автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Методы и алгоритмы целевой интерактивной обработки многоканальных двумерных сигналов по принципу сходства с эталоном

На правах рукописи

Малов Андрей Михайлович

МЕТОДЫ И АЛГОРИТМЫ ЦЕЛЕВОЙ ИНТЕРАКТИВНОЙ

ОБРАБОТКИ МНОГОКАНАЛЬНЫХ ДВУМЕРНЫХ СИГНАЛОВ ПО ПРИНЦИПУ СХОДСТВА С ЭТАЛОНОМ

Специальность: 05.13.01 - «Системный анализ, управление и обработка информации (в технических системах)»

АВТОРЕФЕРАТ диссертации на соискание учёной степени кандидата технических наук

003408270

Санкт-Петербург 2009

003488270

Работа выполнена в Санкт-Петербургском Государственном университете информационных технологий, механики и оптики.

Научный руководитель: доктор технических наук, профессор

Гуров Игорь Петрович

Официальные оппоненты:

доктор технических наук, профессор Тропченко Александр Ювенальевич

Защита состоится 22 декабря 2009 г. в 16 часов 00 минут на заседании диссертационного совета Д 212.227.03 при Санкт-Петербургском государственном университете информационных технологий, механики и оптики по адресу: 197101, г. Санкт-Петербург, Кронверкский пр., д. 49.

С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского государственного университета информационных технологий, механики и оптики.

Автореферат разослан 20 ноября 2009 г.

Учёный секретарь

кандидат технических наук Мельников Андрей Александрович

Ведущая организация:

ФГУП Научно-производственная корпорация «Государственный оптический институт им. С.И. Вавилова»

диссертационного совета

Дударенко Н.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы.

Современные методы и средства регистрации и обработки многоканальных двумерных сигналов (МДС) находят широкое применение во многих отраслях науки и технологий. Мульти- и гиперспектральные данные, получаемые с помощью методов дистанционного зондирования, широко применяются для решения различных задач в геологии, сельском хозяйстве, в современных наблюдательных системах и в других видах исследования удаленных объектов. Многоспектральные данные исследуются также в биологии, медицине, криминалистике и других сферах деятельности при решении различных прикладных задач.

В МДС содержится большое количество разнородной информации о свойствах исследуемых объектов. При этом возникает задача эффективного извлечения полезной информации об исследуемых объектах и ее достоверной интерпретации.

К настоящему времени разработано множество методов и алгоритмов обработки МДС. Усилия разработчиков были направлены на создание алгоритмов, основанных на сложных методах математического моделирования и искусственного интеллекта, в целях обнаружения, выделения разнотипных объектов и определения их характеристик. При этом ставилась задача автоматизации процесса обработки МДС.

В ряде случаев ввиду значительной структурной изменчивости исследуемых объектов автоматическая обработка информации является весьма сложной неоднозначной задачей, решение которой оказывается более эффективным в интерактивном режиме с привлечением опытного специалиста в заданной прикладной области, использованием опыта и дополнительной информации при дешифрировании визуализированных данных. При этом важная задача состоит в представлении МДС в виде, удобном для восприятия экспертом.

с

Наиболее наглядного представления МДС можно достичь за счет интерактивных процедур функционирования автоматической системы, в том числе интеллектуальной, совместно с использованием преимуществ естественного интеллекта. Участие эксперта обеспечивает адекватную интерпретацию информации, важной для данной задачи.

Для ряда актуальных прикладных задач, таких, например, как распознавание очагов пожаров и других стихийных бедствий по аэрокосмическим снимкам, весьма важна оперативность обработки МДС; для этого многоспектральные данные необходимо с высоким быстродействием обработать и отобразить в удобном для восприятия виде.

Настоящая диссертационная работа посвящена созданию методов и алгоритмов преобразования, визуализации и интерпретации данных, представленных в форме МДС, в режимах интерактивной обработки информации.

Цель работы и решаемые задачи. Цель работы состоит в разработке методов и алгоритмов целевой интерактивной обработки МДС, позволяющей обеспечить оперативную визуализацию и корректную интерпретацию данных.

Для достижения поставленной цели в процессе выполнения работы были решены следующие задачи: • создание метода целевой интерактивной обработки МДС по принципу сходства с эталоном, основанного на разработанных автором критериях выбора признакового пространства, определения меры сходства, выбора эталона и методиках интерактивного управления процессом дешифрирования, и позволяющего учитывать априорные сведения, которыми обладает эксперт в предметной области, для решения конкретной задачи; « разработка новой методики представления синтезированного итогового изображения в псевдоцвете с использованием метода преобразования двумерных сигналов (ДС) по принципу сходства с несколькими -эталонами, имеющими различные приоритеты;

• разработка и исследование метода оценки качества синтезированного итогового изображения с учетом целевого критерия;

• разработка методики сокращения объема данных, полученных с помощью многоспектральной аппаратуры, с сохранением информации, необходимой для решения конкретной задачи.

Научная новизна полученных в работе результатов состоит в создании метода представления информации, содержащейся в МДС, для оперативного интерактивного дешифрирования, основанного на преобразовании ДС по принципу сходства с эталоном в пространстве признаков и позволяющего упростить и ускорить процесс дешифрирования МДС, обеспечивая при этом высокую вероятность правильного распознавания. Метод пригоден для обработки гиперспектральных данных, получаемых при значительном числе спектральных каналов.

На основе метода преобразования ДС по принципу сходства с эталоном разработана методика сокращения объема передаваемых по информационным каналам данных, полученных с помощью многоспектральной аппаратуры, основанная на представлении преобразованных данных в псевдоцвете.

Практическая ценность и реализация результатов работы. Практически значимыми являются разработанные автором методики и алгоритмы, эффект от использования которых состоит в упрощении и ускорении операций по созданию итогового изображения для его интерпретации, и преимуществами которых являются:

• адаптация синтезированного изображения к интересующим наблюдателя объектам;

• обеспечение более детального отображения на синтезированном изображении объектов, выбранных оператором, и более надежного их выделения.

Разработанные методы и алгоритмы являются основой для реализации более эффективных подходов к решению задач

обработки ДС, несущих разнородную информацию, в различных областях научной и народно-хозяйственной деятельности: в геоинформационных системах, медицине, биологии, материаловедении, криминалистике и др.

Результаты работы использованы в:

• Северо-Западном филиале AHO «Секция «Инженерные проблемы стабильности и конверсии» Российской Инженерной Академии» при выполнении ряда работ, направленных на создание алгоритмов и программ обработки многоспектральных данных дистанционного зондирования, а именно, метод интерактивного дешифрирования данных многоспектральной съемки и адаптации программы обработки к конкретной задаче наблюдения применен при проектировании программного обеспечения, предназначенного для тематической обработки информации от комплексов авиационной разноспектральной аппаратуры. Эффект от использования результатов заключается в ускорении процесса интерактивного дешифрирования данных многоспектральной съемки при одновременном обеспечении высокой вероятности правильного распознавания;

• Северо-Западном центре «ЭкоЛаб» при создании «Методики учета болот на территории Санкт-Петербурга», основанной на данных многоспектральных космоснимков. С использованием этой методики проведена дешифровка мультиспектральных космоснимков территории Санкт-Петербурга, полученных аппаратурой спутника Quickbird. Разработанная соискателем методика целевой интерактивной обработки двумерных сигналов позволяет дополнять исходные данные информацией, полученной при полевых исследованиях, и значительно упростить процесс идентификации имеющихся объектов. Представление данных дистанционного зондирования в псевдоцвете с использованием метода преобразования по принципу сходства с несколькими эталонами, имеющими различные приоритеты, приводит к сокращению объема данных, предназначенных для решения конкретной задачи, в JV/3 раза, где N определяет число исходных спектральных каналов.

Использование результатов диссертационной работы подтверждено соответствующими актами.

Основные положения, выносимые на защиту:

1. Метод целевой интерактивной обработки МДС по принципу сходства с эталоном в признаковом пространстве, позволяющий использовать в процессе обработки неформализованную априорную информацию, которой обладает эксперт в предметной области.

2. Методика целевой и нтерактивной обработки МДС и представления синтезированного итогового изображения в псевдоцвете с использованием преобразования ДС по принципу сходства с несколькими эталонами в признаковом пространстве, имеющими различные приоритеты.

3. Методика сокращения объема передаваемых по информационным каналам данных, полученных с помощью разноспектральной аппаратуры, с сохранением необходимой для данной задачи информации, основанная на формировании данных в форме изображения в псевдоцвете, синтезированного по принципу сходства с несколькими эталонами в признаковом пространстве, позволяющая сократить объем передаваемых данных в N/3 раза, где N определяет число спектральных каналов исходного МДС.

Апробация работы. Основные результаты работы докладывались и обсуждались на следующих симпозиумах, конференциях и семинарах: Международный симпозиум стран СНГ «Атмосферная радиация» (С.-Петербург, 2004 г.), Семинар "Display Optics 2004" (С.-Петербург, 2004), International Symposium "OPTRO 2005" (Paris, France, 2005), XXXVI научная и учебно-методическая конференция профессорско-преподавательского и научного состава (С.-Петербург, 2007 г.), V Международная конференция молодых ученых и специалистов «Оптика — 2007» (С.-Петербург, 2007), XXXVII научная и учебно-методическая конференция СПбГУ ИТМО (С.-Петербург, 2008), V Всероссийская межвузовская конференция молодых ученых (С.-Петербург, 2008),

Международный оптический конгресс «ОПТИКА — XXI ВЕК» (С.-Петербург, 2008).

Публикации. По основным результатам диссертационных исследований опубликовано 7 работ, в том числе 5 статей, две из которых в издании, рекомендованном Перечнем ВАК для опубликования результатов кандидатских диссертаций.

Личный вклад автора. Представленные в диссертации результаты получены либо лично автором, либо при его непосредственном участии. Лично автором выполнено следующее:

1. Разработан метод обработки МДС, основанный на отображении меры сходства с эталоном и направленный на интерактивное выделение зон интереса на синтезированном изображении, с использованием гистограммы сходства и накопленного опыта эксперта в предметной области.

2. Разработана интерактивная методика целевой обработки МДС и представления итогового изображения в псевдоцвете с использованием преобразования ДС по принципу сходства с несколькими эталонами, имеющими различные приоритеты.

3. Предложен и применен модифицированный критерий видности синтезированных изображений в задачах целевой обработки МДС, учитывающий основные характеристики итогового изображения - уровень адаптации зрительной системы человека, резкость и контраст.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, одного приложения, списка публикаций по теме диссертации, библиографического списка из 74 наименований. Общий объем работы составляет 121 страница. Диссертация содержит 34 рисунка и 4 таблицы.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность выбранной темы диссертации, определена цель диссертации и решаемые задачи,

отмечена научная новизна и практическая значимость работы, сформулированы основные положения, выносимые на защиту.

В первой главе проведен анализ методов обработки МДС и представления данных в одном изображении. Рассмотрены различные методы обработки, основанные на проведении предварительной классификации, и представления многоканальных данных в виде синтезированного итогового изображения, не требующие проведения классификации.

Выделены несколько основных подходов к проведению классификации: методы неконтролируемой классификации (кластеризация); методы контролируемой классификации; методы классификации, использующие байесовский подход; методы классификации на основе искусственных нейронных сетей.

Проведенный анализ показал, что применение методов классификации с целью наглядного представления МДС не всегда дает осмысленный с точки зрения эксперта результат разбиения исходных данных на классы. Кроме этого, для проведения классификации данных в ряде случаев требуется их предварительная коррекция. В общем случае, классификация при дешифрировании многоспектральных данных весьма сложна и требует от специалиста достаточно высокого уровня квалификации.

Выполнено рассмотрение методов представления МДС, в частности, цветовой синтез данных от трех выборочных спектральных каналов; отображение МДС в виде так называемого «многоспектрального куба»; циклическое отображение ДС. В этих методах используется отображение либо часта данных, либо полного набора объектов, но при этом восприятие данных затруднено. Для подготовки многоспектральных данных к дешифрированию могут применяться методы главных и независимых компонент, целью которых является сокращение размерности исходных данных. Основным недостатком при этом является необратимая потеря исходной информации.

Рассмотрены особенности применения интерактивных методов обработки МДС. Показаны преимущества интерактивной обработки, основанные на использовании информации, которая недоступна машинному интеллекту, но способствует построению правильного алгоритма решения конкретной прикладной задачи и облегчает процесс принятия верного экспертного решения. На этой основе делается вывод о целесообразности привлечения в процесс обработки многоспектральных данных интеллектуального потенциала оператора-дешифровщика с применением процедур организации интерактивного взаимодействия дешифровщика с вычислительной системой. Как следствие, показана необходимость представления многоспектральных данных в виде, удобном для восприятия и интерпретации оператором-дешифровщиком.

Во второй главе представлен разработанный метод отображения МДС, основанный на преобразовании ДС по принципу сходства с эталоном.

ДС (или двумерная дискретная последовательность) рассматривается как функция / = {/(г, у) | /, у е □ }, определенная на совокупности упорядоченных пар целых чисел. Значение /[/,/) как отдельный элемент последовательности представляет собой отсчет сигнала / в точке с целочисленными координатами (г,у). МДС представляет собой полученный по N спектральным каналам сигнал ^ = {/к | к = \,2,...,Щ, где N -количество каналов. При этом отдельным элементом сигнала Гм является УУ-мерный вектор Л /2 0', Л Л- ('> ЛУ'

состоящий из значений соответствующих отсчетов двумерных сигналов.

При попытке синтеза сигнала ^у в одном изображении сталкиваются со сложностью проведения сегментации -разбиения данных на области по сходству спектральных свойств их элементов. Для этого требуется определить многомерное пороговое ограничение (МПО). Проблема выбора МПО

проанализирована на примере синтеза сигнала 7*3, полученного в трех спектральных каналах. Элементами сигнала Fi являются векторы яркостных признаков (отсчетов).

На рис. 1 иллюстрируется представление ДС в трехмерном признаковом пространстве, с отображением только яркостных признаков.

Исходные ДС в трех спектральных диапазонах

515 -565 нм 635 - 690 нм 810-900 нм

1 л | 1 <. - - • я>8 Г-у ~ ' - ! уг. . ■ Ж « - X - "Й . , - I ~ 'ж^-«*3*» - Т • ' 4 , - Ц§ щ шш \ ' Ш - Ш р 13 Я ШНйШШга

Пр %е изнаковое пространсч •з^А».-»—— во

Рис. 1. Исходные ДС, составляющие сигнал Fз, и признаковое пространство яркостных характеристик. Точки в пространстве -признаки элементов сигнала 7*3,

Размерность признакового пространства может быть увеличена, но даже в случае трехмерного признакового пространства выполнить классификацию спектральных признаков с целью отнесения их к тем или иным объектам, представленных сигналом Т7?, весьма затруднительно.

Каждый элемент сигнала Гм, наряду с пространственными координатами (/,/), обладает также координатами в пространстве признаков и может быть охарактеризован «расстоянием» в признаковом пространстве, т.е. для каждого

вектора отсчетов V = (/, /),/2 (¿,]),...,(7,])) элемента может быть определена мера сходства с эталонным вектором отсчетов е = в данном

признаковом пространстве. В качестве характеристики расстояния могут быть использованы различные меры сходства, в частности, такие как евклидово расстояние

(!)

максимальное расстояние

А(^) = тахШ'А) - /.М>, (2)

угол между векторами

N

£>3(е, V) = агссоз . "" , (3)

V Л=1 4 = 1

евклидово расстояние с весовыми коэффициентами, выбранными в соответствии с заранее исследованной информативностью признаков при решении конкретной задачи,

ЦМ = - /ЛШ2 • (4)

Если в качестве эталона используется совокупность элементов сигнала то в качестве меры сходства может быть принято расстояние Махаланобиса, которое определяется как расстояние от текущего вектора отсчетов до вектора средних значений

отсчетов (признаков) тх семейства векторов X и описывается выражением:

где Сх~ ковариационная матрица семейства векторов X.

Мера сходства выбирается с учетом свойств исходных ДС, а также исходя из постановки конкретной задачи дешифрирования. Если задачей дешифрирования является фиксация выбросов в каком-либо из спектральных каналов при незначительной зашумленности сигнала, то для этого следует выбирать меру (2). В ряде случаев требуется устранить влияние теней на результат синтеза данных в одном изображении. Решение этой проблемы может быть достигнуто за счет использования меры сходства (3). Мера (5) может быть использована для выделения элементов «фона» или для обнаружения на исследуемой сцене редких по своим спектральным характеристикам объектов с последующим выбором одного из этих объектов в качестве эталона.

Результат обработки МДС представляется в виде изображения в тонах серого, и в качестве значения яркости пикселя выбирается величина «расстояния» в пространстве признаков. Пикселям, наиболее близким к эталону в пространстве признаков, присваивается наибольшее значение яркости, остальным пикселям - значение яркости в соответствии с их отличием от эталона. Поскольку эталонов может быть несколько, соответственно может быть получено несколько результатов синтеза.

На рис. 2 приведен пример результата обработки сигнала Г3, представленного на рис. 1, с использованием нескольких эталонов. В качестве эталонов выбираются элементы сигнала Гз, соответствующие объектам интереса. На рис. 2 в качестве объектов интереса были выбраны: объекты 1-го типа - здания, объекты 2-го типа - просеки, объекты 3-го типа - низкая растительность.

Признаковое пространство, эталон и мера сходства могут выбираться различными способами с использованием априорной

(5)

информации. В этом контексте предложена методика целевой интерактивной обработки МДС по принципу сходства с эталоном в признаковом пространстве, позволяющая использовать в процессе обработки неформализованную априорную информацию, которой обладает эксперт в предметной области.

Объекты 1-го типа Объекты 2-го типа Объекты 3-го типа Рис. 2. Результаты синтеза сигнала ^з с использованием различных эталонов

Показаны методы адаптации рассматриваемого метода к различным прикладным задачам по обработке МДС путем выбора эталона, меры сходства и признакового пространства. Приведены примеры реализации метода.

Выполнен анализ особенностей объективной оценки качества итогового полутонового изображения, синтезированного по принципу сходства с эталоном и рассмотрены различные критерии оценки качества полутоновых изображений.

Выбор того или иного критерия качества диктуется постановкой конкретной задачи. Для количественной оценки качества изображения, синтезированного с использованием метода обработки ДС по принципу сходства с эталоном, применен интегральный критерий качества, учитывающий следующие параметры полутонового изображения: уровень адаптации зрительной системы человека (Ад), полноту использования элементами изображения градаций яркостей (Рд), резкость (8д) и контраст (Сд):

где к - нормирующий коэффициент.

В задаче целевой обработки МДС важно повысить качество выделения объекта интереса. Это значит, что участок синтезированного изображения, на котором находится выделяемый объект, должен характеризоваться повышенным уровнем резкости и контраста. Это приводит к снижению полноты представления уровней яркости на изображении. По этой причине в задаче целевой обработки данная характеристика итогового изображения не подходит для оценки его качества. Поэтому предложено отказаться от учета параметра Гд и использовать для оценки качества синтезированных изображений модифицированный критерий:

Проведено исследование влияния шумовой составляющей ДС в виде аддитивного белого шума на результат их обработки по принципу сходства с эталоном. Отмечена устойчивость метода к наличию шумов в отдельных каналах, которая обеспечивается за счет усреднения случайных отклонений обрабатываемого сигнала, а также - путем выбора эталона и меры сходства.

Разработан метод представления результата обработки в виде изображения в псевдоцвете, на котором отражены несколько групп разнотипных объектов.

Процесс представления МДС в псевдоцвете состоит из нескольких этапов. Сначала выбирают эталоны, относящиеся к интересующим объектам. Затем для каждого из эталонов синтезируют монохромное изображение, значения яркости элементов которого отражают степень сходства с эталоном. Итоговое изображение формируется путем объединения информации всех монохромных изображений, полученных для выбранных образцов, каждому из которых присвоен свой цвет.

(7)

При объединении монохромных изображений цвет каждого пикселя на итоговом изображении определяется следующим правилом:

7(/,У) = шах {/ДО) | к =1,2,.... АГ}, (8)

где /(г, у) — интенсивность пикселя с пространственными координатами г и у на итоговом изображении, /Дг'.у) — интенсивность пикселя с теми же пространственными координатами на к-и монохромном изображении, а N определяет количество выбранных образцов. При поиске максимума в выражении (8) эталоны к сравниваются в порядке приоритетности, и цветовое представление производится по первому максимуму.

Рассмотрены две оригинальные методики, созданные на основе разработанного метода:

• методика целевой обработки МДС и представления итогового изображения в псевдоцвете с использованием метода преобразования ДС по принципу сходства с несколькими эталонами в признаковом пространстве, имеющими различные приоритеты;

• методика сокращения объема передаваемых по информационным каналам данных, полученных с помощью разноспектральиой аппаратуры, с сохранением необходимой для данной задачи информации; методика основана на формировании данных в форме изображения в псевдоцвете, синтезированного по принципу сходства с несколькими эталонами в признаковом пространстве и позволяет сократить объем передаваемых данных в А73 раза, где N определяет число спектральных каналов исходного МДС.

Третья глава посвящена описанию разработанного в рамках настоящей исследовательской работы программного обеспечения (ПО), реализующего метод обработки МДС по принципу сходства с эталоном. Показаны возможности ПО при решении основных подзадач:

• выбор стратегии проведения обработки исходных многоспектральных данных пользователем;

• настройка контрастности синтезированного изображения с использованием гистограммы сходства;

• синтез итогового изображения в псевдоцвете с использованием нескольких эталонов.

В четвертой главе рассматривается применение метода обработки МДС в комплексах разноспектральной аппаратуры по принципу сходства с эталоном. Показаны преимущества использования программного модуля, реализующего метод, заключающиеся в ускорении получения необходимой для решения конкретной задачи информации и сокращении объема данных, передаваемых по информационным каналам.

Описана методика обработки МДС, полученных от малогабаритного многоспектрального модуля (ТриМ), предназначенного для проведения аэросъемки местности в видимом и инфракрасном диапазонах. Приведены примеры целевой обработки многоспектральных данных, полученных с помощью сканирующей системы.

ЗАКЛЮЧЕНИЕ

В ходе выполнения диссертационной работы получены следующие основные научные и практические результаты:

1. Разработан метод целевой интерактивной обработки МДС по принципу сходства с эталоном. Разработанные автором и используемые в созданном методе критерии выбора признакового пространства, определения меры сходства, выбора эталона и интерактивного управления процессом дешифрирования, позволяют включать в процесс обработки априорные сведения, которыми обладает эксперт в предметной области применительно к конкретной задаче обработки информации.

2. Предложена разработанная автором методика оценки качества синтезированного изображения, настроенного на целевую задачу. Примеры обработки МДС подтверждают

повышение качества синтезированного итогового изображения по сравнению с изображениями исходных ДС.

3. Впервые предложена методика представления синтезированного итогового изображения в псевдоцвете с использованием метода преобразования ДС по принципу сходства с несколькими эталонами, имеющими различные приоритеты. Методика позволяет получить изображение с выделенными объектами интереса без использования трудоемких алгоритмов классификации. Такое представление МДС приводит к сокращению объема данных, полученных с помощью разноспектральной аппаратуры, с сохранением необходимой информации, в N/3 раза, где N определяет число спектральных каналов исходного МДС.

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Шереметьева Т.А., МаловА.М., Филиппов Г.Н., Филиппов В.Г. Компьютерная обработка бкомедицинских многоканальных изображений с использованием визуализации меры сходства с эталоном //Известия ВУЗов. Приборостроение. 2009. Т. 52. № 8. С. 74 — 79.

2. Шереметьева Т. А., МаловА.М., Филиппов Г.Н. Обработка изображений и морфометрические измерения в микроскопии //Известия ВУЗов. Приборостроение. 2009. Т. 52. № 8. С. 68—73.

3. Малов A.M., Шереметьева Т.А., Филиппов Г.Н. Представление многоканальных изображений в псевдоцвете по принципу сходства с образцом //Научно-технический вестник СПбГУ ИТМО. 2008. Вып. 52. С. 78—82.

4. Малов А.М. Оценка визуального качества изображений, преобразованных по принципу сходства с образцом. //Сборник трудов международного оптического конгресса «ОПТИКА-XXI ВЕК»: Т.1. «Фундаментальные проблемы оптики - 2008». СПб. 20—24 октября 2008 г. / Под ред. В.Г. Беспалова и С.А. Козлова. СПб. 2008. С. 133 - 135.

5. Малое A.M., Филиппов Г.Н., Шереметьева Т.А. Метод визуализации гиперспектральных изображений в системах дистанционного зондирования //Научно-технический вестник СПбГУ ИТМО. Вып. 43. Современная оптика. 2007. С. 293—300.

6. МаловА.М., Филиппов Г.Н., Шереметьева Т.А. Метод предварительной обработки медико-биологических изображений //Научно-технический вестник СПбГУ ИТМО. Вып. 37. Современная физика. Труды молодых ученых. 2007. С. 10—16.

7. Т.А. Sheremetieva, G.N. Filippov, A.M. Malov, Visualization of data of multi-zone shooting. "Display Optics 2004". St. Petersburg, October 18-20,2004. P. 51.

Тиражирование и брошюровка выполнены в учреждении «Университетские телекоммуникации» 197101. Санкт-Петербург. Саблинская ул.. 14 Тел. (812) 233 4669 объем 1 п.л. Тираж 100 экз.

ВВЕДЕНИЕ.

ГЛАВА 1. МЕТОДЫ ПРЕДСТАВЛЕНИЯ МНОГОКАНАЛЬНЫХ ДВУМЕРНЫХ СИГНАЛОВ И ОБЛАСТИ ИХ ПРИМЕНЕНИЯ.

1.1 МЕТОДЫ ПРЕДСТАВЛЕНИЯ ДВУМЕРНЫХ СИГНАЛОВ, ОСНОВАННЫЕ НА ПРОВЕДЕНИИ ПРЕДВАРИТЕЛЬНОЙ КЛАССИФИКАЦИИ.

1.2 МЕТОДЫ ПРЕДСТАВЛЕНИЯ ДВУМЕРНЫХ СИГНАЛОВ БЕЗ ПРОВЕДЕНИЯ ПРЕДВАРИТЕЛЬНОЙ КЛАССИФИКАЦИИ.

1.3 ИНТЕРАКТИВНАЯ ОБРАБОТКА ДВУМЕРНЫХ СИГНАЛОВ.

ВЫВОДЫ ПО ГЛАВЕ 1.

ГЛАВА 2. ИНТЕРАКТИВНАЯ ОБРАБОТКА МНОГОКАНАЛЬНЫХ ДВУМЕРНЫХ СИГНАЛОВ, ОСНОВАННАЯ НА МЕТОДЕ ПРЕОБРАЗОВАНИЯ ДВУМЕРНЫХ СИГНАЛОВ ПО ПРИНЦИПУ СХОДСТВА С ЭТАЛОНОМ.

2.1 ОПРЕДЕЛЕНИЕ МЕРЫ СХОДСТВА. ВЫБОР ПРИЗНАКОВОГО ПРОСТРАНСТВА. ВЫБОР ЭТАЛОНА.

2.2 ВКЛЮЧЕНИЕ АПРИОРНЫХ СВЕДЕНИЙ ПРИ ВЫБОРЕ ПРИЗНАКОВОГО ПРОСТРАНСТВА, МЕРЫ СХОДСТВА И ЭТАЛОНА.

2.3 НАСТРОЙКА МЕТОДА К ПРИКЛАДНЫМ ЗАДАЧАМ ОБРАБОТКИ МНОГОКАНАЛЬНЫХ ДВУМЕРНЫХ СИГНАЛОВ. ПРИМЕРЫ РЕАЛИЗАЦИИ МЕТОДА.

2.4 ОЦЕНКА КАЧЕСТВА СИНТЕЗИРОВАННОГО ИЗОБРАЖЕНИЯ С ПРИМЕНЕНИЕМ КРИТЕРИЕВ ВИДНОСТИ.

2.5 УЧЕТ ШУМОВОЙ СОСТАВЛЯЮЩЕЙ ДВУМЕРНЫХ СИГНАЛОВ.

2.6 ПРЕДСТАВЛЕНИЕ СИНТЕЗИРОВАННОГО ИЗОБРАЖЕНИЯ В ПСЕВДОЦВЕТЕ.

ВЫВОДЫ ПО ГЛАВЕ 2.

ГЛАВА 3. АЛГОРИТМЫ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ, РЕАЛИЗУЮЩЕЕ МЕТОД ПРЕОБРАЗОВАНИЯ ДВУМЕРНЫХ СИГНАЛОВ ПО ПРИНЦИПУ СХОДСТВА С ЭТАЛОНОМ.

3.1 СТРУКТУРА АЛГОРИТМОВ И ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ОБРАБОТКИ МНОГОКАНАЛЬНЫХ ДАННЫХ.

3.2 РЕШЕНИЕ ОСНОВНЫХ ПОДЗАДАЧ СРЕДСТВАМИ, РЕАЛИЗОВАННЫМИ В ПРОГРАММНОМ ОБЕСПЕЧЕНИИ.

3.2.1 ЗАДАНИЕ ПАРАМЕТРОВ ПРИ ОБРАБОТКЕ МНОГОКАНАЛЬНЫХ ДАННЫХ.

3.2.2 НАСТРОЙКА КОНТРАСТНОСТИ СИНТЕЗИРОВАННОГО ИЗОБРАЖЕНИЯ С ИСПОЛЬЗОВАНИЕМ ГИСТОГРАММЫ СХОДСТВА.

3.2.3 СИНТЕЗ ИТОГОВОГО ИЗОБРАЖЕНИЯ В ПСЕВДОЦВЕТЕ.

ВЫВОДЫ ПО ГЛАВЕ 3.

ГЛАВА 4. ОБРАБОТКА МНОГОКАНАЛЬНЫХ ДВУМЕРНЫХ СИГНАЛОВ В МНОГОСПЕКТРАЛЬНЫХ СИСТЕМАХ.

4.1 ПРЕИМУЩЕСТВА ИСПОЛЬЗОВАНИЯ РАЗРАБОТАННОГО МЕТОДА В КОМПЛЕКСАХ РАЗНОСПЕКТРАЛЬНОЙ СКАНИРУЮЩЕЙ АППАРАТУРЫ.

4.2 НАЗНАЧЕНИЕ И ОБЛАСТЬ ПРИМЕНЕНИЯ ТРИМ.

4.3 ОПИСАНИЕ ТРИМ.

4.4 ИСХОДНЫЕ ДАННЫЕ, ПОДЛЕЖАЩИЕ ОБРАБОТКЕ.

4.4.1 СТРУКТУРА МАССИВОВ ДАННЫХ.

4.5 ОЦЕНКА СТЕПЕНИ ЗНАЧИМОСТИ СПЕКТРАЛЬНЫХ КАНАЛОВ ПРИ ВИЗУАЛИЗАЦИИ ИСХОДНЫХ ДАННЫХ.

4.6 ВЫБОР АЛГОРИТМА ПРЕДСТАВЛЕНИЯ ДАННЫХ.

4.7 ПРАКТИЧЕСКИЙ ПРИМЕР ЦЕЛЕВОЙ ВИЗУАЛИЗАЦИИ.

ВЫВОДЫ ПО ГЛАВЕ 4.

В течение нескольких последних десятилетий уделяется большое внимание разработке многоканальной аппаратуры наблюдения оптического диапазона и вопросам ее применения в системах различного назначения, поскольку многоканальные (мульти- и гиперспектральные) системы являются мощным средством обнаружения, опознавания, наблюдения и исследования различных объектов в научных исследованиях и при решении разнообразных технических задач.

Гиперспектральная съемка, до недавнего времени представлявшая лишь чисто теоретический интерес ввиду того, что технический уровень приборостроения не позволял создавать съемочные системы с высоким пространственным и спектральным разрешением одновременно, является эволюционным развитием многоспектральных систем дистанционного зондирования. Благодаря реализации новых технических решений количество каналов фиксируемых двумерных сигналов (ДС) увеличилось с 3 - 7 до 200 — 1 ООО при одновременном достижении высокого спектрального разрешения (от 0.1 до 10 нм) данных дистанционного зондирования (ДДЗ).

В многоканальных двумерных сигналах (МДС) содержится большое количество разнородной информации о свойствах исследуемых объектов. При этом возникает задача эффективного извлечения полезной информации об исследуемых объектах и ее достоверной интерпретации.

Для обработки МДС, фиксируемых в дискретном ряде спектральных интервалов, разработаны пакеты программного обеспечения, основанного на использовании геоинформационных технологий [9, 10, 27,31, 56]. Для работы с таким программным обеспечением от человека-оператора требуется наличие достаточно высокого уровня квалификации.

К настоящему времени разработано множество методов и алгоритмов обработки МДС. Усилия разработчиков были направлены на создание алгоритмов, основанных на сложных методах математического моделирования и искусственного интеллекта, в целях обнаружения, выделения разнотипных объектов и определения их характеристик. При этом ставилась задача автоматизации процесса обработки МДС.

Однако, как показывают результаты эксперимента, проведенного авторами работы [21], сложные алгоритмы, показывающие хорошие результаты обработки модельных МДС, не всегда дают осмысленную с экспертной точки зрения интерпретацию выделенных объектов в контексте конкретной задачи по обработке ДДЗ, полученных в естественных условиях. Причиной этого является значительная вариабельность исследуемых сцен, которая определяется многими аспектами условий съемки.

В ряде случаев ввиду значительной структурной изменчивости исследуемых объектов автоматическая обработка информации является весьма сложной неоднозначной задачей, решение которой оказывается более эффективным в интерактивном режиме с привлечением опытного специалиста в заданной прикладной области, использованием опыта и дополнительной информации при дешифрировании визуализированных данных. При этом важная задача состоит в представлении МДС в виде, удобном для восприятия экспертом.

Наиболее наглядного представления МДС можно достичь за счет интерактивных процедур функционирования автоматической системы, в том числе интеллектуальной, совместно с использованием преимуществ естественного интеллекта. Участие эксперта обеспечивает адекватную интерпретацию информации, важной для данной задачи.

Для ряда актуальных прикладных задач, таких, например, как распознавание очагов пожаров и других стихийных бедствий по аэрокосмическим снимкам, весьма важна оперативность обработки МДС; для этого многоспектральные данные необходимо с высоким быстродействием обработать и отобразить в удобном для восприятия виде.

Нужно заметить, что ранее уже были разработаны интерактивные методы представления многоканальных данных в одном изображении. Тем не менее, если одни методы, ввиду своей сложности, не обеспечивали оперативность получения результатов, то другие методы обеспечивали оперативность обработки, но результат такой обработки не был нацелен на конкретную задачу.

Таким образом, можно сделать вывод об актуальности проблемы разработки методов и алгоритмов целевой интерактивной обработки МДС с целью оперативного приведения многоспектральных данных к виду, удобному для распознавания их человеком-оператором.

Настоящая диссертационная работа посвящена созданию методов и алгоритмов преобразования, визуализации и интерпретации данных, представленных в форме МДС, в режимах интерактивной обработки информации.

Цель работы и решаемые задачи. Цель работы состоит в разработке методов и алгоритмов целевой интерактивной обработки МДС, позволяющей обеспечить оперативную визуализацию и корректную интерпретацию данных.

Для достижения поставленной цели в процессе выполнения работы были решены следующие задачи:

• создание метода целевой интерактивной обработки МДС по принципу сходства с эталоном, основанного на разработанных автором критериях выбора признакового пространства, определения меры сходства, выбора эталона и методиках интерактивного управления процессом дешифрирования, и позволяющего учитывать априорные сведения, которыми обладает эксперт в предметной области, для решения конкретной задачи;

• разработка новой методики представления синтезированного итогового изображения в псевдоцвете с использованием метода преобразования двумерных сигналов (ДС) по принципу сходства с несколькими эталонами, имеющими различные приоритеты;

• разработка и исследование метода оценки качества синтезированного итогового изображения с учетом целевого критерия;

• разработка методики сокращения объема данных, полученных с помощью многоспектральной аппаратуры, с сохранением информации, необходимой для решения конкретной задачи.

Научная новизна полученных в работе результатов состоит в создании методики представления информации, содержащейся в многоканальных снимках для интерактивного дешифрирования, основанной на методе преобразования ДС по принципу сходства с эталоном в пространстве признаков и позволяющая упростить и ускорить процесс дешифрирования многоспектральных снимков, обеспечивая при этом высокую вероятность правильного распознавания. Методика пригодна для обработки гиперспектральных данных, насчитывающих значительное число спектральных каналов.

На основе метода преобразования ДС по принципу сходства с эталоном разработана методика сокращения объема передаваемых по информационным каналам данных, полученных с помощью многоспектральной аппаратуры, с сохранением необходимой для решения данной задачи информации, основанная на представлении данных в виде изображения в псевдоцвете.

Практическая ценность и реализация результатов работы. Практически значимыми являются разработанные автором методики и алгоритмы, эффект от использования которых состоит в упрощении и ускорении операций по созданию итогового изображения для его интерпретации, и преимуществами которых являются:

• адаптация синтезированного изображения к интересующим наблюдателя объектам;

• обеспечение более детального отображения на синтезированном изображении объектов, выбранных оператором, и более надежного их выделения.

Разработанные методы и алгоритмы являются основой для реализации более эффективных подходов к решению задач обработки ДС, несущих разнородную информацию, в различных областях научной и народнохозяйственной деятельности: геоинформационные системы, медицине, биологии, материаловедении, криминалистике и пр.

Результаты работы использованы в:

• Северо-Западном филиале AHO «Секция «Инженерные проблемы стабильности и конверсии» Российской Инженерной Академии» при выполнении ряда работ, направленных на создание алгоритмов и программ обработки многоспектральных данных дистанционного зондирования, а именно, метод интерактивного дешифрирования данных многоспектральной съемки и адаптации программы обработки к конкретной задаче наблюдения применен при проектировании программного обеспечения, предназначенного для обработки информации от комплексов авиационной разноспектральной аппаратуры. Эффект от использования результатов заключается в ускорении процесса интерактивного дешифрирования данных многоспектральной съемки при одновременном обеспечении высокой вероятности правильного распознавания;

• Северо-Западном центре «ЭкоЛаб» при создании «Методики учета болот на территории Санкт-Петербурга», основанной на данных многоспектральных космоснимков. С использованием этой методики проведена дешифровка мультиспектральных космоснимков территории Санкт-Петербурга, полученных аппаратурой спутника Quickbird. Разработанная соискателем методика целевой интерактивной обработки двумерных сигналов позволяет дополнять исходные данные информацией, полученной при полевых исследованиях, что позволяет значительно упростить процесс идентификации имеющихся объектов. Представление данных дистанционного зондирования в псевдоцвете с использованием метода преобразования по принципу сходства с несколькими эталонами, имеющими различные приоритеты, приводит к сокращению объема данных, предназначенных для решения конкретной задачи, в ЛУЗ раза, где N определяет число исходных спектральных каналов.

Использование результатов диссертационной работы подтверждено соответствующими актами.

Личный вклад автора:

Представленные в диссертации результаты получены либо лично автором, либо при его непосредственном участии. Лично автором выполнено следующее:

1. Разработан метод обработки МДС, основанный на отображении меры сходства с эталоном и направленный на интерактивное выделение зон интереса на синтезированном изображении, с использованием гистограммы сходства и накопленного опыта эксперта в предметной области.

2. Разработана интерактивный методика целевой обработки МДС и представления итогового изображения в псевдоцвете с использованием преобразования ДС по принципу сходства с несколькими эталонами, имеющими различные приоритеты.

3. Предложен и применен модифицированный критерий видности синтезированных изображений в задачах целевой обработки МДС, учитывающий основные характеристики итогового изображения — уровень адаптации зрительной системы человека, резкость и контраст.

Апробация работы. Основные результаты работы докладывались и обсуждались на следующих симпозиумах, конференциях и семинарах: Международный симпозиум стран СНГ «Атмосферная радиация» (г. Санкт

Петербург, 2004 г.), Seminar "Display Optics 2004" (St.-Petersburg, Russia, 2004), International Symposium "OPTRO 2005" (Paris, France, 2005), XXXVI научная и учебно-методическая конференция профессорско-преподавательского и научного состава (г. Санкт-Петербург, 2007 г.), V Международная конференция молодых ученых и специалистов «Оптика — 2007» (г. Санкт-Петербург, 2007), XXXVII научная и учебно-методическая конференция СПбГУ ИТМО (г. Санкт-Петербург, 2008), V Всероссийская межвузовская конференция молодых ученых (г. Санкт-Петербург, 2008), Международный оптический конгресс «ОПТИКА — XXI ВЕК» (г. Санкт-Петербург, 2008).

По основным результатам диссертационных исследований опубликовано 7 работ, в том числе 5 статей, две из которых опубликованы в издании Перечня ВАК для опубликования результатов кандидатских диссертаций.

Основные положения, выносимые на защиту:

1. Метод целевой интерактивной обработки МДС по принципу сходства с эталоном в признаковом пространстве, позволяющий использовать в процессе обработки неформализованную априорную информацию, которой обладает эксперт в предметной области.

2. Методика целевой интерактивной обработки МДС и представления синтезированного итогового изображения в псевдоцвете с использованием преобразования ДС по принципу сходства с несколькими эталонами в признаковом пространстве, имеющими различные приоритеты.

3. Методика сокращения объема передаваемых по информационным каналам данных, полученных с помощью разноспектральной аппаратуры, с сохранением необходимой для данной задачи информации, основанная на формировании данных в форме изображения в псевдоцвете, синтезированного по принципу сходства с несколькими эталонами в признаковом пространстве, позволяющая сократить объем передаваемых данных в N13 раза, где N определяет число спектральных каналов исходного МДС.

Основное содержание работы.

В первой главе представлен краткий обзор методов обработки многоканальных данных для представления их в графическом виде. Рассмотрены методы синтеза итогового изображения и методы обработки, основанные на проведении предварительной классификации. Среди методов, основанных на проведении классификации, выделены методы кластерного анализа, методы контролируемой классификации, методы, использующие байесовский подход к классификации, и методы классификации на основе искусственных нейронных сетей.

Выделены преимущества и недостатки различных подходов к обработке многоканальных данных с точки зрения оперативности получения результатов обработки МДС и их пригодности для решения различных целевых задач.

Отмечены различные возможности компьютера и человека в процессе обработки информации. Констатирован факт, что человек располагает информацией, которая недоступна машинному интеллекту, но способствует построению правильного алгоритма решения конкретной прикладной задачи и облегчает процесс принятия верного экспертного решения. Исходя из этого, делается вывод о целесообразности привлечения в процесс обработки многоспектральных данных интеллектуального потенциала человеческого мозга путем разработки и применения различных человеко-машинных процедур с целью организации интерактивного взаимодействия возможностей человека и компьютера. Как следствие, показана необходимость такого представления данных, которое было бы удобным для зрительного восприятия и проведения визуального анализа.

Во второй главе рассматривается метод наглядного представления многоспектральных данных, основанный на преобразования ДС по принципу сходства с эталоном. В ходе рассмотрения даны определения признакового пространства и различных мер сходства с эталоном в признаковом пространстве. Показаны различные подходы к выбору эталона.

В главе показана возможность включения априорных сведений в процесс синтеза итогового изображения при выборе признакового пространства, эталона и меры сходства с заданным эталоном в выбранном признаковом пространстве. В этом контексте предложена методика целевой интерактивной обработки МДС по принципу сходства с эталоном в признаковом пространстве, позволяющая использовать в процессе обработки неформализованную априорную информацию, которой обладает эксперт в предметной области.

Показана возможность настройки метода к различным прикладным задачам обработки МДС. Приведены примеры реализации метода.

Исследован вопрос объективной оценки качества итогового полутонового изображения, синтезированного по принципу сходства с эталоном. Отмечено, что выбор того или иного критерия видности диктуется постановкой конкретной задачи. Для количественной оценки качества изображения, синтезированного с использованием метода обработки ДС по принципу сходства с эталоном применен интегральный критерий качества, учитывающий следующие параметры полутонового изображения: уровень адаптации зрительной системы человека, полнота использования элементами изображения градаций яркостей, резкость и контраст изображения. По результатам оценки качества синтезированных изображений по интегральному критерию видности предложен модифицированный критерий, не учитывающий полноту использования элементами изображения градаций яркостей в задаче выделения зон интереса.

Проведено исследование влияния шумовой составляющей ДС на результат их целевой оперативной обработки по принципу сходства с эталоном. Отмечена устойчивость метода к наличию шумов в отдельных каналах, которая обеспечивается за счет усреднения случайных отклонений обрабатываемого сигнала, а также - путем выбора эталона и меры сходства.

Разработан метод представления результата обработки в виде изображения в псевдоцвете, на котором отражены несколько групп разнотипных объектов. На основе разработанного метода предложены две методики:

• методика целевой обработки многоканальных двумерных сигналов и представления итогового изображения в псевдоцвете с использованием метода преобразования ДС по принципу сходства с несколькими эталонами в признаковом пространстве, имеющими различные приоритеты;

• методика сокращения объема передаваемых по информационным каналам данных, полученных с помощью многоспектральной аппаратуры, с сохранением необходимой для данной задачи информации; методика основана на формировании данных в форме изображения в псевдоцвете, синтезированного по принципу сходства с несколькими эталонами в признаковом пространстве, и позволяет сократить объем передаваемых данных в N/3 раза, где N определяет число спектральных каналов исходного МДС.

Третья глава посвящена описанию разработанного в рамках настоящей исследовательской работы алгоритмов и программного обеспечения, реализующего метод обработки МДС по принципу сходства с эталоном. Рассмотрены возможности программного обеспечения. Описаны способы решения основных подзадач, а именно:

• выбор стратегии проведения обработки исходных многоспектральных данных пользователем;

• настройка контрастности синтезированного изображения с использованием гистограммы сходства;

• синтез итогового изображения в псевдоцвете с использованием нескольких эталонов.

В четвертой главе рассматривается применение метода обработки МДС в комплексах разноспектральной аппаратуры, по принципу сходства с эталоном. Показаны преимущества использования программного модуля, реализующего метод, в комплексах разноспектральной аппаратуры.

Описана методология обработки МДС, полученных от рассмотренного в главе малогабаритного многоспектрального модуля, предназначенного для проведения аэросъемки местности в видимом и инфракрасном диапазонах. Приведен пример целевой обработки фрагмента многоканальных данных, полученных с помощью сканирующего прибора.

Автор выражает глубокую благодарность научному руководителю доктору технических наук, профессору И.П. Гурову за помощь, ценные замечания, доброжелательную критику и моральную поддержку. Автор также благодарит за всестороннюю помощь и поддержку, плодотворные дискуссии и ценные советы коллег — кандидата физико-математических наук, ведущего научного сотрудника ФГУП НИИКИ ОЭП Т.А. Шереметьеву и ведущего инженера ФГУП НИИКИ ОЭП Г.Н. Филиппова. Автор признателен сотрудникам отдела аспирантуры СПбГУ ИТМО за оказанную помощь в решении вопросов организационного характера. Автор также признателен и благодарен своим родителям JI.A. Маловой и М.Г. Малову, без каждодневной помощи и моральной поддержки которых данная работа не могла бы быть написана. Автор выражает отдельную признательность за оказанную моральную поддержку Т.А. Орловой и JI.A. Мявря.

В ходе исследовательской работы и при написании диссертации использовались гиперспектральные данные, предоставленные компанией Leica Microsystems — Convallaria section, acquisition with Leica TCS SP5 (объекты автофлюоресцентной микроскопии) и компанией "Norsk Elektro

Орикк А8" (данные дистанционного зондирования земной поверхности). При написании четвертой главы диссертационной работы использованы материалы, предоставленные ФГУП НИИКИ ОЭП.

ВЫВОДЫ ПО ГЛАВЕ 4

1. Технические характеристики ТриМ позволяют эффективно использовать его при проведении мониторинга зон чрезвычайных ситуаций, связанных с выделением большого количества тепла в условиях сильной задымленности атмосферы.

2. Задача мониторинга зон чрезвычайных ситуаций требует оперативности принятия решений, для чего необходимо применение быстрых методов обработки данных аэросъемки. Оперативность обработки может быть достигнута за счет использования в АПБ ТриМ программного модуля, реализующего методы и алгоритмы целевой обработки МДС.

Преимущества использования такого программного модуля заключаются в ускорении получения необходимой для решения конкретной задачи

107 информации и сокращении объема данных, передаваемых информационным каналам.

ЗАКЛЮЧЕНИЕ

В ходе выполнения диссертационной работы получены следующие основные научные и практические результаты:

3. Разработан метод целевой интерактивной обработки МДС по принципу сходства с эталоном. Разработанные автором и используемые в созданном методе критерии выбора признакового пространства, определения меры сходства, выбора эталона и интерактивного управления процессом дешифрирования, позволяют включать в процесс обработки априорные сведения, которыми обладает эксперт в предметной области применительно к конкретной задаче обработки информации.

4. Предложена разработанная автором методика оценки качества синтезированного изображения, настроенного на целевую задачу. Примеры обработки МДС подтверждают повышение качества синтезированного итогового изображения по сравнению с изображениями исходных ДС.

5. Впервые предложена методика представления синтезированного итогового изображения в псевдоцвете с использованием метода преобразования ДС по принципу сходства с несколькими эталонами, имеющими различные приоритеты. Методика позволяет получить изображение с выделенными объектами интереса без использования трудоемких алгоритмов классификации. Такое представление МДС приводит к сокращению объема данных, полученных с помощью разноспектральной аппаратуры, с сохранением необходимой информации, в N13 раза, где N определяет число спектральных каналов исходного МДС.

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Шереметьева Т.А., Малов A.M., Филиппов Г.Н., Филиппов В.Г. Компьютерная обработка биомедицинских многоканальных изображений с использованием визуализации меры сходства с эталоном. //Известия ВУЗов. Приборостроение. 2009. Т. 52. № 8. С. 74-79.

2. Шереметьева Т.А., Малов A.M., Филиппов Г.Н. Обработка изображений и морфометрические измерения в микроскопии. //Известия ВУЗов. Приборостроение. 2009. Т. 52. № 8. С. 68-73.

3. Малов A.M., Шереметьева Т.А., Филиппов Г.Н. Представление многоканальных изображений в псевдоцвете по принципу сходства с образцом //Научно-технический вестник СПбГУ ИТМО. 2008. Вып. 52. С. 78—82.

4. Малов A.M. Оценка визуального качества изображений, преобразованных по принципу сходства с образцом. //Сборник трудов международного оптического конгресса «ОПТИКА — XXI ВЕК»: Т.1. «Фундаментальные проблемы оптики - 2008». СПб. 20-24 октября 2008 г. / Под ред. проф. В.Г. Беспалова, проф. С.А. Козлова. СПб. 2008. С. 133-135.

5. Малов A.M., Филиппов Г.Н., Шереметьева Т.А. Метод визуализации гиперспектральных изображений в системах дистанционного зондирования. //Научно-технический вестник СПбГУ ИТМО. Вып. 43. Современная оптика. 2007. С. 293—300.

6. Малов A.M., Филиппов Г.Н., Шереметьева Т.А. Метод предварительной обработки медико-биологических изображений. //Научно-технический вестник СПбГУ ИТМО. Вып. 37. Современная физика. Труды молодых ученых. 2007. С. 10-16.

7. Т.А. Sheremetieva, G.N. Filippov, A.M. Malov, Visualization of data of multizone shooting. "Display Optics 2004". St. Petersburg, October 18-20, 2004. P. 51.

1. Arzuaga-Cruz Е., Jimenez-Rodriguez. L.О., Velez. R.M., Unsupervised Feature Extraction and Band Subset Selection Techniques Based on Relative Entropy Criteria for Hyperspectral Data Analysis // Proc. SPIE. 2003. - pp. 462-473.

2. Baofeng Guo, Gunn S.R, Damper R.I., Nelson J.D.B., Band Selection for Hyperspectral Image Classification Using Mutual Information // Geoscience and Remote Sensing Letters, IEEE. 2006. - 4 : Vol. 3. - pp. 522 - 526.

3. Benediktsson J.A., Swan P.H., Ersoy O.K., Neural network approaches versus statistical mathods in classification of multisource remote sensing data // IEEE Trans. Geosci. Rem. Sens. 1990. - Vols. GE-28. - pp. 540 - 552.

4. Blansche A., Wania A., Gancarski P., Comparision of MACLAW with several attribute selection maethods for classification in hyperspectral images // Sixth IEEE International Conference on Data Mining Workshops (ICDMW'06). - 2006. - pp. 231-236.

5. Blansche A., Gancarski P., Korczak J.J., MACLAW: A modular approahc for clustering with local attribute weighting // Pattern Recognition Letters. New York, NY, USA : Elsevier Science Inc, August 2006. - Issue 11 : Vol. V. 27. -pp. 1299-1306.

6. Borlinghaus R., Really Confocal // Imaging & Microscopy: Research, Development, Production. s.l. : GIT VERLAG, November 2005. - Issue 5 : Vol. Vol.7. - pp. 34-35.

7. DemirB., Celebi A., ErturkS., A Low-Complexity Approach for Color Display of Hyperspectral Remote-Sensing Images Using One-Bit Transform Based Band Selection// IEEE Transactions on Geoscience and Remote Sensing. 2009. - 1 : Vol. 47. - pp. 97- 105.

8. DLR Spectral archive// Web-site of DLR. -http://cocoon.caf.dlr.de/linksen.html.

9. ERDAS, // Web-site of ERDAS, Inc. http://www.erdas.com/.ill

10. ESRI Inc, // Web-site of Environmental Systems Research Institute, Inc.-http://www.esri.com/.

11. HaralickR., Statistical Image Texture Analysis / N.: Acad. Press. 1986. C. 705.

12. HyvärinenA., Survey on Independent component analysis// Neural Computing Surveys. 1990. - Vol. 2. - pp. 94 - 128.

13. Hyvärinen A., Karhunen J., Oja E., Independent Component Analysis / .: John Wiley & Sons. 2001. C. 481.

14. Jacobson N.P., Gupta M.R., Display of Hyperspectral Imagery by Spectral Weighting Envelopes // Proceedings of the IEEE Intl. Conf. on Image Processing. 2005. - pp. 622 - 625.

15. Jacobson N.P., Gupta M.R., SNR-adaptive Linear Fusion of Hyperspectral Images for Color Display // IEEE Intl. Conf. on Image Processing. 2007. -pp. Ill: 477-480.

16. Know H., Der S. Z., Nasrabadi N. M., Adaptive multisensor target detection using feature-based fusion// Optical Engineering. 2002. - 1 : Vol. 41. - pp. 69 - 80.

17. MadhokV., Landgrebe D.A., A Process Model for Remote Sensing Data Analysis // GeoRS. March 2002. - 3 : Vol. 40. - pp. 680 - 686.

18. Madhok V., Spectral-Spatial Analysis of Remote Sensing Data: An Image Model and a Procedural Design : Ph. D. dissertation / School of Electrical and Computer Engineering, Purdue University. 1999.

19. Manolakis D., Lockwooda R., Cooleyb T., Jacobsonc J., Is There a Best Hyperspectral Detection Algorithm? // Proc. of SPIE. Vol. 7334. - pp. 733402-1-16.

20. Marques de Sa J.P., Pattern Recognition: Concepts, Methods and Applications / B.: Springer-Veiiag. 2001. C. 318.

21. Moreno J.F., Gonzalez M.C., Alonso L., al., Survey of Remote Sensing Data Analysis Methods : Report for European Resaerch Project AIM WATER by Contract ENV4-CT98-0740. Valencia : CNRS/CEPT, 1999. - p. 82.

22. Nakariyakul S., Casasent D., Hyperspectral feature selection and fusion for detection of chicken skin tumors // Proc. SPIE. 2004. - Vol. 5271. - pp. 128139.

23. NASA, ASTER Spectral Library// Web-site of NASA/JPL. -http://speclib.jpl.nasa.gov/.

24. NASA, Johns Hopkins University Spectral Library // Web-site of NASA/JPL. http://speclib.jpl.nasa.gov/documents/jhudesc.htm.

25. PCI Geomatics, Hyperspectral Image Analysis. Geomatica 10.// PCI Geomatics. www.pcigeomatics.com.

26. Purdue Research Foundation, A Freeware Multispectral Image Data Analysis System// Purdue/LARS MultiSpec. October 1, 2009.-http://cobweb.ecn.purdue.edu/~biehl/MultiSpec/.

27. Richards J.A., Remote sensing digital image analysis. An introduction. / .: Springer-Verlag. 1993.

28. Rowe D.B., Multivariate Bayesian Statistics. Models for source Separation and signal unmixing / .: Chapman & Hall/CRC. 2003. C. 323.

29. RSI, ENVI 3.4 User's Guide / .: BCS Inc. 2001.

30. Schrriederman В., Designing the User Interface: Strategies for Effective Human-Computer Interaction / .: Reading MA: Addison-Wesley. 1992.

31. Zavalejevski A., DhawanA.P., KelhD.J., et al, Adaptive Multilevel Classification and Detection in Multispectral Images// Opt. Eng. 1996.-Vol. V.35. - pp. 2884-2893.

32. Асмус B.B., Бучнев A.A., Пяткин В.П., Кластерный анализ и классификация с обучением многоспектральных данных дистанционного зондирования Земли // Journal of Siberian Federal University. Engineering & Technologies. Март 2009 г. - 1 : Т. 2. - С. 2331.

33. Белашенков Н.Р., Гуров И.П., Лопатин А.И., Микроскоп-спектрофотометр с матричным фотоприемником // Научно-технический вестник СПбГУ ИТМО. 2007 г. - 43. Современная оптика. - С. 260266.

34. Глебов Н.И., Кочетов Ю.А., Плясунов A.B., Методы оптимизации: учебное пособие / Н.: НГУ. 2000. С. 105.

35. Головко В.А., Нейронные сети: обучение, организация и применение. Кн.4: Учеб. пособие для вузов / М.: ИПРЖР. 2001. С. 256.

36. Гонсалес Р., Вудс Р., Цифровая обработка изображений / М.: Техносфера. 2005. С. 1072.

37. Гонсалес Р., Вудс Р., Эддинс С., Цифровая обработка изображений в среде MATLAB / М.: Техносфера. 2006. С. 616.

38. Горный В.И., ШилинБ.В., Ясинский Г.И., Тепловая аэрокосмическая съемка/М.: Недра. 1993. С. 128.

39. Гуров A.A., Порфирьева H.H., Вопросы оценки контрастности сюжетных изобюражений // Труды ГОИ им. С.И. Вавилова. Л. : б.н., 1979 г. - вып. 178 : Т. 44. - С. 31- 34.

40. Гуров И.П., Лопатин А.И., Мельников A.B., Метод цветовой визуализации изображений микрообъектов в инфракрасной области // Научно-технический вестник СПбГУ ИТМО. 2007 г.- Вып. 43. Современная оптика. - С. 266 — 271.

41. Гусарова Н.Ф., Маятин A.B., Моделирование человека при проектировании информационных систем // Научно-технический вестник СПбГУ ИТМО. Исследования в области оптических и информационных систем. СПб : СПбГУ ИТМО, 2005 г. - Выпуск 22. -С. 163-176.

42. Гусарова Н.Ф., Маятин A.B., Человеко-машинные методы обработки изображений // Начуно-технический вестник СПбГУ ИТМО. Исследования в области оптических и информационных систем. СПб : СПбГУ ИТМО, 2005 г. - Выпуск 22. - С. 177-186.

43. Денисов Д.А., Харук В.И., Цибульский Г.М., Чернявский A.B., Интерактивная сегментация изображений // Исследование Земли из космоса. 1990 г. - 4. - С. 95-101.

44. Денисов Д.А., Низовкин В.А., Сегментация изображений на ЭВМ// Зарубеж. радиоэлектрон. 10 1985 г. - С. 5-30.

45. Дуда Р., ХартП., Распознавание образов и анализ сцен / М.: Мир. 1976. С. 512.

46. Журавель И.М., Раздел "Обработка сигналов и изображенийМп^е Processing Toolbox" // Консультационный центр MATLAB компании Soffline. 24 дек. 2008 г. -http://matlab.exponenta.ru/imageprocess/book2/54.php.

47. Зубков И.А., Скрипачев В.О., Применение алгоритмов неконтролируемой классификации при обработке данных ДЗЗ //

48. Современные проблемы дистанционного зондирования Земли из космоса. б.м. : ИКИ РАН, 2007 г. - 1 : Т. 4. - С. 57-62.

49. Каллан Р., Основные концепции нейронных сетей / М.: Издательский дом "Вильяме". 2001. С. 287.

50. Каримов Р.Н., Большаков А.А., Методы обработки многомерных данных и временных рядов / М.: Горячая линия телеком. 2007. С. 520.

51. КашкинВ.Б., Сухинин А.И., Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие / М.: Логос. 2001. С. 264.

52. Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В., Аэрокосмические методы географических исследований: Учеб. для студ. ВУЗов / М.: Академия. 2004. С. 336.

53. Компания "Ракурс", О системе PHOTOMOD// Веб-сайт компании "Ракурс". http://www.racurs.ru/index.php?page=3.

54. Компания "Совзонд", Программный комплекс ENVI. Учебное пособие / М.: Компания "Совзонд". 2007.

55. Круглов В.В., Борисов В.В., Искусственные нейронные сети. Теория и практика / М.: Горячая линия — Телеком. 2001. С. 382.

56. Левин Б.Р., Теоретические основы статистической радиотехники. Кн. 2-я / М.: Радио и связь. 1989. С. 653.

57. Попов М.А., Станкевич С.А., Методы оптимизации числа спектральных каналов в задачах обработки и анализа данных дистанционного зондирования Земли. М. : ИКИ РАН, 2006 г. - 3 : Т. 1. - С. 106 - 112.

58. ПрэттУ., Цифровая обработка изображений: Пер. с англ. / М.: Мир. 1982. С. 312.

59. Розенфельд А., Распознавание и обработка изображений / М.: Мир. 1972. С. 230.

60. Смирнов А.Я., Критерии качества дискретизированных изображений// Труды ГОИ им. С.И. Вавилова. Л. : б.н., 1984 г. - вып.191 : Т. 57. С. 165-167

61. СойферВ.А., Методы компьютерной обработки изображений / М.: ФИЗМАТЛИТ. 2003. С. 783.

62. Ту Д., Гонсалес Р., Принципы распознавания образов. Пер. с англ. / М.: Мир. 1978. С. 414.

63. ФГУП НИИКИ ОЭП, Итоговый научно-технический отчет по НИР "Корреляция-1" / НИИКИ ОЭП. Сосновый Бор : б.н., 2004.

64. ФГУП НИИКИ ОЭП, Малогабаритный многоспектральный оптико-электронный модуль: Технический проект ИПВС.007.01.001 ТП/ НИЖИ ОЭП. Сосновый Бор : б.н., 2005.

65. Фукунага К., Введение в статистическую теорию распознавания образов. Пер. с англ. /М.: Наука. 1979. С. 368.

66. Хайкин С., Нейронные сети: полный курс / М.: Издательский дом "Вильяме". 2006. С. 1104.

67. Чипига А.Ф., Колков Д.А., Анализ методов случайного поиска глобальных экстремумов многомерных функций // Успехи современного естествознания. 2006 г. - вып.З. - С. 24.

68. Чубукова И.А., Data Mining / М.: Интернет-университет информационных технологий ИНТУИТ.РУ, БИНОМ. Лаборатория знаний. 2008. С. 384.

69. Шапиро Л., Стокман Дж., Компьютерное зрение / М.: Бином. 2006. С. 752.

70. Шереметьева Т.А., Филиппов Г.Н., Способ преобразования изображений. Патент РФ № 2267232 // Бюллетень изобретений. -2005 г. 36. - С. 265.

71. Шлихт Г.Ю., Цифровая обработка цветных изображений / М.: Издательство ЭКОМ. 1997. С. 336.