автореферат диссертации по авиационной и ракетно-космической технике, 05.07.12, диссертация на тему:Разработка эффективных методов и алгоритмов обработки многомерных панорамных данных с целью классификации и идентификации наземных объектов

АЗЕРБАЙДЖАНСКОЕ НАЦИОНАЛЬНОЕ АЭРОКОСМИЧЕСКОЕ АГЕНСТВО

РГ6 ОД '

3 К!0Д 1СС7 На правах рукописи

ГЮЛЬМАМЕДОВ РУФАТ ГАСАН оглы

РАЗРАБОТКА ЭФФЕКТИВНЫХ МЕТОДОВ И АЛГОРИТМОВ ОБРАБОТКИ МНОГОМЕРНЫХ ПАНОРАМНЫХ ДАННЫХ С ЦЕЛЫО КЛАССИФИКАЦИИ И ИДЕНТИФИКАЦИИ НАЗЕМНЫХ ОБЪЕКТОВ

Специальность: 05.07.12 - дистанционные аэрокосмические исследования

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Баку - 1997

Работа выполнена в Институте Космических Исследований Природных Ресурсов им. Т.К.ИСМАИЛОВА АНАКА

Научные руководители:

- доктор технических наук, профессор -кандидат технических наук, старший научный сотрудник

АББАСОВ А. М.

ГУСЕЙНОВ К.К.

Официальные оппоненты:

- доктор технических наук, профессор

- кандидат физико-математических наук, старший научный сотрудник

АЛИЕВ Р.М.

ГУСЕЙНОВ П. М.

Ведущая организация - Государственный Комитет

Геодезии и Картографирования

часов на заседании Специализированного Совета Н.004.31.01 при Азербайджанском Национальном Аэрокосмическом Агенстве по адресу: 370106, Баку, проспект Азадлыг, 159

С диссертацией можно ознакомиться в библиотеке Азербайджанского Национального Аэрокосмического Агенства

Автореферат разослан " А Я. 1997 г.

Защита состоится " ЛЛМ 9с 1997

г. в

Ученый секретарь Специализированного Совета, к.т.н., ст.н.с.

ТАГИЕВ Р.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Современные методы дистанционных исследований, воплощаемые в технических средствах фотографирования, оптического сканирования и телевидения, радиометрии, радио и лазерной локации, создают реальную основу для регулярных наблюдений за землей и природной средой из космоса. Информация, полученная с помощью перечисленных технических средств, носит многоотраслевой характер, направленный на решение различных задач о природных ресурсах земли, деятельности человека, науке о земле.

Очевидно, что, обладая такой уникальной информацией, как аэрокосмические видеоданные, необходимо развивать средства и методы ее обработки.

При формировании идеологии обработки, как и при постановке любой задачи, важно определить ее конечную цель. Определяя конечную цель цифровой обработки видеоизображений при аэрокосмических исследованиях, можно выделить два главных направления:

1. Обработка видеоинформации, имеющая цель устранить неопределенности и искажения, вносимые измерительным трактатом (радиометрическая и геометрическая коррекция, учет влияния атмосферы, улучшение визуального качества) -так называемая предварительная обработка.

2. Классификационный и интерпретационный анализ данных - тематическая обработка.

В большинстве случаев конечной целью обработки видеоизображений является их тематическая интерпретация, выработка рекомендаций по использованию в практических и научных целях полученных данных.

Теоретический и практический анализ существующих проблем цифровой обработки многозональных видеоданных показал, что целесообразнее всего процесс тематической обработ-

ки строить в виде замкнутого цикла. Тематической обработке должна предшествовать предварительная обработка, далее должен проводиться анализ видеоинформации с целью определения свойств и характеристик признакового пространства исследуемого объекта. После выделения признаков и определения их основных характеристик можно проводить процедуру классификации, которую, в свою очередь, можно разделить на контролируемую и неконтролируемую классификацию. Следующий этап — идентифицировать и интерпретировать полученные на предыдущем шаге результаты и представить их в удобном виде для качественного и количественного анализа и выработки рекомендаций.

Таковы основные этапы цикла тематической обработки, на всех этапах которой необходимо учитывать особенности обработки многозональных изображений.

Актуальность темы. Специфика задачи распознавания изображений определяется необходимостью достижения компромисса между противоречивыми факторами.

Основное противоречие связано с тем обстоятельством, что использование преимущества представления информации в виде изображений неразрывно связано с приданием этой информации "неизобразительного" вида, так как существующие алгоритмы ориентированы на число для количественного анализа. При количественном подходе необходимо перейти к формальному описанию изображений на языке выбранного признакового пространства. В этом смысле явления, происходящие на земной поверхности, можно рассматривать как случайный процесс, что в значительной степени облегчает- формализацию описания признаков объектов земной поверхности и позволяет проводить ее методами цифровой обработки изображения.

Следующее противоречие связано с тем, что при обработке многозональных видеоизображений известными методами трудно учесть незначительные изменения интенсивности принимаемой радиации. Эти изменения даже, казалось бы, для од-

нородных объектов могут быть обусловлены рядом причин, например, вариациями влажности почв сельскохозяйственных угодий, влиянием рельефа местности, вкраплениями разнообразных пород деревьев в лесных массивах и др. Отказ от учета этих вариаций приводит к неверной трактовке результатов статистической обработки видеоинформации.

Очевидно, вопрос о разделении объектов земной поверхности друг от друга по значениям тех или иных параметров многоспектральной видеоинформации и разработка эффективных, точных алгоритмов, реализующих эту процедуру, представляется актуальным и перспективным.

Анализ разработанных по данной проблеме подходов и методов показал, что известные эффективные методы только частично решают указанные проблемы, то есть задача разделения объектов земной поверхности на однородные области с последующей их интерпретацией решается неоднозначно. Успешное решение этой проблемы возможно лишь при системном подходе, на основе глубокого понимания и знания распределения спектральных характеристик объектов земной поверхности и факторов, влияющих на эти спектральные характеристики, например, такие, как пространственно-временные изменения.

Такой системный подход формирования структуры тематического цикла цифровой обработки должен предоставлять возможности оперировать стандартными и нестандартными средствами обработки изображений. Проводить многоуровневую процедуру, когда результаты одного уровня являются входными данными для другого, пока не будет достигнута оптимальная, по выбранному правилу, остановка решения или представление окончательного результата. И самое главное - структура тематического цикла должна предоставлять возможность вводить новые элементы обработки, нестандартные подходы и интегрировать их в достаточно полную систему обработки для решения широкого круга задач.

Тематический цикл обработки должен опираться на выбор наилучшего алгоритма распознавания по заданному критерию.

Критерием может стать качество распознавания, стоимость выполнения операций цифровой обработки или оперативность в получении результатов обработки.

Алгоритмы распознавания, входящие в цикл тематической обработки, как известно, делятся на контролируемую и неконтролируемую классификацию.

Вопросам неконтролируемой классификации (или автоматической) в последнее время уделяют все больше внимания в связи с разработкой универсальных и специализированных аппаратно-программных средств цифровой обработки в реальном масштабе времени. Сложность выполнения таких традиционных алгоритмов кластеризации в пространстве признаков, как К-ближайшего соседа или ИСОМАД существенно зависит от сложности сцены. Они требуют чрезмерно больших затрат времени, что вызвано большим количеством итераций при определении средних значений и пересчитывания центров кластеров.

Альтернативой такому подходу является метод анализа многомерных гистограмм и маркирование изображения, позволяющее за одно сканирование выделить связанное множество точек каждого объекта. Учитывая, что процедуры накопления гистограмм и маркирования операции быстрые и осуществляются за одно сканирование, такой подход можно считать заслуживающим внимания.

Перспективным также является сочетание кластерного анализа и контролируемой классификации, позволяющие корректировать несовпадение спектральных и информационных классов. Кластерный анализ выделяет объекты спектральных кластеров, а классификация (контролируемая) устанавливает их соответствие с информационными классами.

Идентифицирование объектов земной поверхности и установление соответствия с информационными классами достаточно сложная задача, так как она связана с банком наземной и бортовой информации, а следовательно, с необходимостью предварительно формировать априорные данные, то есть опи-

сать их на языке признакового пространства. Здесь также возникает проблема коррекции данных, влияние которых на результаты классификации достаточно существенны.

Решение перечисленных проблем — задача сегодняшнего дня, что является перспективным и целесообразным в целях создания структуры математического обеспечения высокого уровня для оперативного количественного и качественного анализа многоспектральной видеоинформации. Мерой качества математического обеспечения можеть стать его универсальность и гибкость по отношению к разным классам прикладных задач, а также наличие сервисных возможностей, предоставляемых потребителям аэрокосмической видеоинформации.

Цель работы. Целью диссертационной работы является построение универсальной математической модели распознающей системы для решения задачи идентификации природных образований по многоспектральной видеоинформации.

Для достижения поставленной цели решались задачи:

- Разработки эффективного метода совмещения многомерных панорамных снимков, учитывающего параметры линейных сдвигов по координатным осям.

- Разработки эффективного метода кластеризации многомерного изображения на базе анализа Ы-мерной гистограммы и отвечающего требованиям критериев:

а) компактности элементов Ы-мерных изображений;

б) альтернативного выбора наилучшего поднабора кластеров по расстоянию (и-М).

- Разработки эффективного метода выбора информативных поднаборов каналов для исследуемых объектов при автоматизированном анализе совмещенной спектральной схеме.

- Разработки эффективного метода преобразования яркост-ных значений элементов изображения, учитывающего характеристики калибровочных клиньев на фотопозитивах.

- Разработки эффективного алгоритма прослеживания контуров, не зависящего от выбора начальной точки движения.

- Разработки гибкой математической модели распознающей системы, позволяющей проводить все необходимые этапы обработки изображения.

Научная новизна работы. Новизна предложенных методов состоит в следующем:

- Предложен новый подход к параметризации совмещения N1-мерной панорамной информации, основанный на геометрических свойствах пространственного расположения объектов.

- Предложен рекурентный (многоэтапный) алгоритм кластерного анализа, основанный на сочетании метода динамических сгущений, анализа мод гистограммы и иерархической группировки на основе минимального покрывающего дерева, а также новых критериев - меры многомерной компактности для элемента изображения, быстрого маркирования изображения, быстрого метода пересчета статистических характеристик на основе дискриминантной таблицы и альтернативная процедура кластеризации.

- Предложен новый подход к выбору оптимального набора спектральных каналов, основанный на рекурентной процедуре отбора информационных классов по принципу их статистической разделимости в некотором наборе спектральных каналов.

- Предложен новый подход к решению задачи выделения сложных контуров, реализующий рациональный выбор точки старта движения "жука" в каждой итерации.

- Предложен новый подход к решению задачи преобразования яркостных значений элементов изображения, учитывающего характеристики калибровочных клиньев на фотопозитивах.

- Предложена гибкая математическая модель системы цифровой обработки изображения, базируемая на известных алгоритмах цифровой обработки, и дополнительных, предлагаемыми в работе, эффективными алгоритмами решения задачи распознавания.

- Предложена гибкая структура программного обеспечения, построенная на разработанном математическом обеспечении

высокого уровня, предоставляющая возможность проводить распознавание видеоданных, анализ и интерпретацию результатов.

Практическая ценность работы. Разработана гибкая математическая модель системы цифровой обработки данных, которая ориентирована для решения сложных задач распознавания и интерпретации аэрокосмической многозональной видеоинформации и выдачи практических рекомендаций исходя из количественного и качественного анализа исходных данных.

Система можеть применяться при решении задач распознавания во многих областях знаний: геология, гидрология, сельское хозяйство, медицинская диагностика и т.д.

Результаты работы реализованы в госбюджетной НИР, проводившийся в Институте экологии АНАКА "Разработка дистанционных и контактных методов средств регионального экологического мониторинга" (1993 г.), а также хоздоговоре с РКА РФ (ЦНИИМАШ) по теме "ТОРПАГ" (1994 г.). В госбюджетных НИР, проводимых в ИКИПР АНАКА по теме "СПЕКТР-ПВ" (19951997 гг.). Результаты проведенных исследований вошли в научно-технические отчеты, переданные на указанное выше предприятие.

Научные положения, выносимые на защиту:

- Эффективный метод совмещения многомерных панорамных снимков, учитывающий параметры линейных сдвигов по координатным осям.

- Эффективный метод кластеризации многомерного изображения на базе анализа Ы-мерной гистограммы и отвечающего требованиям критериев:

а) компактности элеметнов Ы-мерных изображений;

б) альтернативного выбора наилучшего поднабора кластеров по расстоянию (чМИ).

- Эффективный метод выбора информативных поднаборов каналов для исследуемых объектов при автоматизированном анализе совмещенной спектральной схеме.

- Эффективный метод преобразования яркостных значений элементов изображения, учитывающий характеристики калибровочных клиньев на фотопозитивах.

- Эффективный алгоритм прослеживания контуров, не зависящий от выбора начальной точки движения.

- Гибкая математическая модель распознающей системы, позволяющая проводить все необходимые этапы обработки изображении.

Апробация работы. Материалы диссертационной работы докладывались и обсуждались на:

1. X и XI Всесоюзных научно-технических конференциях молодых ученых и специалистов госцентра "Природа" (Москва, 1987 г.);

2. Всесоюзном совещании по картографии (Москва, 1987 г.);

3. VIII научной конференции молодых ученых НПО КИ (Нахчы-ван, 1992 г.);

4. Первом Евроазиатском симпозиуме по космическим исследованиям и технологиям (Турция, 1993 г.);

5. Специализированном семинаре отдела №45 ЦНИИМАШ (Москва, 1993-1994 гг.);

6. Специализированном семинаре АНАКА (Баку, 1997 г.).

Публикации. Основные результаты диссертационной работы опубликованы в 7 печатных трудах, в том числе в 4-х статьях и 3-х тезисах докладов на Международных, Всесоюзных и Республиканских конференциях.

Структура диссертации. Диссертация состоит из введения, 3-х глав, выводов и заключения, содержит 142 страницы машинописного текста, в том числе 7 рисунков, 12 таблиц, 12 схем и список литературы из 96 наименований, из них 11-на английском языке.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность выбранного направления исследований, излагаются цель и задачи работы, основные положения, выносимые на защиту, научная новизна и практическая ценность результатов, их реализация и апробация.

В первой главе дается анализ теоретических исследований по методам цифровой обработки изображений, распознающих систем, кластерного анализа, сегментации.

Прослеживаются преимущества и недостатки известных методов и подходов к решению задач распознавания изображений. Показано, что прямое переложение методов классической теории распознавания на многомерную обработку изображений не всегда дает требуемые результаты. Это связано с тем, что аэрокосмическая видеоинформация подвержена пространственно-временным изменениям спектральных характеристик объектов, наличием шумов, геометрическим искажениям и т.д., учет которых не предусмотрен.классической теорией распознавания, элементы которой ориентированы, как правило, для одномерных случаев. Существующие же методы для многомерных случаев требует длительных и сложных итерационных вычислений (ИСОМАД, гиперпараллепипеда, наращивание областей и т.д.).

Во второй главе формулируется постановка задачи построения распознающей системы, включающая широкий круг задач цифровой обработки изображений для реализации комплексного подхода к решению вопросов:

- выбора пространства признаков;

- выбора принципов идентификации;

- описания априорных данных на языке признакового пространства;

- разработки эффективных вычислительных схем проведения процедур классификации на базе совмещения неконтролируемой и контролируемой классификаций;

- представления полученных результатов.

С этой целью предлагаются следующие решения:

1. Проведение предварительной обработки с целью повышения контраста изменением диапазонов яркостей, совмещения, фильтрации.

Контрастирование и фильтрация проводятся с использованием известных классических методов цифровой обработки изображений.

Для совмещения многозональной видеоинформации предлагается новый алгоритм, основанный на свойствах геометрического расположения на изображении исследуемых объектов. На базе геометрических расчетов находится центр тяжести выделенного треугольника (вершины которого - визуально выбираемые опорные точки на изображениях). По этим же центрам определяются параметры линейных сдвигов изображений по координатным осям, что дает возможность пересчитывать координаты элементов многозонального изображения по формуле:

Р(х„ yj) <-» {Pk(x, + Ax0k, yj + Ayok}

1=1,..., non; j=1,..., mon; k=1,...,N.

Здесь N-общее число каналов, non, тОГ1-размер условно оптимального изображения, которое, очевидно, является общей частью всех многозональных снимков без сдвига, Лх0к, Ау0к-величины сдвигов начала координат искомого изображения в ком канале, (хи у^-координата пиксела условно оптимального изображения

2. Проведение процедуры кластеризации на базе анализа гистограмм распределения элементов изображения, включая следующие этапы:

- на базе анализа мод гистограммы определяется число кластеров для k-го канала и входные данные задаются в виде векторов:

21к ~ (и1т1пк' и1тахк> СТ1к)>

I = 1,..., М к; к = 1..... N

Здесь Мк - число кластеров для к-го канала, N - общее число каналов, [и|т!пк, и|тахк]-динамический интервал яркостных значений элементов ¡-го кластера к-го канала, ц!к и ст(к - соответственно математическое ожидание и среднеквадратичное отклонение элементов ¡-го кластера к-го канала;

- вводится параметр "компактности" элементов п-мерного изображения, отнесенных к кластеру £2|к по формуле:

N-1 I (тт-х^)2 1=1

Р(х) = -, х = (х1,х2,...,хм), к Ф х

(М-1)а|к2

Здесь N - общее число каналов, хт - значение яркости элемента изображения в т-ом канале; а^ - среднеквадратичное отклонение элементов кластера тт - среднее значение яркости элементов изображения, подсчитанное в окрестности анализируемой точки хк размером (г х г) в т-ом канале. Обычно г = 3; 5; 9;

- итерационное определение оптимального число классов (по нормализованному расстоянию между кластерами);

- альтернативный выбор наилучшего поднабора классов (по критерии максимума расстояния и-М).

= [2(1-е° ) ]1/2

где

1 СГ, + О. 1

сс= - (Ц,-Ц.)т(-— 1д,

8 2 2

|(о, + а,)/2|

(|о,| .|ст,|)

1/2

М = 1,2,..., М; \ Ф \

Здесь ц, и 0, - соответственно вектор математических ожиданий и среднеквадратичных отклонений элементов ¡-го класса, М-оптимальное число классов.

3. Проводится автоматизированный анализ совмещенной спектральной схемы исследуемых объектов с целью определения

наиболее информативных поднаборов каналов \М,={1..... I.,}, в

которых этот класс идентифицируется однозначно при классификации изображений.

Математически ее можно сформулировать следующим образом. Пусть имеется М обучающих выборок

К1, Км

заданных:

1) множеством Ы-мерных векторов

= {"11—)

где Xj = {х1Г..., х^.};

2) вектором значений математических ожиданий

Ц; = {|1и,...,

3) вектором значений среднеквадратичных отклонений элемента от (к = 1,..., К)

<У1 = —»

где - число элементов ¡-го класса (выборка), N - число спектральных признаков.

Требуется построить алгоритм А выделения признаков (Ц<Ы) из N заданных признаков, обеспечивающих требуемую надежность распознавания для каждого ¿-го класса = 1,..., М).

Критерием информативности в данном случае является попарная разделимость объектов в этом поднаборе каналов по расстоянию Бхаттачария:

(И,к - Мзи )2 1 1

Вк(У) =-+ - 1п[ - ((-)2+ (-)2+2)]

(<т!к )2+(оЛк )2 4 4 с,к а,к

4. Процедуре идентификации предществует радиометрическая коррекция по калибровочным клиньям. Предлагается меха-

низм линейной интерполяции для точек сцены, значения яркостей которых находятся между определенными парами соседних клинов.

Пусть I = 1(Я,Е) - зависимость яркости точки от освещенности снимаемой местности, где I - яркость, Е - освещенность, Я - КСЯ (коэффициент спектральной яркости).

В этом случае преобразование приобретает вид:

I = ЦЛ*Е)

для приблизительно ламбертово-отражающих объектов.

Тогда коррекция - решение обратной задачи

Е = Г®(1).

Для ее решения предлагается модель логарифмического вида обратной задачи. Ее можно представить формулой:

1=С/1п(Р*Е)+С2

и обращение

П*Е=ехр(1-С2)/С1

для каждого элемента изображения.

5. Предлагаемый в литературных источниках метод прослеживания контуров, основанный на движении "жука", плохо работает в случаях вытянутых контуров и зависит от выбора начальной точки движения.

Предложенная итерационная процедура лишена этих недостатков за счет автоматического определения центральной точки скользящего окна и рационального выбора точки старта итерации для очередного окна, определяющего граничную точку контура.

В третьей главе дается подробное описание гибкой математической модели распознающей системы, позволяющей осуществлять все описанные выше этапы обработки изображений, и даются результаты экспериментальной апробации системы.

Приводится описание структуры разработанной системы, принципы ее системной организации, а также сервисные и функциональные возможности.

Показано, что результат обработки каждого этапа сопровождается соответствующим табличным и графическим материалами, позволяющими пользователю принимать более обоснованные решения по дальнейшей обработке.

Приводятся результаты численного эксперимента. При этом в качестве базового изображения для эксперимента были приняты кадры МКФ-6 Гейчайского района Азербайджана и показаны все основные результаты обработки данных кадров в соответствии с принятой последовательностью шагов.

ОСНОВНОЕ ВЫВОДЫ

В данной диссертационной работе проведены теоретические и экспериментальные исследования по созданию математической модели распознающей системы в плане тематической обработки аэрокосмической многозональной видеоинформации. Разработана математическая модель распознающей системы изображений, включающая как стандартные подходы теории распознавания изображений и многомерного статистического анализа, так и специально разработанные в данной работе алгоритмы.

На ба'зе разработанной математической модели построена автоматизированная система цифровой обработки изображений, предоставляющая широкие возможности по обработке, анализу, распознаванию и интерпретации аэрокосмической многоспектральной видеоинформации. Предложенное математическое и программное обеспечения предоставляют пользователю широкие возможности в области цифровой обработки многозональной видеоинформации для их количественного и качественного анализов и выработки практических рекомендаций.

Основные результаты диссертационной работы:

1. Предложен новый подход к операции совмещения п-мер-ной панорамной информации, основанный на геометрических свойствах пространственного расположения объектов.

2. Предложен рекурентный (многоэтапный) алгоритм кластерного анализа, основанный на сочетании метода динамических сгущений, анализа мод гистограммы и иерархической группировки на основе минимального покрывающего дерева, а также новых предложений - введение многомерной меры компактности для элемента изображения, быстрого маркирования изображения, быстрого пересчета статистических характеристик на основе дискриминантной таблицы и альтернативная выбора поднабора классов.

3. Предложен новый подход к выбору оптимального набора спектральных каналов, основанный на рекурентной процедуре отбора информационных классов по принципу их статистической разделимости в некотором наборе спектральных каналов.

4. Предложен новый подход к решению задачи выделения сложных контуров, реализующий рациональный выбор точки старта "жука" в каждой итерации.

5. Предложен новый подход к решению задачи определения соответствия исследуемых классов к наземным объектам с использованием калибровочных клиньев панорамных снимков .

6. Предложена гибкая математическая модель системы цифровой обработки изображений, базируемая на эффективных методах предлагаемых в работе и дополненных известными методами цифровой обработки решения задач распознавания.

СПИСОК ОПУБЛИКОВАННЫХ РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Нагиев П.Ю., Мамедов М.А., Гюльмамедов Р.Г. "Автоматизированная обработка космических снимков для картографирования сельскохозяйственных угодий". // Тезисы докладов Всесоюзной конференции "Методы и средства тематической обработки аэрокосмической информации". г.Звенигород, 1986, стр. 31.

2. Нагиев П.Ю., Мансимов И.А., Гюльмамедов Р.Г. "Составление крупномасштабных тематических карт-схем по данным космических снимков". // Картография в эпоху НТР: теория, методы, практика. Тезисы докладов Всесоюзного совещания по картографии, г. Москва, 1987, стр. 159-160.

3. Гюльмамедов Р.Г. "Метод быстрой классификации многозональных видеоинформации с автоматическим выбором информативных каналов". // X и XI Всесоюзные научно-технические конференции молодых ученых и специалистов Госцентра "Природа", г. Москва, 1987, стр. 11.

4. Р.Г.Гюльмамедов, Э.М.Джафаров, П.Ю.Нагиев. "Метод быстрой классификации многозональной видеоинформации с автоматическим выбором информативных каналов". И Сообщения НПО Космических Исследований. г.Баку, "Элм", 1988, стр. 95-103.

5. Р.Г.Гюльмамедов. "Метод кластеризации многомерного изображения на базе гистограмм распределения". // Сообщения НПО Космических Исследований. г.Баку, "Элм", 1990, стр. 33-40.

6. T.M.Askerov, R.A.Tahiev, R.H.GhyuIrnamedov. "Application package for processing of rnultizonal aerospace video information". // Turkish journal of physics. Volume 19, number 8, 1995, page 1082-1086.

7. Mekhtiev A.Sh., Tahiev R.A., Ghyulmamedov R.H. Rustamov R.B. "Application package for airborne processing video images". Processings of the second international airborne remote sensing conferences and exhibition. San Francisco, 1996, Volume 3, page ; 55-■••65.

Р.Ь.КУЛМЭММЭДОВ

Ч0Х9ЛЧУЛУ ПАНОРАМ ВЕРИЛЭНЛЭРИН тэьлили

ЭСАСЫНДА JEPYCTY ОБ^КТЛЭРИН СИНИФЛ9ШМЭСИ ВЭ АДЛАНДЫРЫЛМАСЫ УЧУН ЕФФЕКТИВ МЕТОД ВЭ АЛГОРИТМЛЭРИН ИШЛЭНМЭСИ

ХУЛАСЭ

Тэгдим олунан иш мэсафэдэн аерокосмик тоИлилин актуал проблеминэ - ]ерусту об]ектлэрин танынмасы учун чевик вэ универсал ри]ази моделин ]арадылмасына Ьюср олунуб.

Кестэрилиб ки, бу мэгсэд учун мосэлэ]э комплекс шокилдэ ]анашмагла, ]ени еффектив метод вэ алгоритмлэр ишлэмэк вачибдир.

Диссертаси]ада ашагыда кестэрилэн мэсэлэлэр го]улуб вэ Ьалл олунуб: чохелчулу тасвирлэрин е]нилэшдирилмэси учун алгоритм, чохелчулу тасвирлэрин кластер анализи учун еффектив метод, чохелчулу тэсвирин елементлэринин синифлэрэ аид едилмэси учун каналларын са^нын азалдылмасы, чохолчулу тэсвирин елементинин парлагланма ги]мэтинин спектрал пар-лагланма эмсалына кэтирилмэси, мурэккэб формалы контурла-рын а]рылмасы методу.

иарадылмыш ]ени методлар вэ алгоритмлэр эсасында, Иом-чинин, бу саИада мэ'лум олан классик усуллардан истифадэ ет-мэклэ ]ерусту об|ектлэрин танынмасы учун чевик вэ универсал ри]ази модел ]арадылмышдыр.

Ьазырланмыш вэ реализо олунмуш систем Азорба^ан Рес-публикасы Ке]ча] ра]ону эразисинин МКФ-6 апараты васитэсилэ чэкилмиш тэсвирлэри узэриндэ сынагдан чыхарылмышдыр. Нэтичэлэр ишдэ этрафлы кестэрилиб.

R.H.GHYULMAMEDOV

APPLICATION OF EFFECTIVE METHODS AND ALGORITHMS FOR MULTIZONAL PANORAMIC INFORMATION FOR THE CLASSIFICATION AND IDENTIFICATION OF GROUND OBJECTS

SUMMARY

The submitted work is devoted to a urgent problem in the field of remote space-born researches - development of flexible and universal mathematical model of a recognizing system of ground objects.

Is shown, that the problem should be decided complex, developing thus new algorithms and methods.

In the dissertation problems are delivered and permitted:

On development of a lot of algorithms - overlapping multizonal panoramic images, clasterization of multizonal images on the basis of the analysis histogramm of distribution, choice infomatic subclass of channels for classification of the images, to look after of difficult contours, as well as method of transformation brightness of significances of elements of the images to coeffisient of spec-trul brightness of real objects.

On the basis above seing of methods and algorithms, as well as using classical methods and algorithms of digital processing of the images flexible and universal mathematical model of a system for classification and identification of ground objects is offered and realized.

The experimental approbation of a system was conducted on the basis of the images of the staff MCF-6 Geokchay region of Azerbaijan Republic. The results of process is giving on work.