Диссертация (Методы математического моделирования и алгоритмы автоматической обработки аэрокосмических изображений при распознавании природных и антропогенных объектов), страница 16

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.