В роботі розглядаються алгоритми фрагментації кольорових фотознімків для формування разносезонних еталонних зображень кореляційно-екстремальних систем навігації ЛА за допомогою бази даних спектральних коефіцієнтів яскравості елементів ландшафту. Запропоновано три типи алгоритмів фрагментації: за допомогою оператора, на основі кластерного аналізу відповідних векторів в RGB-просторі, за допомогою вейвлет-перетворення зображення.

Анотація наукової статті з комп'ютерних та інформаційних наук, автор наукової роботи - Щербінін Віктор Вікторович, Шевцова Катерина Вікторівна


THE COLOR PICTURES FRAGMENTATION ALGORITHMS FOR FORMATION DIFFERENT SEASONAL REFERENCE IMAGES OF THE AIRCRAFT CORRELATION-EXTREME NAVIGATION SYSTEMS1CNII AG "

This paper presents the color pictures fragmentation algorithms for formation different seasonal reference images of the aircraft correlation-extreme navigation systems by means of brightness spectral factors database of landscape elements. The three types of fragmentation algorithms are offered: the operator algorithm, the cluster analysis algorithm of corresponding vectors in RGB-space and the image wavelet-transformation algorithm.


Область наук:
  • Комп'ютер та інформатика
  • Рік видавництва: 2010
    Журнал: Известия Південного федерального університету. Технічні науки

    Наукова стаття на тему 'Алгоритми фрагментації кольорових фотознімків для формування разносезонних еталонних зображень оптичних кореляційно-екстремальних систем навігації ЛА'

    Текст наукової роботи на тему «Алгоритми фрагментації кольорових фотознімків для формування разносезонних еталонних зображень оптичних кореляційно-екстремальних систем навігації ЛА»

    ?Volkovitskiy Andrey Kirillovich

    Institute of Control Sciences (ICS RAS).

    E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її..

    65, Profsoyuznaya street, Moscow, 117997, Russia. Phone: 84953347168.

    681.3.01

    B.B. Щербінін, E.B. Шевцова

    АЛГОРИТМИ ФРАГМЕНТАЦІЇ КОЛЬОРОВИХ ФОТОСНИМКОВ ДЛЯ ФОРМУВАННЯ РАЗНОСЕЗОННИХ ЕТАЛОНИ ЗОБРАЖЕНЬ ОПТИЧНИХ КОРРЕЛЯЦИОННО-ЕКСТРЕМАЛЬНИХ СИСТЕМ

    НАВІГАЦІЇ ЛА

    В роботі розглядаються алгоритми фрагментації кольорових фотознімків для формування разносезонних еталонних зображень кореляційно-екстремальних систем навігації ЛА за допомогою бази даних спектральних коефіцієнтів яскравості елементів ландшафту. Запропоновано три типи алгоритмів фрагментації: за допомогою оператора, на основі кластерного аналізу відповідних векторів в RGB-просторі, за допомогою на-- .

    Кореляційно-екстремальна система навігації; кольорове зображення; кластер; - .

    V.V. Scherbinin, E.V. Shevtsova

    THE COLOR PICTURES FRAGMENTATION ALGORITHMS FOR FORMATION DIFFERENT SEASONAL REFERENCE IMAGES OF THE

    AIRCRAFT CORRELATION-EXTREME NAVIGATION SYSTEMS

    This paper presents the color pictures fragmentation algorithms for formation different seasonal reference images of the aircraft correlation-extreme navigation systems by means of brightness spectral factors database of landscape elements. The three types of fragmentation algorithms are offered: the operator algorithm, the cluster analysis algorithm of corresponding vectors in RGB-space and the image wavelet-transformation algorithm.

    orrelation-extreme navigation; system color; picture cluster analysis; wavelet-transformation.

    Перспективним напрямком розвитку оптичних корреляціонноекстремальних систем наведення (КЕСН) літальних апаратів (ЛА) є використання спектральних відбивних характеристик місцевості для формування еталонного і поточного зображень місцевості. Однією з форм використання спектральних відбивних характеристик місцевості є формування кольорових (RGB) зображень. В цьому випадку кольорові (RGB) зображення, призначені для формування поточного зображення (ТІ) місць, ,

    (RGB) ,

    зображення (ЕІ) місцевості, використовуються кольорові (RGB) фотознімки, отримані космічної або аеро-фотоапаратурою. Для кольорових зображень обрана наступна форма подання прийнятого оптичного сигналу [1]:

    = ( > > ь_) =

    1 Г_

    / V (V Гі V г0

    кг °,

    8__

    кь °,

    _ ___

    Про ^ 0

    J

    (1)

    де тр, gj,'у - у-й елемент кольорового зображення підстильної поверхні,

    Порівняння кольорових оптичних ТИ і ЕІ, що представляють собою матриці (відповідної розмірності), здійснюється за допомогою функціоналу

    л = Т? р (е, • \) •

    г /

    де е //, t .. - елементи кольорових оптичних ЕІ і ТИ відповідно;

    У У

    р (ег /, t / j) - функція відстані між векторами елементів кольорових оптичних зображень (при р (е /, ^) = (е / * ^) - Я є кореляційної,-ня ((*) - скалярний добуток двох векторів )).

    Одним з основних переваг розглянутих типів КЕСН є можливість синтезу ЕІ місцевості одного сезону за фотознімками іншого сезо-.

    природного / штучного утворення і його спектральних характеристик відображення в даний момент часу.

    Відповідно до теоретичних і експериментальними дослідженнями [2, 3] ландшафти (на довжині від сотень метрів до десятків кілометрів) представляють собою сукупність фацій - однорідних за складом природних і штучних утворень (поле, поляна, берег річки, водна поверхня озера, однорідний ділянку лісу і т.д.). Фації в свою чергу, діляться на більш дрібні й однорідні освіти - фрагментарний, у яких не тільки склад, але і умови (вологість, рельєф місцевості і т.д.) однакові. Спектральні коефіцієнти яскравості (СКЯ) фрагментарний в діапазоні довжин хвиль 0,45 ... 0,70 мкм в кожній точці практично однакові (з точністю ~ 10% - максимальне відхилення). Спектральні криві двох фрагментарний однієї фації зміщені один щодо одного на постійну величину. Багаторічні проведені дослідження (як у нас в країні, так і за кордоном) дозволили отримати спектральні криві значної кількості фрагментарний, що знаходяться в різних умовах і в .

    можна синтезувати кольорове представлення іншого сезону. Для цього кожній точці виділеного і розпізнаного фрагментарний присвоюється значення сигна- ((1))

    фрагментарний. База даних створена на основі атласу СКЯ природних і штучних утворень ЕЛ. Крінова [4].

    Процедура підготовки ЕІ включає наступні етапи.

    1. - -сті, дешифрування і визначення типажу елементів (фацій / фрагментарний) її складових -? 2 ", (так зване формування кластерно-мозаїчної моделі).

    Етап 2. Обчислення значення к-й складової елементу ландшафту? 2 "за формулою:

    +

    Як (х у) = Як ((x, у) е а ") = - | / к (Лут (л а" уі. (2)

    ді ^

    де / к (А) - передавальна функція для к-й складової (з ЯвВ) фотоапарата; тт (1,? 2 ") - типова крива СКЯ (дня даного сезону) елементу ландшафту? 2". 3.:

    Як показують практичні роботи, етап 1 є найбільш трудомістким і найбільш тривалим, тому що всі дії виконуються оператором .

    автоматизувати операції етапу 1. І в першу чергу операцію фрагментації кольорового космічного або аеро-фотознімку місцевості. При цьому можливе застосування наступних підходів:

    | Кластерний аналіз в просторі ЯвВ;

    | На основі вейвлет-перетворення кольорових зображень.

    Процедура кластерного аналізу зображення представлена ​​на рис. 1. Мета її

    полягає в локалізації в просторі ЯвВ «з ^ стков» векторів, що представляють собою ЯвВ-відображення фрагментарний, в кілька кластерів (по числу фацій на фотознімку місцевості) і в подальшому відображенні локалізованих кластерів на зображенні.

    , (-Стей) можливе застосування вейвлет-перетворення. Одним з основних пре-

    - -калізованних змін сигналу. Ряди на основі вейвлет-перетворення зручні для рекурентних обчислень, оскільки кількість операцій, необхідних для обчислення коефіцієнтів розкладання так само, як і кількість операцій для відновлення функції по її вейвлет-коефіцієнтами, пропорційно кількості відліків функції.

    Вейвлети використовуються або як ядра інтегрального перетворення

    або в якості генеруючої функції для побудови ортонормированного базису за допомогою стисків зі збереженням норми в просторі Ь (Я):

    (3)

    і зрушень

    ?/ К ^) =? / (- до • 2 /) = 22 • щ ((• t - к), до е 7.

    Мал. 1. Процедура кластерного аналізу кольорового (КОБ) зображення

    Особливості в зображенні виділяються шляхом знаходження локальних максимумів коефіцієнтів вейвлет-перетворення. Локальні максимуми коеф-

    -

    особливостей. Використовуючи поняття гладкості Ліпшиця, можна показати, що особливості (межа) знаходяться уздовж лінії перепадів локальних максимумів вейвлет-коефіцієнтів при малих масштабах.

    Процедура фрагментації з використанням вейвлет-перетворення кольорових зображень складається з наступних операцій:

    1., компонентами якого є інтенсивності світіння квітів: Я - червоного, в - зеленого, В - синього. Кожен шар (Я, в, В) зображення розміру (х N) пікселів розкладається по вейвлет-б ^ ісу із застосуванням одновимірних формул згорток за такими формулами:

    Е hk 'a0,2nl + k' dl, nl Е gk

    k до

    = Е hk 'a0,2n2 + до' d1, n2 _ Е gk

    k

    du 2 = Е h-

    k

    d1, n 2 _ Е gk k

    де {hk} і {gk} - набори коефіцієнтів фільтра точного відновлення. У послідовності {hk} і {gk} лише кінцеве число коефіцієнтів відмінно від нуля, тобто вони є кінцевою лінійною комбінацією функцій з кого.

    При цьому коефіцієнти розкладання обчислюються для кожного елементарного квадрата розміром (12 Х12)

    В якості проміжного етапу можлива побудова перетворених з використання вейвлет-б ^ Іса шарів (R, G, B) зображення в такий спосіб.

    ,

    позитивним, нульовим і негативним коефіцієнтам розкладання відповід-.

    2.

    коефіцієнти розкладання. Далі, найбільшому коефіцієнту присвоюється його ж знак.

    3. Проводиться процедура порівняння найбільших коефіцієнтів розкладання в кожному сусідньому елементарному квадраті. При виконанні умови зміни знака при переході від одного елементарного квадрата до іншого проставляється та чи інша мітка.

    Відпрацювання і оцінка ефективності пропонованих алгоритмів фрагментації кольорових фотознімків буде проведена в подальшому в ході практичних робіт з підготовки ЕІ оптичним КЕСН ЛА.

    БІБЛІОГРАФІЧНИЙ СПИСОК

    1. Щербінін В.В. Етапи та алгоритми обробки мультісіектральіих зображень для розпізнавання об'єктів в системах технічного зору // Праці Міжнародних науково-технічних конференцій «Інтелектуальні системи» (AIS'08) і «Інтелектуальні САПР» (CAD-2008). Наукове видання в 3-х томах. - М .: Физматлит, 2008.

    - Т. 2. - С. 42-47.

    2. Толчельніков Ю.С. Оптичні властивості ландшафту. - М .: Наука, 1974. - 251 с.

    3. Кондратьєв К.Я., Федченко П.П. Спектральна відбивна здатність і розпізнавання рослинності. - J1 .: Гидрометеоиздат, 1982. - 216 с.

    4. Кринів ЕЛ. Спектральна відбивна здатність природних утворень. - М .: АН РСР, 1947. - 315 с.

    Щербінін Віктор Вікторович

    ФГУП "ЦНДІ АГ".

    E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її..

    127018, г. Москва, ул. Радянської Армії, д. 5.

    .: 84956006317.

    Scherbinin Victor Victorovich

    "CNII AG".

    E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її..

    5, Sovetskaya Army street, Moscow, 127018, Russia.

    Phone: 84956006317.

    Шевцова Катерина Вікторівна

    Московський державний технічний університет ім. Н.е. Баумана (М'ГТУ ім. Баумана).

    107005, Москва, вул. 2-я Бауманська, буд. 5 E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її..

    Тел .: 89161755938.

    Shevtsova Ekaterina Victorovna

    Bauman Moscow State Technical University (BMSTU, Bauman MSTU).

    2nd Baumanskaia str., Moscow, 5107005, Russia.

    E-mail: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її..

    Phone: 89161755938.

    УДК 681.511

    A.E. Семенов, E.B. Крюков, Д.П. Рикованов, ТАК. Семенов

    Практичне застосування ТЕХНОЛОГІЙ КОМПЬЮТЕРНОГО ЗОРУ У ВИРІШЕННІ ЗАВДАНЬ РОЗПІЗНАВАННЯ, ВІДНОВЛЕННЯ 3D, зшивання КАРТ, точного цілевказання, числення ШЛЯХИ І

    НАВІГАЦІЇ

    У даній статті представлені результати робіт ЗАТ "Транзас" в області комп'ютерного зору стосовно завдань навігації ЛА і обробки інформації, одержуваної з ЛА.

    Штучний інтелект; комп'ютерний зір; розпізнавання; навігація; відновлення 3D; зшивання карт; цілевказування, БПЛА.

    A.E. Semenov, E.V. Kryukov, D.P. Rykovanov, D.A. Semenov

    COMPUTER VISION TECHNIQUES FOR RECOGNITION, 3D EXTRACTION, MAP STITCHING, TARGETING AND NAVIGATION

    Current work represents results achieved by Transas Group in the field of computer vision concerning AV / UAV navigation and UAV data processing.

    Artificial intelligence; computer vision; recognition; navigation; 3D extraction; map stitching; targeting; UAV.

    . ( -

    дання для високоточного ЛА, точне цілевказування, навігація / орієнтація ЛА і

    . .) .

    Ці технології мають ряд істотних переваг:

    | Пасивність;

    | Нечутливість до стандарт ним засобам постановки перешкод;

    | Можливість прямого позиціонування вироби щодо мети;

    | Можливість практично гарантованої доставки вироби до мети;

    | Потенційно низька сто имость одиничного вироби.

    В процесі виконання проекту БПЛА в ЗАТ "Транзас" був розроблений ряд технологій комп'ютерного зору, що мають практичне значення.


    Ключові слова: КОРРЕЛЯЦИОННО-ЕКСТРЕМАЛЬНА СИСТЕМА НАВІГАЦІЇ / КОЛЬОРОВЕ ЗОБРАЖЕННЯ / кластерний аналіз / ВЕЙВЛЕТ-ПЕРЕТВОРЕННЯ / СORRELATION-EXTREME NAVIGATION / SYSTEM COLOR / PICTURE CLUSTER ANALYSIS / WAVELETTRANSFORMATION

    Завантажити оригінал статті:

    Завантажити