автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Разработка субполосных методов и алгоритмов предварительной обработки изображений земной поверхности

На правах рукописи

005015982

Заливин Александр Николаевич

РАЗРАБОТКА СУБПОЛОСНЫХ МЕТОДОВ И АЛГОРИТМОВ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ ЗЕМНОЙ ПОВЕРХНОСТИ

Специальность 05.13.17 - Теоретические основы информатики

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

3 МАЙ 26/2

Белгород - 2012

005015982

Работа выполнена в Белгородском государственном национальном исследовательском университете

Научный руководитель доктор технических наук, профессор

Жиляков Евгений Георгиевич

Официальные оппоненты: Филист Сергей Алексеевич

доктор технических наук, профессор, Юго-Западный государственный университет, профессор кафедры биомедицинской инженерии

Муромцев Виктор Владимирович

кандидат технических наук, доцент, Белгородский государственный национальный исследовательский университет, заведующий кафедрой математического и программного обеспечения информационных систем

Ведущая организация Федеральное государственное бюджетное

образовательное учреждение высшего профессионального образования «Воронежский государственный университет» (ФГБОУ ВПО «ВГУ»)

Защита состоится «16» мая 2012 года в 16 часов 00 минут на заседании диссертационного совета Д 212.015.10 при Белгородском государственном национальном исследовательском университете по адресу: 308015, г. Белгород, ул. Победы, 85.

С диссертацией можно ознакомиться в научной библиотеке Белгородского государственного национального исследовательского университета.

Автореферат разослан « 1Р » апреля 2012 г.

Ученый секретарь

диссертационного совета к.т.н., с.н.с.

С. П. Белов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы.

Изображения земной поверхности (ИЗП) широко используются для решения задач информационного обеспечения в сельском и лесном хозяйстве, экологии, мониторинге и контроле чрезвычайных ситуаций, при проведении научных и прикладных исследований окружающей среды и др.

В большинстве случаев ИЗП получают в ходе проведения дистанционного зондирования Земли (ДЗЗ) при помощи установленных на космических аппаратах различных оптико-электронных датчиков, которые реагируют на энергию в определенных диапазонах длин электромагнитных волн (разно-спектральные ИЗП). Использование нескольких диапазонов длин волн обусловлено необходимостью получения дополнительной информации об изучаемых объектах. При этом возникает задача комплексирования таких изображений с целью повышения общей информативности относительно одних и тех же участков земной поверхности. Для установления закономерностей широко применяется сопоставление ИЗП или их фрагментов, полученных в различные моменты времени, что принято называть совмещением. При анализе фрагментов ИЗП часто возникает необходимость изменения их размеров (масштабирование). Достоверность результатов анализа и обоснованность выводов во многом зависят от контрастности и резкости контуров фрагментов ИЗП, что принято называть визуальным качеством.

Обработку ИЗП с целью повышения визуального качества, комплексирования и совмещения принято называть предварительной обработкой.

Применяемые в настоящее время методы повышения резкости и выделения контуров фрагментов изображений чувствительны к воздействиям флуктуационных шумов, что часто приводит к появлению лишних деталей (ложные контуры) на результирующих изображениях. Поэтому возникает необходимость разработки градиентных операторов менее чувствительных к указанным искажениям исходных данных, что можно осуществить на основе создания методов оценивания производных компонент ИЗП из отдельных интервалов пространственных частот (ГТЧ).

Для повышения резкости изображений обычно используют усиление компонент из области высоких ПЧ, что осуществляется на основе их выделения и добавления результата фильтрации к исходному изображению. Однако необходимо провести дополнительные исследования по уточнению области ПЧ, которые содержат компоненты изображений,, дающие наибольший эффект в повышении резкости, и выбрать наилучший метод их выделения.

Масштабирование обычно реализуется на основе прореживания (уменьшение размеров) или интерполяции (увеличение размеров). Применяемые в настоящее время методы интерполяции не позволяют учесть свойства ИЗП, которые проявляются в наличии повышенных долей их энергий в областях ПЧ достаточно малых размеров.

В основе метода определения одних и тех же фрагментов земной поверхности присутствующих на разных изображениях, применяется оценива-

ние их идентичности с использованием меры близости в виде пространственного коэффициента корреляции, который недостаточно чувствителен к различиям в значениях сравниваемых наборов пикселей. Поэтому необходимо усовершенствовать этот метод на основе разработки таких преобразований ИЗП, к результатам которых указанная мера идентичности будет более чувствительна, чем к исходным данным.

Комплексирование разноспектральных ИЗП обычно сводится к созданию (синтезу) нового изображения, на котором с повышенной резкостью были бы представлены все объекты наблюдаемой сцены, что часто реализуется на основе суммирования с некоторыми весовыми коэффициентами либо самих изображений, либо их компонент из областей высоких ПЧ. Повысить качество синтезируемого изображения можно на основе усиления соответствующих компонент из адаптивно определяемых интервалов ПЧ.

Таким образом, актуальность темы диссертационных исследований определяется тем, что информативность ИЗП в задачах их анализа может быть повышена на основе использования компонент из различных интервалов ПЧ. Методы и алгоритмы предварительной обработки ИЗП, усовершенствованные на основе использования их компонент из адаптивно определяемых интервалов ПЧ, представляется естественным называть субполосными.

Целью данной работы является совершенствование предварительной обработки изображений земной поверхности на основе разработки и применения методов и алгоритмов субполосного анализа и синтеза их компонент в определяемых в процессе обработки ( адаптивно) интервалах пространственных частот.

Для достижения поставленной цели сформулированы и решены следующие задачи:

1. Разработка метода и алгоритма адаптивной субполосной обработки ИЗП для повышения их резкости;

2. Разработка метода и алгоритма субполосной интерполяции фрагментов изображений для повышения точности их масштабирования;

3. Разработка субполосного градиентного оператора, устойчивого к воздействию на исходные данные флуктуационных шумов, и соответствующих алгоритмов решения задач выделения и повышения контрастности контуров фрагментов изображений;

4. Повышение эффективности метода совмещения ИЗП на основе преобразований исходных данных, позволяющих повысить чувствительность пространственного коэффициента корреляции к идентичности их совмещаемых фрагментов;

5. Разработка и исследование алгоритмов комплексирования разно-спектральных ИЗП на основе адаптивного выделения компонент ПЧ, позволяющих повысить резкость синтезируемого изображения;

6. Разработка программных реализаций созданных алгоритмов предварительной обработки изображений.

Объект исследований: изображение земной поверхности.

Предмет исследования: методы предварительной обработки ИЗП.

Методы исследований. В работе использованы методы субполосного анализа/синтеза, статистического анализа, цифровой обработки изображений, линейной алгебры и вычислительных экспериментов.

Научную новизну работы составляет следующее:

1. Эмпирически установленные связи резкости изображений, включая ориентацию их линейных структур, с компонентами из различных интервалов ПЧ.

2. Субполосные методы численного дифференцирования и интерполяции изображений, позволяющие учесть распределение их энергий по интервалам ПЧ.

3. Субполосный градиентный оператор на основе субполосного численного дифференцирования, обладающий большей устойчивостью к воздействиям на исходные данные флуктуационных шумов, чем операторы, применяемые в настоящее время для выделения контуров фрагментов изображений.

4. Метод повышения чувствительности пространственного коэффициента корреляции к идентичности сравниваемых фрагментов совмещаемых изображений на основе применения субполосного градиентного оператора.

Практическая значимость работы определяется алгоритмами, которые позволяют повысить качество предварительной обработки изображений.

Диссертационное исследование выполнялось в рамках следующих федеральных проектов: ФЦП «Научные и научно-педагогические кадры для инновационной России» на 2009-2013 годы, Госконтракт № 14.740.11.0390; аналитическая ведомственная целевая программа МОН РФ «Развитие научного потенциала высшей школы (2009-2011 годы)», проекты 2.1.2/656 и 2.1.2/9382.

Полученные результаты также используются при проведении НИР и ОКР ЗАО «НПП «СПЕЦ-РАДИО», что подтверждается соответствующим актом, а так же в учебном процессе магистрантов факультета КНиТ НИУ «БелГУ».

Область исследования. Содержание диссертации соответствует паспорту специальности 05.13.17 «Теоретические основы информатики» (технические науки) по следующим областям исследований:

п. 5. Разработка и исследование моделей и алгоритмов анализа данных, обнаружения закономерностей в данных и их извлечениях разработка и исследование методов и алгоритмов анализа текста, устной речи и изображений.

п. 7. Разработка методов распознавания образов, фильтрации, распознавания и синтеза изображений, решающих правил. Моделирование формирования эмпирического знания.

Положения, выносимые на защиту:

1. Субполосные методы и алгоритмы численного дифференцирования и интерполяции изображений, устойчивые к воздействию флуктуационных помех.

2. Методы и алгоритмы повышения резкости ИЗП и контрастности контуров их фрагментов на основе оптимального выделения компонент из

адаптивно определяемых интервалов ПЧ и применения субполосного градиентного оператора.

3. Метод и алгоритмы совмещения изображений на основе применения субполосного градиентного оператора, повышающего чувствительность меры идентичности, а, следовательно, обоснованность результата.

4. Алгоритмы комплексирования разноспектральных изображений на основе субполосной интерполяции и оптимального выделения компонент из адаптивно определяемых интервалов ПЧ.

Достоверность выводов и рекомендаций обусловлена адекватностью субполосных методов задачам предварительной обработки ИЗП, корректностью применяемых математических преобразований, а также подтверждается результатами вычислительных экспериментов с реальными эмпирическими и модельными изображениями.

Личный вклад соискателя. Все изложенные в диссертации результаты исследования получены либо соискателем лично, либо при его непосредственном участии.

Апробация результатов диссертационного исследования.

Результаты диссертационного исследования обсуждались на следующих научно-технических конференциях: Первая и Вторая Международная научно-техническая конференция, «Компьютерные науки и технологии», 2009 г., 2011 гг., Белгород, Россия; Областная научно-практическая конференция «Белгородская область: прошлое, настоящее и будущее», 22-23 декабря 2009 г., Белгород, Россия; IX международная научно-техническая конференция «Проблемы информатики и моделирования (ПИМ-2009)», 26-28 ноября 2009 г, Харьков, Украина; XXIII международная научной конференция «Математические методы в технике и технологиях ММТТ-23», 22-25 июня 2010 г, Саратов, Россия; Международная научно-практическая Интернет-конференция: «Инновационные подходы к применению информационных технологий в профессиональной деятельности», 2-25 июня 2010 г, Белгород, Россия; 13-я Международная конференция «Цифровая обработка сигналов и ее применение - DSPA - 2011», 30 марта - 01 апреля 2011 года, Москва, Россия; Одиннадцатая международная научно-практическая конференция «Фундаментальные и прикладные исследования, разработка и применение высоких технологий в промышленности» 27-29 апреля 2011 года, Санкт-Петербург, Россия; Международная научно-техническая интернет-конференция «Информационные системы и технологии» 1 апреля - 31 мая 2011, Орел, Россия; XTV Международная научно-техническая конференция «Медико-экологические информационные технологии - 2011», 4-8 июня 2011 г.

Публикации. По теме диссертационного исследования опубликовано 17 печатных работ (из них 4 в журналах из списка ВАК РФ), в том числе два Свидетельства Роспатента РФ о государственной регистрации программы для ЭВМ.

Объем и структура работы. Диссертация состоит из Введения, четырех глав, Заключения и Приложений. Работа изложена на 155 страницах машинописного текста, включая 45 рисунков, 18 таблиц и список литературных источников из 116 наименований.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность диссертационного исследования, формулируется его основная цель и дается обзор содержания глав.

В первой главе диссертации «Предварительная обработка изображений. Основные задачи и современные алгоритмы их решения» производится обзор и приводятся основные характеристики современных методов и алгоритмов предварительной обработки изображений, определяется их роль и значение, формулируются конкретные задачи, решение которых способствует достижению поставленной цели исследования.

Дается обоснование целесообразности использования в создаваемых методах и алгоритмах предварительной обработки ИЗП разработанных Жи-ляковым Е.Г. и Черноморцем A.A. вариационных методов субполосного анализа, основанных на следующем представлении изображений

и = } j F(x,y)exp(-Mi-mxp(-jy(k-l))dxdy/4x2, (1)

-Л-71

где j - мнимая единица (/ = -1); F- трансформанта Фурье (основная частотная характеристика)

А/ N

П*,У) = XU А ехр(->(/-1))ехр(-МА:-1)); (2)

А=1 /=1

/i i = l,2,...,N, к = 1,2,...,А/ значения изображения Ф = [fd}в соответствующих пикселях.

Для энергии (евклидовой нормы) изображения справедливо равенство Парсеваля, которое можно представить в следующей форме

МЫ 1 RS

Я \nx,y)\2dxdy, (3)

„1 у, 1 4;г 5=, (r

где интервалы V, определяют разбиение двумерной области ПЧ на интервалы следующего вида

«,i=0,i42=/r; n„=0, aRil=TT.

Имеется в виду, что переменная х принимает значения из интервала (субполосы) оси абсцисс плоскости ПЧ Д =[-Г252,-П51)и[051,012), тогда как одновременно переменная у попадает в следующий интервал (субполосу) оси ординатС,. =[-0;.2,-0г1)и[Пг1,0г2). Субинтервал V,, схематично изображен на рис.1.

У

Рисунок 1 - Двумерная область ПЧ V, (субинтервал).

Отметим, что интегралы

Е„ = JJ I F(x,y) |2 dxdy/Лл2, (5)

(«,v)e Г„

определяют части энергии, попадающие в выбранные интервалы ПЧ, причем

Е,г=Н<Ьт4ФАг), (6)

где символ »-означает сумму диагональных элементов (след) матрицы; Л,иЛ2 - субполосные матрицы с элементами вида

а1 = -'2>)t j (7)

= MM,-k2))-Sin(W, -*,))tk k =UA/. (8)

я(кх-к2)

Полагая

Gsr=EJEa, (9)

можно определить совокупность интервалов ПЧ, где суммарно сосредоточена заданная доля энергии.

Вариационному принципу

D{F,Z)= jj\F(x,у) — Z(x,_у)|2dudv + jj\Z(x,yf dudv =>min , (10)

где минимум ищется по всем трансформантам Фурье изображений той же размерности, удовлетворяет оптимальная в этом смысле компонента из соответствующего интервала ПЧ

Ysr=(y'„rm) = А1ФА2,п = \,..,Ы\т = \,..,М ■ (П)

Существенное значение имеет свойство получаемой компоненты

у\т = | J F(x,y)cxp(jx(n - l))exp(yi(m -\))dxd: /4л:1, (12)

xeDs ysCr

которое заключается в отсутствии влияния на результат фильтрации смежных интервалов ПЧ. Кроме того, используя определения (4), (7) и (8), нетрудно доказать равенство

Цг„=Ф, (13)

5=1 Г=1

то есть простое суммирование выделяемых компонент ПЧ позволяет полностью восстановить исходное изображение ( в отличие от выходных изображений при КИХ-фильтрации). Именно эти свойства и оптимальность определяют целесообразность использования частотных компонент вида (11) при решении задач субполосного анализа и синтеза ИЗП. Важным инструментом также служат соотношения вида (6), позволяющие определить совокупность интервалов ПЧ, компоненты из которых следует использовать при предварительной обработке ИЗП.

Во второй главе диссертации «Субполосные свойства изображений» на основе применения оптимальных методов субполосного анализа проводятся исследование степени влияния компонент из различных интервалов ПЧ на резкость ИЗП, а также ориентацию линейных структур, в ре-

зультате чего разрабатываются методы и алгоритмы их использования для повышения резкости.

Раздел 2.1 «Повышение резкости изображений на основе оптимального субполосного выделения компонент из адаптивно определяемых интервалов ПЧ». В качестве меры резкости ИЗП используется следующий показатель

N М

*е=(£ £ ((/™-/„,т-,)2+(/„™-/„-,.т)2))"2/(Л„-/га„)/^л/, (14)

/1=2 т=2

который определяет отношение евклидовых норм соответствующих первых разностей к разности максимального и минимального значений пикселей (оценка общего перепада).

В основе метода повышения резкости ИЗП применяется принцип усиления компонент из некоторых интервалов ПЧ на основе соотношения

(15)

гей, :

где ф = {/;*} ,/ = 1,2.....N\к = 1,2,...,Л/ — результирующее изображение; -

некоторые подмножества, определяющие наборы индексов усиливаемых компонент ПЧ.

В работе разработана процедура адаптивного выбора интервалов ПЧ, определяющих компоненты, которые позволяют в наибольшей степени (в смысле значения показателя (14)) повысить резкость исходных изображений. При этом показано, что применение для их выделения соотношений вида (11), в виду свойства (12), обеспечивает преимущества перед КИХ-фильтрами, отклики которых зависят от компонент из смежных интервалов ПЧ. Адаптивная процедура выбора интервалов ПЧ разработана на основе проведения следующих вычислительных экспериментов с реальными изображениями.

Плоскость ПЧ разбивалась на равное количество Я по каждой частотной оси интервалов с соблюдением условий

пип (Ы ! И^М ! Я2)>6; (16)

На основе соотношений (6) и (9) вычислялись доли энергий реальных изображений, которые упорядочивались по убыванию с построением последовательности

г, >г2 >..>гя.л,г( е{С„,^ = 1,..,Л;г = 1,..,Л},/ = 1,..,Л*Л. (17)

В предположении о равноправности (в смысле распределения значений) координат ИЗП при равенстве значений у Оаив„т меньшее значение индекса у невозрастающей последовательности г, соотносилось с интервалом ПЧ с меньшей суммой двойных индексов (большая степень низкочас-тотности), что позволяет обеспечить однозначное восстановление индексов интервалов ПЧ.

Вычислительные эксперименты показали, что если разбить множество индексов последовательности г на три подмножества, первые два из которых удовлетворяют условиям (определение третьего подмножества очевидно)

£ я 0.7; X г, «0.28, (18)

то определяемые вторым из соотношений (18) пары индексов компонент ПЧ позволяют на основе использования суммы (15) достичь наибольших значений показателя резкости (14).

Таким образом, разработан адаптивный метод повышения резкости ИЗП на основе применения (15), обладающий следующими признаками новизны: разбиение плоскости ПЧ на одинаковые интервалы с выполнением условия (16); построение упорядоченной последовательности (17) на основе применения соотношений (6) и (9); определение на основе (18) интервалов ПЧ, содержащие компоненты, которые следует использовать для повышения резкости; выделение компонент ИЗП с использованием соотношений (11) и вычисление суммы вида (15).

При проведении вычислительных экспериментов с линейными структурами использовались модельные изображения. Пример на рис.2 иллюстрирует отображение линейных структур (слева) на распределение долей энергии по интервалам ПЧ (справа, приведены индексы 256-ти интервалов ПЧ в одном из квадрантов частотной плоскости). При этом для переменных в соотношении (4) выполняются равенства

=пп =я/16, э,г = 1,..,16.

Рисунок показывает, что той или иной ориентации линии на изображениях соответствует определенная квазилинейная ориентация некоторой совокупности частотных интервалов, где сосредоточена соответствующая энергия.

Рисунок 2 - Модельное изображение (слева) и распределение долей его энергии (справа).

На основании большого количества проведенных вычислительных экспериментов предложен следующий метод выделения на изображении линейных структур некоторой ориентации: разбиение частотной плоскости на одинаковые интервалы ПЧ с выполнением условия (16); выбор интервалов, которые на плоскости ПЧ составляют квазилинейную структуру; выделение компонент ИЗП с использованием соотношений (11) и вычисление суммы

(19)

в которой Л,, 5, - подмножества индексов отобранных интервалов ПЧ.

Наличие такой возможности иллюстрирует рис. 3.

12

2 4 е а ю 12 и is

Рисунок 3 - Выделение вертикальных линий (слева), как компонент затемненных интервалов ПЧ (справа).

Раздел 2.2. «Алгоритмы адаптивного повышения резкости ИЗП и выделения линейных структур». Приводятся описания алгоритмов, реализующих изложенные в предыдущем разделе методы повышения резкости и выделения линейных структур. Их основные этапы реализуют описанные выше этапы разработанных методов.

В третьей главе диссертации «Изменения масштабов и повышение контрастности контуров фрагментов изображений» производится разработка новых методов и алгоритмов масштабирования и градиентного окон-туривания на основе оригинальных вариационных алгоритмов численного дифференцирования изображений и интерполяции. Кроме того приводятся результаты сравнительных вычислительных экспериментов с целью оценивания работоспособности разработанных алгоритмов.

Раздел 3.1 «Разработка субполосных методов численного дифференцирования и интерполяции изображений». Рассматривается задача численного дифференцирования на основе вычисления производных непрерывной двумерной функции u(t,v), с областью определения t e[0,7V];ve[0,M], удовлетворяющей условиям

u(i,k) = fik,i = l,..,N;k = l,..,M,

2л 2л

J J \F(x,y)-U(x,y)\2 dxdy + J J | U{x,y) |2 dxdy = min ,

—2л -2л |х|>2л v|>2,t

где

NM

U{x,y) = | J u(t,v)exp(-jtx)exp(-jvy)dtdv .

о 0

Отметим, что эти условия соответствуют минимизации погрешности аппроксимации трансформанты Фурье исходного изображения при совпадении значений в пикселях. Показано, что оговоренным выше условиям удовлетворяет двумерная функция

Л/ V

u(t,v) = Y, X fnma^-n)a{v-m),

т=1 п—1

a(w-k) = sm(2ji{w - £))]/2n{w—к).

Отсюда нетрудно получить общие выражения для частных производных в заданных координатах пикселей

к м

8!#(/, V) / 81 = £ /„,. /(* - п), еи(/, V) / „=/ = X А, /(«' - •

Я-1.П»» "=* «.=1,».«/

Для реальных вычислений целесообразно использовать симметризо-ванные соотношения, в которые входят только пиксели локальной окрестности заданной точки

к-1 *+£ /,? = ЕЛ/с/-*)+ЕЛ/су-*). (20)

/«Г = Е/д/У-о+Е/Д/О'-О, (21)

>/+1

Последние соотношения определяют двумерный фильтр с апертурой (2£+1) *(2£+1). Выбор конкретной величины апертуры основан на компромиссе между «уширением» обрабатываемого контура и устойчивостью к воздействиям флуктуационных шумов. В частности подбор апертуры может быть осуществлен в интерактивном режиме. Ниже приводятся данные вычислительных экспериментов, которые иллюстрируют влияние размера апертуры на устойчивость к воздействиям шумов.

Задача интерполяции рассматривается с точки зрения реализации процедур увеличения размеров анализируемых фрагментов изображения в I раз вдоль одной из координат, что позволяет перейти к построению одномерной интерполирующей функции й . При этом предполагается заполнение промежутка между двумя последовательными пикселями, например /¡ к и /¡мх, I -1 числами, которые принимаются в качестве значений гипотетической непрерывной функции. При построении интерполянты для фрагмента г-той строки длительностью в 2Ь+2 пикселей, начиная с ¿-того столбца, используется вариационный принцип

(2£+1)/

| | £ < ехр (->(/--1)х)|2 <& = тах, (22)

минимизации энергии высокочастотных компонент соответствующих первых разностей -йг, г = 1,..,(21 + 1)7-1, с выполнением интерполяционных

условий

т/

-/».« = 1...,2£ + 1. (23)

г-1

Это до определенной степени равносильно обеспечению минимальной изменчивости искомой функции.

Получено выражение для вычисления интерполянты в заданных точках й = (й1,..,йИ1+1„)г =Ье+С(МВ(2.Х[У- (24)

где Т - знак транспонирования; е=(1,..,1)г- вектор, состоящий из (21 + 1)/

единиц; матрица

0= ' (25)

Ст

размерности (2Ь +1)1 * (2Ь +1)/ имеет строки, которые содержат по т единиц и (2Ь + \)1-т нулей сТт = (1,..Д0,..0), ш = 1,2,.., (21+ 1)7;

V = (У1,..,У21^)Т,Гг =/а+г ~/а,г = 1,..,2Л + 1; матрица 5 имеет (21+1)1 столбцов и

строк вида // = (1,..,10,..0),т = 1,2,..,2/, +1 (содержат т1 подряд идущих единиц и 2Ы+1-т нулей, см. (23)).

Матрица состоит из 2Ь+1 столбцов размерности

(2Ь+1)1, которые являются собственными векторами субполосной матрицы А = (сгт\т,п-1,..,(2£ +1)/ с элементами атп =ът(п! 1{т — п))/п(т — п), так что выполняются условия

лЛ=Лд>,Л1>Л2>..>Л21ф1. (26)

Для обеспечения локальности для интерполяции используются только значения интерполянты, соответствующие среднему из 2Ь+1 промежутков между исходными пикселями, нечетное количество которых выбрано для симметризации их влияния.

Интерполяция столбцов осуществляется аналогично.

В разделе 3.2 «Разработка алгоритма масштабирования изображений на основе субполосной интерполяции» описан алгоритм увеличения размеров заданных фрагментов изображений с применением суполосной интерполяции на основе соотношения (24) отдельно по строкам и столбцам. Ввиду ограниченности объема автореферата привести его не представляется возможным.

В разделе 3.3 «Разработка алгоритма оконтуривания на основе субполосного метода численного дифференцирования» описан алгоритм выделения контуров заданных фрагментов изображений на основе положительного оператора

1 + 1/ГI, (27)

компоненты которого вычисляются с использованием соотношений (20) и (21). Он называется субполосным градиентным оператором (СГО).

Основными этапами алгоритма являются: 1) ввод изображения; 2) задание апертуры для вычисления оценок производных (рекомендуется от 2 до 5); 3) дополнение (окаймление) исходного изображения нулями по обоим координатам на Ь пикселей; 4) вычисление значений отклика СГО в пикселях изображения; 5) суммирование отклика СГО с исходным изображением в соответствующих пикселях.

В разделе 3.4 «Вычислительные эксперименты» представлены результаты проведенных вычислительных экспериментов по сопоставлению

разработанных методов масштабирования и оконтуривания с существующими. При оценивании устойчивости операторов оконтуривания моделировались воздействия флуктуационных шумов

Гк М / N М

V ¡=1 *=1 / ¿=1 *=1

где - псевдослучайные числа; ¿/-задаваемое отношения шум/сигнал по евклидовой норме. Модельный контур выбран в виде фрагмента пьедестала вдоль столбцов , сечение строки которого изображено на рис. 4 штриховой линией ( вне пьедестала тождественный ноль).

По результатам NN зашумливаний вычислялись оценки математического ожидания /7 и среднеквадратического отклонения а значений откликов операторов (см. например (27) ) в точках вне модели контура (характеристика ложных контуров) и средние значения отношений максимальных значений откликов операторов на выделяемом контуре и вне его - а.

Таблица 1 - Результаты статистической оценки устойчивости методов выделения контуров к влиянию шума при NN=1000

Отношение шум/сигнал ----Параметр Метод ' ............. И ст а

Оператор Собеля 0,0894 0,0452 4,5333

а= 0,2 СГО, Ь=2 0,0850 0,0429 4,7821

СГО, Ь=5 0.0482 0.0244 8.2882

Оператор Собеля 0,1923 0,0973 2,1163

с! = 0,5 СГО, Ь=2 0,1885 0,0950 2,1722

СГО, Ь=5 0,1134 0,0575 3,5272

Следует отметить, что с точки зрения устойчивости необходимо минимизировать математическое ожидание Д и среднеквадратическое отклонения а откликов операторов вне контура и максимизировать отношение а. Данные таблицы показывают предлагаемый метод обладает преимуществами в по всем этим характеристикам, причем увеличение апертуры Ь СГО позволяет существенно повысить устойчивость результатов к воздействию шумов.

При сравнении методов увеличения размеров фрагментов изображений, сначала исходные изображения земной поверхности подвергались прореживанию с темпом 7 — 1, а затем пропущенные значения 7-1 пикселей

восстанавливались на основе интерполяции в соответствии с соотношением (24), где Ь=1 (минимальное значение используемых исходных пикселей). Оценивались относительная среднеквадратическая погрешность восстановления и в соответствии с (14) вычислялась мера резкости полученного изображения. Отметим, что для исходного изображения мера резкости была равна 0.0619, тогда как при восстановлении она естественно уменьшилась.

Представленные в таблице 2 результаты вычислительных экспериментов иллюстрируют вывод о том, что субполосный метод масштабирования обладает преимуществами по сравнению с часто применяемыми методами интерполяции (обладает меньшей погрешностью и дает более близкую к исходной резкость).

Таблица 2 - Результаты оценки погрешности восстановления изображения, при Ь=1

Значение /-1 Метод интерполяции Среднеквадратическая погрешность показатель резкости изображения

2 Кубический сплайн 0,108 0,0398

Субполосный 0,105 0,0401

4 Кубический сплайн 0,193 0,0314

Субполосный 0,190 0,0334

8 Кубический сплайн 0,260 0,0167

Субполосный 0,258 0,0182

В четвертой главе «Совмещение и комплексирование изображений и программная реализация разработанных алгоритмов» разработаны алгоритмы совмещения и комплексирования изображений, полученных либо в разное время, либо в разных частотных диапазонах, а также описаны программные реализации разработанных алгоритмов предварительной обработки изображений.

В разделе 4.1 «Совмещение изображений» в качестве меры идентичности сравниваемых при совмещении наборов пикселей используется коэффициент пространственной корреляции

"л/v+z,, nn+l, Z -fTХ^„н„+к - vs ) n-.YV

~MN+L, Д'У+Л, X Z (т„„-мт)2 _m=M.V n=NN 1/2 'mn+Ц NN+U Z Z fou«*-fs)2 _m=KfN n=NN 1/2

где Гт„,5'т+,„+1 - значения в наборах пикселей сравниваемых фрагментов размерностей (I, +1)*(12 +1); (Ш,1Ш) - координата верхнего левого угла целевой области, l<NN<N-Ll-l; 1 <Ш<М-Ь2-\ (границы изменений индексов г1к зависят от расположения фрагмента Г), а //г,- их средние значения соответственно.

Показано, что г, имеет достаточно много близких по значениям локальных максимумов, когда он вычисляется на основе самих изображений. В

свою очередь использование результатов применений субполосного градиентного оператора (СГО) вида (27) позволяет получить единственный глобальный максимум, который достаточно существенно превосходит ближайший по величине.

В качестве показателя чувствительности меры (28) идентичности сравниваемых наборов пикселей к содержащимся в них значениям использовалось отношение (показатель чувствительности)

Р = У./У2> (29)

где у, - наибольшее значение меры, которое достигается при точном совмещении, а у2- следующее по величине значение локального максимума г1к,

при отсутствии правильного совмещения.

В работе с целью исследования этого показателя проведен ряд вычислительных экспериментов по оцениванию меры идентичности различных фрагментов одних и тех же изображений и их преобразований на основе СГО. В основе первой группы экспериментов используется сопоставление фрагментов одних и тех же изображений (всего шесть вариантов приведенных в приложениях к диссертации примеров изображений). При этом целевой фрагмент передвигается вдоль столбцов и вдоль строк и при каждом перемещении вычисляется значение показателя чувствительности (29)(ясно, что максимальное значение меры (28) равно 1, и оно обязательно достигается при точном совмещении). Получаемые значения усреднялись по общему количеству реализованных перемещений, которое оказалось больше 1000.

Преимущества применения предлагаемого преобразования исходных изображений иллюстрируют данные таблицы 3. Легко видеть, что при использовании предварительной обработки на основе СГО показатель чувствительности получается больше чем при совмещении по исходным значениям.

Таблица 3 - Средние значения показателя чувствительности меры идентичности при совмещении фрагментов одного и того же изображения

X, х Ь2 - размер фрагмента 32x32 64x64 128x128

Р

№ изображения По данным СГО

1 1,8712 1,6922 1,5708

2 1,5850 1,5122 1,4886

По исходным данным

1 1,4097 1,2485 1,1971

2 1,2234 1,1529 1,1282

Вторая группа экспериментов связана с совмещениями фрагментов изображений, зарегистрированных в разное время в видимом и инфракрасном диапазонах длин волн, с иллюстрацией влияния флуктуационных помех, которые моделировались на основе псевдослучайных чисел. При этом для учета возможной инверсии относительно средних значений разноспектраль-ных изображений в качестве меры их идентичности необходимо использовать абсолютную величину коэффициента корреляции вида (28). Для прове-

дения этих экспериментов было выбрано 64 фрагмента изображений, каждый из которых был зашумлен 100 раз при различных отношениях шум/сигнал с1. При этом для расчета вероятности Р - точного совмещения фрагментов за-шумленных изображений, производилось сравнение исходных (заданных) и полученных в результате обработки предложенным методом координат точки совмещения изображений. Полученные результаты Р были усреднены по количеству зашумливаний и общему количеству фрагментов. Результаты приведены в таблице 4.

Таблица 4 - Средние значения вероятности точного совмещения фрагментов разноспектральных изображений

Отношение шум/сигнал Ц х Ь2 - размер фрагмента 32x32 64x64 128x128

Метод Р

с/= 0,1 по данным СГО 0,2741 0,7100 0,9107

по исходным данным 0,2479 0,4700 0,6625

(1 = 0,5 по данным СГО 0,0729 0,2910 0,4517

по исходным данным 0,0337 0,1250 0,3660

Результаты экспериментов, приведенные в таблице 4, подтверждают преимущества, которые дает применения предварительной обработки на основе СГО в том числе при наличии достаточно высоких уровней шумов.

Разработанный алгоритм совмещения состоит из следующих этапов: 1) ввод изображений, фрагменты которых подлежат совмещению; 2) преобразование изображений на основе вычисления откликов СГО вида (27), с величиной апертуры не менее 2; 3) задание совмещаелюго (целевого) фрагмента на одном из изображений; 4) перемещаясь последовательно по второму преобразованному изображению (поисковая область) с выбором фрагментов заданных размеров, вычисляем меру (28) и определяем координаты, когда она достигает максимума.

Раздел 4.2 «Комплексирование изображений». Основной целью комплексирования изображений является синтез нового изображения, визуальное качество которого будет выше, чем у наихудшего из них. Улучшение характеристик происходит за счет изображения более высокого качества. Поэтому синтез нового изображения Ф = {/1} на основе двух исходных Ф, =[/«}, Ф2={/*2}> < = 1,2,..., N, к = 1,2,..., Л/ предлагается осуществлять с помощью соотношения

ф = ф|+Е2Х> (30)

гей

где У^ - выделяемые с помощью оптимальной субполосной фильтрации компоненты изображения с более высоким показателем резкости, из адаптивно определяемых в соответствии с условиями (18) интервалов ПЧ.

На основе вычислительных экспериментов это метод сравнивался с широко рекомендуемым методом выделения высокочастотных компонент,

когда ((^ > Д/2)о(г> Д/2)). При этом использовались следующие показатели качества: - разностный критерий

- показатель (критерий) информативности (энтропия) изображения

Я = (32)

1-1

где, I - количество уровней яркости изображения; Р, - распределение вероятностей уровней яркости элементов изображения (гистограмма);

- показатель резкости (14).

Лучшим вариантом следует считать тот, для которого показатели принимают большее значение.

При проведении экспериментов попарно использовались приведенные в приложении к диссертации семь изображений, полученных в разных диапазонах частот (номера с 7 по 13). Проведенные вначале для каждого из них расчеты значений критериев (30),(31) и (14) показали, что наилучшими по всем из них является изображение №13. Поэтому оно использовалось для повышения качества остальных на основе комплексирования. Некоторые из результатов приведены в таблице 6, данные которых иллюстрируют преимущества предлагаемого субполосного метода комплексирования изображений. Для полноты восприятия в таблице 5 приведены значения указанных показателей исходных (улучшаемых) изображений.

Таблица 5 - Показатели качества исходных улучшаемых изображений

№ изображения Разностный критерий Показатель информативности Показатель резкости

7 4,52 5,37 0,0187

8 4,88 5,68 0,0193

Таблица 6 - Показатели качества синтезированных изображений

№ комплек-сируемых изображений Метод комплексирования Разностный критерий Показатель информативности Показатель резкости

7-13 субполосный 6,23 6,54 0,0264

добавления высокочастотной составляющей 5,50 6,10 0,0241

8-13 субполосный 7,89 6,63 0,0272

добавления высокочастотной составляющей 7,13 6,25 0,0249

Разработанный алгоритм комплексирования изображений состоит из следующих основных этапов: 1) вводится подлежащее улучшению изображение; 2) вводится изображение, которое используется для

улучшения; 3) для второго из изображений определяются частотные интервалы, компоненты которых необходимо использовать при комплексировании (см. описание метода повышения резкости); 4) на основе соотношений (11) производится выделение требуемых частотных компонент; 5) производится суммирование вида (30).

В разделе 4.3 «Программная реализация разработанных методов и алгоритмов предварительной обработки изображений» описан прототип программной реализации разработанных алгоритмов предварительной субполосной обработки фрагментов изображений.

В заключении сформулированы основные результаты и выводы диссертационной работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ РАБОТЫ

1. Созданы устойчивые к воздействиям флуктуационных помех субполосные методы численного дифференцирования и интерполяции изображений, позволяющие учесть распределение их энергий по интервалам ПЧ;

2. Разработан субполосный градиентный оператор на основе субполосного численного дифференцирования, обладающий большей устойчивостью к воздействиям на исходные данные флуктуационных шумов, чем операторы, применяемые в настоящее время для выделения контуров фрагментов изображений;

3. Разработан метод повышения чувствительности пространственного коэффициента корреляции к идентичности сравниваемых фрагментов совмещаемых изображений на основе применения субполосного градиентного оператора;

4. Разработаны метод и алгоритм повышения резкости ИЗП на основе оптимального выделения компонент из адаптивно определяемых интервалов ПЧ;

5. Разработан метод повышения контрастности контуров фрагментов ИЗП на основе применения субполосного градиентного оператора;

6.Модифицирован метод и разработан соответствующий алгоритм совмещения изображений на основе применения субполосного градиентного оператора, повышающего чувствительность меры идентичности совмещаемых фрагментов, а, следовательно, обоснованность результата;

7.Разработан алгоритм комплексирования разноспектральных ИЗП на основе субполосной интерполяции и оптимального выделения компонент из адаптивно определяемых частотных интервалов, что позволяет согласовать размерности комплексируемых фрагментов и синтезировать изображение высокой резкости (четкости).

8. Разработана программная поддержка созданных алгоритмов предварительной обработки ИЗП;

9. Результаты проведенных вычислительных экспериментов иллюстрируют обоснованность основных выводов о преимуществах созданных методов и алгоритмов и рекомендаций по их применениям.

В пяти Приложениях приведены примеры обрабатываемых ИЗП, результаты некоторых вычислительных экспериментов и свидетельства о регистрации Программ для ЭВМ.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Статьи в журналах из списка ВАК

1. Жиляков, Е.Г. Об эффективности метода оценивания значений долей энергии изображений на основе частотных представлений [Текст] / Е.Г. Жиляков, A.A. Черноморец, А.Н. Заливин // Информационные системы и технологии. - 2009. - №2/52. - С. 12-22.

2. Заливин, А.Н. Повышение четкости контуров и фильтрация космо-снимков земной поверхности [Текст] / Е.Г Жиляков, А.Н. Заливин // Вопросы радиоэлектроники. Серия: ЭВТ. - 2010. - Вып. 1. - С. 66-72.

3. Жиляков, Е.Г. О цифровой обработке изображений земной поверхности с целью повышения резкости [Текст] / Е.Г Жиляков, В.В. Красильни-ков, А.Н. Заливин // Вопросы радиоэлектроники. Серия: ЭВТ. - 2011. -Вып. 1. -С. 89-96.

4. Жиляков, Е.Г. О выделении контуров объектов на изображениях земной поверхности [Текст] / Е.Г. Жиляков, A.A. Черноморец, А.Н. Заливин // Научные ведомости БелГУ. Серия: История. Политология. Экономика. Информатика. - 2011. - № 1. - Вып. 17/1. - С. 196-200.

Публикации в научных журналах и сборниках трудов научных конференций

5. Заливин, А.Н. Новый метод повышения четкости контуров при анализе аэрокосмических фотоснимков [Текст] / А.Н. Заливин, К.П. Цветков // Компьютерные науки и технологии: сб. труд, первой междунар. науч.-техн. конф. - Белгород, ООО «ГиК», 2009. - С. 157-160.

6. Жиляков, Е.Г. О повышении четкости контуров на космоснимках земной поверхности [Текст] / Е.Г. Жиляков, A.A. Черноморец, А.Н. Заливин // Информатика и моделирование: сб. науч. труд. 9-й междунар. науч.-техн. конф. / НТУ ХПИ. - Харьков, 2009. - 43'2009 - С. 68-74.

7. Жиляков, Е.Г. Повышение визуального качества космоснимков земной поверхности [Текст] / Е.Г. Жиляков, A.A. Черноморец, А.Н. Заливин // Математические методы в технике и технологиях (ММТТ-23): сб. трудов XXIII междунар. науч. конф. - Саратов, 2010. - Т 9 - С. 183-186.

8. Заливин, А.Н О градиентной обработке космоснимков земной поверхности [Текст] / Е.Г. Жиляков, A.A. Черноморец, А.Н. Заливин // Инновационные подходы к применению информационных технологий в профессиональной деятельности: сб. науч. труд. 2-й междунар. науч.-практ. интернет-конф. - Белгород, 2010. — С. 335-338.

9. Балабанова, Т.Н. / Повышение четкости изображений на основе вариационного метода оценки производных [Текст] / Т.Н. Балабанова, И.И. Чижов, А.Н. Заливин // Цифровая обработка сигналов и ее применение -DSPA: сб. 13-й междунар. конф. - Москва, 2010. - XIII-2 - С. 100-102.

10. Заливин, А.Н. О выделении контуров на коемоенимках земной поверхности [Текст] / Е.Г. Жиляков, A.A. Черноморец, А.Н. Заливин // Фундаментальные и прикладные исследования, разработка и применение высоких технологий в промышленности: сб. ст. 11-й междунар. науч.-практ. конф. / Политехи, ун-т. - Санкт-Петербург, 2011. - С. 103-107.

11. Заливин, А.Н. О масштабировании изображений земной поверхности в задачах дистанционного зондирования [Текст] / Е.Г. Жиляков, A.A. Черноморец, А.Н. Заливин // Информационные системы и технологии: сб. труд, междунар. науч.-практ. интернет-конф. / ФГОУ ВПО «Госуниверси-тет-УНПК». - Орел, 2011. - С. 137-140.

12. Заливин, А.Н. Оконтуривание объектов на изображениях на основе субполосной обработки [Текст] / Е.Г. Жиляков, A.A. Черноморец, А.Н. Заливин // Медико-экологические информационные технологии: сб. мат. XIV междунар. науч.-техн. конф - Курск, 2011. - С. 201-206.

13. Жиляков, Е.Г. Субполосный метод интерполяции сигналов [Текст] / Е.Г. Жиляков, А.Н. Заливин // Вестник Воронежского института ФСИН России. - 2011. -№ 1. - С. 21-26.

14. Заливин, А.Н Связь геометрии контуров на изображении с геометрией распределения долей энергии в частотной области [Текст] / A.A. Черноморец, А.Н. Заливин // Компьютерные науки и технологии: сб. труд, второй междунар. науч.-техн. конф. - Белгород: ООО «ГиК», 2011. - С. 587-590.

15. Заливин, А.Н. Совмещение изображений земной поверхности на основе выделения контуров [Текст] / А.Н. Заливин // Компьютерные науки и технологии: сб. труд, второй междунар. науч.-техн. конф. - Белгород: ООО «ГиК», 2011.-С. 684-687.

Программы для ЭВМ

16. Свидетельство о государственной регистрации для программы для ЭВМ №2011613181 «Программная система выделения контуров объектов на изображениях на основе вычисления производных», авторы: Жиляков Е.Г., Черноморец A.A., Заливин А.Н., Фатова М.В. 22 апреля 2011 г.

17. Свидетельство о государственной регистрации для программы для ЭВМ №2011615970 «Программная система масштабирования изображений на основе частотных представлений», авторы: Жиляков Е.Г., Черноморец A.A., Заливин А.Н., 1 августа 2011 г.

Подписано в печать 26.03.2012. Гарнитура Times New Roman. Формат 60x84/16. Усл. п. л. 1,0. Тираж 100 экз. Заказ 77. Оригинал-макет подготовлен и тиражирован в ИПК НИУ «БелГУ» 308015, г. Белгород, ул. Победы, 85

61 12-5/3362

БЕЛГОРОДСКИЙ ГОСУДАРСТВЕННЫЙ НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

На правах рукописи

Заливин Александр Николаевич

РАЗРАБОТКА СУБПОЛОСНЫХ МЕТОДОВ И АЛГОРИТМОВ ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ ЗЕМНОЙ

ПОВЕРХНОСТИ

по специальности 05Л3.17 - Теоретические основы информатики

Диссертация на соискание учёной степени кандидата технических наук

Научный руководитель профессор, д.т.н., Е.Г. Жиляков

Белгород - 2012

СОДЕРЖАНИЕ

ВВЕДЕНИЕ................................................................................................................................4

ЕЛАВА 1. ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ ЗЕМНОЙ ПОВЕРХНОСТИ. ОСНОВНЫЕ ЗАДАЧИ И СОВРЕМЕННЫЕ АЛЕОРИТМЫ ИХ

РЕШЕНИЯ................................................................................................................................10

1.1 Дистанционное зондирование Земли из космоса в задачах мониторинга и управления................................................................................................................................10

1.2. Назначение и роль предварительной обработки в задачах анализа ИЗП...................16

1.3. Характеристика современных методов и алгоритмов предварительной обработки ИЗП.........................................................................................................................20

1.3.1. Повышение резкости ИЗП........................................................................................20

1.3.2 Изменение масштабов фрагментов ИЗП..................................................................26

1.3.3 Совмещение и комплексирование изображений, полученных в различных диапазонах частот................................................................................................................29

1.4 Основы субполосного анализа и синтеза изображений.................................................34

1.5 Задачи исследования.........................................................................................................37

ЕЛАВА 2. СУБПОЛОСНЫЕ СВОЙСТВА ИЗОБРАЖЕНИЙ............................................39

2.1 Метод повышение резкости изображений на основе оптимального субполосного выделения компонент из адаптивно определяемых интервалов ПЧ..................................39

2.1.1 Теоретические основы повышения резкости...........................................................40

2.1.2 Концептуальные основы экспериментальных исследований................................41

2.1.3 Планирование вычислительных экспериментов.....................................................43

2.1.4 Описание результатов повышения резкости и выделения линейных структур...45

2.2 Алгоритмы адаптивного повышения резкости ИЗП и выделения линейных структур ...................................................................................................................................................51

2.3 Основные результаты и выводы главы...........................................................................52

ЕЛАВА 3. ИЗМЕНЕНИЯ МАСШТАБОВ И ПОВЫШЕНИЕ КОНТРАСТНОСТИ КОНТУРОВ ФРАГМЕНТОВ ИЗОБРАЖЕНИЙ..................................................................53

3.1 Разработка на основе частотных представлений методов дифференцирования и интерполяции двумерных сигналов.......................................................................................53

3.1.1 Интерполяция на основе оптимальной аппроксимации производной..................59

3.2 Разработка алгоритма масштабирования изображений на основе субполосной интерполяции...........................................................................................................................64

3.3 Разработка алгоритма оконтуривания на основе метода вычисления производной ..71

3.4 Вычислительные эксперименты......................................................................................75

3.4.1 Теоретические основы методов выделения контуров и масштабирования изображений.........................................................................................................................75

3.4.2 Концептуальные основы экспериментальных исследований................................77

3.4.3 Планирование вычислительных экспериментов.....................................................82

3.4.4 Описание результатов вычислительных экспериментов........................................85

3.5 Основные результаты и выводы главы...........................................................................96

ЕЛАВА 4. СОВМЕЩЕНИЕ И КОМПЛЕКСИРОВАНИЕ ИЗОБРАЖЕНИЙ И ПРОГРАММНАЯ РЕАЛИЗАЦИЯ РАЗРАБОТАННЫХ АЛГОРИТМОВ........................97

4.1 Совмещение изображений................................................................................................98

4.1.1 Основы методов совмещения изображений............................................................98

4.1.2 Концептуальные основы экспериментальных исследований..............................105

4.1.3 Планирование вычислительных экспериментов...................................................109

4.1.4 Описание результатов вычислительных экспериментов......................................114

4.2 Комплексирование изображений...................................................................................119

4.2.1 Основы методов комплексирования изображений...............................................119

4.2.2 Концептуальные основы экспериментальных исследований..............................124

4.2.3 Планирование вычислительных экспериментов...................................................127

4.2.4 Описание результатов вычислительных экспериментов......................................129

4.3 Программная реализация разработанных методов и алгоритмов предварительной обработки изображений........................................................................................................135

4.3.1 Архитектура программной поддержки..................................................................135

4.3.2 Модуль оконтуривания фрагментов изображений на основе вычисления частных производных.......................................................................................................................137

4.3.3 Модуль масштабирования изображений................................................................138

4.3.4 Модуль повышения резкости фрагментов изображений.....................................139

4.3.5 Структура входных и выходных данных...............................................................140

4.4 Основные результаты и выводы главы.........................................................................141

ЗАКЛЮЧЕНИЕ......................................................................................................................143

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ............................................................145

ПРИЛОЖЕНИЕ А.................................................................................................................156

ПРИЛОЖЕНИЕ Б..................................................................................................................163

ПРИЛОЖЕНИЕ В..................................................................................................................166

ПРИЛОЖЕНИЕ Г..................................................................................................................173

ПРИЛОЖЕНИЕ Д..................................................................................................................176

ВВЕДЕНИЕ

Актуальность работы Изображения земной поверхности (ИЗП) широко используются для решения задач информационного обеспечения в сельском и лесном хозяйстве, экологии, мониторинге и контроле чрезвычайных ситуаций, при проведении научных и прикладных исследований окружающей среды и др.

В большинстве случаев ИЗП получают в ходе проведения дистанционного зондирования Земли (ДЗЗ) при помощи установленных на космических аппаратах различных оптико-электронных датчиков, которые реагируют на энергию в определенных диапазонах длин электромагнитных волн (разноспектральные ИЗП). Использование нескольких диапазонов длин волн обусловлено необходимостью получения дополнительной информации об изучаемых объектах. При этом возникает задача комплексирования таких изображений с целью повышения общей информативности относительно одних и тех же участков земной поверхности. Для установления закономерностей широко применяется сопоставление ИЗП или их фрагментов, полученных в различные моменты времени, что принято называть совмещением. При анализе фрагментов ИЗП часто возникает необходимость изменения их размеров (масштабирование). Достоверность результатов анализа и обоснованность выводов во многом зависят от контрастности и резкости контуров фрагментов ИЗП, что принято называть визуальным качеством.

Обработку ИЗП с целью повышения визуального качества, комплексирования и совмещения принято называть предварительной обработкой.

Применяемые в настоящее время методы повышения резкости и выделения контуров фрагментов изображений чувствительны к воздействиям флуктуационных шумов, что часто приводит к появлению лишних деталей (ложные контуры) на результирующих изображениях. Поэтому возникает необходимость разработки градиентных операторов менее чувствительных к

4

указанным искажениям исходных данных, что можно осуществить на основе создания методов оценивания производных компонент ИЗП из отдельных интервалов пространственных частот (ПЧ).

Для повышения резкости изображений обычно используют усиление компонент из области высоких ПЧ, что осуществляется на основе их выделения и добавления результата фильтрации к исходному изображению. Однако необходимо провести дополнительные исследования по уточнению области ПЧ, которые содержат компоненты изображений, дающие наибольший эффект в повышении резкости, и выбрать наилучший метод их выделения.

Масштабирование обычно реализуется на основе прореживания (уменьшение размеров) или интерполяции (увеличение размеров). Применяемые в настоящее время методы интерполяции не позволяют учесть свойства ИЗП, которые проявляются в наличии повышенных долей их энергий в областях ПЧ достаточно малых размеров.

В основе метода определения одних и тех же фрагментов земной поверхности присутствующих на разных изображениях, применяется оценивание их идентичности с использованием меры близости в виде пространственного коэффициента корреляции, который недостаточно чувствителен к различиям в значениях сравниваемых наборов пикселей. Поэтому необходимо усовершенствовать этот метод на основе разработки таких преобразований ИЗП, к результатам которых указанная мера идентичности будет более чувствительна, чем к исходным данным.

Комплексирование разноспектральных ИЗП обычно сводится к созданию (синтезу) нового изображения, на котором с повышенной резкостью были бы представлены все объекты наблюдаемой сцены, что часто реализуется на основе суммирования с некоторыми весовыми коэффициентами либо самих изображений, либо их компонент из областей высоких ПЧ. Повысить качество синтезируемого изображения можно на

основе усиления соответствующих компонент из адаптивно определяемых интервалов ПЧ.

Таким образом, актуальность темы диссертационных исследований определяется тем, что информативность ИЗП в задачах их анализа может быть повышена на основе использования компонент из различных интервалов ПЧ.

Методы и алгоритмы предварительной обработки ИЗП, усовершенствованные на основе использования их компонент из адаптивно определяемых интервалов ПЧ, представляется естественным называть субполосными.

Целью данной работы является совершенствование предварительной обработки изображений земной поверхности на основе разработки и применения методов и алгоритмов субполосного анализа и синтеза их компонент в определяемых в процессе обработки (адаптивно) интервалах пространственных частот.

Методы исследований:

В работе использованы методы субполосного частного анализа/синтеза, математической статистики, цифровой обработки изображений, линейной алгебры и вычислительных экспериментов.

Научную новизну работы составляет следующее:

1. Эмпирически установленные связи резкости изображений, включая ориентацию их линейных структур, с компонентами из различных интервалов ПЧ;

2. Субполосные методы численного дифференцирования и интерполяции изображений, позволяющие учесть распределение их энергий по интервалам ПЧ;

3. Субполосный градиентный оператор на основе субполосного численного дифференцирования, обладающий большей устойчивостью к воздействиям на исходные данные флуктуационных шумов, чем операторы,

применяемые в настоящее время для выделения контуров фрагментов изображений;

4. Метод повышения чувствительности пространственного коэффициента корреляции к идентичности сравниваемых фрагментов совмещаемых изображений на основе применения субполосного градиентного оператора.

Практическая значимость работы определяется алгоритмами, которые позволяют повысить качество предварительной обработки изображений.

Полученные результаты также используются при проведении НИР и ОКР ЗАО «НЛП «СПЕЦ-РАДИО», что подтверждается соответствующим актом, а так же в учебном процессе магистров факультета КНиТ НИУ БелГУ.

Положения, выносимые на защиту:

1. Субполосные методы и алгоритмы численного дифференцирования и интерполяции изображений, устойчивые к воздействию флуктуационных помех;

2. Методы и алгоритмы повышения резкости ИЗП и контрастности контуров их фрагментов на основе оптимального выделения компонент из адаптивно определяемых интервалов ПЧ и применения субполосного градиентного оператора;

3. Метод и алгоритмы совмещения изображений на основе применения субполосного градиентного оператора, повышающего чувствительность меры идентичности, а, следовательно, обоснованность результата;

4. Алгоритмы комплексирования разноспектральных изображений на основе субполосной интерполяции и оптимального выделения компонент из адаптивно определяемых интервалов ПЧ.

Достоверность выводов и рекомендаций обусловлена адекватностью субполосных методов задачам предварительной обработки ИЗП, корректностью применяемых математических преобразований, а также

подтверждается результатами вычислительных экспериментов с реальными эмпирическими и модельными изображениями.

Личный вклад соискателя

Все изложенные в диссертации результаты исследования получены либо соискателем лично, либо при его непосредственном участии.

Апробация результатов диссертационного исследования.

Результаты диссертационного исследования обсуждались на следующих научно-технических конференциях:

1. Первая Международная научно-техническая конференция, «Компьютерные науки и технологии», 2009 г., 2011 г.г., Белгород, Россия;

2. Вторая Международная научно-техническая конференция, «Компьютерные науки и технологии», 2011 г., Белгород, Россия;

3. Областная научно-практическая конференция «Белгородская область: прошлое, настоящее и будущее», 2009 г., Белгород, Россия;

4. IX международная научно-техническая конференция "Проблемы информатики и моделирования (ПИМ-2009)", 2009 г, Харьков, Украина;

5. XXIII международная научной конференция «Математические методы в технике и технологиях ММТТ-23», 2010 г, Саратов, Россия;

6. Международная научно-практическая Интернет-конференция: «Инновационные подходы к применению информационных технологий в профессиональной деятельности», 2010 г, Белгород, Россия;

7. 13 -я Международная конференция «Цифровая обработка сигналов и ее применение - ББРА - 2011», 2011 года, Москва, Россия;

8. Одиннадцатая международная научно-практическая конференция «Фундаментальные и прикладные исследования, разработка и применение высоких технологий в промышленности» 2011 г., Санкт-Петербург, Россия;

9. Международная научно-техническая интернет-конференция «Информационные системы и технологии» 2011 г., Орел, Россия;

10. XIV Международная научно-техническая конференция "Медико-экологические информационные технологии - 2011", 2011 г. Курск, Россия.

Связь с научными и инновационными программами

Диссертационное исследование выполнялось в рамках следующих федеральных проектов: ФЦП «Научные и научно-педагогические кадры для инновационной России» на 2009-2013 годы, Госконтракт № 14.740.11.0390; аналитическая ведомственная целевая программа МОН РФ «Развитие научного потенциала высшей школы (2009-2011 годы)», проекты 2.1.2/656 и 2.1.2/9382.

Публикации

По теме диссертационного исследования опубликовано 17 печатных работ (из них 4 в журналах из списка ВАК РФ), в том числе два Свидетельства Роспатента РФ о государственной регистрации программы для ЭВМ.

Объем и структура работы

Диссертация состоит из Введения, четырех глав, Заключения и Приложения. Работа изложена на 155 страницах машинописного текста, включая 45 рисунков, 18 таблиц и список литературных источников из 116 наименований.

Работа выполнена на кафедре «Информационно-телекоммуникационных систем и технологий» Белгородского государственного национального исследовательского университета. СОДЕРЖАНИЕ РАБОТЫ

Диссертация состоит из введения, четырех глав, заключения и пяти приложений.

ГЛАВА 1. ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ИЗОБРАЖЕНИЙ ЗЕМНОЙ ПОВЕРХНОСТИ. ОСНОВНЫЕ ЗАДАЧИ И СОВРЕМЕННЫЕ АЛГОРИТМЫ ИХ РЕШЕНИЯ

1.1 Дистанционное зондирование Земли из космоса в задачах мониторинга и управления

Дистанционное зондирование определяют как процесс или метод получения информации об объекте, участке поверхности или явлении путем анализа данных, собранных без контакта с изучаемым объектом. Данные дистанционного зондирования (изображения земной поверхности) получают с помощью различных датчиков или съемочных систем. Схема дистанционного зондирования приведена на рис. 1.1 .[97]

Я 11* | (К ( > к: с . •¡ •>♦>4 .¡и

\ с ,>и а'ьи (

\

Д мчи».

. N V Г|Ч> •• \

V.

лп |<

мяч ни^ч'Р"!

Чанш! /

\

II 1ЧЧЯГ»Н<

< икни«;

г И КС

I • - ¡| гс и1 ,!

и! I'.

Е 1,4:1 ш".

I' ■ Г','|г 11М1'

. С, НЧ-И-

\

Рисунок 1.1 Схема дистанционного зондирования Ее составляющими являются источник электромагнитного излучения, процесс распространения излучения и его взаимодействие с веществом объекта, ответный сигнал, регистрация данных и предоставление их потребителям. В этой модели источник генерирует электромагнитного излучение с высоким уровнем энергии во всем диапазоне длин волн, причем

�