автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.12, диссертация на тему:Методы автоматизации проектирования средств обработки изображений в дифракционных гиперспектральных системах дистанционного зондирования Земли

Кузнецов Александр Юрьевич

Методы автоматизации проектирования средств обработки изображений в дифракционных гиперспектральных системах дистанционного зондирования Земли

Специальность 05.13.12 - Системы автоматизации проектирования

(приборостроение)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Санкт-Петербург - 2015

Работа выполнена в Санкт-Петербургском национальном исследовательском университете информационных технологий, механики и оптики

Научный руководитель: доктор технических наук, профессор

Гатчии Юрий Арменакович

Официальные оппоненты: Сидоркииа Ирина Геннадьевна

д.т.н., профессор, декан факультета Информатики и вычислительной техники ФГБОУ ВПО «Поволжский государственный технологический университет» Акимов Сергей Викторович к.т.н., доцент, доцент кафедры Автоматизации предприятий связи ФГБОУ ВПО «Санкт-Петербургский

государственный университет

телекоммуникаций им. проф. М.А. Бонч-Бруевича»

Ведущая организация: Федеральное государственное автономное

образовательное учреждение высшего профессионального образования «Санкт-Петербургский государственный университет аэрокосмического приборостроения»

Защита состоится 30 сентября 2015 г. в 15:50 часов на заседании диссертационного совета Д 212.227.05 при Санкт-Петербургском национальном исследовательском университете информационных технологий, механики и оптики по адресу: 197101, Санкт-Петербург, Кронверкский пр., д.49. ауд. 331.

С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского национального исследовательского университета информационных технологий, механики и оптики по адресу: 197101, Санкт-Петербург, Кронверкский пр., д.49 и на сайте fopo.ifmo.ru .

Автореферат разослан «_»_ 2015 года.

Ученый секретарь диссертационного совета у Ц

кандидат технических наук, доцент /¡¿^ _ И Поляков В .И.

, I ! иЪУДАРС 3 |_Г МП!

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Одной из важных проблем настоящего времени является автоматизация проектирования в различных отраслях науки и техники. Данный факт обусловлен тем, что необходимо сокращать время проектирования и уменьшать трудозатраты. Для решения этих проблем применяются системы автоматизации проектирования (САПР), которые представляют собой организационно-техническую систему, предназначенную для автоматизации процесса проектирования, состоящую из персонала и комплекса технических, программных средств автоматизации. Одной из областей, в которой нашли применение подходы, методы и алгоритмы САПР, является обработка изображений в гиперспектральных системах дистанционного зондирования Земли (ГСС ДЗЗ).

Гиперспектральная аппаратура, работающая на различных участках ультрафиолетового, видимого и инфракрасного спектра, в настоящее время активно используется при решении научно-исследовательских и прикладных задач но мониторингу природных комплексов и антропогенных объектов Земли с использованием дистанционных методов. Приборы данного класса по сравнению с классическими системами оптического сканирования, существенно расширяют возможности обнаружения и распознавания объектов и фонов по их спектральным образам.

В нашей стране для обработки гиперспектральных изображений, получаемых средствами ДЗЗ первоначально использовалось готовое программное обеспечение, поставляемое зарубежными фирмами. В начале 2000-х годов в России начались разработки программных продуктов, предназначенных для обработки изображений, получаемых посредством отечественных ГСС ДЗЗ.

Разработка средств обработки изображений в дифракционных ГСС ДЗЗ является весьма трудоемким процессом. Основные используемые на сегодняшний день алгоритмы распознавания образов на гиперспектральных снимках требуют много времени и не являются оптимальными для решения конкретных задач обнаружения. Применение методологии САПР позволяет решить эти проблемы.

В связи с этим возникла необходимость разработки новых методов автоматизации проектирования средств обработки изображений в дифракционных ГСС ДЗЗ и сокращения времени получения пользователем необходимых данных об объектах Земли.

Объектом исследования диссертационной работы являются методы автоматизации проектирования средств обработки изображений в дифракционных ГСС ДЗЗ.

Предметом исследования диссертационной работы является автоматизация обработки изображений в дифракционных ГСС ДЗЗ и выявление особенностей проектирования программных приложений для данного класса приборов.

В рамках настоящей диссертационной работы предлагается метод автоматизации проектирования средств обработки изображений на примере разработки системы обработки гиперспектральной информации и решения задачи обнаружения замаскированных объектов при помощи дифракционных ГСС ДЗЗ, математических моделей систем распознавания образов и вегетационных индексов.

Цели и задачи работы. Целью диссертационной работы является разработка методов и алгоритмов автоматизации проектирования средств обработки изображений в дифракционных ГСС ДЗЗ.

В соответствии с поставленной целью в работе решены следующие задачи:

1. Определены направления развития систем ДЗЗ, проведен анализ гиперспектральной аппаратуры, средств обработки изображений и методов их проектирования.

2. Сформулированы основные этапы проектирования средств обработки изображений в дифракционных ГСС ДЗЗ для реализации в САПР.

3. Разработан метод автоматизации проектирования средств обработки изображений в дифракционных ГСС ДЗЗ, позволяющий оптимизировать системы обработки гиперспектральной информации под конкретные задачи обнаружения.

4. Разработана методика радиометрической калибровки выходных данных при проектировании средств обработки изображений в дифракционных ГСС ДЗЗ, позволяющая универсализировать анализ спектральных характеристик.

5. Разработана методика изменения размеров изображения, получаемого входным объективом дифракционной ГСС ДЗЗ.

6. Разработан алгоритм обнаружения и распознавания объектов для автоматизации проектирования средств обработки изображений в дифракционных ГСС ДЗЗ.

7. Проведена экспериментальная проверка результатов исследований.

Методы исследования. Для решения поставленных задач применены

теория систем автоматизации проектирования, методы машинной графики, обработки изображений, обнаружения и распознавания объектов на них, методы вычислительной математики и математической логики, методы линейной оптики и оптики спектральных приборов, а также прикладного программирования.

Достоверность и обоснованность полученных результатов обеспечивается учетом новых факторов и условий, влияющих на исследуемые проблемы; анализом имеющихся результатов в рассматриваемой области знаний; методологической основой научного задела по рассматриваемой тематике; применением современных апробированных теоретических подходов и математических методов исследований; обоснованностью принятых допущений и ограничений при разработке методического аппарата исследований; проведением многовариантного анализа; учетом имеющегося опыта и практики в области систем автоматизации проектирования.

Научная новизна заключается в разработке и исследовании методов и алгоритмов автоматизации проектирования новых средств обработки гиперспектральной информации в системах ДЗЗ, алгоритма обнаружения замаскированных объектов, а также в разработке нового входного параболического вариообъектива для систем дистанционного зондирования.

Основные положения, выносимые на защиту:

1. Метод автоматизации проектирования средств обработки изображений в дифракционных ГСС ДЗЗ.

2. Метод выбора критерия обнаружения.

3. Метод выбора математической модели систем распознавания образов.

4. Методика и алгоритм радиометрической коррекции спектральных характеристик, получаемых с помощью средств обработки изображений дифракционных ГСС ДЗЗ.

5. Алгоритм обнаружения и распознавания объектов для автоматизации проектирования средств обработки изображений в дифракционных ГСС ДЗЗ.

6. Методика изменения размеров изображения, получаемого входным объективом дифракционной ГСС ДЗЗ.

Практическая значимость. Эффект от использования результатов диссертационной работы заключается в:

1) сокращении сроков проектирования дифракционных ГСС ДЗЗ;

2) автоматизации проектирования средств обработки изображений в дифракционных ГСС ДЗЗ;

3) сокращения времени получения пользователем необходимых данных об объектах Земли;

4) разработке нового входного параболического вариообъектива для систем дистанционного зондирования согласно государственной регистрации полезной модели параболической оптической системы (патент № 147776, приоритет от 30.12.2013).

Внедрение и реализация. Практические результаты работы используются в специализированных и научно-исследовательских организациях, что подтверждено соответствующими актами о внедрении.

В число организаций, внедривших и использующих результаты работы, входят АО «ГОИ им. С.И. Вавилова», Университет ИТМО.

Апробация работы. Основные результаты диссертационной работы прошли апробацию в ходе докладов и их обсуждений на международных и всероссийских научно-технических конференциях:

1. II, Ш Всероссийский конгресс молодых ученых (СПб НИУ ИТМО 2013г, 2014г.).

2. Международный конгресс по интеллектуальным системам и информационным технологиям (г. Дивноморск 2013г, 2014г.).

б

3. III Всероссийская научная конференция "Проблемы военно-прикладной геофизики и контроля состояния природной среды" (BKA им. А.Ф. Можайского, 2014г).

Публикации. По теме диссертации опубликовано 10 печатных работ, из которых 3 опубликованы в журналах, входящих в перечень, утвержденный ВАК РФ.

Структура и обьем диссертации. Работа состоит из введения, четырех глав, заключения, приложения и списка литературы.

ОСНОВНЫЕ ПОЛОЖЕНИЯ РАБОТЫ

Во введении обосновывается актуальность темы, сформулированы цель и задачи исследования, показана научная новизна полученных результатов, приведены сведения об их практическом использовании и представлены основные положения, выносимые на защиту.

В первой главе рассмотрены основные проблемы и тенденции развития систем ДЭЗ и представлены основные классы приборов данной области пауки и техники. Рассмотрен класс приборов дистанционного зондирования под названием дифракционных и призменных видеоспектрометров (ВС), проанализированы существующие на сегодняшний день приборы такого класса, выявлены их достоинства и недостатки. Обоснован выбор видеоспектрометра «Фрегат», дня которого разработано программное обеспечение, основанное на предложенных в работе методах автоматизации проектирования средств обработки изображений. Также проанализированы основные, существующие на сегодняшний день, программные приложения обработки гиперспектральной информации и методы их проектирования, сформулированы основные проблемы при синтезе средств обработки изображений в ГСС ДЗЗ.

В нашей стране разработки дифракционных и призменных ВС ведутся с начала 80-х годов XX века. В последние десятилетия были созданы отечественные призменные ВС авиационного базирования («Реагент», «Лептон», «Сокол-ГЦП») и космического базирования («Ресурс-П». «МКА ФКИ»), в то время как за рубежом в подавляющем большинстве разрабатывались дифракционные ВС. Положительным качеством дифракционных ВС является то, что спектральное разрешение не зависит от длины волны в отличие от призменных ВС. Также следует отметить тот факт, что все отечественные ВС не имеют во входном объективе функции изменения размеров изображения.

Один из первых в России дифракционных ВС под названием «Фрегат», работающий в видимом и ближнем ИК диапазонах спектра, был разработан в 1985г. в Ленинградском институте точной механики и оптики (ЛИТМО) научно-исследовательской группой «КОСПЕКТР» в рамках космического проекта «Фобос».

Несмотря на год разработки, оптическая схема ВС «Фрегат» представляется перспективной и на сегодняшний день. У данного ВС в качестве диспергирующего элемента используется плоская отражательная дифракционная решетка, чем и обеспечивается постоянное спектральное

разрешение в видимом и ближнем инфракрасном диапазонах спектра. К недостаткам ВС «Фрегат» следует отнести невысокие пространственное разрешение и частота формирования гиперспектральных кадров.

Проведен анализ существующих на сегодняшний день средств обработки гиперспектральной информации и определены методы их проектирования.

Среди ведущих разработок в области гиперспектральной информации следует выделить нижеследующие программные обеспечения.

1. Вычислительная система обработки данных гиперспектрального аэрокосмическ.ого зондирования (разработка Московского государственного университета им. М.В. Ломоносова, Московского физико-технического института, Института вычислительной математики РАН, Тверского государственного университета).

2. Программно-аппаратный комплекс классификации объектов земной поверхности на основе средств искусственного интеллекта.

3. Программный комплекс GS-VKA.

4. Программный комплекс «Альбедо» для видеоспектральной системы «Лептон».

5. Система обработки многоспектральных и гиперспектральных снимков ENVI.

Программные продукты «Альбедо» и GS-VKA разрабатывались для ВС НПО «Лептон», который, как говорилось раннее, обладает разным спектральным разрешением и не подходит для более подробного сравнительного анализа спектральных характеристик в правой части рассматриваемого диапазона длин волн. Данные приложения позволяют получать спектральные характеристики в значениях спектральной плотности энергетической яркости (СПЭЯ). Другие же из представленных программ являются универсальными и не позволяют в полной мере учитывать особенности конкретных ВС. Отсюда следует вывод, что разработка программного обеспечения должна быть специальной для каждого отдельно взятого видеоспектрометра с учетом особенностей его матрицы и оптической схемы.

Реализованные на данных программных продуктах алгоритмы классификации приспособлены для спектрального анализа всего изображения и не сообщают, где какой объект расположен. Принятие решения о принадлежности рассматриваемого объекта к конкретному классу с использованием известных математических процедур принимает оператор.

В результате выполненного анализа были сделаны следующие выводы:

1 ) дифракционные ВС являются на сегодняшний день перспективными ГСС ДЗЗ;

2) средства обработки гиперспектральной информации для дифракционных ВС не учитывают особенности их матриц и оптических схем;

3) необходима разработка методов автоматизации проектирования средств обработки гиперспектральной информации для дифракционных ВС;

4) для реализации функции масштабирования изображения целесообразно предложить схему входного объектива для дифракционных ГСС ДЗЗ, обладающего свойствами вариообъектива.

Во второй главе сформулированы особенности формирования гиперспектральной информации, основные этапы проектирования средств обработки гиперспектральной информации в дифракционных ГСС ДЗЗ. Рассмотрены вегетационные индексы как основные эффективные признаки различия спектральных характеристик. Проанализированы математические модели систем распознавания образов для решения задач обнаружения. Сформулирован метод автоматизации проектирования, положенный в основу САПР средств обработки гиперспектральной информации для дифракционных ГСС ДЗЗ.

При полете носителя с ВС, снабженным матричным приемником, проекция входной щели перемещается шаг за шагом по поверхности исследуемого объекта, что приводит к обновлению изображений в монохроматических строках на фоточувствительной поверхности приемника. Это позволяет сформировать в запоминающем устройстве ВС полихроматические видеокадры, которые объединяются в трехмерный массив данных, называемый информационным параллелепипедом или гиперкубом.

При проектировании средств обработки изображений в дифракционных ГСС ДЗЗ необходимо выполнение следующих этапов:

1. Разработка алгоритма обработки информационного параллелепипеда для получения полноформатного изображения.

2. Разработка алгоритма получения спектральных характеристик в значениях отсчетов аналогового цифрового преобразователя.

3. Проведение радиометрической калибровки получаемых спектральных характеристик.

4. Разработка алгоритма получения спектральных характеристик в соответствии с проведенной калибровкой.

5. Выполнение анализа спектральных характеристик для решения задачи обнаружения в соответствии с тактико-техническим заданием.

6. Определение наиболее подходящих для обнаружения критериев различия спектральных характеристик.

7. Анализ плотности распределения критериев обнаружения и получение основных статистических характеристик.

8. Синтез алгоритма решения задачи обнаружения на основе полученных статистических данных и математических моделей систем распознавания образов.

9. Разработка программного средства обработки изображений на основе предложенных алгоритмов.

В соответствии с целью данной работы предложен метод автоматизации проектирования средств обработки гиперспектральной информации, положенный в основу САПР, структурная схема которого приведена на рисунке 1.

Известно, что при анализе спектральных характеристик целесообразно применять вегетационные индексы. На сегодняшний день существует множество различных вегетационных индексов, но наиболее эффективными из них в пределах видимого и ближнего ИК диапазонов спектра считаются следующие:

1. Вегетационный индекс NDVI (Normalized Difference Vegetation Index), который рассчитывается по следующей формуле:

NDVI = <W~Rred, (1)

^nir+^red

где Rnlr и RrCd - усредненные по нескольким спектральным каналам значения СПЭЯ или коэффициентов спектральной яркости (КСЯ) в ближнем инфракрасном и красном диапазонах спектра конкретной точки изображения.

2. Вегетационный индекс ARVI (Atmospherically Resistant Vegetation Index), который рассчитывается по формуле:

ARV1 = "ы,„Л (2)

где Rbhc и R„ir - усредненные по нескольким спектральным каналам значения СПЭЯ или КСЯ в синем и ближнем инфракрасном диапазонах спектра конкретной точки изображения.

3. Вегетационный индекс RENDVI (Red Edge Normalized Difference Vegetation Index), который также обозначается как NDVI705 и рассчитывается по формуле:

NDVl™=(S3' (3)

где R7joh R70S- значения СПЭЯ или КСЯ в областях длин волн 750 и 705 нм соответственно.

4. Вегетационный индекс WBI (Water Band Index,), который рассчитывается по формуле:

WBI = (4)

"970

где Rgog и R970 - значения СПЭЯ или КСЯ в областях длин волн 900 и 970 нм соответственно.

5. Вегетационный индекс TVI (Transformed Vegetation Index), который рассчитывается по формуле:

ТУ/ = JNDVI + 0,5, (5)

где NDVI - значения вегетационного индекса NDVI для конкретной точки изображения.

Рисунок 1. Структурная схема САПР средств обработки изображений в дифракционных ГСС ДЗЗ, обеспечивающая выбор информационных каналов при решении задач обнаружения.

6. Вегетационный индекс TCHVI (Three-channel Vegetation Index), который рассчитывается по формуле:

TCHVI — /<г\

(Rred-Rar)+(Rmr-Rr<:dj' ' '

где Rgr, Rmr и R,Vd - усредненные no нескольким спектральным каналам значения СПЭЯ или КСЯ в зеленом, ближнем инфракрасном и красном диапазонах спектра конкретной точки изображения.

Для выполнения процедуры выбора вегетационного индекса при решении задачи обнаружения необходимо проанализировать спектральные характеристики объектов, подвергающихся идентификации. Для этого необходимо определить спектральные диапазоны различия двух объектов.

Схема выбора вегетационного индекса изображена на рисунке 2, где V -множество вегетационных индексов, X - множество объектов решения прикладных задач, S(X) - множество спектральных диапазонов, подвергающихся анализу, R - множество диапазонов, по которым различаются объекты анализа.

Рисунок 2. Проекгная процедура выбора вегетационного индекса.

При построении системы обработки гиперспектральной информации для решения задач обнаружения объектов целесообразно применение математических моделей систем распознавания образов. Наиболее эффективными являются системы распознавания образов по критерию Байеса, Минимаксному критерию и критерию Немана-Пирсона.

1. Байесовский критерий. Пусть имеются классы О/ и О.?. Априорные вероятности появления объектов этих классов соответственно Р0./) и РЦПг). Пусть известны также многомерные условные плотности распределения вероятностей значений признаков по классам /}(!*/, ..., хц) и /?(лг;, .... х,ч). Тогда вероятность ошибки первого <2/ и второго рода Ог соответственно

<?1 = .../Л(*1,.■.,*«)<**!.....Лх„, (7)

& = /Я1 ■•■//2(^1.....хы)йхх,...,йхы, (8)

где нЯ2- области значений некоторого параметра х.

Величина среднего риска

Я = ^(ПОй + с2Р(П2)<32, (9)

где с; и с г - потери, связанные с ошибками первого и второго рода соответственно, Р01) и Р0г) - априорные вероятности присутствия объектов обоих классов.

Задача состоит в том, чтобы минимизировать величину среднего риска. Для этого необходимо так выбрать области И] и Иг, чтобы интеграл в предыдущем выражении принял наибольшее отрицательное значение. Это достигается тогда, когда подынтегральное выражение принимает наибольшее отрицательное значение и вне области /?; не существует такой области, где подынтегральное выражение отрицательно:

с2Р(ОгШх1.....**) " с^СХУЛС*!.....х„) < 0 (10)

Отсюда следует решающее правило. Распознаваемый объект си, признаки которого как установлено в результате проведенных экспериментов, равны Х1=Х1°, хг=хг°,..., хц=х№, относится к классу О/, если

.....4) ^ пп

ЛМ,.^) с2р(пг)'

где = Л0 - пороговое значение коэффициента правдоподобия.

2. Минимаксный критерий. В данной стратегии при наличии классов П; и Пгсредний риск равен

И = РШс, ЛШх + [1 - Р(^))с2 /2 Шх (12)

Для алгоритма принятия решения, соответствующего данной стратегии, продифференцируем предыдущее выражение по Р0/) и приравняем производную нулю. В результате получим

С1<?1(*о) = ЬЯЛхо) (13)

Это соотношение, представляющее собой равенство условных средних рисков при ошибках первого и второго рода, позволяет определить хо и построить следующий алгоритм классификации: если измеренное значение признака ху объекта со равно х°, то

ш е П1( если х = х° < х0, и ол е П2, если х = х° > х0 (14)

Минимаксная стратегия, предполагающая значение Р0/) полагать равным Р0]), приводит к следующему пороговому значению коэффициента правдоподобия:

,, _ г'Ш п5)

Определение Я</ позволяет записать алгоритм классификации как:

ш е Пг, если Я(дг) < Я'0, и а) е П2- если Д(дг) > Я'0 (16)

3. Критерий Неймана-Пирсона. При построении данных систем априорные вероятности появления объектов соответствующих классов неизвестны. Исходя из того, какие решения принимаются на основании результатов распознавания неизвестных объектов, определяется допустимое значение вероятности ошибки первого рода (?/; затем определяется такая граница между классами, придерживаясь которой удается добиться минимума условной вероятности ошибки второго рода 0?. Отсюда следует, что для решения прикладной задачи обнаружения необходимо решить следующие уравнения:

(} = —1—Г е-®-5[(«-паО/'а^аа (17)

где С?| - вероятность ошибки первого рода, оа1 - среднеквадратичное отклонение плотности распределения вегетационного индекса для объекта класса 1, таг -математическое ожидание плотности распределения вегетационного индекса для объекта класса 1, а ао - граничное значение вегетационного индекса, которое разделяет множество значений индексов на два соответствующих класса;

О, = —1= е-о.5[(£г-т<Г2)/СТаС2]г ^ (18)

где (¿2 - вероятность ошибки второго рода, ааг - среднеквадратичное отклонение плотности распределения вегетационного индекса для объекта класса 2, т„2 -математическое ожидание плотности распределения вегетационного индекса для объекта класса 2.

В итоге, при выборе математической модели системы распознавания образов учитываются следующие факторы:

1. Априорные вероятности наличия объектов двух классов.

2. Возможные риски при ошибках первого и второго рода.

Схема выбора математической модели системы распознавания образов представлена на рисунке 3.

Рисунок 3. Проектная процедура выбора математической модели системы распознавания образов.

Применение методов автоматизации проектирования позволяет разрабатывать средства обработки изображений, ориентированные на конкретные приборы и задачи обнаружения. Также предложенные методы MoiyT послужить основой разработки программного средства обработки гиперспектральной информации, работающего в реальном масштабе времени.

В третьей главе рассматриваются особенности получения гиперспектральной информации ВС «Фрегат». На основании предпоженных методов автоматизации проектирования средств обработки гиперспектральной информации проводится радиометрическая коррекция спектральных характеристик ВС «Фрегат» с учетом особенностей его матрицы, решается задача обнаружения замаскированных объектов, синтезируются результаты исследований в новые алгоритмы, положенные в основу программного обеспечения для ВС «Фрегат». Для систем ДЗЗ предлагается оптическая схема входного параболического вариообъектива, улучшающего качество получаемых изображений.

В ВС «Фрегат» используется матрица SDU-285 и электронная система формирования изображений видеокамеры ICX285AL с прогрессивной разверткой. Матрица обладает разной спектральной чувствительностью в диапазоне от 400 до 1000 нм, что влечет за собой проблемы в подробном анализе получаемых спектральных характеристик подстилающей поверхности.

Была разработана методика и проведены соответствующие эксперименты с целью реализации радиометрической калибровки ВС «Фрегат». Приведение сигналов изображения P¡(k) ВС «Фрегат» к значениям СПЭЯ L,(á) проводилось по следующей формуле:

LiW = ktW-PiW, (19)

где к[(Х) = - энергетический коэффициент, Pn¡ipeM,m- значения спектра

* i Фрегат (А)

в отсчетах АЦП, полученные ВС «Фрегат» при определенных значениях времени накопления и экспозиции, Lq„ - значения СПЭЯ эталона отражения. В результате вычислений была составлена таблица энергетических коэффициентов к,

В соответствии с проектной процедурой был проведен эксперимент по получению спектральных характеристик маскировочного комплекса (МК), изготовленного в Германии, с углубленным анализом близких цветовых оттенков. Объектом экспериментального исследования являлся макет реального объекта, укрытый маскировочной сетью, на фоне зеленой растительности (ель). Для получения точных значений КСЯ рядом с объектом был расположен эталон в виде белой диффузной пластины с известным коэффициентом отражения.

Расчет КСЯ (/?(>.)) проходил по формуле:

™ = Ш (20)

где р (к) спектральные характеристики рассматриваемого объекта (в выделенных точках изображения), popí) - спектральные характеристики эталона.

Основные тонкие спектральные различия объектов «маскировка» и «ель» находятся не только в зеленой, но и в красной областях спектра. Этот факт позволяет сделать вывод, что для обнаружения замаскированного объекта наиболее всего подходит вегетационный индекс ТСНУ1. учитывающий данные спектральные каналы.

Т.к. априорные вероятности и платежная матрица не известны, то при решении задачи обнаружения замаскированных объектов оптимально использование математической модели системы распознавания образов по критерию Неймана-Пирсона. В соответствии с данной математической моделью, полагая, что вероятность ошибки первого рода (}| не должна превышать 5%, было получено пороговое значение вегетационного индекса ТСНУ1 - Оо—0.52.

В соответствии с результатами решенной ранее задачи обнаружения был разработан алгоритм, изображенный на рисунке 4.

Рисунок 4. Схема алгоритма обнаружения замаскированных объектов.

В процессе проектирования для реализации функции изменения размеров изображения, получаемого входным объективом ВС было принято решения разработать входной вариообъектив для дифракционных ГСС ДЗЗ. Для

разработки и реализации входного параболического вариообъектива с целью улучшения качественных характеристик перспективных приборов типа ВС «Фрегат» были поставлены следующие условия:

— объектив обязан содержать малое число оптических элементов и не ухудшать массо-габаритные характеристики прибора;

— оптические аберрации должны быть минимизированы и не должны влиять на качество изображения.

Из многих типов асферических отражателей в последние годы наиболее часто предпочитают использовать вогнутые параболоидальные зеркала со смещенной оптической осью, часто называемые внеосевыми зеркальными параболоидами. У таких отражателей рабочая зеркальная поверхность представляет собой лишь часть параболоида вращения, которая сдвинута относительно его главной оптической оси, как это показано на рисунке 5, где в каноническом уравнении У =2 рг фокальный параметр р =

Рисунок 5. Схема объектива на базе внеосевого зеркального параболоида, предназначенного для использования в системах дистанционного зондирования (1 - параболоидальный рефлектор; 2 - апертурная диафрагма; 3 - площадка для приемного устройства, совмещенная с фокальной плоскостью).

В результате проведенных исследований, на основании предложенных методов, были получены алгоритмы, которые легли в основу программною обеспечения обработки гиперспектральной информации для дифракционного ВС «Фрегат».

В четвертой главе проведена экспериментальная проверка эффективное™ предложенных методов и алгоритмов, реализованных в составе разработанного в диссертации программного модуля Ну\^еш.

Эксперимент показал, что с использованием разработанного программного средства НуУ)е\у время формирования полноформатного изображения составило 4 с. (для 128-ми канального гиперспектрального изображения), время расчета спектральных характеристик - 25 с. (для участка 60x100 128-ми канального гиперспектрального изображения), время работы

2

\

алгоритма распознавания - 3 мин (для учасгка 60x100 128-ми канального гиперспектрального изображения).

Для оценки качества принятия решения программным обеспечением необходим учет следующих параметров:

1. Реальная вероятность ошибки 1-го рода;

где N1 - количество пикселов класса 1, которые определены не верно, М) - общее число пикселов данного класса в выделенном участке изображения; 2. Реальная вероятность ошибки 2-го рода;

где N2- количество пикселов класса 2, которые определены не верно, М?, - общее число пикселов данного класса в выделенном участке изображения;

3. Коэффициент правильности принятия решения, определяющийся по формуле:

(23>

где 1] - пикселы изображения, класс которых определен верно, М - общее число пикселов в выделенном участке изображения.

После проведенных расчетов было получено, что вероятность ошибки первого рода составила (?/г=5%, вероятность ошибки второго рода - ()гг=10%, а коэффициент правильности принятия решения к=0,94.

Основные результаты диссертационной работы

1. Проведен обзор и компонентный анализ особенностей построения средств обработки изображений в дифракционных ГСС ДЗЗ.

2. Сформулированы основные этапы проектирования средств обработки изображений в дифракционных ГСС ДЗЗ.

3. Разработан метод автоматизации проектирования средств обработки изображений в дифракционных ГСС ДЗЗ.

4. Разработана методика радиометрической калибровки выходных данных при проектировании средств обработки изображений в дифракционных

5. Разработан алгоритм обнаружения и распознавания объектов для автоматизации проектирования средств обработки изображений в дифракционных ГСС ДЗЗ.

6. Разработана методика изменения размеров изображения, получаемого входным объективом дифракционной ГСС ДЗЗ.

7. Проведена экспериментальная проверка методов и алгоритмов автоматизации проектирования средства обработки изображений в дифракционных ГСС ДЗЗ.

(21)

(22)

ГСС ДЗЗ.

Публикации автора по теме работы

1. Кузнецов А.Ю. Проблемы создания отечественных видеоспектрометров на примере гиперспектрального комплекса «Фрегат» // Научное обозрение. - Москва. - 2015г. - №2. - С. 118-123. - 0,3125 п.л.

2. Кузнецов А.Ю. Реализация системы изменения размеров изображения, формируемого входным объективом видеоспектрометра / Чиков К.Н., Гатчин Ю.А., Красавцев В.М. // Вестник компьютерных и информационных технологий. - Москва. - 2015г. - №1. - С. 10-13. -0,1875/0,047 п.л.

3. Кузнецов А.Ю. Система раннего обнаружения цифровых диктофонов Н Научное обозрение. - Москва. - 2013г. - № 2. - С. 155-158. -0,1875 пл.

4. Кузнецов А.Ю. Параболическая оптическая система / Чиков К.Н., Гатчин Ю.А., Красавцев В.М., // патент№147776. - приоритет от 30.12.2013г.

5. Кузнецов А.Ю. Система раннего обнаружения цифровых диктофонов // Сборник тезисов докладов конгресса молодых ученых. - СПб: НИУ ИТМО. - 2012г. - С. 154-159. - 0,3125 п.л.

6. Кузнецов А.Ю. Методы обработки гиперспектральной информации // Сборник тезисов докладов конгресса молодых ученых. - СПб: НИУ ИТМО. -2013г.-С. 96-97.-0,0625 пл.

7. Кузнецов А.Ю. Применение внеосевого зеркального параболоида в качестве перспективного входного объектива озонометра / Доброленский Ю.С., Красавцев В.М., Чиков К.Н // Труды конгресса по интеллектуальным системам и информационным технологиям "IS&IT'13". - 2013г. - С.352-357. - 0,3125/0,0781 п.л.

8. Кузнецов А.Ю. Проблема устранения переналожения второго порядка спектра на регистрируемые характеристики видеоспектрометра «Фрегат» // Сборник тезисов докладов 3 Всероссийского конгресса молодых ученых. - СПб: НИУ ИТМО. - 2014г. - С. 198-201,- 0,1875 п.л.

9. Кузнецов А.Ю. Проблемы создания отечественных видеоспектрометров на дифракционных решетках и перспективы их использования для контроля состояния природной среды // Труды 3 Всероссийской научной конференции «Проблемы военно-прикладной геофизики и контроля состояния природной среды». - СПб: BKA им А.Ф. Можайского. - 2014г. - С. 313-319. - 0,375 п.л.

10. Кузнецов А.Ю. «Методика обнаружения замаскированных объектов на основе применения видеоспектрометра / Гатчин Ю. А., Чиков К.Н., Красавцев В.М. // Труды конгресса по интеллектуальным системам и информационным технологиям "IS&IT44". - 2014г. - С.261-264. - 0,1875/0,0469 п.л.

15-ЮА

Тиражирование и брошюровка выполнены в учреждении «Университетские телекоммуникации» 197101, Санкт-Петербург, Саблинская ул., 14 Тел. (812) 23В 46 69. Объем 1,0 у.п.л. Тираж 100 экз.

2015673028 |||||||||||||||||||||||||| |