автореферат диссертации по геодезии, 05.24.02, диссертация на тему:Автоматизированный текстурный анализ крупномасштабных фотоизображений морской поверхности

МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ГЕОДЕЗИИ II КАРТОГРАФИИ

На правах рукописи

.ШИИНСКАЯ МАРГАРИТА ПЕТРОВНА

АВТОМАТИЗИРОВАННЫЙ ТЕКСТУРНЫЙ АНАЛИЗ КРУПНОМАСШТАБНЫХ ФОТОИЗОБРАЖЕНИЙ МОРСКОЙ ПОВЕРХНОСТИ

05.24.02

аэрокосмические съемки, фотограмметрия, фототопография

Автореферат диссертации на соискание ученой степени кандидата технических наук

Москва - 1994

Работа выполнена в Московском государственном университете геодезии и картографии (МИИГАиК).

Научный руководитель кандидат физико-математических наук, доцент В.Л.Малинников

Официальные оппоненты: доктор технических наук, профессор,

зам. ген. конструктора ЦНИИ "Комета" В.Г.Вондур

кандидат технических наук, доцент,

зав.кафедрой фотограмметрии МИИГДиК Л.П.Михайлов

Ведущая организация - Институт проблем передачи информации Российской Академии Наук (ИППИ РАН).

Зашита диссертации состоится " 2-Ь " ими.А 1994 г. в часов на заседании специализированного совета

К 063-01.02 по присуждению ученых степеней кандидата наук в Московском государственном университете геодезии и картографии (МИИГДиК) по адресу:

103064, Москва, К-64, Гороховский пер., д.4, МИИГДиК (зуд.321). С диссертацией можно ознакомиться в библиотеке МИИГДиК. Автореферат разослан " 7<? " Мй.^ 1994 г.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы.

В настоящее время выполняется большое количество научно-исследовательских и прикладных работ, связанных с обработкой изображений морской поверхности, получаемых телевизионными, радиолокационными, фотографическими и другими системами.

Создание эффективных способов и средств обработки материалов аэрокосмической съемки морской поверхности является одним из главных направлений развития спутниковой океанологии. Опыт практического использования аврокосмических данных показывает, что основным условием повышения эффективности обработки аэрокосмических изображений морской поверхности является автоматизация процесса их дешифрирования. Значительные успехи, достигнутые в области автоматизированного океанографического дешифрирования благодаря применению ЭВМ,_тем не менее, не дают оснований для вывода о полном и всестороннем решении данной проблемы. Нередко, результаты автоматизированного анализа состояния морской поверхности (МП), связанные с оперативным прогнозом метеопараметров, оказываются неудовлетворительными. Это объясняется прежде всего неспецифичноотьм признаков, используемых при машинном анализе океанографической видеоинформации, их пространственной и временной изменчивостью, слошостьи формализации косвенных дешкфровоч-ных признаков, которые могут быть использованы лишь в процессе эвристической деятельности дешифровщика.

Пространственная структура фоновых и аномальных явлений на морской поверхности отображается на изображении в виде опреде-тенной текстуры, что позволяет при анализе изображений МП; ■ в ¡астности, крупномасштабных фотоизображений МП порядка 1:200, юпользовать методы текстурного анализа, основанные на различных системах' текстурных признаков, и учесть целый ряд тонких пространственных закономерностей на МП, физические свойства которых атемагически описаны с 'большой степенью приближения, а физичес-ая модель явления либо используется в упрощенном виде, либо на-эдится на стадии изучения, либо неизвестна вообще. Поэтому про-лема определения параметров МП (длин и систем волн ряби, площа-5й анизотропии волн, нефтяных покрытий и др.) на основе методов мсстурного анализа изображений МП является актуальной. Разматываемые при этом методики должны эффективно решать задачи :еанографического дешифрирования изображений о состоянии МП, из

которых к первоочередным относится оперативное определение и выявление аномальных явлений на МП.

Цель диссертационной работы - разработка и исследование системы текстурных признаков и создание методики автоматизированного текстурного анализа изображений подстилащих поверхностей на примере крупномасштабных фотоизображений МП.

Методы исследований. Теоретические и эксперименталъные исследования выполнены на основе методов теории вероятностей и математической статистики, методов цифровой обработки изображений, распознавания образов и теории муарообразования. Методологической базой диссертации является: стохастическое моделирование изображений текстур случайных полей и математическое моделирование систематических искажений координат точек фотоизображений за мгновенный рельеф морской поверхности с помощью адаптивных матриц максимальных и минимальных искажений.

Все экспериментальные расчеты и специализированный пакет прикладных программ выполнены на ПЭШ типа IBM PC.

Научная новизна работы состоит в следующем:

- впервые теоретически обоснован и программно реализован метод формирования системы текстурных признаков цифрового муара, позволяющий создавать признаки в реальном режиме времени;

- проведен теоретический и экспериментальный анализ систематических искажений координат точек фотоизображений за мгновенный рельеф МП для данной модели волнения; предлокено- для учета искажений на крупномасштабных фотоизображениях морской поверхности использовать специальную математическую-модёль в форме адаптивных матриц максимальных и минимальных искажений;

- предложена и практически реализована методика автоматизированного текстурного анализа фотоизображений МП, ориентированная на крупномасштабную фотосъемку;

- создан и программно.реализован специализированный пакет прикладных программ (СИПЛ) по текстурному анализу крупномасштабных фотоизображений морской поверхности. Данный СППП может быть использован применительно к изображениям других типов, масштабов и классов подстилающей поверхности.

- реализован вариант автоматизированной системы обработки изображений (АСОИз) на базе IBM РО/АШ;

На защиту выносятся следующие основные положения: 1. Методика текстурного анализа крупномасштабных фотоизображений

морской поверхности.

2. Метод формирования текстурных признаков цифрового муара.

3. Метод учета систематических искажений координат точек фотоизображений за мгновенный рельеф морской поверхности.

4-. Автоматизированная система обработки изображений на базе IBM PC/AT.

5. Специализированный пакет прикладных программ по текстурному анализу крупномасштабных фотоизображений морской поверхности.

6. Результаты экспериментальных исследований известных и предлагаемых систем текстурных признаков при распознавании крупномасштабных фотоизображений морской поверхности.

Практическая ценность работы заключается в следующем:

1. Разработанный метод формирования системы текстурных признаков цифрового муара может использоваться при текстурном распознавании изображений МП для выделения подклассов текстурно-однородных участков, обусловленных различными фоновыми и аномальными явлениями на

2. Разработанный метод учета систематических искажений координат точек фотоизображений за мгновенный рельеф МП может бить использован для эффективного планирования параметров фотосъемки' с различных высот, а также выбора местоположения и размера участка на изображении с заданной точностью, например, при текстурном анализе изображений.

3. Созданное специальное программное обеспечение .текстурного анализа крупномасштабных фотоизображений морской поверхности может быть адаптировано к распознаванию изображений других типов, масштабов и классов подстилающих поверхностей.

.Реализация работы. Результаты, полученные в- диссертационной работе, внедрены в виде специализированного пакета прикладных программ по тематической обработке фотографических изображений в практику научных исследований лаборатории цифровой обработки ИППИ РАН и лаборатории' радиометрии ЦНИИРЭС.

Апробация работы. Основные положения диссертации и результаты исследований были доложены и обсуждены на Всесоюзной конференции ЦНИИГАиК, Москва, 1982 г.; 4 Всесоюзной конференции "Проблемы научных исследований в области изучения и освоения Мирового океана", Владивосток, 1983 г.; 7 Всесоюзном семинаре "Дистанционный мониторинг экосистем", Воронеж; 1991 г., а также на научно-технических конференциях аспирантов и молодых ученых МИИГАиК и ИППИ РАН 1990 - 1993гг.; подтверждены одним авторским

свидетельством в соавторстве.

Публикации. По материалам диссертации опубликовано восемь печатных работ, получено авторское свидетельство в соавторстве.

Объем и структура работы. Диссертация состоит из введения, пяти глав, заключения, списка литературы и пяти приложений. Она изложена на 178 страницах основного текста, содержит 30 рисунков и 15 таблиц. Список литературы включает 197 наименований, в том числе 79 на иностранном языке, на 20 страницах. Общий объем работы 291 страница.

СОДЕРЖАНИЕ РАБОТЫ

Во введении определено общее состояние проблемы автоматизированного текстурного анализа изображений и целесообразность использования его при распознавании крупномасштабных фотоизображений тонкой структуры МП; сформулированы цель и задачи работы.

В первой главе приводится обоснование направления совер-иенствования технологии текстурного анализа изображений - одной из новых и быстроразвивающихся прикладных областей цифровой обработки изображений, в частности, крупномасштабных фотоизображений тонкой структуры взволнованной морской поверхности.

Анализ существующих определений понятия текстуры в области дешифрирования изображений показал, что общепринятого формализованного определения текстуры изображения как дешифровочного признака нет. Существующие определения понятия текстуры сводятся, как правило, к ее качественному описанию (мелко-, крупнозернистая, гладкая, линейчатая, нерегулярная и т. д.). В текстурном анализе наиболее приемлемым ее описанием является использование элементарной текстурной единицы в виде непроизводного элемента, предложенного Р.Хараликом и его сотрудниками. В диссертационной работе понятие непроизводного элемента текстуры уточняется и определяется, как элементарный физический объект подстилающей поверхности, отображаемой на изображении. Кроме того, вводится модель текстурного цифрового изображения, как совокупности статистически повторяющихся непроизводных элементов

ДЬХ ,Д1У ) с определенным диапазоном амплитуд ДТ, и пространстве к *

венными размерами ДЬХ^ДЬУ^ элемента на текстурно-однородных областях изображения в одной или нескольких зонах спектра излучения. Тогда общий вид текстурного описания цифрового изображения выглядит:

¥ = { (АТ ,ДЪХ , АЬУ ) ! Ъ=1,... ,В; (^.Ш^.Д!^) =

= Е(А1;,.Д1х.,А1у1) } к=1.....N5 з = 1.....Б ; ( 1 )

3

где: (М^..АХх^.ДЗ^) - локальный тон и локальный пространственный размер составляющих к-го непроизводного элемента (Дф ,Д1Жк, АЬУк), проквантованного на 1,2,...,М уровней в зоне спектра Ь; N - общее'число непроизводных элементов-на изображении; Б - общее число локальных тонов и локальных пространственных размеров внутри к-го непроизводного элемента текстуры.

Обозначим участок плоскости, занятый к-м непроизводным элементом через а его локальные составляющие - через и^. Тогда:

0 = ТР. = ям,.Л1х,.Д1у.) ; ( 2 )

1 \ 3 J к = 1.....К; 3 = 1.....в ,

где к-й непроизводный элемент (ДТк,Д1>Хк>ЛГУк) представляет собой совокупность статистически повторяющихся цифровых элементов локальной текстурно-однородной области цифрового изображения £( Д-Ь , Д1х , Д1у ), характеризующейся суммой локальных амплитуд

Е(дг ), соответствующих тону, и локальных длительностей £(Д1х , j з . } ^

Д1у^), соответствующих совокупности пространственных размеров по оси X и по оси У. Таким образом, текстура цифрового изображения представляет собой некоторое текстурное поле, где две координаты характеризуют пространственное распределение непроизводных элементов текстурно-однородных областей изображения (областёй текстуры определенного типа - подклассов), а третья координата -значение уровня тона, совокупность которых описывает' геометрические, статистические и физические размеры и свойства отображаемых фоновых и аномальных явлений подстилающей поверхности.

Анализ современных систем текстурных признаков показал, что при постреальном режиме обработки изображений наилучшую точность классификации («85&) при распознавании текстур дают текстурные признаки, реализующие матричный принцип учета пространственной организации непроизводных элементов текстуры изображения (концепция Р.Харалика), согласно которому текстурные признаки формируются по матрице пространственной зависимости уровней серого тона (МПЗУСТ), рассчитываемой непосредственно на изображении. Зри реальном (почти реальном) рекиме обработки изобракений наи-5олее эффективными по быстродействию и точности классификации шляются также текстурные признаки, организованные по матричному финципу, но на основе модифицированной МПЗУСТ, предложенной С.Сан и В.Уи.

Сформулированы общие требования к решению оперативных задач дистанционного мониторинга акваторий океана и предшествующих им наземных экспериментов по изучению пространственно-временной структуры МП. В этом случае получение наземных крупномасштабных фотоизображений МП представляет собой один из технологических этапов проведения подспутниковых экспериментов. Эти эксперименты проводятся с целью сравнения результатов дешифрирования космических и наземных изображений МП, полученных в одном и том же временном диапазоне, и выявления особенностей в отображении текстурно-однородных областей и непроизводных элементов текстур распознаваемых подклассов на МП. Сформулированы конкретные требования к текстурному анализу крупномасштабных фотоизображений МП для трех основных этапов цифровой обработки изображений (предобработка, расчет текстурных признаков, классификация).

Во второй главе рассматривается метод учета систематических ошибок координат точек фотоизображений за мгновенный рельеф морской поверхности. Динамический характер морской поверхности обусловил необходимость разработки метода учета систематических ошибок координат точек на фотоизображениях МП, вызванных рельефом взволнованной поверхности моря. В связи с этим учет указанных систематических ошибок предлагается проводить с помощью специальной математической модели в форме адапншных матриц максимальных и минимальных искажений, создание которой в первую очередь обусловлено возможностью априорного математического описания профиля морского волнения.

Под максимальными значениями ошибок Дг , используемых в

шах

случае плановой фотосъемки (например, при высоте фотографирования с неподвижного основания Н = 1б м, максимальном превышении волн Ьшах= 30 см и величине полезного размера фотоизображения 160x120 см, полученного камерой ШК 1013/18 с фокусным расстоянием I = 99 мм), имеются в виду такие, которые могут возникнуть, если считать, что на любом из расстояний г(= 0+80 мм кратностью 5 мм (или на любом участке фотоизображения размером 5x5 мм) от главной точки фотоизображения обязательно имеет место максимальное превышение 11 = 12-а| =30 см:

Большая вероятность нахождения превышения Ь в любой из

шах

точек рельефа МП с определенным -типом волнения, обусловила пред-

ставление максимальных искажений в виде кольцевых изокол, расходящихся от главной точки фотоизображения.

Из полученных данных о максимальных искажениям точек за мгновенный рельеф морской поверхности и значения требуемой точности определения планового положения объекта (т^ 0,05 мм) следует, что значения измеренных расстояний лежат в пределах необходимой точности внутри каждой из 16 зон, ограниченных изокола-ми, поскольку искажения Агтах линейно возрастают с увеличением х^. Действительно, ширина 1-той"зонн № = 5 мм (в масштабе фотоизображения); тогда в ее пределах га1 а 0,05 мм. Следовательно, точность измерения расстояний между точками фотоизображения Лг(], принадлежащих разным зонам радиуса и г , зависит от того, между какими точками участка морской волны, производится измерение: 1) двумя вершинами волны, 2) двумя впадинами волны,

3) впадиной и вершиной волны или 4) элементами склона (склонов) волны. В случаях 1), 2) и 3) всегда имеют место ошбки измерения расстояния мевду 1-той и З-той зонами: Лг™'" или Дг™"* вдоль радиусов зон г , проходящих через главную точку фотоизображения. В случаях 1) и 2) из-за систематических отклонений одного и того же знака между измеряемыми точками имеют место минимальные ошибки Лг^т1п; в случае 3), когда систематические отклонения противоположного знака, возникают максимальные ошбки Дг( случай

4) соответствует измерению расстояния между элементами склона (склонов) и описывается ошибками, гда либо Дг^т1и < Дг^скл < Дг,)тах. либо 0 £ Агискл а дг в1п. Минимальные Дг,^1" и максимальные Лг)ошибки в значениях измеренных расстояний вдоль, радиусов зон г между любыми точками полезной области одиночного фотоизображения, принадлежащих различным зонам, представляются.в виде адаптивных матриц искажений (рис.1а и рис.16), которые могут быть рассчитаны для различных моделей волнения. Стрелками на рис.1а указаны значения.расстояний 1 , которые измеряются с одной и той же ошибкой Дг"11"; при этом определенный диапазон

I «13

расстояний измеряется с одинаковой ошибкой в любом

участке одиночного фотоизображения, т.е. с 5-50,05 мм. Из рис. 1а следует, например, что расстояние 1,,=Т между 4-й и 7-й зо-

1 1 4 7

нами соответствует элементу матрицы, обведенному в рамку, и измеряется с минимальной ошибкой:

1 „ ± « 15,0 ± 0,141 + 20,0 ± 0,141 мм.

4 7 4 7

Стрелками на рис. 16. указаны значения расстояний 1 , измеряемые

i inj , m

H = 16 м h = 300 мм

Рис. 1a -•«■Г .*«

H = 16 u 11 = 300 ш

Рис. 1<5

с одной и той же ошибкой однако в этом случае одно и то

же значение ошибки соответствует различным значениям расстояний

т.е. фиксированный диапазон расстояний (пунктирные стрелки) измеряется с различной точностью в разных участках одиночного фотоизображения. Мз рис.16 следует, что расстояние мевду 4-3 и 7-й зонами измеряется с максимальной ошибкой:

± Аг"" ^ 15,0 ± 0,516 + 20,0 ± 0,516 мм.

47 47

На. основе описанного метода учета систематических искажений координат точек фотоизображений за мгновенный рельеф МП, основанного на специальных адаптивных матрицах максимальных и минимальных искажений, создано два экспериментальных приложения данного метода при текстурном анализе крупномасштабных фотоизображений МП: 1) оценка точности длин волн ряби на фотоизображениях; 2) оценка размера полезной цифровой области анализа фотоизображения, размеров участка и "окна" анализа цифрового изображения .

В третей главе изложена методика текстурного анализа крупномасштабных фотоизображений морской поверхности. При автоматизированном дешифрировании изображений подстилаюцей поверхности особая роль отводится методикам, основанным на эвристических алгоритмах тематического распознавания, создание которых опирается на формализацию умственной деятельности человека в процессе дешифрирования и включает следующие научные исследования:

- анализ и систематизация априорной информации об изучаемом классе подстилающей поверхности и составляющих его подклассах;

- классификация основных видов тематически определенных подклассов распознаваемых объектов и явлений изучаемого класса подстилающей поверхности;

- визуально-инструментальное тематическое дешифрирование фотоизображений;

- разработка количественного описания визуально наблюдаемых качественных особенностей дешифровочного признака текстуры на фотоизображении, в частности, основного отличительного свойства дешифровочного признака текстуры - пространственной организации непроизводных элементов.

В результате такого подхода к формализации разработана новая система текстурных признаков цифрового муара, на основе которых предложена методика автоматизированного текстурного анализа крупномасштабных фотоизображений МП.

Физическое явление муара является 'хорошо известным оптическим явлением и представляет собой в общем случае интерференционную картину от двух идентичных или кратных структур различного физического происхождения. Явление муарового эффекта, 'возникающее в пространственной области изображения на регулярных и нерегулярных структурах, является геометрической интерференцией и описывает картину, аналогичную интерференции в оптике.

Явление муара на нерегулярных (непериодических) структурах впервые было обнаружено на полутоновых фотоизображениях. • Явление цифрового муара на нерегулярных структурах по визуальным и алгебраическим свойствам аналогично явлению муара на полутоновых фотоизображениях, картоиздательских сетках или полиграфических растрах с нерегулярной структурой. Однако при этом открываются качественно новые возможности по его использованию, в частности, в области автоматизированного дешифрирования. Отличительной особенностью муара на нерегулярных структурах является отсутствие повторения периода видимых окружностей (муаровая картина имеет-круговую форму), поэтому правильнее говорить о псевдопериоде И (условном периоде) муара, имеющем представление, аналогичное выражению для периода муаровых полос на регулярных структурах:

5 = р/(2з1п(9/2)) , ( 4 )

где: в - угол поворота между идентичными элементами нерегулярной структуры и р - среднее расстояние между элементами нерегулярной структуры.

Главной особенностью муарового эффекта является то, что в одних случаях явление муара, возникающее на изображениях, стремятся максимально уменьшить (полиграфия, издание карт), рассматривая его рисунок как искажение, а в других случаях - максимально использовать особенности рисунка муара, считая его полезным достоинством (измерение неровностей и напряжений различных поверхностей, дикталоскопия и т.д.). Правомерность выбора текс«-турного признака цифрового муара на нерегулярных структурах как естественного текстурного признака для целей распознавания (положительное достоинство) подстилающих поверхностей со случайной структурой и их изображений в виде случайных текстур, в частности, фотоизображений МП, основана на двух основных аналогиях: - муар, образованный на полиграфических изображениях при использовании растров с нерегулярной структурой, идентичен цифровому муару, возникающему на' цифровых изображениях, где в качес-

тве элементов дискретизации выступают, соответственно, элемент растра и цифровой элемент;

- различные подклассы МП, отображаемые на цифровом изображения, представляются как случайные текстурно-однородные поля с определенной организацией непроизводных элементов текстуры.

Экспериментальное моделирование на ПЭВМ цифровых изображений муара на гауссовских двумерных структурах показало, что совмещение элементов структуры изображения и его копии, повернутой на небольшой угол (до 10°) соответствует одной из математических операций (произведение, сумма, сумма логарифмов и др.) над тоновыми элементам цифрового изображения. Выбор операции влияет только на качество визуализации муарового эффекта; само изображение муара не исчезает.

Недостаток алгебраического выражения ( 4 ) состоит в том, что в него входят только средние величины р и D и не учитываются флуктуационные особенности элементов нерегулярней структуры. Поэтому, для описания статистических свойств изображения цифрового муара, предлагается смоделировать и описать муаровый эффект, используя математический аппарат теории вероятностей, в частности, корреляционный анализ.

Показывается, что математическое выражение 1-го изображения цифрового муара имеет вид:

м'(т)=й I Т(х,у)-Т(х+т,у+г) , ( 5 )

1 ù t=o

где: Z = к-2:ш - общее число значений произведений ординат

* Ьв О t

исходного изображения и его копии (угол 9 фиксирован) в пределах видимой области муара круговой формы, где: к - коэффициент пропорциональности, о . = D - среднестатистический размер непро-

be в t.

изводного элемента текстуры изображения р. Тогда общее математическое выражение автокорреляционной функции R(t) через совокупность изображений муара M (t) относительно всех координат исходного цифрового изображения тлеет вид: 1 X Y ,

R(T) g (х-1 ) (y-1) £ Ен,<*> • 1=1.....X'Y . < 6 )

где: (х,у), х=1,___Х;у=1,—,У - пространственные координаты исходного цифрового изображения, представляющие собой точки разворота (полюсы) получаемых изобракевдй цифрового муара при операции. произведения тоновых элементов изображения и его копии.

Таким образом, муаровый эффект на нерегулярных структурах в случае произведения тоновых элементов изображения и его копии,

повернутой на небольшой угол (до 10°), представляет собой частичную реализацию автокорреляционной функции К(Т).

Моделирование на ПЭВМ показало, что изображения цифрового муара можно получить, используя также операции сложения, сложения логарифмов тоновых элементов изображений и т.д. Тогда математическое выражение 1-го изображения муара (г) выглядит:

M.(t) = 4 Е T(x,y)®T(x+t,y+t) , 1 ^ Г=о

T=Z

( 7 )

где: в - одна из математических операций: перемножение, сложение и др., произведенные над тоновым элементом изображения Т(х,у) в точке с координатами (х,у) и тоновым элементом его копии Т(х+х, у+т) в точке с координатами (х+г,у+Т); г - интервалы корреляции, образуемые в плоскости изображения цифрового муара при повороте копии относительно исходного изображения на некоторый угол 0 (1°-И0°). Моделирование на ПЭВМ показало, что наилучшими визуальными качествами воспроизведения, а следовательно и распознавания изображений, обладают изображения цифрового муара, полученные при сложении тоновых элементов. Поэтому, предлагаемые текстурные признаки цифрового муара рассчитываются относительно изображения муара следующего вида:

м(к,1) = М((т) = ^ Е (т(х,у)+5?(х+г,у+т)) , ( 8 )

где: (к,1), к=1,...К; 1=1,...,Ь - пространственные координаты в плоскости изображения цифрового муара. Тогда вектор текстурных признаков цифрового муара выглядит: И1(ш1,Еаг,шз,т4,иБ) =

т.= Е Е С (к-1)2М(к,1) ]/ Е Е М(к,1) .

к=11=1 1I=1

Ь К „К I.

12/

т = Е Е [М(к,1)]г/ Е Е М(к,1) , )=1к»1 к=11«1

из=

Е Е k-l-[M(k,l)]-jiji, k=ii=i

( 9 ).

К L

/ЕЕ М(к,1) к = 11=1 К L

К „ "К

т = - Е Е M(k,l)log[M(k,l)]/ Е Е М(кД), к=11»1 к»11=1

v Е [Е ы(к,1)]2/ Е Е М(к,1) ,

1slksl к=11=1

1 = 1.....1

где: М(к,1) - непосредственные значения тонов фрагментов изоб-

ражений муара (К = Ь = 64); ^ и Рк, ^ и ^ - средние значения и дисперсии, вычисленные для строк и столбцов 1-го фрагмента изображения муара.

Известные текстурные признаки Р.Харалика и К.Сан основаны на концепции, согласно которой особенности пространственной организации непроизводных элементов текстуры (размеры, форма, ориентация и др.) изображений определенного вида подстилающей поверхности описываются, соответственно, МПЗУСТ и модифицированной МПЗУСТ. Математическое моделирование свойств предлагаемых текстурных признаков цифрового муара позволило ввести новую концепцию, согласно которой особенности пространственной организации непроизводных элементов текстуры содержатся во фрагменте изображения Муара. При этом, благодаря "принципу лупы", осуществляющемуся в центральной области изображения муара на одноименных элементах, каждый фрагмент изображения муара увеличивает особенности внутреннего строения самих непроизводных элементов, повышая их локальную .(для данного подкласса) текстурную однородность, а совокупность фрагментов изображений муара описывает особенности пространственной организации совокупности непрокз-водных элементов, выявляя их текстурную неоднородность й повышая тем салым возможность распознавания различных подклассов.

Специальная методика автоматизированного текстурного анализа крупномасштабных фотоизображений морской поверхности включает в себя следующие основные этапы: 1.......Этап оОдей предобработки;

1.1. Визуально-инструментальное дешифрирование фотоизображений с целью выявления размеров непроизводных элементов текстуры, образцы схем дешифрирования которых представлены на рис.2.

Визуально-инструментальному дешифрированию фотоизображений предшествовало рассмотрение вопросов классификации визуальных и машинных дешифровочных признаков, прямых и косвешщх признаков крупномасштабных фотоизображений морской поверхности с акцентом на дешифровочном признаке текстуры с целью их тематической формализации. Визуально-инструментальное дешифрирование пространственных закономерностей тонкой структуры морской поверхности производилось с целью получения количественной информации о геометрических характеристиках капиллярных и 'капиллярно-гравитационных волн ряби, их пространственном распределении и локализации на склонах гравитационных волн и размерах непроизводных элемен-

ОБРАЗЕЦ

визуального дешифрирования участка фотоизображения морской поверхности масштаба I : 160

Условные обозначения:

/У/Л-аь - рябь одномерная с длиной волны в см; - направление ветра;

_ "рябь-на-ряби" с соответствующими длинами волн в см. \ границы анизотропных областей; - - нечеткие границы анизотропных областей; - сплошные пенные области.

Рис.2

тов текстуры, отображаемых объектов, и явлений на поверхности морских волн- В результате такого дешифрирования были составлены специальные схемы участков морской поверхности, используя которые строились графики вероятности распределения площадей участков по длинам волн 1 и длинам гребней G. Используя эти графики, определялся эквивалентный размер непроизводного элемента текстуры для волн ряби: Р^д = 8 см. Он является минимальным и наиболее статистически значимым среди размеров непроизводных элементов распознаваемых подклассов и был положен в основу расчета угла поворота в копии относительно исходного изображения. 1.2. Отбор участков фотоизображений размером 25,6 х 25,6 мм: по 40 участков на каждый из распознаваемых подклассов на изображении морской поверхности: 20 участков - обучающая (тестовая) выборка и 20 участков - контрольная выборка;

1-3. Телевизионный ввод отобранных участков в АСОИз (на базе IBM PC/AT, рис.3) и получение файлов цифровых изображений размером 256x256 байт;

1.4. Коррекция цифровых изображений с целью относительной нормализации последних (линейное контрастирование, приведение к общему среднему, эквализация и др.). 2. Этап специальной предобработки:-

2.1. Проверка требования Ъ% точности отображения пространственных координат точек на отобранных для обработки участков цифровых изображений морской поверхности (256x256 байт) согласно предлагаемому методу учета систематических искажений, точек за мгновенный рельеф МП, где рассматривается ренение двух основных задач: а) оценка полезного размера цифровой области анализа изображения в зависимости от модели волнения; б) оценка размера участка изображения и "окна" анализа этого участка.

2.2. Определение параметра угла разворота изображения в относительно его копии согласно предложенному методу формирования фрагментов изображений муара, включающему три основных шага:

а) определение минимальных размеров непроизводных элементов текстурно-однородных участков на основе информации, полученной на этапе визуально-инструментального дешифрирования;

б) вычисление размеров непроизводных элементов текстура в единицах цифровых элементов (ц.эл.), т.е. последовательный расчет: РСд[мм]=(Рнат[мм]/М); Рсн[ц.эл. ]=(Рсн[ш]/Д1), где: М - знаменатель масштаба фотоизображения ид- шаг дискретизации цифрово- '

го изображения в [мм];

в) вычисление параметра угла разворота 6: наилучший видимый радиус муарового эффекта соответствует среднестатистическому .размеру элемента изображения р, описывающему непроизводный элемент текстуры как элементарный физический объект подстилающей поверхности. Угол б вычисляется таким образом, чтобы видимая область элементов муара радиуса р^ = Б соответствовала размеру стороны

Ьв я ъ

обрабатываемого фрагмента ЬхЪ:

в = 2-агов1п(рск/П) = г-агсБЗлСр^/гБ) , ( 10 ) где: Ъ - размер стороны фрагмента изображения муара в цифровых элементах изображения; рсм - среднестатистический размер непроизводного элемента изображения.

3... ЭтшосновнойоОработ

3.1. Формирование фрагментов изображений муара путем арифметического сложения фрагмента исходного участка изображения и его копии, повернутой на угол б, с предварительным уменьшением максимального диапазона уровней тоновых элементов на участке в два раза (например, с 256 байт до 128 байт), поскольку после сложения фрагмента изображения и его копии, вновь получается изображение с максимально возможным диапазоном уровней тоновых элементов (например, до 256 байт). Полное число фрагментов 1=16.

3.2. Расчет вектора текстурных признаков цифрового муара ®1(ш1. т.т.гп ,т ) согласно выражению ( 9 ) на каждом фрагменте изоб-

2 3 .4 5

ракения муара в режиме "скролинга".

■3-3. Создание обучающей выборки. В режиме обучения с "учителем" производится анализ значений вектора текстурных признаков по тестовой (обучающей) выборке: отбираются наиболее информативные значения для распознаваемых подклассов и, соответственно, определяются границы подклассов в пространстве отобранных признаков. В результате для каждого распознаваемого подкласса К{ формируется эталонный текстурный вектор признаков И® и вектор априорных пороговых.коэффициентов^ (для каждого текстурного признака п^), используемые непосредственно в классификаторе. Далее, на контрольной выборке участков изображений рассчитываются текущие значения вектора признаков (без. анализа) , которые затем используются в классификаторе.

3.4. Классификация участка цифрового изображения. Решающее правило используемое в классификаторе, основано на правиле минимума расстояния в форме метрики абсолютных значений (1]-норма >. кото-

рое применительно к задаче текстурного распознавания J подклассов на участке цифрового изображения имеет вид:

подкласс К = Kj, если ^W^j < Зу 3=1, ...,J; i=i,...,i,

где: d(f?j .Wj) = jW® - W, | = [ E |ra®Jk- mlk|] - функция рассто-

д«—l

яния в виде метрики 1 абсолютных значений; k = 1....5 - размерность вектора признаков цифрового муара Щ, (m, ,m „,m„,ni ,т );

1 1 2 3 4 S

I - число фрагментов на участке цифрового изображения. В процессе обучения с "учителем" границы подклассов уточняются, что достигается с помощью файловой организации вектора текстурных признаков W®. Работа алгоритма текстурного распознавания организована в режиме "скролинга" изображения. Особенностью предложенного алгоритма распознавания является его двухетап-ность: на I этапе классификатор настраивается на распознавание каждого из 16 фрагментов изображений муара и, соответственно, определяется принадлежность каждого из этих фрагментов к одному из четырех подклассов; на II этапе распознавания классификатор настраивается на распознавание сразу всего участка изображения размером 256x256 байт; при этом используются дополнительные признаки (среднее и дисперсия), рассчитанные на I этапе распознавания для текстурных признаков цифрового муара га +т относи-

1 5

тельно 16 фрагментов цифровых изображений муара. 3.5. Представление результатов распознавания подклассов фотоизображений морской поверхности в форме условных тоновых элементов для каждого из распознаваемых подклассов.

В четвертой главе описываем» вариант автоматизированной системы обработки изображений иСОИз) на базе IBM PC/AT и специализированный пакет прикладных программ (СППП) текстурного анализа крупномасштабных фотоизображений МП, разработанный автором.

Структура технических средств АСОИз представлена на рис.3.

Телевизионный ввод исходных ключевых участков фотоизображения осуществляется с фотопластинок с помощью монохроматической телекамеры "PANASONIC" или "ВЗОР" в кадровые памяти изображений: а) в..систему...:1ШЕ0.н.: 4 кадровые памяти изображения - оперативные запоминающие устройства 4 участков изображений размером 256х 256x256 бит (ОЗУ 1 + ОЗУ 4), запись которых осуществляется пос-рэдством ОЗУ управления (ОЗУ У) по 4 возможным каналам 0+3 с визуализацией кадра через видеоконтрольное устройство (ВДУ) черно-белого TV монитора "Рекорд" ВК40В64 размером 256x256x256 бит;

Рис. 3

100 кадровых памятей участков изображения размером до 1024x1024x256 бит в каждом с визуализацией кадра в графическом адаптере super-VGA размером до 640x512x64 бит.

Системы "VIDEO" и "ANSYS" взаимно сопряжены между собой через интерфейс пользователя. Разработанный автором специализированный пакет прикладных программ текстурного анализа крупномасштабных фотоизображений морской поверхности "TANSYS", включает: алгоритмы специальной предобработки (оценка систематических искажений за мгновенный рельеф-морской поверхности на фотоизображениях; нормализация цифровых изображений и т.д.); алгоритмы Текстурного распознавания с помощью известных и предлагаемых систем текстурных признаков; сервисные алгоритмы специализированного интегрированного меню, входящие в интеллектуальный интерфейс пользователя. Приводятся блок-схемы СППП и тексты библиотеки подпрограмм в виде приложений. СППП "IANSYS" реализован на базе пакета программ общей цифровой обработки изображений "ANSYS"^ Описаны возможности развития структуры данной АСОИз с целью повышения эффективности его использования.

В пятой главе изложены результаты экспериментальных исследований, выполненных с целью проверки работоспособности методики текстурного анализа крупномасштабных фотоизображений морской поверхности, основанной на текстурных признаках цифрового муара. В соответствии с основной целью экспериментальных исследований выполнены: крупномасштабная фотосъемка морской поверхности в натурных условиях; оценка точности длин волн зыби и ряби с помощью предложенных матриц максимальных и. минимальных искажений; оценка полезного размера цифровой области анализа фотоизображения' и •размера "окна" анализа участка цифрового изображения; экспериментальная проверка работоспособности предложенной методики .и сравнительная оценка точности классификации распознаваемых подклассов на участках изображений МП по предлагаемым текстурным признакам цифрового муара и известным текстурным признакам Р.Ха-ралика и К.Сан.

Для автоматизированного распознавания крупномасштабных фотоизображений морской поверхности с использованием известных и предлагаемых систем текстурных признаков были отобраны участки изображений для четырех подклассов состояний морской поверхности: - развивающееся морское волнение с одномерной однонаправленной рябью (подкласс "РЯБЬ");

- развивающееся морское волнение с двумя системами однонаправленных систем длин волн (подкласс "РЯБЬ-НА-РЯБИ");

- трехмерное волнение без волн ряби (подкласс "ЗЫБЬ");

- морское волнение, покрытое нефтяной пленкой (подкласс "СЛИК").

Исходя из требования Ъ% точности отображения информации и полезного размера области анализа фотоизображения (120x160 мм), расчеты показали, что полезный размер области анализа цифрового изображения, в пределах которого искажения координат точек за мгновенный, рельеф морской поверхности на участках цифровых изображений размером 256x256 ц.эл. и шаге диеккретизации А = 0,1 мм не превышают 5%, равен 74x104 мм. Тогда требованию 5% точности отображения информации удовлетворяет также "окно" анализа (фрагменты изображений муара) размером 64x64 ц.эл. и меньше.

Результаты распознавания показывают, 'что наилучшая точность классификации для данных фотоизображений достигается при использовании текстурного признака цифрового муара (85,0%) и при- использовании традиционных текстурных признаков Р.Харалика при варьирующем окне анализа таг (82,5$). Основные результаты по точности классификации представлены в таблице.

Таблица

^""^метод рас-под- \поЗНава-классы \ния Цифровой муар: гхг=со:г^= 64x64 Р.Харалик: 1>х1» = таг Р.Харалик: гхг=сопв1;= 64x64 К.Сан: гах^сопе!^ 64x64

"РЯБЬ": I этап: II этап: 71,59« 90,0056 63,88% 85,00$ 61,88% 68,75% 67,81% 68,75%

' "РЯЕЬ НА РЯБИ": I этап: II этап: 70,08% 85,0056 63,81% 85,00% 57,81% 62,50% 62,81% 75,00%

"ЗЫБЬ"': I этап: II этап: 67,5035 ' 80,00$ 58,58% 80,00$ 55,91% 56,25$ 63,75% 81,25%

"СЛИК"': I этап: II этап: 67,8156 85,00Й 58,28% 80,00% 59,33% 75,00% 62,50% 75,00%

Таким образом, предложенная методика текстурного анализа, основанная на текстурных признаках цифрового муара, повышает точность и быстродействие распознавания изображений и может быть использована в системах реального времени.

Заключение

В результате выполнения диссертационной работы сделаны следующие выводы.

1. Наиболее важным источником повышения быстродействия и точности классификации различных объектов и явлений подстилающей поверхности является разработка новых более совершенных систем текстурных признаков. Исследование и анализ свойств изображения цифрового муара, полученного на нерегулярных структурах, позволили ввести новую концепцию описания текстуры изображения, согласно которой текстурная информация о пространственной организации (форма, размеры и др.) и взаимном расположении непроизводных элементов текстуры содержится во фрагментах изображений муара.

2. Разработан метод получения системы текстурных признаков цифрового муара на основе использования свойств муарового эффекта на нерегулярных структурах и уточненого описания пространственной организации непроизводаых элементов текстуры изображения.

3. Разработана методика текстурного анализа крупномасштабных фотоизображений морской поверхности, которая может быть использована применительно к изображениям других типов, масштабов и классов подстилающей поверхности.

4. Разработан метод учета систематических искажений координат точек фотоизображений за мгновенный рельеф морской поверхности .

5. Реализован вариант автоматизированной системы обработки изображений на базе ХБМ РС.

6. Разработано и создано специализированное программное обеспечение текстурного анализа крупнсмасатабных фотоизображений морской поверхности.

7- Результаты распознавания крупномасштабных фотоизображений морской поверхности подтвердили преимущества и еффективность разработанной системы текстурных признаков цифрового муара и основанной на ней методики текстурного анализа.

Основные положения диссертации опубликованы в работах:

1. Илыш Ю.А., Стринкин И.И., Малинников В.А., Латинская М.П. Комплексное изучение тонкой структуры ветрового волнения. -В кн.: 1У Всесоюзной конф. "Проблемы научных исследований в области изучения и освоения Мирового океана". 25-28.10.1983. Тези-

сы докладов, ч.1. Владивосток, 1983, с.23-24.

2. Стрижкин И.И., Малинников В.А., Лапчинская М.П. О взаимосвязи между спектром яркости фотоизображения и спектром возвышений взволнованной водной поверхности. - Изв. Вузов. Геодезия и аэрофотосъемка. 1984, N3, с.90-95-

3. Стрижкин И.И., Лапчинская М.П., Ильин Ю.А., Малинников В.А. Пространственная структура высокочастотного ветрового морского волнения при различных метеоусловиях. - Изв. АН СССР. ФАО. 1985, т.21, N4, с.440-442.

4. A.C. 1278797 СССР, МКИ3. G06K 9/00. Способ полиграфического воспроизведения цветных изображений с использованием нерегулярного растра / И.И.Стрижкин, М.П.Лапчинская. 19875. Лапчинская М.П. Оценка геометрических искажений параметров морской поверхности, полученных по фотоснимкам. - Изв. Вузов. Геодезия и аэрофотосъемка. 1990, N5, с.119-127. -

6. Малинников В.А..Лапчинская М.П. Диагностика нефтяных загрязнений морской поверхности методом частотной фильтрации отраженного излучения - М., 1991. Деп. в 0НИПР ЦНИИГАиК, И501-ГД от 28.12.91. 10 с.

7. Лапчинская М.П. Система интерактивного анализа и обработки изображений на ПЭВМ типа IBM PC - М., 1992. Деп. в ОНИПР ЦНИИГАиК, К528-ГД от 18.11.92, 19 с".

8. Кобер В.И., Лапчинская М.П. Использование текстурного признака цифрового муара при распознавании волн ряби на фотоснимках морской поверхности. - Труды 28 конференции молодых ученых ИППИ РАН, Москва 12-15 мая 1993. Москва, 1993, с.30-33.

9. Малинников В.А., Ильин Ю.А., Лапчинская М.П. Диагностика нефтяных загрязнений водной поверхности методом частотной фильтрации отраженного излучения - В кн.: Тез. докл. 7 Всесоюз. семинара "Дистанционный мониторинг экосистем". Воронеж, 1991, с.22-23.

3аказ№3753. Тираж 100. Подп. в печать II.05.94г. УПП "Репрография".