Область наук:
  • Комп'ютер та інформатика
  • Рік видавництва: 2006
    Журнал: Известия Південного федерального університету. Технічні науки
    Наукова стаття на тему 'Алгоритми і програмні засоби розв'язання задачі розпізнавання об'єктів в умовах зміни умов зйомки в мультиспектральних системах технічного зору'

    Текст наукової роботи на тему «Алгоритми і програмні засоби розв'язання задачі розпізнавання об'єктів в умовах зміни умов зйомки в мультиспектральних системах технічного зору»

    ?Таким чином, для підвищення рівня інтелектуалізації Web-систем пропонується три моделі користувачів, які враховують різні відносини користувачів до послуг. Кожна їх цих моделей має свої достоїнства

    ,

    , .

    БІБЛІОГРАФІЧНИЙ СПИСОК

    1. Хоанг Суан Бать. Концепція науково-обр ^ овательного порталу // Праці VII Всеросійській науковій конференції з міжнародною участю "Нові інформаційні технології. Розробка і аспекти застосування". Таганрог, ТРТУ, 25-26 листопада 2004р. - Таганрог: Изд-во ПБОЮЛ В.А. Кравцов, 2004. - С. 362-363.

    2. Zadeh L.A. From Computing with Numbers to Computing with Words From Manipulation of Measurements to Manipulation of Perceptions // IEEE Transactions on circuits and systems, January, 1999..

    3. Leszek Rutkowski. FLEXIBLE NEURO-FUZZY SYSTEMS: Structures, Learning and Performance Evaluation. KLUWER ACADEMIC PUBLISHERS, New York, Boston, Dordrecht, London, Moscow, 2004.

    4. Fang Yuan, Huanrui Wu, Ge Yu. Web Users 'Classification Using Fuzzy Neural Network // KES 2004: Додати 1030-1036. - http://www.paper.edu.cn.

    П.П. Кравченко, В.В. Щербінін, Н.Ш. Хусаїнов,

    Р.В. Троценко, АЛ. Шкурко

    АЛГОРИТМИ І ПРОГРАМНІ ЗАСОБИ ВИРІШЕННЯ ЗАВДАННЯ РОЗПІЗНАВАННЯ ОБ'ЄКТІВ В УМОВАХ ЗМІНИ УМОВ ЗЙОМКИ В мультиспектрального СИСТЕМАХ ТЕХНІЧНОГО

    ЗОРУ

    З вдосконаленням технічних засобів спектрофотометрической зйомки розширюється область використання мультиспектральних зображень для вирішення задач автоматичної і автоматизованої обробки даних з метою класифікації або розпізнавання об'єктів. Виграш подібних систем у порівнянні з системами, заснованими на використанні триколірних зображень, досягається за рахунок використання інформації з спектральних площин (спектральна площину - прямокутна матриця, що містить відомості про інтенсивність світлового випромінювання в кожному пікселі зображення в певному вузькому діапазоні довжин хвиль), що знаходяться, в тому числі, за межами видимого діапазону довжин . ,

    ,

    автоматизованих алгоритмів класифікації і розпізнавання об'єктів.

    В даний час існує велика кількість систем технічного зору (СТЗ), що використовують інформацію різних діапазонів довжин хвиль: монохромний видимий + інфрачервоний (ІК), триколірний видимий + ІК, монохромний видимий + ближній / середній / дадьній ІК і т.п. Вони дозволяють істотно підвищити надійність і достовірність розпізнавання об'єктів в порівнянні з використанням одного єдиного видимого діапазону. Однак широкі (200 нм і більше) спектральні інтервали призводять до усереднення деяких інформаційних характеристик і знижують потенційні можливості распо-. -Женя характеризуються дрібнішим (можливо нерівномірним) розбиттям спектральних діапазонів на спектральні зони (шириною 20-50 нм у видимій

    області спектра і 100-300 нм в ІК-діапазоні), що дозволяє виявити деталі, нерозрізнені на зазначених вище СТЗ.

    Системи аналізу мультиспектральних знімків знаходять своє застосування в,, тощо Слід також відзначити перспективність застосування мультиспектрального зйомки для задач виявлення об'єктів.

    Джерелом мультиспектральних зображень при вирішенні задач моніторингу поверхні Землі можуть бути супутникові кадрові спектрофотомет-.

    зйомки в будь-якій точці земної кулі. Однак можна виділити і ряд істотних недоліків супутникових систем як, наприклад, низька оперативність (в основ,),

    , , . обмежують застосування подібних систем в сферах, де, в першу чергу, не.

    , .

    Для мультиспектрального зйомки підходять бортові кадрові спектрофото-,. виробляти оперативну зйомку заданих районів і отримувати знімки з достатнім для проведення класифікації зображених об'єктів дозволом.

    Незважаючи на все більшого поширення апаратури мультиспектрального ,

    обробки мультиспектральних зображень. Таким чином, дослідження в області алгоритмів, заснованих на використанні мультиспектрального зйомки, є на сьогоднішній день актуальним завданням.

    , , -, , дослідників в застосуванні технології мультиспектрального зйомки. При цьому основною проблемою отримання вихідних даних (мультиспектральних знімків) для проведення попередніх досліджень є необхідність використання дорогого устаткування. Наступна, не менш важлива проблема, з якою стикаються дослідники даних мультиспектрального зйомки - це обмежений набір програмних засобів для обробки мультиспектральних зображень. Пов'язано це, в першу чергу, з тим, що в обчислювальних системах найчастіше використовуються RGB-зображення і більшість існуючих програмних засобів направлено переважно на їх обробку.

    В даний час існує ряд програмних засобів, призначених для обробки даних мультиспектрального зйомки:

    1) HyperCube (р ^ работчік - US Army Topographic Engineering Center, USATEC) - надає широкий набір засобів по аналізу і корекції з- (,, -ское "склеювання" / комбінування зображень). Підтримує формат мультиспектральних даних. До специфічних операцій, які можна виконувати над такими даними, можна віднести: аналіз за методом головних компонент; перегляд псевдо-кольорового зображення; перегляд в режимі "слайд-шоу"; кластеризацию обраних ділянок зображення відповідно до заданих параметрів по одному з алгоритмів зіставлення спектральних характеристик пікселів зображення зі спектральними еталонними кривими з бази даних еталонних спектральних характеристик елементів ландшафту; відповідну класифікацію ділянок зображення. Особливістю програми є також можли-

    ність завдання і виконання операцій над зображенням і його окремими площинами у вигляді формул.

    2) MultiSpec (- Purdue Research Foundation) -

    , HyperCube. -

    тральних даних сконцентрована, в основному, на їх статистичному аналізі і кластеризації. У той же час виводиться детальна інформація не тільки про результати виконання кожної процедури, але і тривалість її виконання, що дозволяє оцінювати трудомісткість виконання тих чи інших операцій.

    3) PimaView (р ^ работчік - Integrated Spectronics Pty) - в значній мірі орієнтована на роботу з бібліотеками спектральних характеристик і аналіз окремих спектральних кривих, отриманих зі спектрофотометра, на предмет наявності тих чи інших хімічних елементів.

    4) ERDAS ViewFinder (- ERDAS) - , -

    ентірованний на виконання стандартних для сучасних графічних пакетів операцій над зображеннями (перегляд, контрастування, фільтрація і т.п.), але підтримує при цьому багаторівневі (мультиспектральні) формати гра,. , ERDAS Inc.

    розробником широкого спектру додатків для ГІС.

    , -тральних зображень використовують в основному зображення супутникової зйомки,,, -браженія без урахування геометричних зв'язків між пікселями. Також відзначимо, що жодна з представлених програм не підтримує можливість синтезу муль-

    .

    При переході від зображень, отриманих за допомогою супутникових кадрових спектрофотометрів, до зображень, отриманих з встановлених на літальних апаратах приладів, виникає ще одна серйозна проблема. Тут ви швидко,, -,,, можуть змінюватися при зміні ракурсу зйомки. Так, наприклад, один і той же будинок на знімках при прольоті з півночі на південь і з півдня на північ може виглядати вдосконалення-- . -

    .

    , -

    ня в даних умовах, є інформація про колір об'єкта. Для триколірних зображень у видимому діапазоні довжин хвиль ймовірність виділення об'єкта, слабо помітного на тлі, недостатньо висока для надійного розпізнавання. С,, представлена ​​більш детальна інформація, в тому числі з невидимого діапазону світлових хвиль (тобто на знімках присутня інформація з області інфрачервоно). -

    вість розрізнення об'єкта і фону і, відповідно, здійснення розпізнавання-.

    В рамках проведених досліджень розроблений алгоритм розпізнавання об'єктів на мультиспектральних зображеннях, частково вирішальний описані .

    Сутність розробленого підходу до вирішення проблеми розпізнавання об'єкта з урахуванням можливої ​​зміни ракурсу і дії перешкод полягає в використанні характерних для об'єкта і "нехарактерних" для фону ознак (шаблонів), побудованих на основі статистичних характеристик (гістограм)

    спектрального уявлення пікселів в просторі ознак (квантованим).

    Як вже було зазначено раніше, на знімках в деяких спектральних діапазонах об'єкт може не відрізнятися від фону. В цьому випадку подібне зображення в даному спектральному діапазоні не несе ніякої корисної інформації для алгоритму розпізнавання, а тільки збільшує час його виконання (за рахунок відвели,).

    Для вирішення даної проблеми авторами були розроблені алгоритми автоматичного скорочення розмірності мультиспектральних зображень (умень-

    ). 2:

    | Перший підхід дозволяє вибрати заздалегідь відоме кількість спек-

    , -ми мультиспектрального зйомки, грунтуючись на статистичних характеристиках зображення;

    |

    числа спектральних каналів (по якомусь критерію змістовно),

    задачу розпізнавання об'єкта за даних умов зйомки. В даний час реалізований алгоритм, що вибирає спектральні компонен-

    ().

    Для проведення експериментальних досліджень характеристик описаних алгоритмів обробки мультиспектральних зображень, а також для створення псевдо-мультиспектральних зображень на основі триколірних ЯОБ-зображень, був розроблений спеціалізований програмний комплекс, який складається з трьох програмних модулів, розділених по функціональному:

    | ImageConverter - програмний модуль, призначений для синтезу мультиспектральних зображень і їх попереднього аналізу;

    | ImageAnalyzer - програмний модуль, призначений для аналізу і обробки мультиспектральних зображень;

    | ImageRecognizer - програмний модуль, призначений для дослідження алгоритмів розпізнавання і скорочення розмірності.

    Складові цього програмного комплексу побудовані за технологією, заснованої на використанні модулів. Це означає, що основна функціональність програми винесена в окремі програмні модулі, які можуть підключатися і відключатися без перекомпіляції всієї програми. Основним плюсом цього підходу є можливість практично необмеженого нарощування функціональності програм шляхом реалізації спеціалізованих модулів відповідно до документованим програмним .

    Програмний модуль ImageConverter. Призначений для перетворення триколірних RGB-ізoбpaжeній в псевдомультіспектральние. Програма дозволяє проводити перетворення в двох режимах - автоматичному і ручному. При використанні автоматичного режиму кожна точка RGB-ізoбpaжeнія перетворюється в набір величин, відповідних коефіцієнтів інтенсивності світлового випромінювання по різним колірним площинах на основі апроксимації кривої спектральних складових основних кольорів. Основним недоліком цього способу є те, що отримане таким чином псевдо-мультиспектрального зображення містить таку саму кількість інформації, що і

    вихідне триколірний зображення, а, отже, не дозволяє судити про характеристики мультиспектральних зображень. Проте, подібні зображення можуть бути використані для тестування алгоритмів розпізнавання і виділення найбільш інформативних спектральних площин.

    При використанні ручного способу перетворення в псевдо-мультиспектрального зображення застосовується метод, заснований на кластеризації зображення, тобто виділення на зображенні областей зі схожими колірними (), -деленной спектральної характеристики з бази даних програми, яка містить результати спектрофотометрії різних матеріалів. Відповідно розглянутий підхід дозволяє отримати мультиспектрального зображення, досить близьке до реального. В даному режимі можуть бути використані різні алгоритми кластеризації, які реалізуються у вигляді модулів, а значить, можуть бути легко змінені. У даній версії до програми додаються два алгоритму кластеризації: на основі гиперкубов і методу К-середніх. База даних матеріалів програми заснована на атласі Крінова і може бути легко доповнена новими спектральними характеристиками.

    Програмний модуль ImageAnalyzer. Призначений для обробки і аналізу мультиспектральних зображень.

    ImageAnalyzer володіє широкими можливостями перегляду мультиспектральних зображень з різних спектральним компонентів або в різному їх поєднанні і в різному масштабі в довільній кількості вікон перегляду. Також існує можливість перегляду псевдо-кольорового RGB-ізoбpaжeнія, побудованого на основі коефіцієнтів сприйняття колірних компонент челове-.

    Завдяки використанню модулів даний програмний модуль надає великий набір функцій по обробці мультиспектральних .

    , . -

    чаєм модуль може бути застосований до виділеної частини зображення, що також розширює можливості програми.

    Перераховані вище особливості ImageAnalyzer дозволяють використовувати його в якості тестового стенду для розробки і налагодження алгоритмів автоматичної і автоматизованої обробки мультиспектральних зображень.

    Програмний модуль ImageRecognizer. Основними завданнями даного програмного модуля є моделювання процесу розпізнавання об'єкта (віз),

    . -, -

    лення заздалегідь розкладом.

    ImageRecognizer також заснований на технології Plug-in, що дозволяє використовувати функції, задіяні в інших програмних модулях комплексу. Таким чином, користувачеві надається можливість оцінити вплив різних процедур предобработки зображення на якість розпізнавання-.

    .

    були проведені експериментальні дослідження з використанням зображень, отриманих за допомогою спеціальної апаратури мультиспектрального зйомки. В результаті моделювання процесу розпізнавання на описаних вище програмних засобах були зроблені наступні висновки:

    | Розпізнавання об'єкта на зображеннях з різними ракурсами дає хо-

    ,

    алгоритмів до зміни геометрії об'єкта;

    | Наявність шуму ускладнює розпізнавання об'єкта, особливо на зображеннях з різними ракурсами, але, в той же час, представлені алгоритми справляються із завданням розпізнавання об'єкта на перекручених

    , -кові невеликій кількості (3-5) спектральних компонент. Невеликий за інтенсивністю шум (2.7о<15, при 8-р ^ рядних значеннях інтенсивності пікселів по кожній довжині хвилі) слабо впливає на якісні характеристики розпізнавання. Збільшення потужності шуму призводить до зниження вірогідності розпізнавання об'єктів і, як причинами-, .

    В цілому ж, слід зазначити, що розроблений алгоритм показав прийом,

    системах технічного зору.

    . . , . .

    Функціонально - орієнтованої МОДЕЛЬ ПІДПРИЄМСТВА

    . -

    будовою конструктивних моделей організацій різної спеціалізації, що дозволяють розширити можливості відомих підходів. Проблема управління досить складною організацією зазвичай розглядається в контексті побудови

    , , , : -

    , ,

    (Компанією) [1]. Найбільш складною складовою подібного моделювання є ув'язка математичного апарату і критеріїв оптимальності для різних рівнів моделі, тому що вони можуть бути принципово різними - від систем диференціальних рівнянь на нижньому рівні, до лінійних цільових функцій .

    елементів, які є індикаторами стану системи в цілому, тобто адекватно відображають життєво важливі показники функціонування системи. Подібні величини повинні також дозволяти математичне формулювання завдання .

    В даний час подібними показниками найчастіше вибирають вартісні показники [2-5]. Однак вони адекватні тільки на верхньому рівні управле-,. обладнанням вартісні показники явно неприйнятні. Проте, широко розвивається уніфікація і математизація управління бізнес-процесами, для яких розробляються стандарти опису, універсальні програмні засоби і т.д. [4]. З іншого боку, розробляються підігнані до конкретного підприємства МЕ8-системи [2].


    Завантажити оригінал статті:

    Завантажити