Диссертация (Автоматическая сшивка радиолокационных изображений земной поверхности при неизвестных элементах внешнего ориентирования), страница 5

Эталонные изображенияв таких системах могут быть получены как с помощью цифровой картыместности, так и с помощью аэрофото- или радиолокационной съемки,проведенной заранее [20, 33, 34].Совмещение нескольких РЛИ одного участка местности, полученных водном диапазоне длин волн, но в разное время, позволяет выявлять изменения наместности [35], возникающие в результате природных катаклизмов (разливы рек[36], последствия цунами, просадки земной поверхности [37]) или человеческойдеятельности (вырубки леса, нефтяные разливы [38], прокладка дорог, возведениеоборонительных сооружений).Электромагнитные волны разных частотных диапазонов отличаются попроникающей способности.

Так РЛС, излучающие в X-диапазоне, не способныдостичь объекта под кронами деревьев, в то время как РЛС P-диапазонаобнаруживают подземные протечки дамб. Совмещение нескольких РЛИ одногоучастка местности, полученных при съемке в различных диапазонах длин волнили поляризациях, позволяет повысить информативность радиолокационного27мониторинга, а также вероятность обнаружения замаскированных или скрытыхпод покровом растительности объектов [5].В настоящее время, задачи совмещения или сшивки РЛИ земнойповерхности, полученных с помощью космических РСА, позволяют решатьследующие программные комплексы:– система Photomod Radar [39], разработанная компанией ЗАО «Ракурс»,поддерживает форматы данных большого количество космических РСА;– линейка программный продуктов Scanex (Scanex Image Processor, ScanexENVISAT Processor и другие) [40] проводит обработку данных, полученныхот широкого спектра космических аппаратов как радиолокационного, так иоптического зондирования Земли;– программное обеспечение Geomatica Radar Suite [41], разработанноекомпанией PCI Geomatics, поддерживает обработку данных небольшогоколичества определенных космических РСА;– проекты с открытым исходным кодом Next ESA SAR Toolbox (NEST) [42] иScience Toolbox Exploitation Platform (STEP) [43], разрабатываемыеЕвропейским космическим агенством, обрабатывают данные космическихРСА, эксплуатируемых в рамках программы Scientific Exploitation ofOperational Missions (SEOM).Данные программные комплексы предназначены для обработки данныхрадиолокационного мониторинга, полученных с помощью ряда космических РСА,содержатмножествоинструментоввизуализации,дешифрирования,радарграмметрической обработки, оценки качества, улучшения и анализа РЛИземной поверхности.

Кроме того, указанные программные продукты позволяютпроводить автоматическое совмещение РЛИ земной поверхности, полученных врежиме интерферометрической съемки. Сшивка РЛИ, полученных инымспособом, осуществляется автоматически с помощью набора параметроввнешнего ориентирования носителя РСА в момент съемки или массива наземныхконтрольных (опорных) точек, составленного оператором заранее.28Из представленного обзора программных комплексов совмещения и сшивкиизображений, полученных в различных диапазонах длин волн, следует, что внастоящее время не существует решения задачи полностью автоматическойсшивки РЛИ земной поверхности при неизвестных элементах внешнегоориентирования.1.3 Обзор методов определения качества изображенийСемантикой изображения называют смысловое содержание изображения.Под семантическим анализом изображения подразумевается автоматическоеполучение семантического описания (аннотации) изображения, а также поиск впространстве таких описаний – поиск по содержанию изображения [44].Многим системам автоматизированной или автоматической обработки РЛИ(например, решающим задачи сшивки РЛИ земной поверхности или поиска ираспознавания объектов на изображении) требуются семантически насыщенныеизображения (рисунок 1.3, а) или, другими словами, РЛИ, которым присущи ярковыраженныеизмененияконтрастностивпределахкадраизображения.Использование таких систем для обработки изображений со скудной однороднойсемантикой (рисунок 1.3, б) приведет только к потере времени без достижениятребуемого результата, поэтому целесообразно проводить объективную оценкунасыщенности семантики РЛИ перед обработкой.Субъективность восприятия изображений человеком сильно усложняетприменение формализованных подходов для решения задач обработки и описанияизображений [45].

Разработка объективных показателей оценки изображений,способных заменить субъективную оценку человека, является важным шагом напути к полной автоматизации систем обработки изображений.29Рисунок 1.3 – РЛИ городских построек (а) и сельскохозяйственного поля (б)На сегодняшний день большое внимание было уделено объективнымпоказателям, позволяющим судить о схожести изображений или их фрагментов. Ктаким показателям можно отнести коэффициент Бхаттачария [46, 47], индексыструктурного сходства SSIM (structural similarity measure), MISM (momentinvariants based similarity measure) [48] и множество других.

Показатели даннойгруппы подразумеваютналичиедвух изображений,междукоторымиирассчитывается тот или иной показатель сходства, поэтому применить подобныепоказатели в задаче оценки насыщенности семантики РЛИ не представляетсявозможным.Похожая задача оценки информативности (не путать с информативностьюиз области теории информации, качественно не имеющей ничего общего ссемантикой изображения) решается в алгоритмах составления видео сводки –минимального набора наиболее информативных кадров, способных краткоописать содержание видеозаписи [49]. Однако информативность кадра в такихалгоритмах определяется не анализом семантики, присущей данному кадру, аотличием его от остальных кадров видеопоследовательности, что не позволяетиспользовать данные алгоритмы для решения задачи определения насыщенностисемантики РЛИ.30Алгоритмы эталонной (в зарубежной литературе full-reference) оценкикачества и информативности изображения, например, предложенные в работах[50], [51] и [52], фактически оценивают отличие обрабатываемого (искаженного)изображения от эталонного (оригинального).

Аналогичные безэталонные (взарубежной литературе no-reference) алгоритмы оценки качества, описанные,например, в [53] и [54], получают количественную оценку уровня шумов,артефактов (искажения из-за алгоритмов сжатия с потерями) или степениразмытияобъектовнаизображении,чтонеимеетничегообщегоснасыщенностью семантики изображения.В [55] предложена следующая процедура вычисления количественногопараметраQнасыщенностисемантики(вработеиспользуетсятермин«информационная насыщенность», аналогичный по описанию) изображения:n−2 m−21Q=∑∑G ,8(n−2)(m−2) i=1 j=1 i, ji+1G i, j =j+1∑ ∑i1=i−1 j1= j−1{1, если I (i , j)=I (i 1, j 1) ,0,иначе(1)(2)где I(i,j) – входное изображение, а n и m – его размеры. Информационнаянасыщенность полутонового изображения Q равна 1, когда яркость каждогопикселя отличается от яркости пикселей его окрестности, и 0 в противном случае.Данный подход чувствителен к малейшему шуму на изображении, в частности, кспекл-шуму – неотъемлемой составляющей каждого РЛИ.

В этой связи применятьданный параметр для оценки насыщенности семантики РЛИ неэффективно.Из анализа рассмотренных показателей оценки качества изображенийследует, что в настоящее время не существует алгоритма, способного проводитьобъективную оценку насыщенности семантики РЛИ земной поверхности.311.4 Анализ автоматических методов обнаружения опорных точек нарадиолокационных изображениях с перекрытиемДляпоискаориентации(корегистрации)двухперекрывающихсяизображений в рамках решения задач сшивки или совмещения РЛИ земнойповерхности без географической привязки при неизвестных или известных сбольшой погрешностью элементах внешнего ориентирования необходимопроводить анализ непосредственно самих изображений, а точнее, их областиперекрытия.В настоящее время существуют различные подходы к вычислениюориентации изображений с помощью анализа их области перекрытия [56]:– кореляционно-экстремальные алгоритмы;– на основе различных интегральных преобразований;– на основе оптического потока;– на основе выделения, описания и сопоставления точек интереса.Корреляционно-экстремальные методы сводятся к поиску экстремумафункциисходствамеждудвумяизображениями,которыеназываютобрабатываемым и эталонным.

В качестве функции сходства часто используетсянормированная взаимная корреляционная функция:N −1 M −1∑ ∑ f ЭИ (i , j) f ОИ ( i+ x , j+ y)F( x , y)=i=0√ ∑∑j=0N−1 M −1[i =0j=0,N−1 M−1f2ЭИ(i, j)]⋅[ ∑i=0∑f2OИ(3)(i+ x , j+ y )]j=0где fЭИ(i,j) и fОИ(i,j) – яркости эталонного и обрабатываемого изображения в точке(i,j) соответственно, а M, N – размеры эталонного изображения.Корреляционно-экстремальные методы позволяют успешно определитьвзаимное расположение двух обрабатываемых изображений при параллельном32переносе одного относительно другого, однако практически неустойчивы кизменению масштаба (менее 0,925 или более 1,075), повороту (более 3,5 градусов)или проективным искажениям [34]. Для успешного использования методовданного типа в этом случае необходимо искать сходство не только с исходнымизображением, но и всячески преобразованным, согласно описанным искажениям,что значительно увеличивает затрачиваемое на обработку время и потребляемыересурсы ЭВМ.Методыинтегральныхпреобразованиймогутосновыватьсянапреборазовании Фурье, разложению по различным вейвлетам [57] и прочих.

Кнедостаткамданныхметодовможноотнестинизкуюустойчивостькперспективным (проективным) искажениям, малый максимальный определяемыйсдвиг и, как правило, высокие требования к отношению сигнал/шум [58], чтонеприемлемо для РЛИ земной поверхности в виду наличия спекл-шума.Точку, попавшую в область перекрытия сшиваемых или сопоставляемыхизображений, будем называть опорной, если известны ее координаты в СК обоихизображений.Различные методы определения оптического потока [59, 60] фактическивычисляют сдвиг каждого пикселя из СК одного изображения в СК другого, чтодает очень плотный набор опорных точек. Такие методы не имеют ограничений натип преобразования СК между изображениями, однако дают стабильный результаттолько в случае сравнительно небольших смещений пикселей [58].