Спосіб автоматизованого виявлення площинних об’єктів та інформативних ділянок на півтонових растрових знімках земної поверхні

Реферат: Спосіб автоматизованого виявлення площинних об'єктів та інформативних ділянок на півтонових растрових знімках земної поверхні, що включає розбиття зображення на сегменти характерних форм та площі, які обумовлені яскравісними та просторовими властивостями ділянок, оцінку параметрів сегмента та формування бази сегментів-еталонів, вибір поточного сегмента зображення, оцінку параметрів сегмента, порівняння параметрів сегмента із значеннями параметрів сегментів-еталонів, визначення відповідності поточного сегмента сегмента-еталона, прийняття рішення стосовно наявності або відсутності інформативної ділянки у даному поточному зображенні. Оцінку параметрів сегментів зображення виконують з врахуванням значень яскравості та розташування елементів сегмента, здійснюють порівняння параметрів сегмента із значеннями параметрів сегментів-еталонів за загальним вирішальним правилом та фіксують значення результату на зображенні, класифікують сегменти за значенням загального вирішального правила та при цьому оцінку параметрів та класифікацію виконують шляхом паралельних обчислень за допомогою матричного процесора у режимі реального часу. UA 121816 U (12) UA 121816 U UA 121816 U 5 10 15 20 25 30 35 40 45 50 55 60 Корисна модель належить до галузі інформаційних технологій, зокрема до проблематики штучного інтелекту, а саме до цифрового аналізу зображень. Цифровий знімок поверхні землі можна розглядати як набір кусково-однорідних представлень з різною текстурою. Опис таких текстур за допомогою представлень дозволяє з великою ймовірністю класифікувати площинні об'єкти, які в більшості випадків займають велику частину знімку та можуть бути ідентифіковані як ліс, поле, водна поверхня, дорога та ін. Відомий спосіб аналізу зображень, який включає сегментацію методом впрошування областей, суть якого у поєднанні елементів з близькими значеннями інтенсивності [1]. Для цього на вихідному зображенні шукають ділянки однієї інтенсивності, ділянки, які мають загальні границі, з'єднують за визначеними евристичними правилами. Недоліком такого способу є необхідність підбору порогового рівня у інтерактивному режимі. Інший відомий спосіб аналізу зображень застосовує пороговий метод сегментації на основі середнього значення інтенсивності пікселів [2]. Суть способу полягає у обчисленні норми градієнта зміни інтенсивності кожного пікселя, з наступним виділенням всіх елементів, значення норми яких більше порогового значення. Як контури об'єктів на монохромній матриці вибирають пов'язані конфігурації елементів чорного кольору, шляхом дослідження визначають коефіцієнт, розраховують порогові значення норми градієнта як додатку даного коефіцієнта на суму квадратів середніх величин модулів зміни інтенсивності сусідніх пікселів по рядкам та стовбцям, у яких значення перевищує загальні середні рівні не нульових змін, відповідно, по рядкам та стовбцям, а серед пов'язаних конфігурації елементів чорного кольору виключають конфігурації з кількістю менш 5-7 елементів для конфігурацій, які залишилися, обчислюють середній ступінь сусідства, значення менш 3-ох відкидається, а решту приймають як контури об'єктів. До недоліків даного способу віднесена велика кількість емпіричних параметрів, що не дозволяє отримати вирішальне правило придатне для аналізу зображень, отриманих при різних умовах зйомки. Схожий спосіб аналізу зображень [3] визначає центри кластеризації в автоматичному режимі на основі градієнтного зображення, отриманого з вихідного за допомогою маски оператора Кірша. Застосування градієнтного зображення дозволяє вирішити проблему автоматичного виявлення центрів кластеризації, так як мінімумам функції градієнтного зображення відповідають точки з однорідним околом. Недоліком способу є застосування оператора Кірша, який аналізує обмежений окіл, тоді як при пошуку центрів кластеризації необхідно дослідити взаємозв'язок більшої кількості елементів, з метою більш точного визначення центрів росту. Найбільш близьким аналогом є спосіб виявлення аномалій яскравості на цифровому зображенні [4]. Спосіб включає розбиття зображення на сегменти заданих форми та площ, які обумовлюються просторовими властивостями аномалії, формування сегмента-еталона, вибір поточного сегмента, порівняння значень інтенсивності пікселів кожного поточного сегмента зі значеннями інтенсивності пікселів сегмента-еталона, визначення за результатами порівняння наявності або відсутності площинної аномалії у даному поточному сегменті. Це досягається за рахунок того, що при порівнюванні значень інтенсивності відповідних пікселів поточного сегмента та сегмента-еталона фіксують знак результату цього порівняння, окремо підраховують загальні кількості знако-позитивних та знако-негативних результатів порівняння, вибирається менша з двох кількостей і вона порівнюється з порогом, величина якого визначається заданими розмірами площі сегмента та прийнятою ймовірністю хибної тривоги, за результатами співставлення приймається рішення стосовно наявності або відсутності площинної аномалії у даному поточному сегменті зображення, після чого переходять до аналізу чергового сегмента зображення. У запропонованому способі підвищення імовірності виявлення об'єктів на знімках земної поверхні досягається шляхом мінімізації середнього ризику від рішень, які приймаються. В основу корисної моделі поставлено задачу розробити спосіб автоматизованого виявлення площинних об'єктів та інформативних ділянок на півтонових растрових знімках земної поверхні, який забезпечить спрощення елементної структури алгоритму автоматизованого виявлення об'єктів, що дозволить використовувати обчислення у режимі реального часу на борту авіаційних засобів моніторингу. Поставлена задача вирішується тим, що у способі автоматизованого виявлення площинних об'єктів та інформативних ділянок на півтонових растрових знімках земної поверхні, що включає розбиття зображення на сегменти характерних форм та площі, які обумовлені яскравісними та просторовими властивостями ділянок, оцінку параметрів сегмента та формування бази сегментів-еталонів, вибір поточного сегмента зображення, оцінку параметрів сегмента, порівняння параметрів сегмента із значеннями параметрів сегментів-еталонів, визначення 1 UA 121816 U 5 10 15 відповідності поточного сегмента, сегмента-еталону, прийняття рішення стосовно наявності або відсутності інформативної ділянки у даному поточному зображенні, згідно з корисною моделлю, оцінку параметрів сегментів зображення виконують з врахуванням значень яскравості та розташування елементів сегмента, здійснюють порівняння параметрів сегмента із значеннями параметрів сегментів-еталонів за загальним вирішальним правилом та фіксують значення результату на зображенні, класифікують сегменти за значенням загального вирішального правила та при цьому оцінку параметрів та класифікацію виконують шляхом паралельних обчислень за допомогою матричного процесора у режимі реального часу. Порівняння параметрів сегмента із значеннями параметрів сегментів-еталонів здійснюють за загальним вирішальним правилом, а предикат поєднання ідентифікованих сегментів враховує значення загального вирішального правила, розрахованого за Байесовським принципом нормального розподілу. Обробку зображень здійснюють з використанням лінійних моделей фільтрації. Такі моделі породжують двомірні випадкові процеси, до яких застосовують процедури статистичного виводу. Поєднання лінійних моделей фільтрації зі статистичними методами призводить до практичних алгоритмів для вилучення з зображення корисної інформації [5]. Опис кусково-однорідних ділянок зображення, згідно з корисною моделлю, апроксимують наступними представленнями: авторегресійним y(m, n)   k,1y(m  k, n  1)  w(m, n) (k,1)S , (1) 20 поліноміальним у(m, n)  k 1 1 k   ijmin j  w(m, n) , (2) i 1 j 1 комбінованим y(m, n)   (k,1)S k,1y(m  k, n  1)  k 1 1 k   ijmin j  w(m, n) (3) i 1 j 1 де y(m,n) - функція інтенсивності в точці з координатами (m, n) , k,1 та  ij - параметри моделі, 25 30 S(k,1) - функція інтенсивності сусідніх елементів. Модель опису враховує значення інтенсивності (1), розташування (2) та обидва показника разом (3), а алгоритми обчислення адаптовані для пошуку однорідних ділянок різної розмірності та структури, за рахунок впровадження адаптивного вікна аналізу та матриці опису текстури. Всі етапи аналізу зображення використовують значення загального вирішального правила, розрахованого за Байесовським принципом, в основу якого покладений закон нормального розподілу. ln p( y s / Hk )    t6 5 t ln 2 t 1 * ln  *  ln   ln( 2  1)  ln det  * S( t, a k )  2 2 2 2 2 2 (   qi ) 2 5  i   ln(  i ) 2 k i 1 i 1 5 35 40 де: p( y s / Hk ) - функція правдоподібності; t - кількість елементів;  - дисперсія; nk - кількість параметрів моделі; * S( t, ak ) - функція інтенсивності моделі породження; i - оцінка параметрів моделі (еталона); qi - оцінка параметрів породженої моделі;  - середньоквадратичне відхилення. Спосіб здійснюють наступним чином. 2  , (4) UA 121816 U 5 10 15 20 25 30 35 40 45 50 55 Зображення ділять на сегменти характерних форм та площі, які обумовлені яскравісними та просторовими властивостями ділянок, оцінюють параметри окремого сегмента шляхом апроксимації авторегресійними, поліноміальними та комбінованими представленнями з врахуванням значень яскравості, розташування та комбінованим способом, у разі відсутності у базі даних сегментів-еталонів заносять інформацію про сегмент, вибирають поточний сегмент зображення та оцінюють його параметри, порівнюють параметри сегмента із значеннями параметрів сегментів-еталонів з бази даних та фіксують значення результату на зображенні. На завершальному етапі за значенням загального вирішального правила ідентифіковані сегменти поєднують у цифрову карту зображення, у режимі реального часу за допомогою матричного процесора. За результатами порівняння приймають рішення стосовно наявності або відсутності інформативної ділянки у поточному зображенні. Експериментальну перевірку працездатності запропонованого способу проводили на синтезованих модельних і реальних знімках земної поверхні, отриманих від оптико-електронних та радіолокаційних засобів повітряного моніторингу. Порівняння способу, що заявляється, із найближчим аналогом дозволяє зробити висновок, щодо спрощення елементної структури алгоритму автоматизованого виявлення площинних об'єктів та інформативних ділянок на півтонових растрових знімках земної поверхні. Запропонований спосіб автоматизованого виявлення площинних об'єктів та інформативних ділянок на півтонових растрових знімках земної поверхні може бути використаний на борту авіаційних засобів моніторингу для визначення режимів зйомки видових технічних засобів спостереження. Джерела інформації: 1. Путятин Ε.П., Аверин С.И. Обработка изображений в робототехнике - М.: Машиностроение, 1990. - С. 18-25. 2. Патент РФ № 2325044 "Градиентный способ выделения контуров объектов на матрице полутонового растрового изображения /Н.И. Гданский (RU), Ю.А. Марченко (RU) //Московский государственный университет инженерной экологии (RU). - Заяв. № 2007106412/09, 21.02.2007; Опубл. 20.05.2008 Бюл. № 14. 3. Pat. WO 2009143651 (А1), IPC7 G06T 5/00. Fast image segmentation using region merging with a k-nearest neighbor graph /Mantao X. [CN], Qiyong G. [CN], Hongzhi L. [CN], Jiwu Z. [CN]. 4. Патент UA 76221 C2; G06K 9/00, G06K 9/46, G06K 9/68; Спосіб виявлення аномалій яскравості на цифровому зображенні та пристрій для його здійснення /М.О. Попов (UA); С.А. Станкевич (UA); В.В. Безкровний (UA); А.І. Воробйов (UA); O.B. Зайцев (UA) //ЦЕНТР АЕРОКОСМІЧНИХ ДОСЛІДЖЕНЬ ЗЕМЛІ ІНСТИТУТ ГЕОЛОГІЧНИХ НАУК НАЦІОНАЛЬНОЇ АКАДЕМІЇ НАУК УКРАЇНИ (UA). - Заявка № 20040503582, Заявл. 13.05.2004; Опубл. 17.07.2006, бюл. № 7/2006. 5. Террайен Ч.У., Куатьери Т.Ф., Даджон Д.Е. Алгоритмы анализа изображений, основанные на статистических моделях // ТИИЭР. - 1986. - Т. 74, № 4. - С. 4-25. ФОРМУЛА КОРИСНОЇ МОДЕЛІ Спосіб автоматизованого виявлення площинних об'єктів та інформативних ділянок на півтонових растрових знімках земної поверхні, що включає розбиття зображення на сегменти характерних форм та площі, які обумовлені яскравісними та просторовими властивостями ділянок, оцінку параметрів сегмента та формування бази сегментів-еталонів, вибір поточного сегмента зображення, оцінку параметрів сегмента, порівняння параметрів сегмента із значеннями параметрів сегментів-еталонів, визначення відповідності поточного сегмента сегмента-еталона, прийняття рішення стосовно наявності або відсутності інформативної ділянки у даному поточному зображенні, який відрізняється тим, що оцінку параметрів сегментів зображення виконують з врахуванням значень яскравості та розташування елементів сегмента, здійснюють порівняння параметрів сегмента із значеннями параметрів сегментіветалонів за загальним вирішальним правилом та фіксують значення результату на зображенні, класифікують сегменти за значенням загального вирішального правила та при цьому оцінку параметрів та класифікацію виконують шляхом паралельних обчислень за допомогою матричного процесора у режимі реального часу. Комп’ютерна верстка Л. Ціхановська Міністерство економічного розвитку і торгівлі України, вул. М. Грушевського, 12/2, м. Київ, 01008, Україна ДП “Український інститут інтелектуальної власності”, вул. Глазунова, 1, м. Київ – 42, 01601 3