Диссертация (1137226), страница 17

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 17)

Для каждой области, прошедшей отбраковку по площади, рассчиты­ваются длины большой и малой полуосей эквивалентного эллипса, .Черезего параметры выражаются условия на пропорции и компактность области, со­ответствующей автомобилю:1.3 < / < 3,(3.44) < 2.(3.45)Результат отбраковки на фрагменте изображения приведён на рисунке 3.11.107Рисунок 3.10 – Блок-схема алгоритма кластеризации слиянием.3.3.3. Оценка вычислительной сложностиОсновная часть вычислительной сложности алгоритма заключается в эта­пе формирования областей одинакового тона путём кластеризации, поэтомусложность оценена именно для кластеризации. Количество объединений не мо­жет быть больше, чем при объединении всех точек в одну область, то естьограничено сверху числом точек в изображении.

Количество проходов, то естьопределения для каждой активной области, можно ли её объединить с какой­либо другой, ограничено сверху случаем, когда за каждый проход совершаетсятолько одно слияние. Так как в каждом проходе анализируются все активныеобласти, получается квадратичная сложность. Однако на реальных изображе­ниях, имеющих множество областей однородного тона с плавными переходамицвета, на начальном этапе происходит быстрое слияние, затрагивающее многие108Рисунок 3.11 – Слева области после отбраковки по площади, справа — после отбраковки попараметрам эллипса. Чёрные области — верно распознанные автомобили, розовые — ложныесрабатывания.точки, и только на поздних этапах работы алгоритма, когда основные областиоднородного тона уже сформированы, происходит увеличение количества прохо­дов, дающее квадратичное возрастание сложности.

Таким образом, сложностькластеризации составляет( 2 )в худшем случае и( log )в среднем нареальных изображениях.3.3.4. Численный эксперимент и анализ результатовДля проверки результатов работы алгоритма была использована серияизображений, полученных аэрофотосъемкой, с пространственным разрешением5-15 сантиметров в трех каналах с динамическим диапазоном 8 бит (= 255).Было использовано 46 изображений городской и сельской местности, содержа­щих в общей сложности 2226 автомобилей.На изображениях было обнаружено 1613 автомобилей и получено 2452 лож­ных срабатывания, что даёт60% ложных срабатываний и 28% пропусков цели,что несколько уступает некоторым аналогам [96, 166]. Таким образом, можносказать, что алгоритм недостаточно селективен для надёжного определения ав­109томобилей, но принципиально работоспособен для предварительного выделениякандидатов на роль автомобилей.

В таком виде он может быть использовансовместно с другим алгоритмом, который более точно отличает автомобили,но требует компактную зону поиска из-за особенностей или вычислительнойсложности, например использующий искусственную нейронную сеть или кас­кад классификаторов [125].Основной причиной пропусков цели является спектральная близость авто­мобиля к фону, так как при переходе к пространству нормализованных цветовбелые и серые автомобили становятся близки по характеристикам к асфальту.Этот недостаток может быть устранён путём введения в рассмотрение яркост­ных характеристик, однако это потребует существенного изменения алгорит­ма.

С другой стороны, возможно существенное улучшение при использованиине трёхцветного, а мультиспектрального или гиперспектрального изображения,так как в инфракрасном диапазоне автомобили могут выделяться на фоне до­рожного покрытия из-за собственного теплового излучения[104], а в других дли­нах волн, за пределами видимого диапазона, лакокрасочное покрытие автомо­билей может иметь отличную от асфальта отражательную характеристику.Большое количество ложных срабатываний связано с достаточно слабы­ми ограничениями на геометрические параметры автомобиля, под которые по­падает любой компактный объект подходящего размера. Более строгое описа­ние формы, близкой к прямоугольнику, учёт наличия видимого сверху лобо­вого стекла отличного от основной площади цвета и наличия у автомобилятени может уменьшить количество ошибок [103], однако это необходимо про­водить одновременно с усовершенствованием детектирования потенциальныхавтомобилей.

Кроме того, количество ложных срабатываний можно существен­но уменьшить, если применять карту автомобильных дорог, и не детектироватьавтомобили вне проезжей части [96].110ЗаключениеВыводы.1.Исследованы возможности средств дистанционного зондирования Зем­ли, применимых для распознавания объектов на поверхности суши.

Определе­ны предпочтительные для решения поставленных задач данные, предложеныметоды их обработки. Изучены растровая и векторная модели представленияданных дистанционного зондирования, предложены численные методы их сов­местной обработки.2.Разработаны численные методы и алгоритмы предварительной обработ­ки данных дистанционного зондирования, обеспечивающие совместную обра­ботку растровых аэрокосмических изображений и картографических данных,представленных в векторной модели, а именно метода индексации векторныхданных, метода повышения пространственного разрешения изображений с ис­пользованием векторной модели представления априорной информации и ал­горитм получения объединения, пересечения, разности полигонов в векторноймодели данных ДЗЗ.3.Разработаны численные методы и алгоритмы тематической обработкиданных дистанционного зондирования, обеспечивающие обнаружение и распо­знавание природных и антропогенных объектов на аэрокосмических изображе­ниях, а именно территорий, поврежденных в результате природных пожаровна космических изображениях низкого разрешения, и транспортных средств наданных сверхвысокого пространственного разрешения.4.Все разработанные методы предварительной и тематической обработкиданных ДЗЗ реализованы программно на языке программирования Си, изуче­на их эффективность путем вычислительных экспериментов с использованиемреальных данных аэрокосмической съёмки.

Показатели сравнены с теоретиче­скими оценками и с существующими методами.5.Программы, реализующие разработанные методы, зарегистрированы в111государственном реестре программ для ЭВМ и внедрены в эксплуатацию в со­ставе макета аппаратно-программного комплекса в рамках НИР «Проблемно –ориентированные поисковые исследования в области разработки космическихметодов и технологий мониторинга и прогнозирования эмиссий вредных при­месей в атмосферу при лесных и торфяных пожарах» (проект 16.515.11.5028),проведённой в НИИ «АЭРОКОСМОС» в 2012-2013 годах.Рекомендации.Полученные результаты могут быть использованы в об­ласти мониторинга природных и антропогенных территорий для обработкиаэрокосмических изображений высокого, среднего и низкого пространственногоразрешения.

Использование автоматических методов обработки данных дистан­ционного зондирования позволяет ускорять получение требуемого результата иповышать эффективность использования аэрокосмических данных.Перспективыдальнейшего исследования состоят в повышении качестваметодов тематической обработки для улучшения результата классификации.При снижении уровня ошибок распознавания разработанные методы могут бытьиспользованы вместо экспертной дешифровки аэрокосмических изображений саналогичной и даже более высокой точностью.112Литература1. Адров В.Н.Критерии выбора данных ДЗЗ для топографического кар­тографирования [Электронный ресурс] /П.С.

Титаров, А.Д. Чекурин //В.Н. Адров, Ю.И. Карионов,. Режим доступа: http://89.208.18.45/www_download/articles/remote_sensing_data_choice_criteria.pdf(датаобращения: 10.09.2015).2. Антонов В.Н. Мониторинг состояния посевов и прогнозирование урожай­ности яровой пшеницы по данным ДЗЗ / Антонов В.Н., Сладких Л.А. //ГЕОМАТИКА. - 2009. - №4. - с.50-53.3.

Барталев С. А.Информационная система дистанционного мониторингалесных пожаров Федерального агентства лесного хозяйства РФ (состояниеи перспективы развития) / С.А. Барталев, Д.В. Ершов, Г.Н. Коровин, Р.В.Котельников, Е.А. Лупян, В.Е Щетинский Современные проблемы дистан­ционного зондирования Земли из космоса. - 2008. - т.5., №II. - С.419-429.4. Барталев С. А. Основные возможности и структура информационной си­стемы дистанционного мониторинга лесных пожаров Федерального агент­ства лесного хозяйства (ИСДМ Рослесхоз) / С.А.

Барталев, Д.В. Ершов,Г.Н. Коровин, Р.В. Котельников, Е.А. Лупян, В.Е Щетинский // Совре­менные проблемы дистанционного зондирования Земли из космоса. - 2010.- Т. 7., №. 2. - С. 97-105.5. Барталев С. А.Оценка площади пожаров на основе комплексированияспутниковых данных различного пространственного разрешения MODISи Landsat-TM/ETM+ / С.А. Барталев, В.А. Егоров, В.Ю. Ефремов, Е.А.Лупян, Ф.В. Стыценко, Е.В. Флитман // Современные проблемы дистан­ционного зондирования Земли из космоса.

- 2012. - Т.9., №.2. - С. 9-26.6. Беляев А.И.Национальная система сбора, обработки и анализа инфор­мации о природных пожарах и ее сопряжение с международными и реги­ональными информационными сетями / Беляев А.И., Лупян Е.А., Рома­нюк Б.В., Сухинин А.И., Тащилин С.А. // Управление лесными пожарами113на экорегиональном уровне. Материалы международного научно-практи­ческого семинара. М.: Издательство "Алекс". - 2004. - С.156-166.7. Березко А. Интеллектуальная ГИС / А. Березко, А.

Рыбкина, А. Соловьев,Р. Красноперов // Вестник ОЗН РАН. - 2009. - Т.1. - С. 1-7.8. Блажевич С.В. Синтез космического изображения с улучшенной разреша­ющей способностью на основе субпиксельного сканирования / БлажевичС.В., Винтаев В.Н., Ушакова Н.Н. // Современные проблемы дистанцион­ного зондирования Земли из космоса. 2010.

Характеристики

Список файлов диссертации