автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Методы и алгоритмы поэлементного анализа изображений при дешифрировании аэрофотоснимков сельской местности

На правах рукописи

БУРМИСТРОВ Александр Владимирович

МЕТОДЫ И АЛГОРИТМЫ ПОЭЛЕМЕНТНОГО АНАЛИЗА ИЗОБРАЖЕНИЙ ПРИ ДЕШИФРИРОВАНИИ АЭРОФОТОСНИМКОВ СЕЛЬСКОЙ МЕСТНОСТИ

Специальность 05.13.17 -теоретические основы информатики

Автореферат диссертации на соискание ученой степени кандидата технических наук

Пенза-2013

005542430

005542430

Работа выполнена в Федеральном государственном образовательном учреждении высшего профессионального образования «Пензенский государственный технологический университет» на кафедре «Вычислительные машины и системы».

Научный руководитель - доктор технических наук, профессор

Сальников Игорь Иванович.

Официальные оппоненты: Истомина Татьяна Викторовна,

доктор технических наук, профессор, ФГБОУ ВПО «Пензенский государственный технологический университет», заведующая кафедрой «Информационные технологии и менеджмент в медицинских и биотехнических системах»; Дрождин Владимир Викторович, кандидат технических наук, доцент, ФГБОУ ВПО «Пензенский государственный университет», заведующий кафедрой «Прикладная математика и информатика».

Ведущая организация - ОАО «Научно-производственное пред-

приятие «Рубин», г. Пенза.

Защита диссертации состоится 19 декабря 2013 года в 16 часов, на заседании диссертационного совета Д 212.337.01 на базе ФГБОУ ВПО «Пензенский государственный технологический университет» по адресу: 440039, г. Пенза, пр. Байдукова / ул. Гагарина, д. 1а /11, корпус 1, конференц-зал.

С диссертацией можно ознакомиться в библиотеке ФГБОУ «Пензенский государственный технологический университет».

Автореферат разослан 18 ноября 2013 г.

Ученый секретарь I Л

диссертационного совета Ц-!>у Чулков Валерий Александрович

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования. Возрастающая потребность в наблюдении и изучении территорий сельской местности и стремительное развитие компьютерной техники обусловили расширение масштабов применения систем дистанционного аэрокосмического зондирования. С помощью таких систем проводятся наблюдения за сооружениями, дорогами, мостами, нефте- и газопроводами, линиями электропередач, земельным и водным фондами.

Сельские территории России обширны и состоят в основном из сельскохозяйственных угодий и населенных пунктов. Используя космические многозональные снимки и современные методы дешифрирования в сочетании со справочной литературой, материалами полевых измерений, можно решать задачи картографии и мониторинга сельскохозяйственных угодий. Но для составления подробной электронной карты местности с населенными пунктами, особенно при решении инженерных задач, космические снимки часто оказываются непригодными ввиду низкого пространственного разрешения. Появление беспилотных летательных аппаратов (БПЛА) и разработка широкоформатных фотоаппаратов открыли новые возможности для получения качественных аэрофотоснимков в видимом диапазоне длин волн электромагнитного излучения. Применение БПЛА позволяет выполнять регулярную съемку небольших территорий и с небольшой высоты получать качественные аэрофотоснимки с большим пространственным разрешением. Также стоит отметить простоту организации процесса съемки и снижение затрат по сравнению с традиционной аэрофотосъемкой.

Важным этапом создания или обновления электронной карты является этап дешифрирования полученных данных, когда они обрабатываются с целью получения информации об изображенных на них полезных объектах, под которыми понимаются строения или дороги в сельской местности. Ввиду продолжительности этого этапа, выполняемого визуальным или машинно-визуальным способом, временные затраты на него составляют до 40 % всего затрачиваемого на создание или обновление электронной карты времени, а в некоторых случаях этот этап может занимать более половины всего затраченного времени.

Поскольку остальные этапы обработки аэрофотоснимков к настоящему времени автоматизированы, разработка новых, более эффективных методов дешифрирования позволит снизить общую трудоемкость создания и обновления электронных карт.

Вопросам разработки методов автоматизированного дешифрирования аэрофотоснимков уделяется в последнее время большое внимание. Проводятся научные исследования, появляются новые публикации и программные продукты, такие как отечественные программы Easy Trace, GeoDraw и зарубежные разработки ArcGlS, ERDAS Imagine, ENVI, Google Earth и другие.

Автоматизированное дешифрирование цифровых аэрофотоснимков, заключающееся в обработке изображений и распознавании образов, основано на анализе спектральных характеристик аэрофотоснимков с использованием методов кластеризации и классификации изображений, позволяющих обнаруживать и распознавать полезные объекты по заданным эталонам. Весомый вклад в теорию и практику

распознавания образов, цифровую обработку изображений внесли: Претг У., Журавлев Ю.И., Ту Дж., Гонсалес Р., Вудс Р., Анисимов Б.В., Дуда Р., Харт П., Фу К., Уинстон П., Васильев В.И., Цыпкин ЯЗ., Сальников И.И., Федотов Н.Г. и другие.

Однако существующие методы дешифрирования аэрофотоснимков плохо адаптированы, а подчас и вовсе непригодны для распознавания строений и дорог на аэрофотоснимках сельской местности. В то же время, благодаря повышению качества и пространственного разрешения аэрофотоснимков стало возможным использовать для автоматизированного дешифрирования структурные методы распознавания и методы распознавания, использующие отношения между изображениями объектов. Важная роль при этом отводится поэлементному анализу, эффективность которого постоянно растет вследствие непрерывного увеличения информационной производительности вычислительных ресурсов.

В этой связи тема диссертации, посвященная методам поэлементного анализа изображений аэрофотоснимков сельской местности с целью распознавания топографических объектов, является актуальной.

Объект исследования — аэрофотоснимки сельской местности, полученные с помощью низколетящих беспилотных летательных аппаратов.

Предмет исследования — методы и алгоритмы анализа изображений для распознавания объектов при формировании электронной карты сельской местности.

Цель диссертационной работы заключается в совершенствовании методов и алгоритмов автоматизированного дешифрирования аэрофотоснимков сельской местности для распознавания изображенных полезных объектов в виде строений и дорог.

Для достижения поставленной цели в диссертационной работе необходимо решить следующие задачи.

1. Обосновать математическую модель примитивов для описания взаимосвязанных отличительных признаков изображений полезных объектов искусственного происхождения на аэрофотоснимках в их совокупности.

2. Разработать метод и алгоритм поэлементного анализа изображений полезных объектов на аэрофотоснимках с целью формирования линейных контуров и локальных областей, связанных с линейными контурами.

3. Разработать метод и алгоритм распознавания изображений полезных объектов на аэрофотоснимках с учетом их структуры по взаимосвязанным отличительным признакам.

4. Разработать метод и алгоритм формирования изображений полигонов, который позволяет достроить недостающие фрагменты предполагаемых топографических объектов на электронной карте.

5. Разработать программное средство для проверки разработанных математических моделей, методов и алгоритмов, а также методику проведения экспериментов по оценке эффективности распознавания топографических объектов на аэрофотоснимках сельской местности.

Методы исследований. Для решения поставленных задач использованы методы математического моделирования, теории распознавания образов, теории множеств, дискретной математики и методы разработки программ в среде

Microsoft Visual Studio с использованием программной платформы .NET Framework.

Научная новизна работы. Новыми являются следующие научные результаты.

1. Обоснована математическая модель описания примитивов — точки, линии, локальной области и полигона, отличающаяся составом кортежей параметров примитивов, использование которой позволяет выявлять полную совокупность взаимосвязанных отличительных признаков и описывать результат распознавания изображений полезных объектов на аэрофотоснимках сельской местности.

2. Создан новый метод поэлементного анализа изображения, отличающийся формированием локальных областей, соответствующих изображениям линейных контуров, и преобразованием их в линейные примитивы, а также формированием связанных с ними локальных областей, что позволяет получить взаимосвязанные отличительные признаки полезного объекта.

3. Разработан метод распознавания изображенных на аэрофотоснимках полезных объектов, который учитывает их структуру по взаимосвязанным отличительным признакам в виде примитивов.

4. Разработан метод формирования полигонов по множеству составляющих топографический объект линейных примитивов, который позволяет достроить предполагаемую форму полезного объекта и определить углы между непересекающимися линейными примитивами.

Практическая значимость работы.

Разработанное программное средство может применяться для мониторинга сельской местности в интересах сельских администраций, управлений лесным хозяйством регионов, противопожарных служб, а также в интересах кадастровых организаций.

Кроме того, разработанные алгоритмы анализа и распознавания топографических объектов могут быть реализованы на современной элементной базе с возможностью размещения оборудования на борту беспилотного летального аппарата и непрерывной передачи данных электронной карты на землю. Сжатие данных по изображениям земной поверхности обеспечивает непрерывную передачу их на землю по каналам радиосвязи.

Внедрение результатов работы. Основные результаты исследований внедрены в ООО «Научно-производственное предприятие «Старт-7», где используются при разработке технических систем охраны и мониторинга состояния охраняемых территорий. Методы анализа и распознавания изображений используются при изучении учебных дисциплин «Системы искусственного интеллекта», «Цифровая обработка сигналов» и «Системы технического зрения» в процессе реализации основных образовательных программ ВПО по направлению подготовки 230100 «Информатика и вычислительная техника» на кафедре «Вычислительные машины и системы» Пензенского государственного технологического университета.

Достоверность результатов работы подтверждается корректностью основных допущений, использованием апробированных методов математического моделирования, внедрением на промышленном предприятии, а также апробацией на научных конференциях различного уровня.

На защиту выносятся.

1. Математическая модель примитивов, отображающая в совокупности взаимосвязанные отличительные признаки изображенных полезных объектов на аэрофотоснимках сельской местности.

2. Метод и алгоритм поэлементного анализа изображения для формирования локальных областей, соответствующих изображениям линейных контуров, с преобразованием их в линейные примитивы и формированием связанных с ними локальных областей.

3. Метод и алгоритм распознавания изображенных на аэрофотоснимках полезных объектов, учитывающий их структуру по взаимосвязанным отличительным признакам в виде примитивов.

4. Метод и алгоритм формирования изображений полигонов по множеству линейных примитивов, который позволяет достроить предполагаемую форму изображения топографического объекта.

Апробация работы. Основные положения диссертации докладывались на всероссийских научно-технических конференциях: «Современные методы и средства обработки пространственно-временных сигналов» (Пенза, 2007-2013), «Информационные технологии в профессиональной деятельности и научной работе» (Йошкар-Ола, 2010, 2011), «Современные охранные технологии и средства обеспечения комплексной безопасности объектов» (г. Заречный Пензенской области, 2010).

Публикации. По материалам диссертации опубликовано 15 работ, в том числе 3 статьи в журналах, рекомендованных ВАК, и 1 свидетельство о регистрации программы для ЭВМ.

Личный вклад автора. Все приведенные в работе новые результаты получены лично автором. В работах [1, 3], опубликованных в соавторстве, лично автором разработаны технические принципы формирования взаимосвязанных отличительных признаков изображений и топографических объектов. В работах [7, 10, 14] предложены методы автоматического удаления изображения растительного фона на аэрофотоснимках сельской местности. В работе [13] автором разработан метод устранения избыточности линейных примитивов.

Объем и структура диссертации. Работа состоит из введения, 4-х глав, основных результатов и выводов по работе, библиографического списка из 93 наименований и приложения. Текст изложен на 187 страницах, содержит 57 рисунков и 18 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении раскрывается актуальность темы диссертации, определяется цель работы, уточняются подлежащие решению научные задачи, описываются методы исследований. Излагаются основные научные результаты, обосновывается теоретическая и практическая значимость работы, дается ее общая характеристика.

В первой главе приведена классификация средств дистанционного зондирования. Сделан вывод о том, что для создания или обновления электронной карты населенных пунктов сельской местности с большим содержанием небольших строений необходимы качественные аэрофотоснимки высокого про-

странственного разрешения, для чего эффективно используются БПЛА. О качестве полученных с использованием БПЛА в видимом диапазоне электромагнитного излучения изображений можно судить по пространственному разрешению, глубине цвета и содержанию.

Выполнен анализ существующих математических моделей описания растровых изображений и выбрана пространственная модель, согласно которой после дискретизации и квантования описание представляется в виде матрицы SK[M<W),М<И)], где М(1Г\М"') - ширина и высота изображения. Для описания методов поэлементного анализа изображения и полученных результатов предложена математическая модель примитивов, содержащая:

1) точечный примитив, который обозначается кортежем t = (x,y), где

хеХ, уеУ,Х=[0,1,...,Мт1 Г=[0,1,...,М(Я)Е Универсальное множество всех точечных примитивов представляет собой U = XxY;

2) линейный примитив, обозначаемый кортежем l = (ta,tb,sm), где ta,tb е U,

= {0;1;2;3} - обозначение стороны линейного примитива (0 - стороны не

обозначены; 1,2 - обозначена одна из сторон; 3 - обозначены обе стороны);

3) локальная область (ЛО), обозначаемая множеством точечных примитивов О = [о,}, где / = 0,1,..., К, oteU, OczU, К - количество точек;

4) полигональный примитив, который обозначается упорядоченным множеством точечных примитивов g = (ot), где / = 0,1,-, к, o,<=U, К -количество точек, указывающих границу полигона.

Для предложенной математической модели описания примитивов перечислены функции их простейших преобразований, которые определяют:

- -^"(i,,^), где et/ и /2 е U - расстояние между точками /, и t2;

- Ä<2)(/), где /ei/2 -длиналинии /;

- R0)(l,t), где teU, leU2 - наклон линии / в точке t относительно оси Од: при условии, что координатная ось проходит через точку t на прямой /;

- /?<4)(/,,/2), где /, eU, l2(s U -угол между линиями ZIJ2;

- ä<5)(/„/2,5), где /,,/2 ei/2, 5 = {0,1,2,3} - угол между стороной i линии /, и линией /2;

- Л(6)(/„/2), где /,,/2 е U2 -точка пересечения двух линий;

- Л(7)(/,0- минимальное расстояние между линией leU2 иточкой teil.

Выполнен анализ существующих цветовых моделей, на основе которого

для дальнейшего использования выбраны две модели: RGB и HSV.

Вторая глава посвящена формированию отличительных признаков дешифрирования аэрофотоснимков сельской местности на этапе предварительной обработки. Отличительные признаки изображенных полезных объектов (ПО) разделены на две группы: первичные и вторичные.

Первичные отличительные признаки получаются после поэлементного анализа характеристик цветового тона, яркости и насыщенности, которые ис-

пользуются для обнаружения изображений частей ПО и составления вторичных отличительных признаков, среди которых выделены: контуры; локальные области около контуров; локальные области с изображением растительного фона; локальные области с изображением теней.

Вторичные отличительные признаки отражают свойства изображенных ПО, которые связаны с их природой и складываются из взаимосвязанных первичных отличительных признаков. Вторичные отличительные признаки разделены на:

1) количественные признаки, которые измеряются, подсчитываются и отличаются друг от друга по степени своего выражения;

2) качественные признаки - выражают наличие или отсутствие у ПО существенного свойства;

3) морфологические признаки - выражают геометрические характеристики и форму ПО.

Отмечено, что изображенные полезные объекты, такие как строения и дороги на аэрофотоснимках сельской местности обладают прямолинейностью и угловатостью. В этой связи разработан метод «вписывания» линии в изображение контура, который позволяет получать линейные контуры изображенных ПО. Предложенный метод способен формировать линейные контуры для любой из характеристик HSV и выполняется за три этапа.

Этап 1. Аэрофотоснимок обрабатывается с использованием различных реализаций масок Собела, чтобы сформировать изображения контуров для восьми направлений перепадов яркости, цветового тона или насыщенности.

Этап 2. Формируются два массива с характеристиками потенциальных линий. Первый массив M(D)[M{lr);Mw)] содержит значение длины «вписанной» через точку на изображении линии, а второй А/м)[Л/(Ж);Л/<")] - значение угла наклона этой линии. Для этого, через каждую точку на изображении tneU, где n = 0,\,...,\U\ проводится 180 линий lk е U2, где к = 0°,Г,...,180° от одного конца изображения tiA) е U до другого tiB) eU с углами наклона а = 0,1,...,180°. Полученная таким образом линия будет разделена точкой t„ на два отрезка [г и [Г ,Г(В)].

На отрезках [i„,i(,4)] и [tn/B)] выполняется поиск ближайших к /„ точек t{S) eU и t<E) eU, в которых произошел разрыв яркости, цветового тона или насыщенности, соединив которые получаем линейный примитив l(T) = (t'y\t(E>), соответствующий изображению линейного контура.

После того, как получены линейные примитивы /<7), соответствующие изображению контура для всех 180 линий 1к, в массивах А/№) и М(А> сохраняются характеристики самого длинного из них, т.е. длина и угол наклона.

Этап 3. Анализируются массивы M(D) и для объединения точек, через которые удалось провести линии со схожими характеристиками, в одну локальную область (JIO) ResU. Для этого элементы матриц и mjf, где

/ = 0,1,...,А/'"0, / = 0,1,...,Л/(Я), сравниваются с соседними элементами , гдеа = /-1,/ + 1, 6 = у-1,у + 1.

Если значения двух соседних элементов схожи [ /я'"' - т("ь' |< 8 и I - т'^ \<е, тогда выполняется попытка объединить соответствующие этим элементам точки г, = (/,_/) , где /, е V , и 12 = (а,Ь) , где /2 е и, в одно множество . При этом могут возникнуть следующие ситуации:

1) если ни одна из точек не принадлежит уже существующему множеству, тогда они объединяются в новое множество Яе;

2) если одна из точек уже принадлежит существующему множеству Яе, тогда вторая добавляется к этому множеству;

3) если обе точки принадлежат уже существующим множествам Яе и с и, тогда эти множества объединяются: Яе и Нж.

Значение £ выбирается из диапазона 10-20 % и определяет, на сколько допустимо отклонение полученной ЛО с изображением контура от «идеальной» линии.

Значение 8 определяется долей максимальной длины линий т^р или т\'У).

Линии, идущие по направлению одного контура, в разных его точках будут иметь почти одинаковую длину, равную длине контура, поэтому значение 8 выбирается из небольшого диапазона 5-15 % и позволяет исключить случайные соседние линии, идущие в другом направлении или являющиеся ложными.

Чтобы преобразовать ЛО с изображением контура Яе в линейный примитив 1ееи2, из нее выбираются две максимально удаленные точки и задается линейный примитив 1е =(/,,/2).

При использовании данного метода, могут появиться ложные линейные примитивы, особенно в тех случаях, когда анализируются различные характеристики Я5К-модели или используются различные градиентные операторы. В этой связи, разработан метод устранения избыточности линейных примитивов, который анализирует полученные линейные примитивы и находит те, которые можно объединить в один по одному из следующих вариантов:

1) совпадение линейных примитивов. Два линейных примитива, концы которых удалены на небольшое расстояние, объединяются в один;

2) примыкание линейного примитива. Если оба конца одного линейного примитива находятся на небольшом удалении от другого линейного примитива, тогда примитив с меньшей длиной удаляется;

3) продолжение линии. Если два линейных примитива удалены на небольшое расстояние и их углы наклона схожи, тогда они объединяются в один линейный примитив;

Рисунок 1 - Метод «вписывания» прямой линии в изображение контура

4) частичное совпадение линий. Если углы наклона двух линейных примитивов совпадают и на каждом из них имеется отрезок, на протяжении которого они расположены на небольшом расстоянии, тогда такие линейные примитивы объединяются в один.

Чтобы устранить избыточность, нужно проанализировать всевозможные сочетания линейных примитивов и объединить те, которые подходят под один из вариантов.

Отмечено, что по обе стороны от линейного контура находятся ЛО из пикселей со схожими //5"К-характеристиками, которые принадлежат изображению ПО или растительного фона (ФР). Помимо этого, J10 с изображением ПО обладают однородностью в отличие от изображения ФР, для оценки которой предлагается в каждой точке с координатами (х,у) рассчитывать среднеквадратиче-ское отклонение (СКО) для значений яркости, цветового тона и насыщенности.

Для характеристики цветового тона (Я), при h = 0°,1 °,...,360°.

pW(h) = _bL-; A/f> = 2>/>(A); D^^nV-ih-Mi"')1-,

9 h h

Для характеристики насыщенности (S), при 5 = 0,1,...,255 . YJ{SlKs\i,j) = s)

9 s s

(2)

Для характеристики яркости (V), при v = 0,1,...,255 .

2>r(U)=v)

P^(V) = M--; Mf> = £v./>(v); ûf>=^nv)-(v-MD2;

У V V

(3)

5

где i — x-l,x,x + l, j = y-\,y,y + \ ■

Чтобы оценить качественные характеристики изображенных ПО, разработан метод формирования ЛО относительно линейных контуров, предусматривающий выполнение нескольких этапов.

Этап 1. Получение начальных точек. Отмечено, что перепад HSV-характеристик на границе обладает шириной, поэтому пиксели, расположенные в местах перепада не должны учитываться (рисунок 2, б). В этой связи для ЛО с

линейным контуром 0{К) ç U создаются две «копии» 0(лу = Ow' = 0(К), где 0'А'\0'лу çz U, которые сдвигаются параллельно (Ук) в разных направлениях на величину перепада Ad (рисунок 2, а), значение которой определяется либо по сечению H S К-характер нети к и зависит от пространственного разрешения, либо сравнением / /.S'F- х ар а кте р и сти к, принадлежащих перепаду пикселей и

«копий» ЛО Ош',0(АУ с(/ в момент сдвига. Следует отметить, что если ЛО с

«копией» линейного примитива Оыу или От' содержит точки, которые расположены ближе расстояния Ас/ к другому линейному примитиву, то эти точки исключаются, потому что находятся на границе его перепада.

Этап 2. Формирование ЛО с учетом свойства начальных точек. В результате выполнения первого этапа образуются два множества с начальными точками, которые служат исходными точками для формирования ЛО с изображением ПО или ФР. Из каждой начальной точки ЛО 0{А>' создается подобласть П(тА) с(/, где /я = 0,1,...,| 0(АУ |, а из каждой начальной точки ЛО О""' создается подобласть К"' £ и, где п = О,1,...,| 0(В)' |. После этого каждая подобласть Я<А) и Я.^ дополняется граничащими с ней точками, значение ЯЛУ-хараетеристик в которых незначительно отличается от значений Я5У-характеристик в начальной точке, послужившей исходной для создания подобласти. Очевидно, что если значение СКО для точек на границах подобласти получится большим, это свидетельствует о наличии перепада. Таким образом, задав допустимое отклонение ЯЗУ-характеристик и максимально допустимое значение СКО, можно указать граничащие с подобластью схожие точки, принадлежащие изображению ПО или ФР.

а) б)

Рисунок 2 - Получение точек, принадлежащих ПО: параллельный перенос ЛО с линейным контуром (а); сечение яркости между двумя ЛО (б)

После того, как все подобласти сформированы, они объединяются в одну результирующую ЛО Дм> = иЯ^', /?(Я) = .

Этап 3. Формирование ЛО с учетом свойства граничащих точек. В тех случаях, когда на изображении ПО Я5У-характеристика пикселей изменяется плавно, целесообразно учитывать ее изменение не относительно начальных точек, а относительно точек внешнего контура формирующейся ЛО. Для этого

создаются две подобласти К(А> = 0{А)' и Я1"' = 0'В)', которые затем дополняются граничащими с ними точками, значения //ЗУ-характеристик которых схожи с характеристиками расположенных около них точек, принадлежащих формируемым подобластям. Также учитывается СКО, чтобы исключить добавление точек в местах перепада ЯЛУ-характсристик.

Внешний контур ЛО с изображением ПО менее «изрезан», чем внешний контур с изображением ФР, поэтому необходимо выполнить анализ «изрезан-

11

ности» краев ЛО. Для этого внешний контур представляется последовательностью точек, на которой три последовательно соединенные точки образуют две линии с углом а (рисунок 3). Подсчитав соотношение количества острых углов к числу прямых и тупых углов, образованных такими линиями, можно дать оценку «изрезанное™» внешнего контура ЛО.

Большую часть аэрофотоснимка сельской местности занимает изображение ФР, для количественной оценки которого предлагается строить гистограммы распределения вероятностей появления цветового тона, яркости и насыщенности, на которых наблюдаются один или два ярко-выраженных всплеска. РисУН0К 3 " °ценка «изрезанное™» контура

Удалить изображение ФР можно, выполнив поэлементный анализ изображения и указав диапазон ЖК-характеристик удаляемых пикселей, для определения которых находятся значения амплитуды и ширины максимальных всплесков на гистограммах. Следует отметить, что в ряде случаев необходимо указывать диапазон изменения цветового тона Н±АН, пороговые уровни яркости V (его превышение служит основанием к отнесению пикселя к изображению ПО) и насыщенности 5 (ниже которого пиксель относится к изображению ПО). Связано это с тем, что изображение ПО может частично состоять из пикселей, схожих по тону с изображением ФР, но при этом оно почти всегда имеет большую яркость и небольшую насыщенность.

Результат удаления изображения ФР оценивается отношением сигнал/помеха . Под сигналом понимается значение яркости У^] или цветового тона л£), или же среднее значение яркости пикселей в ЛО, принадлежащей изображению ПО. Под помехой понимается значение яркости У^ или цветового тона Н^] в пикселе или среднее значение яркости пикселей в ЛО, принадлежащей изображению ФР. Чтобы определить, насколько ярче изображение ПО в сравнении с окружающим его изображением ФР, определяется значение:

(4)

г> _ пис!

■от - „(ЛГ) ' ' тШ

а чтобы определить, насколько цветовой тон изображения ПО заметнее по сравнению с изображением окружающего ФР, рассчитывается параметр:

Третья глава посвящена разработке метода распознавания изображенных на аэрофотоснимках полезных объектов, учитывающего их структуру по взаимосвязанным первичным отличительным признакам.

В соответствии с принятой моделью примитивов предложено комплексное описание взаимосвязанных первичных отличительных признаков. В процессе предварительной обработки аэрофотоснимка последовательно формируются /VЛ)

12

линейных примитивов 1п=(а,Ь,зт), где я = 0,1,...,М(£), а,Ье1/, .у'1'е {0,1,2,3}, и столько же связанных с их первой 0[А) с(/ и второй 0{"] с и сторонами ЛО. Комплексное описание одного элемента, который состоит из трех взаимосвязанных первичных отличительных признаков, представляется кортежем \\ = (1п,0^А),0'пв)), что позволяет получить множество всех элементов У(М} = {у„}.

Учитывая вышеизложенное и обозначая множество, состоящее из Е элементов у„ одного топографического объекта (ТГО), как Яе = {гет), где

е = 0,1,...,£, с УШ) л г.т е Уш\ т - номер элемента в ТГО, Е - количество ТГО, получим множество всех ТГО = {/^,/г,,...,/?,}. Назовем внутренним

принадлежит множеству ТГО (2) - элемент, который не принад-

элементом \п элемент, который „<" = /? Л „о є к<М), а внешним элементом V;

„(2> ^ о » „<2> і/■№

чУ є л, А V;

лежит множеству ТГО у^' г л г'п2) є К

Учитывая сложную структуру изображенных ПО, ТГО представляется как результат процесса его формирования, представляющего собой последовательное связывание пар элементов. Для этого обозначим правило /?Д/?с,у(|),у(2))е{0,1}, где к - номер правила, которое позволит обнаружить связь между множеством формирующегося ТГО Яе с Уш>, его внутренним элементом у(|) є У'М) и внеш-

ним элементом Vі ' є У '. Результатом применения правила будет «ложь» или «истина», множество всех правил представляется как Р(м> = {рк} .

Правила анализируют первичные отличительные признаки, а для описания одной части ТГО используются базирующиеся на них вторичные отличительные признаки. В этой связи представим описание одной части ТГО группой правил = {рт}, где С,(/>) с Рш\ I - номер описания части ТГО, рт є РШ) -правила, которые используются для описания связей между Яе, V*0, г,<2), и получим множество всех частей С(М> = ,...,С]Р)}.

Если все обозначающие одну часть С'/'' правила выполнены, то считается, что найдена часть ТГО. Обозначим функцию, определяющую выполнение правила для части ТГО, как /<р): С<И) -> {0,1} и зададим ее в виде:

Лр<и> І

Г\сГ)=\

1 ,если

О ,если

£((р,Є<Г>)л(Л = 1))

/= о

НС

И СУ

ІП і

(6)

С учетом вышеизложенного предложен следующий метод формирования ТГО по последовательностям его частей.

1. Последовательность частей, определяющих стартовую группу.

Изображенные на аэрофотоснимках ПО обладают свойствами, которые отражаются в виде первичных и вторичных отличительных признаков, по некоторым из них можно с большой вероятностью определить возможное наличие ТГО. Например, каждое строение должно содержать два расположенных рядом линейных примитива, образующих прямой угол и отображающих объекты длиной более трех метров. Задав из описания таких свойств последовательность частей стартовой группы в виде упорядоченного множества /г(Л) = (С^р)), где с: Рщ), т - номер последовательности, можно обнаружить два элемента, которые с большой вероятностью будут принадлежать изображению ПО.

В начале процесса формирования ТГО создается временное множество /?(7' с У(м>, в которое добавляется один элемент из множества уШ). Таким образом получается множество ТГО с одним внутренним элементом V*". После этого анализируются все возможные сочетания внутренних элементов V0' временного множества Л<7) и различных внешних элементов Vй. Если хотя бы из одного такого сочетания можно составить часть, описание которой находится в последовательности /г(х>, то стартовая группа ТГО из двух элементов считается найденной. В противном случае временная группа удаляется и создается следующая.

Следует отметить, что при выборе одного внешнего элемента он анализируется дважды: первый раз для него указывается одна сторона, а второй раз — другая. Такая необходимость вызвана тем, что после формирования стартовой группы или всего ТГО у используемых при этом элементов.указываются задействованные стороны, чтобы процесс формирования стартовой группы не выполнялся бесконечно.

Создается стартовая группа из элементов, у которых не указана хотя бы одна сторона. Если не указывать сторону, а «запирать» элемент после его использования, некоторые ТГО будут пропущены. Предположим, у линий не указывается сторона и при этом нужно найти три ТГО (рисунок 4). Сначала сформируется ТГО 1, при этом будут отмечены элементы V, и у4, из которых он состоит. Затем сформируется ТГО 2, при этом будут отмечены элементы vг и V,. Таким образом отмечены будут все четыре элемента и стартовая группа для ТГО 3 никогда не будет создана (стартовая группа создается в том случае, если хотя бы один из элементов не отмечен), что означает его пропуск.

2. Формирование абстрактных ТГО в виде бесконечной последовательности частей.

Когда известна стартовая группа, состоящая из двух внутренних элементов, она дополняется подходящими по свойствам внешними элементами, что позволяет сформировать весь ТГО.

У абстрактного ТГО можно задать свойства для получения стартовой группы, но невозможно дать точное описание всех его частей. В этом случае

тгоз , ЗИЩШй!

1 п

Рисунок 4 - Несколько ТГО, разделенных одной границей

описываются части, из которых он может состоять. При этом части внутри последовательности размещаются по их значимости, чтобы избежать спорной ситуации, когда найдены сразу несколько частей.

Пусть задана упорядоченная последовательность из частей /г(в) =(С^)), где С!Р с: рш\ щ - номер последовательности, которую назовем бесконечной последовательностью. В процессе формирования ТГО анализируются все возможные сочетания внутренних элементов у'" формирующегося ТГО /?, и внешних элементов у<2). Для каждого сочетания выполняется попытка создания части, описанной в бесконечной последовательности И'Н). Если это удастся, тогда внешний элемент V*2' добавляется к множеству формируемого ТГО Не. Процесс продолжается до тех пор, пока сохраняется возможность добавления хотя бы одного внешнего элемента V*2'.

Следует отметить, что при выборе внешнего элемента Vе2' анализ выполняется два раза, первый раз указывается одна его сторона, а второй раз - другая. Добавляется внешний элемент с указанной стороной, поэтому все внутренние элементы будут с указанными сторонами.

3. Формирование конкретных ТГО в виде конечной последовательности. Для конкретного ТГО известны все свойства и части, поэтому задав их описание и последовательность, можно получить описание процесса его формирования. Пусть задана последовательность частей = где с Р(м\ щ - номер последовательности, которую назовем конечной последовательностью частей. В процессе формирования конкретного ТГО сначала выбирается описание первой части где ¿=0, а затем анализируются все возможные сочетания внутренних элементов V0' формирующегося ТГО Яе и внешних элементов у<2) . Если найден подходящий внешний элемент, то он добавляется к множеству формируемого ТГО Яе и выбирается описание следующей части С£>. Процесс продолжается до тех пор, пока не будут найдены все части в конечной последовательности. Если не найдена хотя бы одна часть, то считается, что ТГО не сформирован. Во время анализа внешнего элемента учитываются обе его стороны.

Таким образом, для описания процесса формирования ТГО необходимо задать последовательность частей стартовой группы и последовательность формирования ТГО. Объединим все необходимые для формирования ТГО определенного типа последовательности в один элемент 5 = (//"',/У;'0) и назовем его стратегией формирования ТГО.

Стратегия формирования ТГО — это совокупность стартовой, конечной и бесконечной последовательностей, которые позволяют сформировать ТГО одного типа. Стратегии делятся на четыре вида:

1) стратегия для формирования конкретного ТГО 5 = (к1"),0,к(к));

2) стратегия для формирования абстрактного ТГО 5 = ;

3) стратегия для формирования смешанного ТГО 5 =

4) стратегия для формирования ТГО «заполнением» 5 = (/¿"',0,0).

Чтобы сформировать ТГО по заданной стратегии анализируются внешние элементы, и выполняется попытка найти часть, описанную в последовательности частей стартовой группы. Если элементы найдены, тогда создается множество формирующегося ТГО Яе и выполняется попытка дополнить его внешними элементами в зависимости от вида стратегии, т.е. от количества заданных последовательностей.

Следует отметить, что в процессе создания стартовой группы или формирования ТГО у элементов указываются стороны, по которым они добавлялись в множество ТГО. При этом может возникнуть ситуация «переопределения» сторон, когда до процесса формирования была указана одна сторона, а после -другая. Чтобы избежать этого, перед началом процесса формирования сохраняются отметки сторон всех элементов множества Уш\ а после сравниваются отметки сторон до и после этого процесса. Если у линейного примитива до начала процесса формирования была отмечена одна сторона, а после этого — другая, то результат корректируется и ставится отметка сразу двух сторон.

Поскольку образующие ТГО линейные примитивы расположены в множестве Л, произвольным образом, а строения должны быть представлены в виде полигональных примитивов, разработан метод формирования полигонов, которая позволяет «достроить» углы между непересекающимися линейными примитивами и «достроить» предполагаемую форму ТГО.

Чтобы отличить ложный ТГО от реального или определить его подтип, предлагается анализировать его атрибуты с1(Яе). Атрибут ТГО — это количественно измеряемая величина, отображающая свойство сформированного ТГО и учитывающая все входящие в его состав элементы, такие как количество линейных примитивов, количество прямых углов, занимаемая полигоном площадь и пр. В работе представлены 37 атрибутов, которых достаточно для того, чтобы отличить ложный ТГО от реального или определить его подтип. Приведены таблицы с их сочетаниями и значениями для ТГО в виде дорог и строений.

При использовании предложенного метода может возникнуть ситуация, когда формируемый ТГО будет включать несколько ТГО как свои фрагменты. Указаны также атрибуты для оценки пары ТГО ¿'(Лт,Н{2)), в результате анализа которых можно объединить их в один ТГО.

Для описания различных взаимосвязей между первичными отличительными признаками и формируемым ТГО установлены 40 правил, которые разбиты на девять групп: длины и расстояния, наклон, свойства, пересечение линейных примитивов, углы между линейными примитивами, форма, совпадение, размеры, качественные характеристики ЛО. Представлены 15 сочетаний правил, с помощью которых можно описать вторичные отличительные признаки частей для ТГО различного типа.

Несмотря на разнообразие правил, все они зависят от нескольких рассчитанных параметров, которые используются всеми правилами. Различаются параметры для формирования стартовой группы и самого ТГО.

Для упрощения процесса составления последовательностей предложен метод формирования последовательностей частей правил по эталону. Для этого создается идеальный ТГО и указываются правила, которые должны участвовать в его формировании. Эталон ТГО (рисунок 5) строится из последовательности элементов, состоящих из линейных примитивов, в которых указаны стороны и связанные с ними ЛО. Пусть = {г,<£)}, где г - номер элемента, /?"> с Vм', г е У(М' -множество элементов, образующих эталон. Р{Е) = {/>„,}, где VI - номер правила, рЛ е Рш), Р{1:) с Р1"' - множество правил, которые участвуют в формировании ТГО, Р(Я> = {р„2}. где у2 - номер правила, р^2 е Рш), Р{Е) с Р>м> - множество правил, которые участвуют в формировании стартовой группы ТГО.

Для создания последовательности стартовой группы анализируются два первых последова- А тельно расположенных элемента у(|)еГ<м), 1 у(2) е уш) из ми0-жества Л<£) , для которых соз- I дается часть С(чп (С*'"' с Рш\ т] = О - номер 1

части, из правила множества , которые для ■ них выполнились). Далее создается последова- 1 тельность стартовой группы /г*'?) = (С^Р)).

Для создания бесконечной последовательности частей абстрактного ТГО анализируются все сочетания двух последовательно расположенных элементов Vе0 , г<2) из множества , для которых создаются части из правил множества Р{Е), выполненных для них. Исключается часть для элементов, составляющих стартовую группу, одинаковые части удаляются, и создается бесконечная последовательность частей 1гН) = (С'^').

Процедура создания конечной последовательности аналогична процедуре создания бесконечной последовательности, с тем отличием, что из нее не удаляются одинаковые части. Чтобы оценить надежность результата, предлагается сравнить его с эталоном. Пусть Л, — множество ТГО, которые получены после дешифрирования, Я[ - множество эталонных ТГО, Я" - множество элементов, линейные примитивы которых искажены, тогда надежность формирования отдельного ТГО определяется количеством:

,<„> -100 пропущенных элементов Г$е' =-

Рисунок 5 — Эталон ТГО

ложных элементов = ■

\к\

\Яе\-\ЯеглК\ -100

К1

искаженных элементов /1 '=-—----—-;

IKI

Г(С) 1ЯпЯ'1-100

правильно сформированных элементов ISJ = -—-—^-j-. (7)

Четвертая глава посвящена проверке предложенных методов, моделей и описанию проведенных экспериментов. Разработаны UML-диаграммы классов для основной программы (рисунок 6), модели примитивов, методов формирования отличительных признаков. На основе £/М£-диаграмм разработано программное средство Vid, рабочее пространство которого представлено на рисунке 7.

ElementCell

♦Pack:ElementPack((Xope>1y¡

•ActiveData ElemeotData{pioperty)

»OataCourílnt(pfoperty)

-DataLstElementPata[1

♦AddElemer*() ElementOata

•OeleteElement(ElementOala)

•K3etElenient(rt) ElementData

♦CreatePaclfStrrig)

♦SavePaeM)

•LoadPackfStnng)

•ОрегаЪолО

ElementData

_2_

UserControlC

ElementView

FormApp

ElementGeneral

«struct»EIHSV

Рисунок 6 — ШЛ-диаграмма классов основной программы

ElementCalculate

Рисунок 7 - Рабочее пространство программы Vid 18

Разработана методика проведения эксперимента с использованием разработанного программного средства, которая состоит из перечисленных ниже пяти этапов.

1. Анализ изображения с 1{елью оценки его качества. Для оценки характеристик изображения растительного фона и теней строится гистограмма распределения вероятностей яркости и цветового фона (рисунок 8) (Я5К-характеристики). По этим

а) б)

Рисунок 8 - Гистограммы распределения значений яркости (а) и цветового тона (б) гистограммам определяется диапазон изменения цветового тона и пороговые значения: для яркости, превышение которого свидетельствует о принадлежности пикселя ПО; для насыщенности - если насыщенность пикселя ниже порогового значения, то он считается принадлежащим изображению ПО.

Предусмотрена возможность оценки отношения сигнал/помеха. Для этого указывается фрагмент на изображении ПО и окружающем его ФР. Чтобы выбрать метод формирования ЛО около линейного контура предусмотрена возможность просмотра изображения для каждой //V х ар а ктер и сти к и и сечения.

Для расчета пространственного разрешения указываются две точки и задается расстояние между ними. Чаще всего выбирается изображение объекта, размеры которого известны, например ширина колеи автомобиля.

2. Формирование ЛО с изображением ФР и теней. После определения характеристик изображенного ФР и теней создаются два слоя. В один добавляется ЛО с изображением ФР, а в другой - ЛО с изображением теней (рисунок 9).

А ^

а) б)

Рисунок 9 - Устранение ФР (а) и формирование ЛО с изображением теней (б)

3. Формирование первичных отличительных признаков в виде линейных примитивов. Создается несколько изображений контуров с использованием различных реализаций градиентных операторов Собела. После оценки качества изображения и расчета пространственного разрешения и параметров создается слой и выполняется формирование ЛО с линейными контурами, которые затем преобразуются в линейные примитивы и размещаются на следующем слое. Выполняется устранение избыточности среди полученных линейных примитивов. На рисунке 10, а изображены сформированные линейные контуры.

19

б)

Рисунок 10-Формирование первичных отличительных признаков

4. Формирование первичного отличительного признака в виде ЛО около линейных примитивов. Около каждой стороны, каждого линейного примитива выполняется формирование ЛО по заданным параметрам. ЛО около одной стороны размещаются на одном слое, а ЛО около другой - на следующем.

Количество сформированных таким образом отличительных признаков будет одинаково, а поскольку формировались они последовательно, то указав номер примитива на каждом слое, можно анализировать комплексный признак. На рисунке 10, б при предварительном анализе отмечены ЛО с изображением ПО, а черным — все сформированные ЛО.

а) сгруппированные в ТГО линейные контуры и ЛО

б) полигоны для ТГО строений

в) сгруппированные в ТГО линейные контуры дорог Рисунок 11 - Результат формирования ТГО

г) линейные примитивы ТГО дорог строений (а, б) и дорог (в, г)

5. Формирование ТГО строений и дорог по заданной последовательности. Для стартовой группы, состоящей из одной части и бесконечной последовательности, состоящей из двух частей, указываются параметры и атрибуты, такие как минимальный и максимальный объем ЛО, минимальное количество линейных примитивов, допустимое значение равномерности и т.д. Атрибуты ТГО анализируются на стадии его формирования, чтобы избавиться от ложных ТГО. После формирования ТГО (рисунок И, а) выполняется «вписывание» полигонов (рисунок 11,6).

Чтобы оценить эффективность методов обработки изображений, были обработаны 20 аэрофотоснимков различного качества и проведены 65 экспериментов по описанной методике. Подсчитана вероятность правильного распознавания ТГО, которая составила: для редкой застройки - 85 %; для частой застройки - 78 %; для автодорог - 86 %; для железных дорог - 87 %.

Полученные результаты доказывают, что использование разработанных методов и предложенной методики по сравнению с традиционными методами и методиками обеспечивает повышение эффективности автоматизированного дешифрирования аэрофотоснимков сельской местности.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Цель диссертационного исследования, заключающаяся в совершенствовании методов и алгоритмов автоматизированного дешифрирования аэрофотоснимков сельской местности с выполнением этапов предварительной обработки изображений с целью их улучшения и коррекции, получения отличительных признаков и распознавания топографических объектов, достигнута в процессе решения поставленных научных задач.

Результаты работы состоят в следующем.

1. Обоснована математическая модель примитивов - точки, линии, локальной области и полигона - в виде кортежей параметров, обеспечивающая рассмотрение совокупности взаимосвязанных отличительных признаков и описание результата дешифрирования аэрофотоснимков.

2. Разработаны метод и алгоритм поэлементного анализа //SK-характеристик изображения с целью формирования локальных областей, соответствующих изображениям линейных контуров, их преобразования в линейные примитивы, а также локальных областей в окрестностях линейных контуров.

3. Разработаны метод и алгоритм распознавания изображенных на аэрофотоснимках полезных объектов, учитывающие их структуру по взаимосвязанным отличительным признакам в виде примитивов.

4. Разработаны метод и алгоритм формирования полигонов по множеству линейных примитивов, составляющих топографический объект, который позволяет достроить предполагаемую форму полезного объекта и определить углы между непересекающимися линейными примитивами.

5. Разработано программное средство Vid, предназначенное для анализа исходных растровых изображений с целью оценки его качества, предварительной обработки растровых изображений с целью их улучшения и коррекции,

экспериментальной проверки методов формирования первичных отличительных признаков и методов формирования ТГО по заданным стратегиям.

6. Предложена методика проведения эксперимента по оценке работоспособности методов и определения характеристик распознавания топографических объектов в виде строений и дорог на аэрофотоснимках сельской местности. Получены следующие значения вероятности распознавания объектов: для строений редкой застройки — 85 %; для строений частой застройки — 78 %; для автодорог - 86 %; для железных дорог - 87 %.

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК:

1. Бурмистров, A.B. Метод формирования топографических объектов на аэрофотоснимках сельской местности [Текст] / A.B. Бурмистров, И.И. Сальников // XXI век: итоги прошлого и проблемы настоящего плюс. - 2012. — № 05 (09).-С. 40-50.

2. Бурмистров, A.B. Анализ надежности результатов автоматизированного дешифрирования цифровых аэрофотоснимков сельской местности [Текст] / A.B. Бурмистров // XXI век: итоги прошлого и проблемы настоящего плюс. — 2013.-№ 10 (14).-С. 51-56.

3. Бурмистров, A.B. Метод формирования линейных контуров на аэрофотоснимках сельской местности [Текст] / A.B. Бурмистров, И.И. Сальников // Современные проблемы науки и образования: Электронный научный журнал. — 2013.-№ 5.

Публикации в других изданиях:

4. Бурмистров, A.B. Специализированные устройства анализа и преобразования телевизионного изображения КВП - 2007 [Текст] / И.И. Сальников, A.B. Бурмистров // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей V Всероссийской научно-технической конференции. — Пенза, 2007. — С. 169-171.

5. Бурмистров, A.B. Формирование бинарного изображения с пороговым уровнем по методу максимума производной [Текст] / A.B. Бурмистров // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей VI Всероссийской научно-технической конференции. — Пенза, 2008. - С. 63-67.

6. Бурмистров, A.B. Характеристики черно-белых аэрофотоснимков сельской местности [Текст] / A.B. Бурмистров // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей VII Всероссийской научно-технической конференции. — Пенза, 2009. - С. 13-16.

7. Бурмистров, A.B. Использование цвета для выделения объектов при формировании топографической карты местности по аэрофотоснимкам [Текст] / И.И. Сальников, A.B. Бурмистров // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей VII Всероссийской научно-технической конференции. — Пенза, 2009. - С. 17—19.

8. Бурмистров, A.B. Анализ и обработка аэрофотоснимков сельской местности программой VID-2009 [Текст] / И.И. Сальников, A.B. Бурмистров // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей VIII Всероссийской научно-технической конференции. — Пенза, 2010.-С. 59-63.

9. Бурмистров, A.B. Программное средство для анализа и обработки аэрофотоснимков сельской местности [Текст] / A.B. Бурмистров // Информационные технологии в профессиональной деятельности и научной работе: Сборник материалов Всероссийской научно-практической конференции с международным участием. — Йошкар-Ола, 2010. — С. 29-32.

10. Бурмистров, A.B. Цветовые преобразования для улучшения отношения сигнал-шум в системах мониторинга земной поверхности [Текст] / A.B. Бурмистров, И.И. Сальников // Современные охранные технологии и средства обеспечения комплексной безопасности объектов: Материалы Всероссийской научно-технической конференции. - Заречный Пензенской области, 2010. - Ч. 1 -С. 149-152.

11. Бурмистров, A.B. Метод автоматического удаления растительного фона на изображениях сельской местности [Текст] / A.B. Бурмистров // Информационные технологии в профессиональной деятельности и научной работе: Сборник материалов Всероссийской научно-практической конференции. — Йошкар-Ола, 2011. - С. 111-116.

12. Бурмистров, A.B. Метод выделения информативной составляющей из цветных цифровых изображений сельской местности [Текст] / И.И. Сальников, A.B. Бурмистров // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей всероссийской научно технической конференции. - Пенза, 2012. - С. 55-60.

13. Бурмистров, A.B. Формирование изображений топографических объектов по контурам на аэрофотоснимках сельской местности [Текст] / A.B. Бурмистров // Современные методы и средства обработки пространственно-временных сигналов: Сборник статей XI Всероссийской научно-технической конференции. — Пенза, 2013. - С. 34-39.

14. Бурмистров, A.B. Алгоритм удаления цветовых областей с изображением растительного фона [Текст] / A.B. Бурмистров // XXI век: итоги прошлого и проблемы настоящего плюс. — 2011. — № 9. — С. 45-50.

Зарегистрированные программы:

15. Свидетельство о государственной регистрации программы для ЭВМ № 2011610133. Программа анализа и обработки цветовых изображений. Правообладатель: Государственное образовательное учреждение высшего профессионального образования «Пензенская государственная технологическая академия». Авторы: Бурмистров A.B., Сальников И.И. Заявка № 2010616651 от 28.10.2010 г. Зарегистрировано в Реестре программ для ЭВМ 11.01.2011 г.

БУРМИСТРОВ Александр Владимирович

МЕТОДЫ И АЛГОРИТМЫ ПОЭЛЕМЕНТНОГО АНАЛИЗА ИЗОБРАЖЕНИЙ ПРИ ДЕШИФРИРОВАНИИ АЭРОФОТОСНИМКОВ СЕЛЬСКОЙ МЕСТНОСТИ

Специальность 05.13.17 - теоретические основы информатики

Автореферат диссертации на соискание учёной степени кандидата технических наук

Компьютерная верстка Т.А. Антиповой

Сдано в производство 13.11.13. Формат 60x84 Vie Бумага типогр. № 1. Печать трафаретная. Шрифт Times New Roman Суг. Усл. печ. л. 1,39. Уч.-изд л. 1,23. Заказ № 2379. Тираж 100.

Пензенский государственный технологический университет. 440039, Россия, г. Пенза, пр. Байдукова/ул. Гагарина, 1711

ФГБОУ ВПО «ПЕНЗЕНСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНОЛОГИЧЕСКИЙ УНИВЕРСИТЕТ»

На правах рукописи

БУРМИСТРОВ АЛЕКСАНДР ВЛАДИМИРОВИЧ

МЕТОДЫ И АЛГОРИТМЫ ПОЭЛЕМЕНТНОГО АНАЛИЗА ИЗОБРАЖЕНИЙ ПРИ ДЕШИФРИРОВАНИИ АЭРОФОТОСНИМКОВ

СЕЛЬСКОЙ МЕСТНОСТИ

Специальность 05.13.17 - теоретические основы информатики

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель: доктор технических наук, профессор Сальников И.И.

ПЕНЗА-2013

СОДЕРЖАНИЕ

СПИСОК СОКРАЩЕНИЙ 6

ВВЕДЕНИЕ 7

Глава 1 МЕТОДЫ ЦИФРОВОГО АНАЛИЗА ИЗОБРАЖЕНИЙ 12

1.1 Анализ аэрофотоснимков при контроле и наблюдении за территорией сельской местности 12

1.2 Характеристики аэрофотоснимков 16

1.3 Графические форматы изображений 19

1.4 Методы автоматизированного дешифрирования объектов на изображениях 20

1.5 Источники облучения объектов при формировании изображения 24

1.6 Этапы распознавания топографических объектов на аэрофотоснимках 25

1.7 Математические модели описания растровых изображений 30

1.7.1 Пространственная модель растрового изображения 30

1.7.2 Математические модели описания примитивов 33

1.7.3 Простейшие преобразование примитивов 35

1.8 Системы описания цвета изображений объектов 36

1.8.1. Цветовая модель CIE XYZ 3 6

1.8.2. Цветовая модель RGB 37 1.8.3 Цветовая модель HSV 38

1.9 Характеристика существующих геоинформационных систем 38

1.10 Выводы по главе 1 41 Глава 2. ФОРМИРОВАНИЕ ПРИЗНАКОВ ДЕШИФРИРОВАНИЯ АЭРОФОТОСНИМКОВ СЕЛЬСКОЙ МЕСТНОСТИ НА ЭТАПЕ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИНФОРМАЦИ 44 2.1. Классификация отличительных признаков изображений

исходных объектов 44 2.2 Формирование первичных отличительных признаков в виде

контура изображения объекта 51

2

2.3 Применение лапласиана для определения границ

изображений объектов 52

2.4 Определение границ изображений объектов на основе градиентов 57

2.5 Формирование контуров изображений объектов в виде линий 63 2.5.1 Метод "вписывания" прямой в изображение контура 64 2.5.2. Быстрый поиск линейных контуров большой протяженности 68 2.5.3 Недостатки метода 70

2.6 Преобразование ЛО с сформированным контуром

в линейный примитив 71

2.7 Устранение избыточности линейных примитивов 72 2.8. Формирование первичных отличительных признаков в виде локальной области контуров 77 2.8.1 Сегментация изображения на отдельные локальные области 78 2.8.2. Метод формирования JIO относительно контуров 79

2.8.3 Анализ "изрезанности" контура ДО 86

2.8.4 Устранение эффекта "вытекания" JIO 87

2.9 Удаление изображения растительного фона 89

2.9.1 Анализ гистограммы цветовой HSV -модели

для удаления растительного фона 89

2.9.2 Оценка качества результата удаления ФР 92

2.10 Вторичные отличительные признаки 93

2.10.1 Количественные признаки 93

2.10.2 Качественные признаки 95

2.10.3 Морфологические признаки 97

2.11 Выводы по главе 2 100 Глава 3. МЕТОДЫ ФОРМИРОВАНИЯ ТОПОГРАФИЧЕСКИХ ОБЪЕКТОВ 103 3.1 Формирование топографических объектов 104 3.2. Формирования конкретных ТГО в виде конечной

последовательности частей 108

з

3.3. Формирования абстрактных ТГО в виде бесконечной

последовательности частей 110

3.4. Формирование стартовой группы 114

3.5. Метод формирования ТГО по заданным последовательностям частей 119

3.5.1 Формирование ТГО по заданной стратегии 121

3.5.2 Стратегия формирования ТГО методом "заполнения" 124

3.5.3 Построение полигонов для ТГО 125

3.6 Анализ атрибутов сформированного ТГО 130

3.6.1 Основные атрибуты и их параметры 130

3.6.2 Анализ атрибутов нескольких ТГО 135

3.7 Разработка правил и частей 137

3.7.1 Правила для описания частей ТГО 13 7

3.7.2 Описание сочетаний правил и частей ТГО 140

3.8 Формирование последовательностей частей правил по эталону

при обучении 147

3.9 Оценка надежности результата дешифрирования 149

3.10 Выводы по главе 3 152 Глава 4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНОГО ИССЛЕДОВАНИЯ РАЗРАБОТАННЫХ МЕТОДОВ ПОЭЛЕМЕНТНОГО АНАЛИЗА АЭРОФОТОСНИМКОВ 155

4.1 Разработка программного средства Vid 155

4.1.1 Назначение и этапы работы программного средства Vid 155

4.1.2 Классовая структура программного средства Vid 159

4.1.3 Диаграмма классов основной программы 160

4.2 Разработка диаграммы классов модели примитивов 163

4.3 Разработка диаграммы классов, реализующих методы формирования отличительных признаков 165 4.4. Разработка диаграммы классов реализующих методы формирования

ТГО по заданным стратегиям 166

4.5 Методика проведения эксперимента 167

4.5.1 Оценка качества изображения и удаление изображения растительного фона 168

4.5.2 Формирование первичного отличительного признака в виде локальных областей с изображением теней 170

4.5.3 Формирование первичных отличительных признаков в виде линейных контуров и устранение избыточности 170

4.5.4 Формирование первичных отличительных признаков в виде локальных областей 173

4.6 Формирование топографических объектов дорог и строений 174

4.7 Результаты экспериментальных исследований 178

4.8 Выводы по главе 4 179 ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ 180 ЛИТЕРАТУРА 182 ПРИЛОЖЕНИЕ А. Акты внедрения результатов диссертации 188

СПИСОК СОКРАЩЕНИЙ

БПЛА - беспилотный летательный аппарат

ДЗЗ - дистанционное зондирование земли

МЗП - мониторинг земной поверхности

ЭТК - электронная топографическая карта

ВТ - вычислительная техника

ЛО - локальная область

ИО - исходный объект

ПО - полезный объект

ОФ - окружающий фон

ФР - фон в виде растительного покрова

ТГО - топографический объект

ПОП - первичные отличительные признаки

ВОП - вторичные отличительные признаки

ВВЕДЕНИЕ

Актуальность темы исследования. Возрастающая потребность в наблюдении и изучении территорий сельской местности и стремительное развитие компьютерной техники обусловили расширение масштабов применения систем дистанционного аэрокосмического зондирования. С помощью таких систем проводятся наблюдения за сооружениями, дорогами, мостами, нефте- и газопроводами, линиями электропередач, земельным и водным фондами.

Сельские территории России обширны и состоят в основном из сельскохозяйственных угодий и населенных пунктов. Используя космические многозональные снимки и современные методы дешифрирования в сочетании со справочной литературой, материалами полевых измерений, можно решать задачи картографии и мониторинга сельскохозяйственных угодий. Но для составления подробной электронной карты местности с населенными пунктами, особенно при решении инженерных задач, космические снимки часто оказываются непригодными ввиду низкого пространственного разрешения. Появление беспилотных летательных аппаратов (БПЛА) и разработка широкоформатных фотоаппаратов открыли новые возможности для получения качественных аэрофотоснимков в видимом диапазоне длин волн электромагнитного излучения. Применение БПЛА позволяет выполнять регулярную съемку небольших территорий и с небольшой высоты получать качественные аэрофотоснимки с большим пространственным разрешением. Также стоит отметить простоту организации процесса съемки и снижение затрат по сравнению с традиционной аэрофотосъемкой.

Важным этапом создания или обновления электронной карты является этап дешифрирования полученных данных, когда они обрабатываются с целью получения информации об изображенных на них полезных объектах, под которыми понимаются строения или дороги в сельской местности. Ввиду продолжительности этого этапа, выполняемого визуальным или машинно-визуальным способом, временные затраты на него составляют до 40 % всего затрачиваемого на создание или обновление элек-

тронной карты времени, а в некоторых случаях этот этап может занимать более половины всего затраченного времени.

Поскольку остальные этапы обработки аэрофотоснимков к настоящему времени автоматизированы, разработка новых, более эффективных методов дешифрирования позволит снизить общую трудоемкость создания и обновления электронных карт.

Вопросам разработки методов автоматизированного дешифрирования аэрофотоснимков уделяется в последнее время большое внимание. Проводятся научные исследования, появляются новые публикации и программные продукты, такие как отечественные программы Easy Trace, GeoDraw и зарубежные разработки ArcGIS, ERDAS Imagine, ENVI, Google Earth и другие.

Автоматизированное дешифрирование цифровых аэрофотоснимков, заключающееся в обработке изображений и распознавании образов, основано на анализе спектральных характеристик аэрофотоснимков с использованием методов кластеризации и классификации изображений, позволяющих обнаруживать и распознавать полезные объекты по заданным эталонам. Весомый вклад в теорию и практику распознавания образов, цифровую обработку изображений внесли: Претт У., Журавлев Ю.И., Ту Дж., Гонсалес Р., Вудс Р., Анисимов Б.В., Дуда Р., Харт П., Фу К., Уинстон П., Васильев В.И., Цыпкин ЯЗ., Сальников И.И., Федотов Н.Г. и другие.

Однако существующие методы дешифрирования аэрофотоснимков плохо адаптированы, а подчас и вовсе непригодны для распознавания строений и дорог на аэрофотоснимках сельской местности. В то же время, благодаря повышению качества и пространственного разрешения аэрофотоснимков стало возможным использовать для автоматизированного дешифрирования структурные методы распознавания и методы распознавания, использующие отношения между изображениями объектов. Важная роль при этом отводится поэлементному анализу, эффективность которого постоянно растет вследствие непрерывного увеличения информационной производительности вычислительных ресурсов.

В этой связи тема диссертации, посвященная методам поэлементного анализа изображений аэрофотоснимков сельской местности с целью распознавания топографических объектов, является актуальной.

8

Цель диссертационной работы заключается в совершенствовании методов и алгоритмов автоматизированного дешифрирования аэрофотоснимков сельской местности для распознавания изображенных полезных объектов в виде строений и дорог.

Для достижения поставленной цели в диссертационной работе необходимо решить следующие задачи.

1. Обосновать математическую модель примитивов для описания взаимосвязанных отличительных признаков изображений полезных объектов искусственного происхождения на аэрофотоснимках в их совокупности.

2. Разработать метод и алгоритм поэлементного анализа изображений полезных объектов на аэрофотоснимках с целью формирования линейных контуров и локальных областей, связанных с линейными контурами.

3. Разработать метод и алгоритм распознавания изображений полезных объектов на аэрофотоснимках с учетом их структуры по взаимосвязанным отличительным признакам.

4. Разработать метод и алгоритм формирования изображений полигонов, который позволяет достроить недостающие фрагменты предполагаемых топографических объектов на электронной карте.

5. Разработать программное средство для проверки разработанных математических моделей, методов и алгоритмов, а также методику проведения экспериментов по оценке эффективности распознавания топографических объектов на аэрофотоснимках сельской местности.

Объект исследования - аэрофотоснимки сельской местности, полученные с помощью низколетящих беспилотных летательных аппаратов.

Предмет исследования - методы и алгоритмы анализа изображений для распознавания объектов при формировании электронной карты сельской местности.

Методы исследований. Для решения поставленных задач использованы методы математического моделирования, теории распознавания образов, теории множеств, дискретной математики и методы разработки программ в среде

Microsoft Visual Studio с использованием программной платформы .NET Framework.

Научная новизна работы. Новыми являются следующие научные результаты.

1. Обоснована математическая модель описания примитивов - точки, линии, локальной области и полигона, отличающаяся составом кортежей параметров примитивов, использование которой позволяет выявлять полную совокупность взаимосвязанных отличительных признаков и описывать результат распознавания изображений полезных объектов на аэрофотоснимках сельской местности.

2. Создан новый метод поэлементного анализа изображения, отличающийся формированием локальных областей, соответствующих изображениям линейных контуров, и преобразованием их в линейные примитивы, а также формированием связанных с ними локальных областей, что позволяет получить взаимосвязанные отличительные признаки полезного объекта.

3. Разработан метод распознавания изображенных на аэрофотоснимках полезных объектов, который учитывает их структуру по взаимосвязанным отличительным признакам в виде примитивов.

4. Разработан метод формирования полигонов по множеству составляющих топографический объект линейных примитивов, который позволяет достроить предполагаемую форму полезного объекта и определить углы между непересекающимися линейными примитивами.

Практическая значимость работы.

Разработанное программное средство может применяться для мониторинга сельской местности в интересах сельских администраций, управлений лесным хозяйством регионов, противопожарных служб, а также в интересах кадастровых организаций.

Кроме того, разработанные алгоритмы анализа и распознавания топографических объектов могут быть реализованы на современной элементной базе с возможностью размещения оборудования на борту беспилотного летального аппарата и непрерывной передачи данных электронной карты на землю. Сжатие данных

по изображениям земной поверхности обеспечивает непрерывную передачу их на землю по каналам радиосвязи.

На защиту выносятся.

1. Математическая модель примитивов, отображающая в совокупности взаимосвязанные отличительные признаки изображенных полезных объектов на аэрофотоснимках сельской местности.

2. Метод и алгоритм поэлементного анализа изображения для формирования локальных областей, соответствующих изображениям линейных контуров, с преобразованием их в линейные примитивы и формированием связанных с ними локальных областей.

3. Метод и алгоритм распознавания изображенных на аэрофотоснимках полезных объектов, учитывающий их структуру по взаимосвязанным отличительным признакам в виде примитивов.

4. Метод и алгоритм формирования изображений полигонов по множеству линейных примитивов, который позволяет достроить предполагаемую форму изображения топографического объекта.

Апробация работы. Основные положения диссертации докладывались на всероссийских научно-технических конференциях: «Современные методы и средства обработки пространственно-временных сигналов» (Пенза, 2007-2013), «Информационные технологии в профессиональной деятельности и научной работе» (Йошкар-Ола, 2010, 2011), «Современные охранные технологии и средства обеспечения комплексной безопасности объектов» (г. Заречный Пензенской области, 2010).

Публикации. По материалам диссертации опубликовано 15 работ, в том числе 3 статьи в журналах, рекомендованных ВАК, и 1 свидетельство о регистрации программы для ЭВМ.

Объем и структура диссертации. Работа состоит из введения, 4-х глав, основных результатов и выводов по работе, библиографического списка из 93 наименований и приложения. Текст изложен на 187 страницах, содержит 57 рисунков и 18 таблиц.

Глава 1 МЕТОДЫ ЦИФРОВОГО АНАЛИЗА ИЗОБРАЖЕНИЙ

1.1 Анализ аэрофотоснимков при контроле и наблюдении за территорией сельской местности

Задача контроля и наблюдения за территориями была и остается актуальной по сей день. Развитие вычислительной техники и информационных технологий дало много новых возможностей для исследований и разработок, ведущихся в этом направлении. Большую роль при этом отводится сельской местности, в которой проживает около 30 процентов населения нашей страны. Понятие сельская местность обширно и включает в себя не только населенные пункты, но и прилегающие к ним обитаемые территории. Сельская местность представляет собой взаимосвязанное сочетание ландшафтного, хозяйственного, технического, поселенческого и социального блоков. Несмотря на развитие географических наук и геоинформационных систем, сельской местности не уделялось достаточно внимания. Такое отношение ошибочно, т.к. сельская местность играет большую роль в жизни общества, являясь источником сельскохозяйственной, лесной, рыбной продукции и минерального сырья [5,59,4].

Средства дистанционного

зондирования земли

Беспилотные

Пилотируемые

Рисунок 1.1- Классификация средств дистанционного зондирования

Потребность в изучении и наблюдении за территориями, принадлежащими сельской местности возрастает, а учитывая технический прогресс, невозможно представить решение этой проблемы без использования современных информационных технологий и технических средств. Поэтому, в настоящее время получили широкое распространение системы дистанционного зондирования земли (ДЗЗ), которые пред-

назначены для наблюдения за сооружениями, дорогами, моста