Диссертация (Методы математического моделирования и алгоритмы автоматической обработки аэрокосмических изображений при распознавании природных и антропогенных объектов), страница 16
Описание файла
Файл "Диссертация" внутри архива находится в папке "Методы математического моделирования и алгоритмы автоматической обработки аэрокосмических изображений при распознавании природных и антропогенных объектов". PDF-файл из архива "Методы математического моделирования и алгоритмы автоматической обработки аэрокосмических изображений при распознавании природных и антропогенных объектов", который расположен в категории "". Всё это находится в предмете "технические науки" из Аспирантура и докторантура, которые можно найти в файловом архиве НИУ ВШЭ. Не смотря на прямую связь этого архива с НИУ ВШЭ, его также можно найти и в других разделах. , а ещё этот архив представляет собой кандидатскую диссертацию, поэтому ещё представлен в разделе всех диссертаций на соискание учёной степени кандидата технических наук.
Просмотр PDF-файла онлайн
Текст 16 страницы из PDF
3.8.3.2.8. Реализация в виде комплекса программ и численныйэкспериментРазрботанный метод был реализован в виде тестового приложения и исследован на реальных данных. Точность работы классификатора, обученногона два класса, без отбраковки слабой облачности, оказалась неприемлемо низкой, и была улучшена после введения маски полупрозрачной облачности какотдельного класса. Однако, несмотря на это, результат остался неудовлетворительным. Причины такого результата проанализированы. Первое условие,ослабляющее точность распознавания — требование выделения гарей по единственному изображению.
В таком случае возможны как пропуски цели из-занеполного уничтожения растительности на территории, так и ложные срабатывания на близких к выгоревшей территории по спектральным характеристикамтипах поверхности. Использование временной серии изображений, демонстрирующих в динамике резкое изменение характеристик территории в момент пожара, может дать более высокие результаты. Более важно, что допущение о98Рисунок 3.6 – Блок-схема алгоритма обучения без использования класса слабой облачности.99Рисунок 3.7 – Блок-схема алгоритма обучения с использованием класса слабой облачности.100Рисунок 3.8 – Блок-схема алгоритма классификации точек изображения.101нормальности распределения элементов класса не соответствует действительности, что было показано исследованием выборки по критерию нормальностихи-квадрат. Для улучшения результата возможно выделение множества классовлибо путём выделения для них отдельных обучающих выборок, либо кластеризацией по принципу разделения гауссовой смеси.3.3.
Численный метод обнаружения транспортныхсредств на цветных аэрокосмических изображенияхсверхвысокого разрешенияВ отличие от космических данных, аэрофотосъёмка позволяет оперативнополучать изображения более высокого разрешения (5-10 сантиметров на пиксель). В настоящее время происходит быстрое развитие средств аэрофотосъёмки, связанное во многом с беспилотными летательными аппаратами, что ставитновые задачи обработки получаемых изображений. Одна из задач, решаемых спомощью таких данных — распознавание автомобилей с целью отслеживанияих расположения, движения [9].Существуют различные подходы к решению такой задачи. При использовании одноцветных панхроматических изображений используется выделениеграниц на изображении и поиск среди них контуров машин [143, 166] или использование корреляторов в схеме AdaBoost [125].
Мультиспектральные изображения позволяют производить выделение областей с заданными характеристиками [122, 149]. Именно этот подход использован в разработанном методе —выделение на изображении областей на основании цветовых характеристик составляющих их точек.1023.3.1. Постановка задачиВходными данными являются аэрокосмические изображения сверхвысокого разрешения, такого, что есть возможность выделить геометрические особенности объекта, размером соответствующего автомобилю. Изображение содержит спектральные каналы в красном, зеленом и синем диапазоне видимогосвета (RGB):гдe, : {1, ..., } × {1, ..., } → {1, ..., },(3.31) : {1, ..., } × {1, ..., } → {1, ..., },(3.32) : {1, ..., } × {1, ..., } → {1, ..., },(3.33)— размеры изображения в пикселях,— наибольшая интенсивность,или в векторной форме, каждому пикселю изображения соответствует векторяркостей:C = (, , ) .(3.34)Требуется найти автомобили (их положение, ориентацию, размеры) приминимизации ошибок первого и второго рода, то есть ложных срабатываний ипропусков цели.3.3.2.
Метод решенияМетод основан на выделении областей с близкими цветовыми характеристиками. Такой подход оправдан тем, что большинство автомобилей имеет однотонную окраску и при этом тон этой окраски, как правило, отличается отфонового (дорога, растительность). Доля автомобилей, окрашенных в несколько цветов, составляет не более одного процента от общего количества, и неотразится существенно на итоговой ошибке.Основные стадии работы алгоритма таковы:103∙выделение тоновых характеристик (исключение влияния затенения нацвет);∙формирование областей одинакового тона путём кластеризации;∙выделение однотонных областей - гипотетических автомобилей;∙вычисление признаков областей и отбраковка.Выделение тоновых харакРассмотрим подробнее каждый шаг алгоритма.теристик.Видимый на изображении цвет автомобиля задается его окраской,затенением и бликами.
Влияние бликов не рассматривается. Для устранениявлияния затенения используется нормализация цветовых компонент. Введемнормализованные яркости в трех каналах=, , :, =, =,++++++(3.35)или же в векторной форме:c=C.||||1(3.36)При такой нормировке получившиеся функцииство значенийния яркости:, , имеют то же множе{1, ..., }, причем являются линейно зависимыми за счет исключе + + ≡ . Вся дальнейшая обработка изображения происходитс использованием нормированных цветов.Формирование областей одинакового тона.Задача состоит в разбиении изображения на связные области, точки внутри каждой из которых обладают близким друг к другу цветовым тономc,а точки, входящие в разныесоседние области, существенно отличаются. Выбран подход слияния [109], тоесть последовательного, начиная с отдельных точек, объединения близких поцветовым характеристикам областей.Опишем использованный алгоритм кластеризации слиянием формально.Областьможет включать в себя одну точку = {(, )}или множество104точек = {(, )1 , ..., (, ) }.{1 , ...
}Для каждой области заданы её соседи ( ) =— области, имеющие соприкосновение с данной областью по вертикали или горизонтали: ∈ ( ), если ∃(, )1 ∈ , (, )2 ∈ :1 = 2и(3.37)|1 − 2 | = 1 или |1 − 2 | = 0 и 1 = 2 .Это отношение коммутативно, то есть ∈ ( ) ⇔ ∈ ( )Областьможет не иметь соседей (вырожденный случай, когда всё изображение является одной областью), или иметь от одного до неопределенно большого числасоседей, ограниченного сверху количеством точек в изображении.Назовёмc(, ) = (, , )цветовой характеристикой точки(, ).Аналогично, цветовой характеристикой области назовем усреднение по всем точкам( ) = ⟨C(, )⟩|(,)∈ Для каждой области определяется общая яр∑︀кость B( ) =C(, ) и количество входящих в нее точек = || ||, чтообласти:(,)∈позволяет быстро вычислять среднюю яркость( ) = B/ .Области могутбыть сравнены по их цветовым характеристикам и размерам.При инициализации алгоритма слияния создается создается список активных областей, каждая из которых содержит одну точку изображения.
В дальнейшем на каждом проходе алгоритма просматривается список активных областей и попарно сливаются так из них, которые отвечают условиям 3.38, и приэтом принадлежат текущему поколению, то есть не являются полученными наданном проходе.Слияние (объединение) двух областей1и2происходит при выполнении следующих условий:1 ∈ (2 )(3.38)|c(1 ) − c(2 )| < ,(3.39)105где- порог слияния.При слиянии получается область3 = 1 ∪ 2 ,характеристики которойвычисляются следующим образом:(3 ) = (1 ) + (2 )(3.40) (3 ) = (1 ) + (2 )(3.41) (3 ) = (1 ) ∪ (2 )(3.42)Алгоритм заканчивает работу, когда на очередном проходе не произведено ни одного объединения, так как заданные условия слияния не выполняются.Условия могут различаться на разных проходах.
Список активных областей организован в виде очереди, очередная область для слияния берется из начала,а новые активные области добавляются в конец. Таким образом, проходы алгоритма осуществляются один за другим, просто по ходу очереди, без возврата вначало. При этом области, для которых не было произведено слияние, не извлекаются из списка и не переносятся в конец, поэтому после завершения проходаочереди, когда в очередном поколении не происходит слияний и, следовательно,областей в конец очереди не добавляется, необходимо провести сканированиеочереди с самого начала. Такое сканирование, то есть последовательность проходов и поколений, приводящее к концу очереди, называется эрой.
Окончаниеработы алгоритма происходит, когда на протяжении очередной эры не происходит ни одного слияния.Блок-схема алгоритма представлена на рисунке 3.9, пример участка изображения до обработки и после кластеризации на рисунке 3.10.Отбраковка по геометрическим признакам. Определим признаки области, характерные для автомобиля. Большинство легковых автомобилей привиде сверху имеет длину от 3 до 5 метров и ширину от 1,5 до 2 метров и форму, близкую к прямоугольной.
Область, соответствующая автомобилю, должнаиметь подходящую площадь, не быть слишком вытянутой, и быть компактной,106Рисунок 3.9 – Слева — фрагмент исходного изображения, справа — этот же фрагмент послекластеризации, цвета искусственные.то есть не иметь значительных выбросов и полостей. Первым геометрическимпараметром выбрана площадь,которая с учетом пространственного разрешения использованных снимков должна составлять500 < < 5000.(3.43)Площадь области легко рассчитывается и поэтому является критерием отборана первом этапе. Далее для учета других геометрических признаков используется эквивалентный эллипс инерции - графическое отображение момента инерциифигуры.