автореферат диссертации по геодезии, 05.24.02, диссертация на тему:Автоматизированная тематическая поконтурная обработка аэрокосмической видеоинформации с использованием непараметрической статистической сегментации изображений в системе "АИУС-агроресурсы"

мэшвсша ОРДЕНА ИНИНА ИНСТИТУТ ИНШШРОВ ГЕОДЕЗИИ, АЭРОСЪЕМКИ И КАРТОГРАЖИ

На правах рукописи

Чабан Лпдикла Николаевна

УДК 528;85

АВТОМАТИЗИРОВАННАЯ ТШШЧЕСКАЯ ГОКОНТУРНАЯ ОБРАБОТКА АЭРОНОСШЧЕСШЙ ЩЦЕШНЮРШЩИИ С ИСПОЛЬЗОВАНИЕМ НЕПАРАШБИЗСШЙ СГАЗИСГГИЧЕСЮЙ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ В СИСТЕМЕ "ШС-АГРОРЕСУРШ".

05.24.02

Аэрокосмические съемки, фотограмметрия я фототопография

Автореферат диссертации на соискание ученой степени кандидата технических паук

Мосгва - 1992

/

Работа выполнена вз Есесопзном научно-исследовательском центре по созданию и эксплуатации автоматизированной информационно-управляющей системы "Агрор®сурсы" САИУС-"Агроресурсы").

Научный рукеввдитель доктор технических наук,

профессор Й.Г.Журкин

Научный консультант ■ кандидат технических наук,

с.н.с. Г.Г.Авдреев

Официальные оппоненты: доктор технических наук, профессор А.С.Кучко

кандидат технических наук, доцент А.Ф.Стеценко

Ведущая организацияг Центр по проблемам экологии и продуктивности лесов РАН.

Защита диссертации состоится " 4 " 1993г.

в часов на заседании специализированного/совета К 063.01.02 по присуждению ученых степеней кандидата наук в Московском ордена Ленина институте инженеров геодезииаэрофотосъемки и картографии по адресу:

103064, Москва, К-64, Гороховский пер. ,д.4, МИГАиК (ауд.321).

С диссертацией можно ознакомиться 6 библиотеке МИИГАиК.

Автореферат разослан 1993г.

/7 "

• Ученый секретарь специализированного совета

Б.Б. Крвснопевцев

Общая характеристика работа.

Актуальность темы. В целях научно и экономически обоснованного планирования развития сельскохозяйственного производства, рационального использования земельных и других природных ресурсов, контроля экологической обстановки в различных регионах страна, органы планирования и управления должна оперативно обеспечиваться объективной и достоверной информацией о состоянии вгроресурсов и других природно-хозяйственных объектов на большие территориях. Создание и развитие методов дистанционного зондирования открыло широкие возможности получения такой информации. Для осущеетвления в производственном режиме сбора, переработки и использования данных дистан- * ционного зондирования при решении задач оценки и контроля состояния сельхозугодий, культур, почв, водоемов и мелиоративных систем, во исполнение постановления Совета Министров СССР в соответствии с целевой, конплексной программой ГШТ СССР 0.Ц.038, создана автоматизированная информационно-управляющая система "Агроресурсы" ("АИУС-агроресурсы"). Тематическая обработка видеоинформации осуществляется в системе на специализированных вычислительных комплексах с привлечением большого объема справочной, картографической и наземной информации по территории контролируемых регионов. Подсистема автоматизированной комплексной обработки видеоданных (автоматизированного дешифрирования) является одним из основных узлов систеш "АЙУС-агроресурсв".

С переходом на новую экономическую систем хозяйствования возникает необходимость расширения возможностей решения в рамках технических средств системы разнообразных тематических задай при рациональном использовании всех имегацихся ресурсов. Это требует создания новых алгоритмических и программных средств анализа видеоданных и технологий автоматизированного дешифрирования с учетом возможностей и ограничений конкретного технического обеспечения подсистемы тематической обработки.

Одним из наиболее трудоемких этапйв автоматизированного дешифрирования является выделение контуров исследуемых объектов и тематическая интерпретация их содержания. Разработка средств автоматизации данного этапа способствует сокращению затрат на полный цикл обработки и существенно облегчает работу специалиста при те-, матическом дешифрировании и оценке достоверности результата решения задачи.

Цель работы. Исследование и разработка методов, алгоритмических программных средств и технологий автоматизированной обработки, обеспечивающих выделение и количественный анализ па тоновым признакам однородных областей (контуров) на изображениях сельскохозяйственных угодив и ландшафтных сцен при решении функциональных задай системы "АИУС-агроресурсы".

Объект исследования. 'Объектом исследования являются алгоритмы автоматического выделения и анализа юднородьмх областей на аэрокос-гглческих изображениях, система и технологии автоматизированного тематического анализа и интерпретации даншх дистанционного зондировав ния.

Методы исследования. В работе использована положения и методы .теории цифровой обработки изображений, распознавания образов и анализа сцен, математической статистики, системного анализа, структур» ного программирования.

Научная новизна. На.основе анализа критериев однородности, использующихся при оконтуривании объектов-в сельскохозяйственном де- • • итерировании, и особенностей формирования изображений однородных природных образований (в частности, сельхозугодий) введено понятие статистической однородности по функции распределения яркости (тона). Введенный критерий однородности расширяет возможности выделения объектов с пространственно неустойчивыми значениями тонового признака. Разработан метод выделения статистически однородных областей с использованием непараметрических критериев проверки статистических гипотез. Проанализированы особенности использования непараметрических статистических критериев в задаче сегментации изображений и епрх делены, основные принципы выбора и адаптации этих критериев к условиям задачи. ' >

, Разработаны алгоритмы сегментации изображений (выделения статистически однородных областей) для, универсальных средней мощности. Создан многоцелевой программный комплекс поконтурнрй-обработки изображений, разработаны и апроб(1рованы технологии решения с применением данного комплекса ряда задач тематического дешифрирования и анализа изображений.

Практическая значимость результатов работы заключается в том, чтет, использование разработанного алгоритма сегментации на технических средствах системы "АИУС-агроресурсн" существенно сокращает за-

траты на выделение и анализ контуров исследуемых объектов при интерактивной Обработке данных и тем самым позволяет более эффективно использовать вычислительные ресурсы системы. Затраты времени ?ВМ на процесс сегментации удовлетворяют технико-экономическим требованиям-системы в отличие от других методов автоматического оконтуривания объектов. Экономическая эффективность по затратам времени на интерактивный режим обработки составляет около 300 рублей на стандартный кадр 512x512x8 бит. Оперативность дешифрирования изображений, связанного с выделением контуров сложного компонентного состава по тону при этом повышается в 8-10 раз, а влияние субъективного фактора йри достаточной информативности тонового признака-сводится к минимуму. Таким образом повышается объективность и достоверность данного этапа автоматизированного дешифрирования. Технология пообластной обработки с использованием разработанного комплекса программ позволяет снизить требования к качеству исходной информации и сократить общйй объем процедур предварительной обработки, а также затраты на формирование обучающих данных и интерпретации конечного результата.

Внедрение разработанных методов и технологий осуществлено на комплексе технических средств системы "АИУС-агроресурсн", включающем универсальную мини-ЭВМ средней производительности и полутоновую дисплейную систему "Периколор-1000". Алгоритш и технология поконтурной обработки внедрены в Северокавказском филиале ЕВДЦ "АНУС-агроресурсы" • Результаты разработок использовались при автоматизированном дешифрировании фотоинформации для составления почвенных карт на факультете почвоведения МГУ, в-йШМокваягаофи-зика при автоматизированном дешифрировании днГа акваторий. Алгоритм непараметрической сегментации и различные вариант технологии поконтурной обработки использовались при экспериментальной обработке космической информации МСС "Фрагмент" и в техкорабочем проекте на задачу оценки'надземной фитсмнссы по данным аэрофотосъемки.

Апробация работы. Основные.результаты диссертации кзложенн и обсуждены на X (1980г.) и. ЦП (1983г.) Гаггринских чтениях, ХШ конференции №ГИ (1980г.), региональной конференции ОВДЙ-81 (1981г.), Всесоюзной конференции по распознаванию образов '(1992г.), конференции молодых ученых и специалистов'ШЩ "ШУС-агрорсеурсы"

(1985г.), П-м республиканском семинаре по проблемам создания систем обработки и анализа изображений (г.Ташкент, 1989г.).

Публикации. По материалам диссертации опубликовано II печат них работ.

Объем работы. Диссертационная работа изложена на 158 страяи цах машинописного текста, содержит 9 таблиц, 33 рисунка^ список литературы, включающий 91 наименование, и приложение.

Структура работа. Диссертационная работа обстоит из введения, четырех глав, зеу_шчения и ■ приложения.

Во введении обоснована актуадько&ть выбора темы, определен 'цель работы, сформулирована основные результаты и дано краткое содержание глав.

В первой главе "Получение и использование информации о границах сельхозугодий на аэрокосмических изображениях при решении задач системы агромониторикта" рассмотрены основные типы функциональных задач, решаемых системой "АИУС-агроресурсы", использование контурной информации при их решении и способы получения такой информации на технических средствах системы. Показано, что выделение границ вручную неприемлемо при оперативном решении за дач системы. Проанализирована проблема автоматизации выделения контуров исследуемых объектов и явлений на изображениях сельхоз-. угодий в условиях системы "АИУС-агрорбсурсн". Рассмотрены особенности дешифровочных признаков сельхозугодий, которые необходимо учитывать при формировании критерия однородности оконтури-ваемых объектов. На основании общих требований к алгоритмическому и программному обеспечению йодсистемы тематической обработки и специфики задач выделения однородных образований на изображениях сельхозугодий сформулированы требования к средствам автоматизации выделения контуров в методическом и системном аспектах.

Во второй глава "Сегментация аэрокрсмических изображений сельхозугодий с использованием непараметрических статистических критериев" рассмотрены методы автоматической сегментации изображений на основе формализованных критериев однородности по тону и текстуре. Показана взаимосвязь тоновых и текстурных признаков с разрешением видеоинформации. На основе! анализа формализованных критериев однородности с учетом специфики обрабатываемой .информации сделан вывод о целесообразности статистического подхода с

использованием в качестве дешифровочного признака функции распределения значений яркости (тока) выделяемых объектов. Сформулировано понятие статистической однородности оконтуриваемых областей по функции распределения, позволяющее использовать в алгоритмах сегментации непараметрические критерии проверки статистических гипотез.

Определены требования к непараметричесним критериям, применявши при сегментации изображений. Рассмотрены простейшие непараметрические критерии и специфика их использования при анализе дискретной информации. Показано, что способ обработки совпадений существенно влияет на рабочие характеристики применяемого при сегментации критерия. Выбраны критерии, подходящие для решения задачи сегментации.

Описаны разработанные алгоритмы непараметрической поблочной сегментации изображений по схеме сравнения "блок-блок" и "блок-область". Предложены способы улучшения качества сегментации с учетом особенностей анализируемой информации.

В третьей главе "Алгоритмическое и программное обеспечение автоматизированного выделения сельскохозяйственных угодий с использованием непараметрической статистической сегментации на изображениях внсокого разрешения" описан многоцелевой программный комплекс на базе разработанных алгоритмов непараметрической статистической сегментации. Программное обеспечение реализовано на специализированном вычислительном комплексе, включающем универсальную мини-^ВЯ СОЛЯР-16/65 и систему визуализации "Периколор-1000". Описана структура программных модулей, их взаимосвязь, принципы организации, хранения, накопления и представления данных, получаемых в процессе обработки.

Четвертая глава "Применение непараметрической статистической сегментации при тематической обработке видеоданных в системе "АИУС-агроресурсы". Результаты экспериментальной апробации и практического внедрения" посвящена вопросам организации технологического .процесса покоитурной обработка изображений для решения тематических задач в режима производственной (массово') интерпретации материалов аэрокосмической съемки. Исследозаш рабочие характеристики основного алгоритма непаракгтрической статистической сегментации (выделения статистически однородных областей)-и определены основные■типн исходной видеоинформации и классы объектов, для

которые целесообразно применение разработанного алгоритма. Рассмотрена технология поконтурной обработки на основе разработанных программных средств применительно к аппаратной среде комплекса вычислительных средств системы "АИУС-агроресурси", базирующегося на универсальных дани-'!ЕМ средней производительности. Еыбраны критерии технико-экономической эффективности технологии автоматизированной обработки и показана технико-экономичеосая эффективность разработанной технология при решении ряда задач системы.

Продемонстрирована возможность использования технологии, для выделения контуров сложного компонентного состава по тоновому признаку как средства поаиэная оперативности и достоверности дешифрирования фотоинформации на призерах задач почвенного картирования и геоботанического районирования.

В заключении приведены основные результаты и вывода проведенных исследований.

В приложении приведены документы, подтверждающие внедрение и использование полученных результатов.

Общее содержание работы.

Основную часть поступающей в систему "АИУС-агроресурсы" информации составляют аэрокосмические изображения, полученные с аппаратуры различных типов. При их тематической обработке и анализе на ^ВМ (автоматизированном дешифрировенки) во многих случаях требуется выделение границ дешифрируемых объектов и явлений. К таким задачам относятся':

- исследование и отбор спектральных признаков классов природных объектов при тематической -классификации и идентификации;

- уточнение результатов поэлементной классификации при перекрытии классов в пространстве спектральных яркостей;

- балльная пополевая оценка состояния сельхозкультур, локализация и контроль распространения аномалий;

- выделение контуров однородных элементов ландшафта в задачах почвенного картирования и геоботанического районирования.

Кроме постоянной картографической основы (карты размещения сельхозкультур) для значительной части тематических задач также необходима информация о реальных границах культур и других сельхозугодий. Выделение таких границ вручную на экране полутонового

- э -

диоплея, применяемое в системе в настоящее время, слишком трудоемко для оперативного тематического дешифрирования видеоданных. С другой стороны, авгбматизация процесса выделения границ затрудняется многообразием и неустойчивостью дешифровочных признаков, на основании которых выделяется контур объекта. В то же время специфика вычислительной среды и требования по временным нормам обработки в системе "ЖУС-агроресурсы" накладывают весьма жесткие ограничения на выбор формализов'анных подходов к автоматическому ана-, лизу изображений. Поэтов при решении задач автоматизации выделения границ на изображениях сельхозугодий на технических средствах системы алгоритмическое и программное.обеспечение должно удовлетворить следующим требованиям.

1. Алгоритм сегментации Свыделения контуров) должен быть достаточно универсален по типам и разрешению исходных видеоданных, но при этом обеспечивать выделение именно тех объектов и явлений, которые представляют интерес для решения конкретной тематической задачи.

2. Программное обеспечение процесса выделения границ должно состоять из совокупности открытых программных модулей, позволяющих формировать различные технологии обработки, как автономно, так и совместно с другими средствами анализа изображений.

Выполнение первого, условия может быть обеспечено методически обоснованным выбором критерия однородности, на базе которого реализуется сегментация изображений. Основными .признаками однородности объектов, используемыми в формализованных подходах к выделении контуров, являются тон и текстура. При анализе сельскохозяйственных сцен использование текстурных признаков оказывается целесообразным только в ограниченном числе случаев, в основном для жформации очень высокого разрешения (менее Юм на элемент дискретизации). Кроме того, такие методы не могут- обеспечить приемлемую скорость обработки на универсальных ^БМ средней мощности, составля'^их' вычислительный комплекс системы "АИУС-агрореоурсы". В этом аспекте больший интерес представляют методы сегментации изображений, использующие тоновые (яркостные) признаки.

Существует несколько подходов к процессу разбиения изображения на однородные или квазиоднородные по току области. В одних случаях сначала производится выделение граничных элементов по локальному изменению уровня однородности - формирование граничного

препарата. Затем осуществляется прослеживание и формирование замкнутых контуров. В других случаях сначала осуществляется выделение элементов областей, например, путем кластеризации, а.затем объединение их в связную область с привлечением дополнительных признаков и 2фитериев (наращивание). Второй, подход более привлекателен с точки зрения интерпретации конечного результата, так как позволяет ■ сформировать и использовать при решении задачи внутрикоитурные интегральные характеристики объекта.

Для значительной части изображений сельхозугодий и других дешифрируемых природных объектов при низком (более 200м на элемент дискретизации) и среднем (200-100м на элемент) под однородностью по тону обычно понимается^ выполнение условия:

(<*i-*J<ct, (I)

где Ct- значение яркости в t-й точке области,

СХ0- некоторое фиксированное значение (обычно среднее по области), •< (£- заданное значение порога.

Если такое условие выполняется, основанные на нем метода могут обеспечить высокую скорость обработки даже на ЭВМ универсального назначения.. Однако когда на элемент разрешения приходится юнее 1га площади обследуемой территории, использование только условия (I) часто не. позволяет выделить содержательно интерпретируемые связные объекты.

. Рассмотрим статистическое распределение значений яркости внутри .выделяемого объекта класса УС , представленное гистограммой

эс

где М^ число точек внутри объекта, Mj- число точек со значением I. При'низком и среднем разрешении, благодаря сглаженности сцены, она будет узкрдисперсной и унимодальной, что и позволяет успешно использовать условие (I). При более высоком разрешении гистограмма по тому же объекту может оказаться пирокодисперсной и иметь нескол] ко пиков (юд). Использование условия il) приводит тогда к наделении совокупностей точек, не интерпретируешх с точки зрения' решаемой задачи. Объединение юс s связную область требует других приз на-

ков и, следовательно» других алгоритмов обработки.

Одним из возможных способов решения этой проблемы без привлечения в каждом случае дополнительной информации'й дополнительных средств анализа изображений является переход от параметрических методов анализа к непараметрическим. В этом случае не требуется никаких предположений о типе статистического распределения значений тона внутри объекта, что позволяет в значительной степени избежать ошибок, связанных со степенью достоверности таких гипотез. С целью перехода к непараметрическому статистическому анализу введем понятие статистической однородности по тоновому признаку.

Пусть исследуемый' объект принадлежит некоторому классу # ,

значения яркости для которого распределены по закону ¿^(х) . На оцифрованном изображении соответствует эмпирическая

ступенчатая функция

- Г^НЪ**^*^0*25?2}, «>■

где щ, М^из(2).

При классификации изображения с целью выделения класса УС с необходимой точность объЫ обучающей выборки увеличивают до тех пор, пока эта точность не будет достигнута. Фактически это соответствует выполнению условия: *

Р(?(Г^сх), Т^юУ 6,)(4)

где^(;,-)- некоторая мера близости 3~х(рс) .

В кластерном анализе мера называется мерой группового расстояния между кластерами, и некоторые ее типы используг.тся для оценки статистической разделимости кластеров в задача распознавания образов.

Рассмотрим теперь объект &оХ • Назовем его областью (или сегментом) , если он представляет собой совокупность точек изображения 1 , удовлетворяющую следующим услобиям.

1. Для любой точки д- существует хотя бы одна соседняя точка

' С'ох" Соседними считаются все > '

, при этом если -¿-1 ,то Жф} и если к= 'у,

то

2. Существует хотя бы одна внутренняя точка Ру- 6 &оКг то есть такая, у которой все соседние точки • ®се точки, не

удовлетворявшие этому условию, считается граничными.

Пусть некоторый сегмент {^является подобластью .

Очевидно, что о принадлежности &т классу К с функцией распределения ^(Ч можно говорить только в том случае, когда начиная с некоторого размера сегмента М¿х эмпирические- функции по всем таким сегментам удовлетворяют условию (4). Поэтому- назовем £гок статистически однородной областью, если существует М^гп такое, что для любого п>гг\ условие

00 (5)

выполняется с уровнем значимости оС0 для всех Сг^.

Если рассмотреть пару непересекащихся сегментов, принадлежащих статистически однородной области Сгох.: (^¿ус и■• Су* Р83-мерами П^т и П^т соответственно, то для них найдутся такие <*£/<<>Д)и что вариации между парой 3^(х) и

•100£ случаев будут находиться в пределах 6ц . Значения Ы.-- (сЛ0,60) и ¿у -их связь зависят от выбора ме^ы ^ .

Таким образом, сравнивая пары смежных сегментов и по некоторой групповой мере расстояния, можно объединить их в область, однородную по некоторой функции распределения с какой-то

степенью точности сформировать саму эту функцию. Шаг процесса сегментации в этом случае сводится к решению задачи проверки для пары выборок О^С^и^ы — > хп) и 0г = (Хц>Х2х->->ТП2) непарамег-рической статистической гипотезы

н0 ={ Т±(х)=Тг(х) = Згх)] (б) против альтернативы

Б качестве непараметрического теста для проверки гипотезы (6) используется значение ■б ^ некоторой непараметрической статистики £ , характеризующей взаимоотношение частот и р^С'Х) • В ряде случаев такие статистики коррелируют или полностью совпадают с некоторыми мерами группового расстояния. Правило принятия решения задается условием:

Р (/4 I * 7г Гху)^оС> (7)

где А - событие.: А = (б(>)%(п1,ггг,<*)}

Понятие статистической однородности шире понятия однородности в смысле (I), однако, уже понятия текстурной однородности, так как пространственная взаимосвязь значений овд^дьшх элементов выбйрок здесь не учитывается. Это ограничение, как уже было сказано, для значительной части задач несущественно.

Следует также отметить, что использование в процессе сегментации выборочного (поблочного) анализа затрудняет.обработку спектрально совмещенных многозональных изображений. Поэтому перед выделением статистически однородных областей целесообразно сводить задачу к одномерному случаи путем соответствующего преобразования пространства спектральных яркостей методом главных компонент или использования комбинаций наиболее информативных каналов.

' Масс функций ^ЭуРЭ], относительно которых сегментируемые объекты оказываются статистически однородными, определяется типом непараметрического критерия, которчй применяется в процессе сегментации. Поэтому при разработке сегменчатора для определенного класса задач преяще всего необходимо Еыбрать подходящую непараметрическую статистику. При этом наиболее общими являются требования, обусловленные спецификой анализа оцифрованных изображений на ЭВМ. Сюда относятся:

1) простота подсчета статистики;

2) устойчивость размера критической области критерия на малых выборках, что позволяет обеспечить необходимую локальную точность границы и варьировать размер выборки без дополнительной настройки;

3) возможность эффективного учета влияния дискретизации сигнала на характеристики критерия (способ обработки совпадений)..

Из наиболее простых и универсальных статистик для тестирования выборок на сдвиг и масштаб Я^ОО рассматривались критерии со статистиками:

I) Колмогорова-Смирнова

О,

_ го,

У- 1, х>э

. (8) X > х„

С критической областьюЯЩФ^Ст. РО^п^Ы^т/к ~ Л) ;

2) - количество пустых блоков из , образованных элементами выборки , в которые не попало ни одного из элементов выборки 0г , с критической областью Ф (<*■):

(п, , Я, , се; ¡Но (9) где устанавливается из асимптотического распределения

' П,5>>0

3) и - общее число серий элементов каждой выборки (тип А -' | тип В - 02 ) из цепочки АА...ВВВАА.полученной при совместном упорядочении элементов выборок в вариационный ряд, с критической областью

сС: Р(иСи^ип1Хп1,п^)\Н0)4сС) (10)

где устанавливается из асимптотического распределения

р (и с*.,, — , "

' л. /Ч —■ ~ 3 *"%г —* 0.

Несмотря на то, что первый из критериев является асимптотически наиболее мощным, с точки зрения предъявляемых требований он обладает, рядом недостатков. В частности, недостаточно устойчив при обработке дискретной информации в тех диапазонах значений яркости, которые наиболее характерны для изобратаний природных образований. На основания численных экспериментов на модельной информации различных типов установлено, что для сегментации сельскохозяйственных и других однородных и квазиоднородных по тону объектов наиболее • приемлем критерий серий (10) со статистикой, представленной в виде

где и0 - число серий без учета совпадений, р - число серий, образовавшихся в результате поэлементного чередования совпавших значений, П - размер выборки. Считается, что П. ~ п-2. > так как при этом достигается максимальная мощность критерия. Ста^. ткстика (II) положительно коррелирует с площадью перекрытия функ-'

ций плотности распределения яркости по сегментируемым объектам, что позвЬляет рассматривать качество сегментации во взаимосвязи со статистической разделимостью классов и полной вероятностью ошибки поэлементной классификации.

На основе понятия статистической однородности (5) и выбранной непараметрической статистики, с учетом ограничений конкретной вычислительной системы, разработаны алгоритмы выделения границ по непара» метрической оценю соседних выборок и выделения связных замкнутых статистически однородных областей. Сегментация производится поблочно: изображение разбивается на сеть ячеек (блоков) прямэ-угольной (чаще всего квадратной) формы. Решение на каждом шаге принимается с точностью до максимального линейного размера этого блока.

Правило принятия решения для алгоритма выделения границ по оценке соседних выборок имеет вид:

Здесь И, - множество граничных блоке л, - используемый не-

параметрический тест со статистикой 6 .и уровнем'значимости оС . Качество выделения границ таким алгоритмом (их связность и ширина) зависят от сегментационной мощности критерия и характера самой границы. Повышения связности можно добиться, учитывая поведение ста-, тистики б в окрестности каждого тестируемого . Тем не ленее, даже с учетом простоты алгоритма и -высокой скорости обработки на ^Ш, область применения его ограничена, так как никакой информации о внутренних характеристиках объекта без предварительного прослеживания его. границу получить невозможно. Алгорртм выделения связных областей в этом смысле обладает значительными преимуществами, так как в процессе сегментации формируются гистограммы по всем выделяемым объектам. Процесс тестирования текущего д^ в данном, алгоритме реализуется следующим образом. По всем областям ,- уже наделенным на предыдущих шагах и примыкающих к ' ^ , формируются выборки размера П , Удовлетворяющие условию:

Правило принятия решения имеет вид:

к ■

В условии (14(6))'статистика о используется как мера группового расстояния. Классы функций, которые могут быть выделены сег-ментагором с конкретной статистикой 5 , определяются в совокупности особенностями статистики 5 и точностью аппроксимации текущей эмпирической функцией Р(Х) функции по всей сегментируемой области. Поблочный анализ изображения, нареду с неоднородностью и размытостью границ, могут ухудшить точность такой аппроксимации. Для компенсации этих факторов в алгоритме, в зависимости от характера информации, используются два дополнительных условия.

1. Минимизация размаха обобщенной выборки по области на каждом шаге принятия решения. Значения статистик- из (14), начиная с некоторого значения -5 домножаются на коэффициент взаимного разброса:

^ _ та г» (х.«4 ) — гтгт£Уц,(;[5) 4 Хги. ~ хм '

где - выборка по %ха.— 'хпг тестируемая выборка.

Решение принимается по -"значениям модифицированных статистик . Применение условия (15) целесообразно для широкодисперсных , ?огда визуально области- размотаются по изменению тона в среднем.

2. Для узкодисперсных ^(х), когда ошибка обусловлена в основ-ком попаданием блоков на границу областей, целесообразно проводит] периодическое цензурирование обобщенных выборок по (отсечение нижней части гистограммы при ограничении:

где «исло точек в гистограмме по , М((?к)- число точек

в усеченной гистограмме, Ч0- заданный параметр (в Й,

Область применения условия (16) в целом уже, чем (15), и требует наличия априорной информации о средних размерах выделяемых

объектов.

На основе предложенного подхода разработан программный комплекс поконтурной обработки одноканальных изображений ' Программное обеспечение реализовано на экспериментальном вычислительном комплексе, включающем мини-^ВМ СОЯЯР-16/65 и цветную полутоновую дисплейную систему "Периколор-1000". Язык программирования Ф0РГРАН-1У. Комплекс включает:

1) пакет процедур подготовки изображения к обработке;

2) програлшы непараметрической статистической сегментации (комплексный вариант для исследовательского режима и программу выделения статистически однородных областей для "оперативной обработки) ;

3) программу внутриконтурного статистического анализа яркост-ных признаков;

4) программу визуализации и оформления выходных видеоданных;

• 5). программу анализа и вывода интегральных яркостных характеристик контуров;

б) программу поконтурной непараметрической классификации с использованием гистограммных эталонов.

Выходные материалы представляйте;: .-л виде контурных и цветоко-дированных карт всех сегментированных объектов или объектов с заданными характеристиками, карт поконтурной классификации, табличных и графических даиных. Последние выводятся на АЦПУ в различных конфигурациях, выбранных оператором.

Разработанный комплекс представляет собой совокупность открытых программных модулей, позволяющих формировать различные схемы обработки и использовать их вместе с другими процедурами темати- ■ ческого анализа изображений. Комплекс может использоваться мае для оперативной тематической обработки по заданной схеме, так и для методологической проработки решения новых задач.. С этой целью в пакет подготовительнях процедур включены процедуры формирования и ввода тематической карты эталонных областей с экрана дисплейной Системы "Периголор". Сформированная дешфровщиком карта таких эталонных объектов может быть обработана как результат сегментации,-а также использована при непараметрической классификации контуров.

Алгоритмические и програмшые средства, входящие в пакет

апробированы'на различных типах смоделированных и реальных видеоданных. Проведенные на модельной информации исследо-

вания рабочих характеристик алгоритма выделения статистически однородных областей позволили установить, что для конкретного типа используемой непараметричеокой статистики (II) наилучший результат удается получить при размере окна (блока) 4x4 элемента. При этом граница между объектами А и Б размерами не менее 100 элементов дискретизации регистрируется при площади перекроил функций плотности распределения £дв 60?, с точностью не хуже 95% при £ 30?5 и не хуже 75% в остальных случаях. Данные условия одинаково выполняются как для областей,, разделяемых по тону (различные средние), так и по уровню однородности (одинаковые средние, различная ширина интервалов значений яркости). Причем по крайней мере при £дв=4 ЗОЙ на положение гпаницы между А и Б практически не влияет порядок просмотра изображения.

Оценки технико-экономической эффективности технологий покон-турной обработки изображений на базе разработанного комплекса алгоритмических и программных средств в сравнении с действующей технологией тематической обработки и временными нормами, принятыми в системе "АНУС-агроресурсы", показали, что при удовлетворяющих требованиям затратах на время работы разработанная технология позволяет значительно сократить, вплоть до полного исключения, ряд этапов полного цикла обработки. В частности, снижаются требования к качеству исходной инс[юрмации, что позволяет для ряда задач исключить или сократить этап коррекции. Затраты на интерактивный ре,«им в процессе получения и анализа статистических яркост-ных характеристик исследуемых классов объектов сокращаются в 8-10 раз, что составляет около 300 рублей н.а стандартный кадр 512x512 элементов дискретизации. При решении задач, связанных с получением контуров однородных природных образований на изображениях высокого разрешения (менее 30м на элемент дискретизации) ожидаемая экономическая эффективность составляет около 100 тыс. рублей в год.

Использование технологий поконтурной обработки позволяет также в ряде случаев существенно повысить объективность и достоверность результата тематической классификации и интерпретации изображений. Гак при оценке площадей под различными типами сельхозугодий с применением поэлементной классификации происходит накопление ошибки из-за учета элементов, не принадлежащих сельскохо-. зяйственнаы объектам. На примере обработки космической сканерной

информации о аппаратуры "Фрагмент" показано, что выделение и покон-турная классификация однородных участков полей и их совокупностей позволяет повысить точность оценки площадей на 10-15?. Получение в процессе сегментации статистических тоновых характеристик контуров и их последующий-автоматизированный компонентный анализ обеспечивают объективную' основу для построения систем автоматизированного Дешифрирования "сложных лриродно-ландшафтных сцен при решении заде« тематического картирования. Обработка крупномасштабных аэрофотоизображений труднодоступных территорий, используемых при решении'задач почвенного картирования, показала, что разработанные метод н технология позволяет выделять и классифицировать контуры'сложного компонентного состава, полностью или частично совпадающие с контурами, выделяемыми при визуально-полевом дешифрировании. На основании проведенных наземных обследований установлено, что в раде случаев результат автоматизированной обработки позволяет получить-'более высокую точность выделения контуров и достоверность их ютессифккации, чем результат визуального дешифрирования. Предполагаемся дальнейшее совершенствование процедур и технологии г.ояонтурной обработки с использованием непараметрической статистической сегм?нтации на базе '• новейших типов с целью создания проблемно-ориентированных экспертных систем и автоматизированных рабочих мест для решения задач тематического анализа азрокосиической видеоинформации.

Основные выводы,и результаты работы.

Основным итогом диссертационной работа является методическое и программное обеспечение тематического поконтурного анализа изображений сельскохйзяйствеиных угодий и ландшафтных сцен, базирующееся на алгоритме выделения статистически однородных областей непараметрической статистической сегментации'.

В ходе проведенных в работе'теоретических и экспериментальных исследований получены следующие основные результаты.

I. Показано, что использование поконтурной обработки при анализе сельскохозяйственных и ландаафтнвпе сцен на изображениях высокого разрешения имеет важное, значение для повышения эффективности процесса автоматизированного дешифрирования, объективности и достоверности конечного результата. При этом'особенности яркостных ( тоновых) признаков исследуемых объектов и Явлений при высоком раз ре-

шении информации требуют использования более слабых условий однородности, чем традиционно применяемые при автоматической обработке изображений.

2. Установлено, что функция распределения значений яркости (тона) в пределах локального^участка изображения является наиболее приемлемым признаком однородности для широкого класса сельскохозяйственных и ландшафтных объектов на изображениях высокого разрешения. Введено понятие статистической однородности по функции распределения, позволявшее использовать при сегментации изображения непараметрические статистические. критерии'.

3. Проанализированы особенности использования непараметрических статистических критериев в задаче сегментации оцифрованных изображе- ' ний (при ограниченной дискретной шкале уровней .яркости). Выделены основные требования к характеристикам критерия и выбраны критерии, подходящие для использования в алгоритмах сегментации.

4. Разработаны и исследованы алгоритмы непараметрической статистической сегментации с учетом требований, налагаемых системой .на алгоритмическое- и программное обеспечение процедур тематической обработки.

Б. Разработан, апробироЕан и внедрен многоцелевой программный лоетдекс поконтурной обработки изображений по тоновому признаку, включающий {-¡¿параметрическую статистическую сегментацию. Разработаны технологии решения ряда задач с кспо-гь- званием программного комплекса пойоктуряой обработки.

6., Проанализированы вопросы технико-экономической эффективнос-•£.■1 технологии тематической обработки. Поныгакы пути повышения эффективности процесса автоматизированного дешифрирования при использова-нш:-технологий поконтурной обработки изображений высокого разрешения/

7. Выполнена экспериментальная тематическая обработка аэрокос-глических изобретений высокого разрешения с применением разработанных технологий. Продагаяйтрировены возмолиости использования непарамет-рьчоской статистической сегментах.'«! и поконтурной обработки при ав-'х; ?иэиров анном дешифрировании сложных лавдш&фтных сцен' в задачах токсического картирования.

8. Созданные в результате настоящей работы программные средства, благодаря своей ш>дужьнэй структура, достаточно легко адаптируемы к различной прогр ажио-аппаратной среде вычислительных средств, исполь-

для обработки аэрокосйической информации, что позволяет осу-.

-Йг

ществить их тиражирование и массовое использование в организациях, связанных с обработкой видеоданных.

По материалам диссертации опубликованы следующие работы.

1. Андреев Г .Г.,Чабан Л.Н. Практическое применение метода пустых блоков для выделения границ сельскохозяйственных объектов с помощью ЭВМ. - Труда ГосНИЩПР, 1980, вып. 10,с.86-92.

2. Андреев Г.Г.,Чабан Л.Н. Выделение статистически однородную -областей на аэрокосмических снимках. - Сб.научных трудов ЖГИ, 1981, с.87-89.

3. Андреев Г.Г.,Чабан Л.Н. Об одном методе сегментации аэрокосмических'. изображений сельскохозяйственных угодий. - Сб.трудов ШИПТЙК МСХ СССР, 1982,с.91-98.

4. Андреев Г.Г.,Чабан Л.Н. Сегментация аэрокосмических изображений по непараметрической оценке соседних выборок. - Сб.трудов ВЦ АН СССР,Новосибирск,1983,с.102-112. .

5. Андреев Г.Г.,Сазонов Н.В.,Чабан'Л.Н. Выделение границ сельскохозяйственных угодий при тематической обработке аэрокосмических изображений. - Сб.трудов ЕНШТИК МСХ СССР, 1983,с.60-67.

6. Андреев Г.Г.,Бочаров В.П..Сазонов Н.В.,Чабан Л.Н. Построение системы распознавания при обработке аэро.космических изображений. - Тезисы Всесоюзной конференция "Математические методы распоэ-' навания образов",Звенигород,1983,с.90-91,

7. Чабан Л.Н. О возможности выделения сельхозугодий на сканер-ных изображениях с использованием критериев статистической однородности. - Сб.научных трудов ШЩ "АИУС-агроресурсы", 1986,с.75-93.

• 8. Андреев Г.Г..Сазонов Н.В..Бочаров В.П.",Чабан Л.Н. Автоматизация тематической обработки космических изображений при оценке состояния сельскохозяйственных культур. - Исследования Земли и* космоса,М, 1986,с.95^102.

9. Чабан Л.Н. Пакет программ поконтурной обработки крупномасштабных аэрокосмических изображений по статистическим тоновым признакам. - Тезисы докладов 2-го республиканского семинара "Проблема создания систем обработки, анализа и распознавания изобретений", Ташкент,1989,с .7-8.

10. Андреев Р.Г.,Бочаров В.П.,Чабан Л.Й. Сельсквхозяйственные культуры. Автоматизированное дешифрирование. - Атлас "Использование

космической информации с аппаратуры "Фрагмент",М.»Наука, 1988,с.80.

II. Андреев Г .Г.,Чабан Л.Н. Об особенностях автоматизированной работки крупномасштабных фотоизображений для целей почвенного и гес ботанического картографирования. - Сб.научных трудов ШИЦ "АИУС-аг1 ресурсы",1989,с.79-88.

Подписано в печать II.01.93г. Тира* 100 экз. Ьак.Ю

УШ " РЕПРОГРАФИЯ"