка вычислительной сложности методов приобработке одного кадра изображения.Таблица 1. Количественная оценка вычислительной сложности и объема памятиМетодСложность вычисленияОбъем памятиФОИПСГВЛМСВОПМО1165·1036000·1033180·1055000·1092330·105~9·103106~5·103106~9·103Из представленной таблицы видно, что вычислительная сложность и объемпамяти для предложенного метода находятся в пределах тех же характеристик, что ивычислительная сложность применяемых на сегодняшний день решений.15НаграфикиРисунке7представленызависимостейвероятностейтребуемыхобнаруженияототношения сигнал/шум.Порезультатампараметрическогопроведенногосинтезаметодовобработки графической информации спомощьюмоделированиявходныхданных,разработанныйметодобеспечивает вероятность обнаруженияизображений звезд при меньшем в 1,3раза отношении сигнал/шум при том жеуровне ложных срабатываний, имеетменьшую вероятность потери границдля слабоконтрастных объектов на 20%и меньшую на 3% вероятность ложногозахвата фоновых отсчетов в сигнальныекластеры,Рисунок7.Зависимостьвероятностейобнаружения от отношения сигнал/шумчтоповыситточностьизмеренияориентациипривнедрениивобработкисистемуегоинформации астродатчиков.Пятая глава посвящена задаче измерения координат энергетических центровизображений звезд.

Она заключается в нахождении положения в плоскостиизображения максимума колоколообразной функции распределения интенсивностисветового потока от звезды по информации, содержащейся в дискретных отсчетахкластера. Для повышения точности ориентации необходимо снизить общеесреднеквадратичное отклонения измеренных координат от их истинных положений,при этом отдельно рассматриваются случайная и систематическая ошибки.Анализсуществующихметодовизмерения(Координатылокальногомаксимума, Center of Gravity (CoG), Weighted Center of Gravity, Quad Cell, Взаимная16корреляция (ВК), Интерполяция на основе функции ошибок (ИФО)) показал, чтосуществуют два подхода к решению данной задачи: измерение координат только подискретнымданнымаппроксимации.Приивосстановлениеэтомзадачунепрерывнойвосстановленияформысневозможнопомощьюрешатьоптимальными методами, такими как взаимная корреляция, поскольку они обладаюткрайне высокой ресурсоемкостью.В шестой главе описывается разработанный метод измерения координатэнергетического центра изображения звезды и производится сравнительный анализего характеристик с ранее рассмотренными методами.Длявосстановлениятеоретическинепрерывнойобоснованныхмоделей,функциивприводитсярезультатечегоописаниееёпредлагаетсяаппроксимация формы пятна двумерной обобщенной функцией распределенияошибок: x  x0 nxF ( x, y )  exp  nx2 x y2xA0 y  y0 ny  exp  ny2y,где A0 – энергия излучения от точечного источника света, попадающая на плоскостьрегистрации, x0 , y0 – положение пика пятна по двум осям,  x , y – ширина пятна погоризонтальной и вертикальной оси, а nx , ny – параметры внутренней формы пятнарассеяния.Её отличием от ранее использованных аппроксимаций является введениепараметров nx и n y за счет подстройки которых минимизируется неувязка междупредполагаемой и реальной формой сигнала.Основная идея предлагаемого метода измерения заключается в линеаризациипреобразованных данных кластера для упрощения вычисления координат.