Бесплатный автореферат и диссертация по наукам о земле на тему

Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации

ВАК РФ 25.00.34, Аэрокосмические исследования земли, фотограмметрия

Автореферат диссертации по теме "Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации"

Владимир Семенович Марчуков

ТЕОРИЯ И МЕТОДЫ ТЕМАТИЧЕСКОЙ ОБРАБОТКИ АЭРОКОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ МНОГОУРОВНЕВОЙ СЕГМЕНТАЦИИ

25.00.34 - АЭРОКОСМИЧЕСКИЕ ИССЛЕДОВАНИЯ ЗЕМЛИ, ФОТОГРАММЕТРИЯ

Автореферат диссертации на соискание ученой степени доктора технических наук

Москва-2008

Владимир Семенович Марчуков

ТЕОРИЯ И МЕТОДЫ ТЕМАТИЧЕСКОЙ ОБРАБОТКИ АЭРОКОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ МНОГОУРОВНЕВОЙ СЕГМЕНТАЦИИ

25.00.34 - АЭРОКОСМИЧЕСКИЕ ИССЛЕДОВАНИЯ ЗЕМЛИ, ФОТОГРАММЕТРИЯ

Автореферат диссертации на соискание ученой степени доктора технических наук

Москва - 2008

и

Работа выполнена на кафедре природопользования и географии Московского Государст венного Университета геодезии и картографии (МИИГАиК)

Научный консультант Официальные оппоненты

Ведущая организация

доктор технических наук, профессор Малинников В А доктор технических наук, Воронков В Н доктор технических наук, Барталев С А

доктор географических наук, Ревзон А Л ФГУП Государственный научно-исследовательский и производственный центр "Природа"

Защита диссертации состоится « » « Ш&МъЯ » 2008 г в «. » час на заседании диссертационного совета 212 143 01 Московского Государственного Университета геодезии и картографии (МИИГАиК), по адресу 105064, Москва, К-64, Гороховский переулок, 4 (зал заседаний Ученого Совета)

С диссертацией можно ознакомиться в библиотеке МИИГАиК

Автореферат разослан « » «

» 2008г.

Ученый секретарь диссертационного совета Краснопевцев Б В

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. Интенсивное развитие средств дистанционного зондирования Земли аэрокосмического базирования, увеличение объемов и информативности аэрокосмических данных приводит к непрерывному расширению круга решаемых на их основе тематических задач

Изображения, полученные в результате дистанционного зондирования, характеризуются следующими свойствами они содержат разнообразные однородные области, причем внутриклассовые среднеквадратичные отклонения характеристик часто сравнимы с разбросом между классами Такие изображения называют сложными При анализе сложного изображения все известные методы сегментации не могут гарантировать получения требуемого результата

При тематической обработке данных аэрокосмической съемки информационные классы определяются, как набор объектов, которые необходимо выделить согласно требованиям решаемой тематической задачи и которые разделяются в имеющемся множестве данных Основной проблемой при тематической сегментации сложных изображений земной поверхности является то, что применение алгоритмов классификации, использующих определенные условия однородности классов объектов и определенное пространство классификационных признаков, зачастую приводит к выделению на изображении сегментов, не соответствующих информационным классам решаемой тематической задачи Для преодоления возникающих трудностей необходимо применять многоуровневые алгоритмы сегментации, использующие различные условия однородности классов объектов и различные подмножества классификационных признаков, учитывающие структурно-пространственные характеристики изображения Все это определяет актуальность данной работы и обусловливает необходимость разработки теории и методов многоуровневой тематической сегментации аэрокосмических изображений

Цель и задачи исследований. Целью настоящих исследований являлось решение научной проблемы тематической обработки изображений земной поверхности на основе многоуровневых алгоритмов сегментации

Пути решения этой проблемы были определены следующим образом

- разработка теории и методологии многоуровневой тематической сегментации аэрокосмических изображений земной поверхности,

- проведение экспериментальных исследований эффективности разработанных многоуровневых алгоритмов сегментации при решении различных тематических задач,

- исследование возможностей повышения эффективности тематической сегментации за счет использования технологии параллельной обработки изображений

Научное значение и новизна работы. В настоящей работе разработаны теория и методология многоуровневой тематической сегментации аэрокосмических изображений земной поверхности Результаты исследований позволяют повысить эффективность и оперативность тематической обработки материалов дистанционного зондирования земной поверхности

На защиту выносятся следующие новые научные результаты, полученные в данной работе

- теория и методология тематической обработки на основе многоуровневой классификации, с использованием структурно-пространственной модели исследуемых изображений,

- методология создания структурно-пространственной модели исследуемых изображений,

- алгоритмы выделения точечных и малоразмерных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений на основе оценки локального контраста,

- методика многоуровневой тематической сегментации многозональных аэрокосмических изображений для определения природно-хозяйственных объектов исследуемых территорий,

- методика многоуровневой тематической обработки радиолокационных изображений сверхвысокого разрешения,

- методика автоматизированного определения состояния теплотрасс по данным тепловизионной аэросъемки,

- методика количественной оценки эффективности распараллеливания и расчета оптимальной конфигурации вычислительного кластера при обработке изображений алгоритмами, использующими поэлементное сканирование изображений, и скользящими пространственными фильтрами

Практическая ценность работы. Теория и методы, изложенные в работе, используются в ряде российских организаций, работающих в области дистанционного зондирования В частности, они используются в следующих организациях

-Государственное учреждение научный центр проблем аэрокосмического мониторинга "Аэрокосмос",

-Университет дружбы народов им Патриса Лумумбы, -ФГУ Государственный центр агрохимслужбы «СТАВРОПОЛЬСКИЙ" На основе исследований автора были созданы курсы лекций «Дистанционные методы исследования природных ресурсов», «Технология тематической обработки данных дистанционного зондирования» для студентов факультета прикладной космонавтики МИИГАиК

Разработанные методы используются в лабораторных занятиях по следующим курсам для студентов факультета прикладной космонавтики МИИГАиК

- Дешифрирование аэрокосмических снимков,

- Технология тематической обработки данных дистанционного зон-

дирования

Разработанные методы используются в курсах лекций «Дистанционные методы контроля» и «Экологический мониторинг» для студентов экологического факультета Университета дружбы народов им Патриса Лумумбы

Разработки автора вошли в «Методические указания по ведению топографического мониторинга территории города Москвы по материалам космической съемки для решения задач мониторинга фактического использования земель», утвержденные Первым заместителем Мэра Москвы в Правительстве Москвы 28 сентября 2004г, введенные в действие - Приказом Департамента земельных ресурсов города Москвы 2 ноября 2004г №82, Приказом Комитета по архитектуре и градостроительству города Москвы 1 ноября 2004г №167

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на 11 Всероссийских и Международных конференциях и семинарах

По теме диссертации опубликовано 36 научных работ Личный вклад автора. Все теоретические и методологические разработки, вынесенные на защиту в данной работе, выполнены лично автором

Структура и объем диссертационной работы. Работа состоит из введения, шести глав, заключения и списка литературы Диссертация изложена на 240 страницах, содержит 91 рисунок и 18 таблиц

СОДЕРЖАНИЕ РАБОТЫ Глава 1. Дистанционное зондирование Земли и проблемы тематической интерпретации аэрокосмических изображений.

В первой главе рассмотрены основные подходы и проблемы автоматизированной тематической обработки аэрокосмических снимков (АКС) Проведен анализ возможностей использования современных аэрокосмических систем дистанционного зондирования земной поверхности и рассмотрен круг тематических задач, которые в настоящее время решаются на основе данных дистанционного зондирования Рассмотрены и проанализированы методы предварительной и тематической обработки АКС земной поверхности Проанализированы функциональные возможности ряда программных пакетов обработки изображений

Основными параметрами материалов аэрокосмической съемки, опреде-

ляющими возможности извлечения информации об объектах тематической обработки, являются пространственное разрешение, спектральное разрешение, отношение «сигнал/шум» и их взаимосвязи

При формировании требований к параметрам систем получения изображений первостепенное внимание уделяется выбору пространственного разрешения При использовании методов визуальной обработки, в зависимости от его значения, интерпретатор может зрительно различить пространственную структуру и осуществить тематическую сегментацию на основе оценки визуальных признаков При использовании методов автоматизированной обработки более высокое пространственное разрешение, давая больше деталей пространственной структуры, позволяет использовать в алгоритмах автоматизированной классификации формализованные пространственные признаки, что повышает достоверность правильного распознавания объектов

Цифровая тематическая сегментация изображений может быть контролируемой (виретгес!) и неконтролируемой (ипБирегу^ес!) При контролируемой сегментации для построения классификатора используются априорно известные тестовые (эталонные) участки, принадлежащие к определенному классу объектов Неконтролируемая сегментация предполагает определение классов объектов чисто статистическим образом Автоматизированная сегментация основывается на предположении, что подлежащие выделению объекты или какие-либо их части представлены на изображении областями, которые в некотором смысле однородны Для их выявления используются автоматизированные методы разбиения изображений на однородные области (алгоритмы сегментации) Наиболее простым и широко распространенным методом сегментации изображений является пороговая обработка и ее обобщение для совместной обработки нескольких изображений - гиперпараллелепипедный метод

Для решения задачи автоматизированной сегментации широко используются алгоритмы кластерного анализа

В настоящее время существует ряд программных пакетов для персональных компьютеров, в которых реализованы различные варианты цифровых классификаторов изображений и алгоритмы модификации исходных (обрабатываемых) изображений

Из иностранных пакетов программ наиболее известными являются ER Mapper, Erdass Imagine , Idnsi

Тематическая обработка цифровых многозональных аэрокосмических изображений математически может быть определена следующим образом Исходные многозональные цифровые изображения представляются дискретной векторной функцией F(x,у), определенной на двумерном дискретном пространстве (х,у), где х = 1,2, т, У= 1,2,- п,

тип- ширина и высота в пикселах обрабатываемых многозональных изображений,

/, fx,у) - скалярные компоненты векторной функции F(x,y), представляющие собой цифровые дискретные значения интенсивности в точке (х,у ) i-го зонального изображения f = 1,2, • ,/,

I - количество совместно обрабатываемых зональных изображений Процесс тематической обработки определяется оператором следующего вида F(x,y) => s(x,y), (1) где

s(x,y) - дискретная скалярная функция, s(x,y) Р/, если (х,у) принадлежит классу у, Pj - цифровые метки соответствующих классов, j = 1,2, ,К,К+1,

К - количество выявляемых классов объектов, определяемое требованиями определенной тематической задачи

Класс j K+1 представляет собой смесь всех классов объектов, представленных на изображении, определение которых не является необходимым

для решаемой тематической задачи, и трактуется как "фон".

На основе проведенного анализа средств дистанционного зондирования земной поверхности аэрокосмического базирования можно утверждать, что данные многозональной съемки позволяют решать широкий круг тематических задач сельского хозяйства, геологии, климатологии, лесного хозяйства, океанологии, землепользования, контроля водных ресурсов и т д При использовании в качестве алгоритмов получения сегментированного изображения пороговой обработки, гиперпараллелепипедного метода и кластерного анализа в процессе классификации не учитываются структурно-пространственная информация, содержащаяся на изображении Методы наращивания однородных областей и методы, основанные на выделении границ, учитывают структурно-пространственные связи между соседними пикселами К их недостаткам следует отнести более низкий уровень автоматизации и необходимость организации отдельного этапа, обеспечивающего идентификацию выделенных однородных областей, как определенных объектов на местности Существующие программные пакеты обработки и анализа изображений содержат большое количество процедур, позволяющих формировать разнообразные модифицированные признаки, и основные алгоритмы классификации путем разметки точек изображения

Проблема тематической сегментации сложных изображений земной поверхности заключается в том, что для эффективного выделения тематических объектов с различной пространственной конфигурацией необходимо использование разных предикатов однородности Наиболее плодотворным путем преодоления трудностей является применение многоуровневых алгоритмов сегментации с учетом структурно-пространственных характеристик изображения и различных предикатов однородности Глава П. Теория и методология построения многоуровневых алгоритмов автоматизированной сегментации аэрокосмических изображений земной поверхности.

Во второй главе описана теория многоуровневой сегментации с исполь-

зованием структурно-пространственной модели Дано описание методологии создания структурно-пространственной модели исследуемых изображений Приведено обоснование набора алгоритмов для выделения элементов пространственной структуры Разработана методология тематической обработки изображений с использованием структурно- пространственной модели

Теоретическая схема многоуровневой сегментации с использованием структурно-пространственной модели.

Предлагаемый теоретический подход основан на разделении процесса тематической сегментации аэрокосмических изображений земной поверхности на два этапа На первом этапе осуществляется построение структурно-пространственной модели исследуемых изображений На втором этапе применяется многоуровневая классификация, использующая различные алгоритмы классификаторов, которые работают не с неупорядоченным набором данных, а с данными определенной пространственной структуры Полученная на первом этапе структурно-пространственная модель изображений используется на втором этапе для выбора различных алгоритмов модификации исходных изображений (видов предварительной обработки), выбора подмножества цифровых признаков для классификации определенного элемента пространственной структуры и управления работой классификатора

Анализ пространственной структуры сложных аэрокосмических изображений показал, что на них целесообразно выделить четыре типа структурно-пространственных элементов, отличающихся по своим статистическим и пространственным характеристикам, и требующим соответственно различных подходов при выборе алгоритма классификатора и набора цифровых признаков для их сегментации

- протяженные (площадные) объекты, линейные размеры которых более 10 пикселов в любом направлении,

- малоразмерные объекты, представляющие собой пятна площадью от 4 до 50 пикселов, значения интенсивности которых существенно отличаются

от значений интенсивности прилегающей окрестности, хотя бы в одной зоне спектрального диапазона,

- граничные и линейные объекты, характеризуемые высоким значением градиента в каком-либо направлении и низким в ортогональном ему направлении, хотя бы в одной зоне спектрального диапазона,

- точечные объекты, занимающие на изображении не более одного пиксела, со значением интенсивности, существенно отличающимся от значений интенсивности прилегающей окрестности, хотя бы в одной зоне спектрального диапазона

В предлагаемой теоретической схеме в результате первого этапа сегментации создается структурно-пространственная модель исследуемых изображений, представляющая собой сегментированное четырехуровневое изображение, на котором выделены четыре класса, соответствующие вышеопределенным элементам пространственной структуры

На рисунке 1 показана разработанная блок-схема многоуровневой сегментации, с использованием структурно-пространственной информации об объектах, представленных на изображении Процесс построения многоуровневых алгоритмов сегментации содержит следующие шаги

1 Выделение элементов пространственной структуры - площадных объектов, точечных объектов, малоразмерных объектов, граничных и линейных объектов Этот шаг выполняется путем использования четырехуровневого классификатора

2 Построение структурно-пространственной модели исследуемых изображений

3 Предварительная обработка исходных изображений и выбор оптимального подмножества признаков для тематической классификации выделенных элементов пространственной структуры

4 Тематическая классификация элементов пространственной структуры

5 Формирование итогового сегментированного изображения

Рис 1 Блок-схема построения многоуровневых алгоритмов сегментации

Методология создания структурно-пространственной модели исследуемых изображений.

Выделение элементов пространственной структуры представляет собой процесс получения классифицированного изображения, на котором определены четыре класса структурных элементов Построение структурно-

пространственной модели необходимо осуществлять применяя многоуровневый классификатор, так как выделение классов структурных элементов в силу различия их геометрических и контекстных свойств требуют, соответственно, различных подходов при их классификации

Для решения задачи выделения на поле исходных изображений структурного элемента "точечные объекты" может использоваться "разностный алгоритм", предложенный Розенфельдом и др Последовательное применение данного алгоритма ко всем совместно обрабатываемым изображениям и последующее сложение полученных бинарных изображений позволяет выделить все точки, имеющие локальный контраст хотя бы в одной зоне спектрального диапазона Экспериментальное исследование работы этого алгоритма показало его высокую эффективность выделения точечных объектов в случае их расположения на фоне однородных областей

К недостаткам данного алгоритма следует отнести необходимость эмпирического подбора пороговых значений при получении бинарных изображений в интерактивном режиме

Отмеченный недостаток устранен в разработанном автором алгоритме выделения точечных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений на основе оценки локального контраста обрабатываемой точки изображения (х,у) Алгоритм работает следующим образом Обрабатываемое изображение сканируется скользящим окном размером 3x3 элемента изображения, в котором определяются выборочные оценки среднего значения интенсивности р и среднего квадратичного отклонения а (СКО) по следующим формулам 111

ц = ~[Е Zf(x+i,y+j)-f(x,y)] 8 i=-lj=-l

1 1 1

Ч Z Ztf(xny+j)-fi]2-tf(x,y)}- /л]2} (2)

8 i=-l j=-l

Полученные оценки используются для определения локальных пороговых значений Т(х,у) при выделении точечных объектов по следующему правилу Элемент изображения определяется, как точечный объект, если выполняется следующее условие

аЬ (Лх.у) - и) < Т(х,у) (3)

где Т(х,у) = ксг к- некоторая константа

Для теоретического обоснования выбора значения константы к примем предположение о Гауссовом распределении значений интенсивности фона, на котором расположен точечный объект Вероятность ложного обнаружения точечного объекта Б будет определяться следующим выражением 2 к

Р(к)=— 1ехр(-?/2)ск (4)

-со

откуда определяется значение к.

Использование данного алгоритма позволяет автоматически выделять точечные объекты с заданной вероятностью ложного обнаружения ^

Для выделения малоразмерных объектов также может быть использован разностный алгоритм, предложенный Розенфельдом и др Недостатком этого алгоритма является то, что он наряду с малоразмерными объектами выделяют контрастные линейные объекты определенной толщины Для устранения этого недостатка был разработан модифицированный алгоритм выделения малоразмерных объектов, работающий следующим образом

Исходное изображение сканируется окном размером 31x31 элементов, где I равняется линейной толщине выделяемых малоразмерных объектов В этом окне выбираются 9 окон размером Ы элементов, в которых вычисляются средние значения интенсивности ц и средние квадратичные отклонения о Малоразмерный объект выделяется в том случае, если среднее значение в центральном окне Несущественно отличается от средних значений в каждом из прилегающих восьми окон ць. ,ц8

Полученные выборочные средние значения и СКО используем для построения обнаружителя малоразмерных объектов с заданными вероятност-

14

ными характеристиками Определим вероятность правильного обнаружения малоразмерного объекта Р„„, как вероятность принятия решения об обнаружении малоразмерного объекта в случае наличия малоразмерного объекта, и вероятность ложного обнаружения малоразмерного объекта Р„0 _ как вероятность принятия решения об обнаружении малоразмерного объекта в случае отсутствия малоразмерного объекта

Рассмотрим случай, когда значения интенсивности малоразмерного объекта превышают значения интенсивности фона В предположении о Гауссовом характере распределения значений интенсивности малоразмерных объектов вероятность правильного обнаружения будет определяться следующим выражением 1 ао

Рпо(к)=— 1ехр(-?/2)Л (5)

к„0

где к„0 - некоторая константа правильного обнаружения, определяемая из выражения (5)

Приняв предположение о Гауссовом характере распределения значений интенсивности фона, получим следующую формулу, определяющую вероятность ложного обнаружения

1 ОО

Р,о(к)=~ 1ехр(-П2)си (б)

где кл0. некоторая константа ложного обнаружения, определяемая из выражения (6)

Соответствующие вышеопределенным константам значения интенсив-носгей/по и/га определяются из следующих выражений

(Мо'/т) _ (Т-ю-Щ)

Кпо Кдо ~ у/)

Оо <?ф

где ро - выборочное среднее интенсивности малоразмерного объекта

<у0 - СКО интенсивности малоразмерного объекта,

Рф - выборочное среднее интенсивности фона,

Оф - СКО интенсивности фона

/п0=№о-кгю&о /яо = Мф +

Решение об обнаружении малоразмерных объектов принимается при выполнении условия /„„>/,„

и, соответственно, решающее правило обнаружения малоразмерных объектов большей интенсивности, чем фон имеет следующий вид

Ио-Рф к„о<?о +

Повторив вышеприведенные выкладки для случая, когда интенсивность малоразмерных объектов меньше интенсивности фона получим следующее решающее правило

(9)

КоСТо + кдо&ф

Соответственно решающее правило обнаружения малоразмерных объектов в общем случае будет иметь следующий вид аЬх(цф. ц0)

-'ПЛ >1 (Ю)

Решение об обнаружении малоразмерного объекта принимается при выполнении условия (10) для всех сочетаний центрального окна а„) с восемью соседними окнами (р., о,) 1= 1,. ,8 Последовательное применение этого алгоритма ко всем обрабатываемым зональным изображениям и последующее сложение изображений с выделенными малоразмерными объектами позволяет получить изображение малоразмерных объектов, которые удовлетворяют вышеопределенному критерию, хотя бы в одном спектральном диапазоне.

На основе экспериментальных исследований работы разностного и адаптивного порогового алгоритма сделаны следующие выводы. И разностный алгоритм, и предложенный адаптивный пороговый алгоритм обеспечивают уверенное выделение малоразмерных объектов со значением контраста выше 1 Уменьшение контраста при использовании обоих алгоритмов приводит к снижению вероятности правильного обнаружения, причем оба алгоритма перестают выделять малоразмерные объекты с уровнем

контраста ниже 0,4 Использование разностного алгоритма приводит к ложному выделению малоразмерных объектов на контрастных границах однородных областей, а также в местах расположения линейных объектов Адаптивный пороговый алгоритм, обеспечивая правильное обнаружение малоразмерных объектов, позволяет исключить ложное выделение линейных объектов и границ однородных областей, как малоразмерных объектов

Выделение элементов пространственной структуры изображений, определенных как "протяженные объекты" и "граничные и линейные объекты", осуществляется путем классификации изображений, на которых выделены "точечные", и "малоразмерные" объекты, соответственно, обработке подвергаются точки изображения, не отнесенные к этим элементам Выделение элемента структуры "граничные и линейные объекты" осуществляется путем пороговой обработки изображений с контрастирован-ными границами Для получения изображений с контрастированными границами обычно используются два вида алгоритмов

- алгоритмы пространственного дифференцирования,

- алгоритмы высокочастотной Фурье-фильтрации

Такой подход эффективен при обработке изображений, на которых отсутствует четко выраженная текстура При наличии четко выраженной текстуры велика вероятность отнесения точек протяженных объектов к граничным объектам Поэтому более эффективной является следующая последовательность операций при определении на изображениях протяженных и граничных объектов На первом этапе по эталонным участкам протяженных объектов находятся объекты с четко выраженной текстурой Затем производится выделение этих объектов по текстурным признакам Из общего поля изображения производится вычитание выделенных участков, отнесенных к протяженным объектам Оставшиеся участки разделяются на протяженные и граничные объекты методом пороговой обработки Для выбора пороговых

значений можно использовать эталонные участки границ, осуществляя подбор пороговых значений в интерактивном режиме Общая блок-схема построения структурно-пространственной модели, обрабатываемых изображений, показана на рисунке 2

Рис 2 Блок-схема построения структурно-пространственной модели изображений.

В результате получаем классифицированное четырехуровневое изображение, описывающее структурно-пространственные характеристики исследуемых изображений

Методология тематической классификации изображений с использованием структурно- пространственной модели.

Полученная на первом этапе обработки структурно-пространственная модель исследуемых изображений позволяет организовать процесс тематической сегментации на основе многоуровневой классификации, использующей различные подходы и таким образом сформировать многоуровневый алгоритм, сочетающий в себе преимущества выбранных видов классификаторов

На первом уровне второго этапа классифицируются протяженные объекты. Теоретическое обоснование их тематической сегментации на первом уровне основывается на том, что они определяются максимальным числом признаков и, вследствие этого, возможностью их эффективной классификации на первом уровне без использования контекстной информации В тоже время результаты их сегментации могут быть использованы на последующих уровнях для формирования модифицированных контекстных признаков Для выделения классов протяженных объектов в зависимости от их свойств, статистических и геометрических характеристик могут использоваться различные классификаторы, как на основе выделения границ однородных областей, так и на основе разметки точек изображения

Для осуществления теоретически обоснованного выбора вида классификатора определим следующие типы протяженных объектов

1 протяженные объекты с относительно постоянным значением интенсивности по полю снимка, хотя бы в одной зоне спектрального диапазона,

2 протяженные объекты с градиентом интенсивности во всех зонах спектрального диапазона и с высоким значением градиента интенсивности на границах хотя бы в одной зоне спектрального диапазона,

3 протяженные объекты с градиентом интенсивности и невысоким значением градиента на границах во всех зонах спектрального диапазона

На основе проведенного анализа преимуществ и недостатков различных видов классификаторов можно сделать вывод о наибольшей целесообраз-

ности использования кластерного анализа для сегментации протяженных объектов 1-го типа, выделяемых по первичным признакам. В случае необходимости использования большого количества дополнительных признаков наиболее эффективным является применение гиперпараллелепипедно-го метода

В случае сегментации протяженных объектов типа 2 используется классификатор на основе методов выделения границ однородных областей Для сегментации объектов типа 3 наиболее эффективным является применение методов наращивания однородных областей

В общем случае при тематической обработке изображений, содержащих протяженные объекты всех трех типов, необходимо использовать подуровни сегментации с различными видами классификаторов - кластерным анализом или гиперпараллелепипедным методом для объектов типа 1, выделения границ однородных областей для типа 2 и метода наращивания однородных областей для типа 3

На следующем уровне осуществляется тематическая сегментация малоразмерных объектов Для их выделения обоснованным является применение того же подхода и видов классификаторов, чти при сегментации протяженных объектов 1-го типа Использование более высокого уровня повышает эффективность их выделения, так как в соответствующее подмножество классификационных признаков могут быть добавлены модифицированные контекстные признаки, полученные путем обработки результатов тематической сегментации протяженных объектов на первом уровне На третьем уровне тематической классификации выделяются граничные и линейные объекты Как отмечалось выше, они характеризуются большим разбросом спектральных интенсивностей, поэтому для их правильной идентификации необходимо использование контекстной информации, полученной в результате предыдущих уровней тематической сегментации Одним из способов введения контекстной информации в этом случае является применение локальных алгоритмов кластерного анализа, работающих

в некоторой, относительно небольшой, окрестности с определением для каждой обрабатываемой точки граничных элементов центров кластеров объектов, присутствующих в ее окрестности, по результатам сегментации на предыдущих уровнях и отнесении ее к соответствующим классам объектов, определенных на предыдущих уровнях сегментации. Другим менее точным, но более эффективным в вычислительном отношении способом использования контекстной информации, является наращивание на области граничных объектов близлежащих однородных областей, выделенных на предыдущих этапах сегментации

На четвертом уровне классифицируются точечные объекты Как было отмечено выше, большой разброс значений их спектральных интенсивно-стей и их геометрические размеры делают невозможным использование при их классификации спектральных и текстурных признаков, вследствие чего на первый план выходит использование контекстной информации Вместе с тем алгоритмы классификации, использующие только контекстные признаки, позволяют разделить точечные объекты на весьма ограниченное число классов, определяемое числом фоновых (по отношению к точечным объектам) классов, выделенных на предыдущих уровнях, и обеспечивают невысокую достоверность классификации С целью увеличения количества классов, на которые разделяются точечные объекты, и повышения достоверности предлагается использовать спектрально-контекстные признаки точечных объектов, определяемые следующим образом

Каждый класс точечных объектов определяется значениями спектральных контрастов по отношению к спектральным интенсивностям класса, на фоне которого находится данный точечный объект В каждой зоне спектрального диапазона спектрально-контекстный признак точечного объекта может принимать три значения

- +1 - в случае положительного контраста в этой зоне,

- -1 - в случае отрицательного контраста,

- О - если контраст в данной зоне отсутствует

Применение такого набора признаков в случае классификации по N снимкам, полученным в различных зонах спектрального диапазона, позволяет разделить точечные объекты, находящиеся на определенном фоне, на Зк различных классов Таким образом, при использовании 3 зон спектрального диапазона на каждом фоне можно определить 27 различных классов точечных объектов, использование 4 снимков позволяет выделить 81 различный класс

Применение спектрально-контекстных признаков при наличии предварительно созданного банка их значений для всевозможных сочетаний пар "точечный объект" - "фон" позволяет существенно расширить возможности определения точечных объектов

Предложенные спектрально-контекстные признаки могут использоваться не только для классификации точечных объектов, но и для организации процесса тематической сегментации других типов объектов посредством сочетания контролируемой и неконтролируемой классификации

Преимущества многоуровневой сегментации на основе структурно-пространственной модели.

Применение тематической обработки с использованием структурно-пространственной модели исследуемых изображений позволяет организовать процесс сегментации на основе многоуровневой классификации, использующей различные подходы и таким образом сформировать многоуровневый алгоритм, сочетающий в себе преимущества различных видов классификаторов На каждом уровне тематической сегментации в процесс классификации вовлекаются не все точки изображения, а только те, которые относятся к соответствующему структурному элементу на полученной структурно-пространственной модели, что существенным образом сокращает объем вычислений, и за счет этого можно использовать более сложные и эффективные алгоритмы классификации, применение которых для всего изображения ограничивается большими объемами вычислений Еще одним важным преимуществом данного подхода является возможность

использования на каждом уровне своего набора классификационных признаков, наиболее эффективного для тематической сегментации этого элемента пространственной структуры Расчет этих признаков также осуществляется только для соответствующих точек полученной пространственной структуры, что существенно сокращает вычислительные затраты Использование практических методик тематической сегментации на основе структурно-пространственной модели открывает следующие возможности повышения вероятности правильного распознавания тематических объектов

- выбор разных видов классификаторов, оптимальных для тематической сегментации определенного структурного элемента,

- выбор оптимального подмножества классификационных признаков для каждого структурного элемента,

- использование более сложных и эффективных алгоритмов классификации Глава 3. Многоуровневая тематическая обработка многозональных аэрокосмических изображений.

В третьей главе представлены методики тематической обработки многозональных аэрокосмических изображений Приведены результаты исследований выявления заболоченных территорий по данным многозональной съемки KA Landsat-7 участка территории в Истринском районе Московской области Описаны особенности отображения различных видов земных покрытий в разных спектральных диапазонах Представлена методика тематической обработки данных многозональной съемки KA Landsat-7 участка территории в районе г Дубна Московской области и снимков в 9 спектральных диапазонах, полученных с датчика Aster KA Terra, участка территории Московской области в районе Приокско - террасного государственного биосферного заповедника. Проведен анализ полученных результатов Приведены результаты экспериментального исследования нового алгоритма автоматизированного выделения малоразмерных объектов заданного размера, позволяющего достоверно выделять объекты с сохранением разрешающей способности исходных снимков

Методика тематической обработки многозональных изображений КА ЬапсЬа1-7.

Исследовалась территория в районе г. Дубна Московской области. На рис.3 - 8 представлены зональные снимки этой территории, полученные с КА Ьапска!-? в диапазонах 0,45-0,52 мкм, 0,52-0,60 мкм, 0,63-0,69 мкм, 0,76-0,90 мкм, 1,55-1,75 мкм, 2,08-2,35 мкм, соответственно.

Рис.6 Рис.7 Рис.8

Для проведения тематической обработки на основе теоретических схем, изложенных во второй главе, была построена методика, использующая структурно-пространственную модель исследуемых изображений и многоуровневую классификацию.

Результат тематической сегментации с использованием на разных этапах автоматизированных и визуальных методов обработки показан на рис. 9. Блок-схема методики представлена на рис. 10. Для получения количественных оценок достоверности по результатам тематической обработки была рассчитана вероятность правильной классификации объектов. В качестве критерия использовалась вероятность правильной классификации класса

К, определенная следующим образом. По контрольному участку (участкам) класса К определяются его площадь в пикселях 8|< и количество пикселей ]\1к, отнесенных по результатам классификации к классу К. По контрольном участкам всех остальных классов находится класс О с максимальным значением количества пикселей Н,, отнесенных по результатам классификации к классу К. Определяется площадь контрольного участка класса в пикселях Б, и количество пикселей Ыч, по результатам классификации к классу К. Вероятность правильной классификации класса К - Рк рассчитывается по формуле

глубоководные объекты

мелководные объекты

луга и пустыри

хвойные леса МИИНИИШ!

смешанные леса

лиственные леса

садово-огородные участки

кварталы многоэтажной застройки

автодороги

ЛЭП

железные дороги

Рис.9. Результат тематической сегментации.

Для проведения сравнительного анализа эффективности тематической сегментации с использованием многоуровневой классификации была проведена тематическая сегментация этих же снимков по методике одноуровневой контролируемой классификации.

Сравнительная экспериментальная оценка вероятности правильной классификации объектов, выделяемых в автоматизированном режиме, приведена в таблице 1.

Рис 10 Блок-схема тематической обработки Таблица 1 Вероятности правильной классификации

Вероятность правильной классификации

Объекты Многоуровневая Одноуровневая

классификация классификация

Глубоководные объекты 0.94 0 94

Мелководные объекты 0 91 0 89

Луга и пустыри 0.87 0 75

Хвойные леса 0 92 0 91

Смешанные леса 0 89 0 88

Лиственные леса 0 87 0 86

Садово-огородные участки 0 88 0 79

Кварталы городского типа 09 0 77

Методика выявления заболоченных территорий по данным многозональной съемки КА Ьап«18а1-7.

На рис 11-15 представлены зональные снимки КА Ьапс^ 7 в диапа-

зонах 0,45-0,52 мкм., 0,52-0,60 мкм., 0,63-0,69 мкм, 0,76-0,90 мкм., 1,551,75 мкм. На снимках отображен участок территории Московской области на границе Истринского и Рузского районов.

Исследовалась возможность определения заболоченных участков территории путем автоматизированной многоуровневой сегментации. На основе теоретических схем, изложенных во второй главе, была разработана методика многоуровневой классификации. Результат представлен на рис.16.

Рис.13.

Рис.14 Рис.15. Рис.16.

Анализ полученных результатов позволяет

ГдаограФия

Заболоченные участки

Лесная растительность

Луга

Населенные пункты

Пустыри

сделать вывод, что использование данных многозональной съемки в 5 зонах спектрального диапазона (3 видимых, I ближний ИК и 1 средний ИК) обеспечивает возможность получения достоверной картины расположения заболоченных участков в лесной местности. Экспериментальная проверка по тестовым участкам заболоченных территорий и лесной растительности показала, что вероятность правильной классификации заболоченных участков составляет 82%. При решении данной задачи по ме-

тодике одноуровневой контролируемой классификации была получена вероятность правильной классификации заболоченных участков 79%

Исходные изображения

1-1 2 3 □ □

Медианная фильтрация 3x3

Структурно-пространственная модель

Умножение

Ж

Площадные объекты

Малоразмерные объекты

V

X

Линейные и граничные объекты

Умножение ?—q 1 ^ Умножение

1

Контролируемая классификация Контролируемая классификация Контролируемая классификация

1

Результат тематической сегментации

Рис 17 Блок-схема методики выделения заболоченных участков Методика тематической обработки снимков с датчика Aster KA

Terra.

Исходными данными для тематической обработки являлись зональные изображения участка территории Московской области Исследуемая территория интересна тем, что на ней представлен набор различных компонентов ландшафта - антропогенных и природных, характерных, как для лесных, так и для степных территорий Для решения задачи выделения природно-хозяйственных объектов была применена методология многоуровневой сегментации Автоматизированная сегментация не позволяет выделить линейные объекты, ширина которых не превышает одного пиксела, такие как автомобильные дорош, ЛЭП, небольшие речки Их определение проводилось визуально в интерактивном режиме Общая блок-схема описанного процесса многоуровневой сегментации показана на рис 18.

Обрабатываемые изображения

див и □ вини

Вюуадьное »«влетм« ЛЭП

Вкзу<шьное гыдеяеии«

не больших

Визуальное ^ вцдмикие —* досмобнпьных дорог

Фильтрация скользящим

СКО 7x7

Медншни фнльтреди

Порог«» «д обработал

Вьвдвяекм*

Г5ОТ«Чр§ГЖС

метолом

Результат тематической сегментации

Выделен»» ГИПфбоК« методом пвдографодлее-о», иуго^пшгея, болот, редколесья, С4ДСШХ

участей»,гаечаиьк мелкое одедоескаг

Пвдрогр4фпя,Л8«а,

.пустыри,

садовые

участник ечаное мвяке^одьг песок

Рис 18 Общая блок-схема процесса многоуровневой сегментации

Сравнительная оценка вероятности правильной классификации природно-хозяйственных объектов по формуле (11) для многоуровневой сегментации и одноуровневой методологии контролируемой сегментации приведена в табл 2 Сравнительный анализ результатов, полученных с помощью использования методик многоуровневой сегментации многозональных изображений, основанный не только на примерах, приведенных в данной работе, но и на широком ряде изображений различных территорий, показал устойчивое повышение вероятности правильного распознавания до 15% Таблица 2 Вероятности правильной классификации

Объекты Вероятность правильной классификации

Многоуровневая класси< шкация Одноуровневая классификация

площадные объекты гидрографии 0 94 0 94

автомагистрали 091 0 89

застроенные территории 0 95 08

лесная растительность 0 96 0 91

заболоченные участки 0 87 0 81

луга 0 94 0 82

пашни 0 93 08

пустыри 0 91 0 81

молодая поросль леса 0 95 091

садово-огородные участки 0 94 0 85

песчаные поверхности 0 92 0 86

песчаное мелководье 0 88 0 87

Глава 4. Тематическая обработка радиолокационных аэрокосмических изображений.

В четвертой главе рассмотрены особенности тематической интерпретации радиолокационных снимков земной поверхности сверхвысокого разрешения Показано, что автоматизированная тематическая сегментация радиолокационных изображений сопряжена со значительными трудностями, вследствие чего далеко не все объекты видимые на снимке могут быть выделены в автоматизированном режиме. Представлена методика тематической обработки радиолокационных изображений, сочетающая на разных этапах визуальные и автоматизированные методы

Автоматизированная тематическая обработка радиолокационных снимков.

На рис 19 представлен радиолокационный снимок, полученный радиолокатором с синтезированной апертурой, установленным на самолете, участка территории Раменского района Московской области в районе деревни Фенино Разрешающая способность на местности Зм Значительная часть исследуемой территории занята лесом, лугами и сельскохозяйственными полями На снимке также представлены следующие объекты озеро, автомобильные дороги, агропромышленный объект, деревня и дачные участки На рисунке 20 представлены гистограммы распределений отмеченных классов объектов Анализ гистограмм тестовых участков объектов, присутствую-

Рис.19. Исходное радиолокационное изображение.

Гистограммы леснойраститеяьноста

ИВ 1

Гистограммы водной поверхности.

¡'V

IIт I

Гистограммы зданий сельского типа

Гистограммы лугае.

1 4

Гистограммы РЛ теней

,1 1

Гистограммы объектов АПК

Гистограммы распределения яркости автомобильных дорог.

Рис. 20. Гистограммы распределения яркостей объектов, щих на радиолокационном снимке, позволяет сделать следующие выводы. I Значения яркости лесной растительности расположены практически во

всем динамическом диапазоне и пересекаются со значениями яркости всех

других классов объектов, представленных на снимке Выделение лесной растительности по значениям яркости невозможно Значения яркости лугов незначительно пересекаются со значениями яркости водных объектов и радиолокационных теней и практически не пересекаются со значениями яркости объектов агропромышленного комплекса, зданий сельского типа и построек дачных участков и эти объекты могут быть разделены по яркостным признакам Яркости водной поверхности и радиолокационных теней практически не отличаются друг от друга и отображаются радиолокационном снимке черным тоном, который существенно отличается от всех других объектов, представленных на снимке Таким образом, водные поверхности и радиолокационные тени могут быть эффективно отделены от всех объектов, кроме лесной растительности, по яркостному признаку Гистограммы яркости объектов агропромышленного комплекса, зданий сельского типа и построек дачных участков имеют одинаковый вид и характеризуются высокими значениями яркости, по которым они могут быть отделены от всех объектов, кроме лесной растительности. Гистограммы яркости автомобильных дорог полностью пересекаются с гистограммами лесов и лугов

Проведенный анализ показывает, что автоматизированная сегментация радиолокационных изображений сопряжена со значительными трудностями Для организации автоматизированной сегментации необходимо использование различных модифицированных признаков и многоуровневой классификации Разработанная многоуровневая методика содержит следующие этапы

На первом этапе выделяются по яркостному признаку на исходном изображении объекты гидрографии и радиолокационные тени

На втором этапе путем использования алгоритмов выделения объектов определенного размера определяются здания агропромышленного комплекса и здания сельского типа.

На третьем этапе визуально в интерактивном режиме осуществляется выделение автомобильных дорог

На четвертом этапе определяются луга и лесная растительность. Этот этап выполняется после первых трех этапов, так как использует полученные результаты. Для выделения лесной растительности и лугов использовалось исходное изображение, из которого были удалены участки, занятые сооружениями агропромышленного комплекса, зданиями сельского типа, автомобильными дорогами, объектами гидрографии и радиолокационными тенями, полученные в результате сегментации на первых трех этапах. Путем обработки исходного изображения получаются два модифицированных изображения - изображение, обработанное медианным фильтром 9x9 элементов и изображение, представляющее собой разность максимальных и минимальных значений в скользящем окне размером 11x11 элементов, которое характеризует текстурные особенности лесной растительности и лугов. Выделение лесной растительности и лугов производится путем контролируемой классификации трех вышеперечисленных изображений по методу максимального правдоподобия.

Результат сегментации показан на рис.21.

Рис.21. Результат тематической сегментации.

лесная растительность луга озеро

автомобильные дороги объекты агропромышленного комплекса здания сельского типа нераспознанные участки

Результаты исследований, описанных в данной главе, показали возможность создания эффективных методик автоматизированной тематической обработки РЛ снимков на основе многоуровневой сегментации. Глава 5. Тематическая обработка материалов тепловой ИК съемки.

Пятая глава посвящена вопросам тематической обработки изображений земной поверхности сверхвысокого разрешения, полученных в тепловом ИК диапазоне. Описана разработанная технология автоматизированного определения состояния теплотрасс по данным тепловизионной аэросъемки.

Тепловая ИК аэросъемка (ТИКАС) позволяет получать изображения масштаба порядка 1:100000 и крупнее с разрешением несколько дециметров, что делает возможным ее применение при изучении элементов ландшафта самых различных уровней. Круг объектов наблюдения дистанционного теплового мониторинга (ДТМ) весьма многообразен. В него входят объекты, различающиеся по своей физической сущности, положению в пространстве, связи с антропогенной деятельностью и другим свойствам. На тепловых снимках отображаются контрасты, а не абсолютные величины радиационной температуры, поэтому между тоном снимка и радиационной температурой на местности нет однозначного соответствия. Два идентичных объекта с одинаковой энергетической яркостью отображаются на снимке одним тоном только при условии их размещения на одинаково излучающем фоне.

Радиационный контраст в значительной мере определяется временем съемки. Один и тот же объект на тепловых снимках, полученных в различных радиационных условиях, может менять свой контраст с фоном

вплоть до противоположного Выделение объектов наблюдения ДТМ на тепловых изображениях производится по совокупности дешифровочных признаков, основными из которых являются — яркостной контраст, пространственная характеристика и конфигурация тепловой аномалии

Использование данных тепловизионной аэросъемки для мониторинга состояния теплотрасс.

В условиях городского ландшафта тепловые сети — один из немногих видов объектов, отображающихся в тепловом поле земной поверхности, даже при наличии твердого дорожного покрытия Такие явления, как подтопление участков теплотрасс при авариях на городском водопроводе или талыми водами, приводящие к интенсивной наружной коррозии теплотрасс, могут значительно изменять картину теплового излучения Визуальная тематическая обработка материалов тепловизионной аэросъемки занимает значительный период времени, что практически может лишить получаемую информацию оперативности По этой причине становится очевидной целесообразность применения автоматизированных методов интерпретации.

На рис 22 представлено тепловое изображение участка территории города Москвы в районе Вешняковской улицы, полученное в марте 2003 года с помощью тепловизионного комплекса "Икар-002" (разработка ГНПП "Аэрогеофизика"), установленного на борту вертолёта МИ-2Т На изображении присутствуют следующие объекты проезжие части Реутовской улицы, аллеи Жемчуговой и Вешняковской улицы, жилые здания, гаражи, древесная и кустарниковая растительность, автомобили, участки и камеры тепловых сетей На изображении присутствуют тепловые сети, которые являются основным объектом изучения в рамках поставленной задачи На снимке можно видеть участки теплотрасс с различными значениями яркости, что немаловажно при анализе экспериментальных данных

Визуальный анализ значений яркости на снимке показывает, что участки тепловых сетей выделяются более высокими значениями интенсивности, причем эти значения для аварийных участков превышают значения ярко-

сти для других участков теплотрасс. Вместе с тем такими же высокими значениями яркости на снимке отображаются некоторые здания и их части.

Рис. 22. Изображение в тепловом диапазоне, разрешающая способность 0,5м.

Разработанная технологическая схема локальной классификации аварийных участков теплотрасс по материалам тепловизионной съемки в качестве исходных данных использует тепловизионное изображение исследуемого участка территории и эксплутационную схему теплотрасс на данную территорию. На первом этапе на основе данных эксплуатационной схемы формируется бинарное растровое изображение (схема) местоположения теплотрасс для исследуемого участка территории.

На втором этапе осуществляется геометрическая привязка тепловизи-онного изображения к растровому изображению теплосетей путем трансформирования первого в проекцию второго.

На третьем этапе с целью расширения участков теплотрасс производится фильтрация скользящими порядковыми статистиками бинарного растрового изображения местоположения теплотрасс. Этот шаг выполняется для того, чтобы устранить влияние неточности данных эксплуатационной схемы и погрешностей съемки. Результат обработки схемы тепловых сетей скользящими порядковыми статистиками приведен на рис.23.

Рис.23.Схема ТС после фильтрации скользящими порядковыми статистиками.

На следующем четвертом этапе из исходного изображения, геометрически привязанного к схеме тепловых сетей, полученного в результате второго этапа, вычитается бинарное (черный тон 0, белый тон 255) изображение схемы ТС после фильтрации скользящими порядковыми статистиками, полученное в результате выполнения третьего этапа. На последнем пятом этапе проводится пороговая обработка разностного изображения. Результат автоматизированного выделения участков ТС с повышенными теплопотерями показан на рисунке 24.

Рис.24 Результат автоматизированного выделения аварийных участков ТС.

Анализ результата автоматизированной обработки по вышеприведенной технологической схеме показал, что она позволяет при наличии электрон-

ных схем расположения теплосетей на конкретный участок территории с высокой вероятностью правильного обнаружения (выше 90%) выделять участки тепловых сетей с высоким значением теплопотерь Глава 6. Обработка изображений на высокопроизводительных вычислительных системах параллельной архитектуры.

В шестой главе рассмотрены вопросы повышения производительности обработки изображений за счет использования параллельных вычислений. Приведен анализ существующих вариантов программного обеспечения и аппаратной реализации многопроцессорных систем Описан созданный на УВЦ ФПК МИИГАиК многопроцессорный аппаратно-программный комплекс Изложена разработанная методология определения оптимальных параметров вычислительного кластера и оценки эффективности распараллеливания алгоритмов обработки изображений

Одним из путей повышения эффективности цифровой обработки изображений является использование многопроцессорных вычислительных систем Локальные сети, специально собранные для использования в качестве многопроцессорной системы, компактно размешенные в одном или нескольких шкафах, оснащенные программным обеспечением, ориентированным исключительно на управление установкой как единым целым, называются кластерами выделенных рабочих станций

В идеале решение задачи на Ь процессорах должно выполняться в Ь раз быстрее, чем на одном процессоре, или/и должно позволить решить задачу с объемами данных, в Ь раз большими На самом деле такое ускорение практически никогда не достигается

Существует три возможности распараллеливания вычислений первая - распараллеливание по структурам данных, вторая - распараллеливание по алгоритмам преобразований, третья заключается в использовании различных комбинаций первых двух

Алгоритмическое распараллеливание представляет собой задачу, ре-

шение которой полностью зависит от вида конкретного алгоритма В тоже время отличительной особенностью задач обработки изображений является наличие "естественного" параллелизма по данным Распараллеливание по данным предполагает разбиение входных данных на порции, например - разбиение изображения на несколько областей, обработка которых ведется независимо и одновременно, с применением одного и того же алгоритма В общем случае разбиение входных данных предполагает сбор и интеграцию результатов обработки отдельных порций Распараллеливание, связанное с декомпозицией данных, опирается на структуры данных, встречающиеся в обработке изображений Ряд алгоритмов решения задач классификации изображений не требуют одновременного обращения ко всем элементам изображения и используют построчное (постолбцовое) сканирование, при этом в каждый момент времени обрабатывается один элемент изображения К ним относятся такие широко используемые алгоритмы

- классификация по минимуму расстояния,

- классификация гиперпараллелепипедным методом,

- классификация по принципу максимального правдоподобия

При решении задач предварительной обработки наиболее широко используются различные виды пространственной фильтрации скользящими окнами различного размера В этом случае в обработку вовлекается некоторая, сравнительно небольшая, окрестность обрабатываемого элемента изображения

Рассмотрим разбиение изображения на (возможно, пересекающиеся) полосы в направлении, перпендикулярном направлению построчного (постолбцового) сканирования Этот способ удовлетворяет требованиям, обычно предъявляемым обработкой в реальном времени, снимает необходимость обмена промежуточными результатами между параллельными процессами выполнения локальных операций и легко реализуется как программно, так и аппаратно Процесс сборки результирующего изображения

состоит из действий, в точности противоположных разбиению

Для проведения оценки эффективности многопроцессорной классификации, использующей поэлементное сканирование изображений, введем следующие обозначения

иып - время обработки одной строки (столбца) данных, („ер - время пересылки одной строки (столбца) данных (включает в себя время пересылки при разбиении данных, время пересылки при сборке данных и время задержки, связанной с возможной несинхронной работой процессоров),

I - число задействованных процессоров, п - число строк (столбцов) обрабатываемого изображения

Определим параметр 1 как отношение времени пересылки ко времени выполнения

(12)

С учетом введенных обозначений была получена следующая формула, определяющая зависимость выигрыша от числа процессоров К(/) для алгоритмов, использующих поэлементное сканирование изображений

К(1)=-у— (13)

Максимальный выигрыш Ктах в этом случае определяется выражением

Кпт =- (14)

I

Несколько более сложным является процесс распараллеливания по данным задач предварительной обработки пространственной фильтрации скользящими окнами различного размера В этом случае в обработку вовлекается некоторая окрестность обрабатываемого элемента изображения Поэтому разбиение изображения необходимо осуществлять на пересекающиеся полосы в направлении, перпендикулярном направлению построчного (постолбцового) сканирования Введем обозначение IV - размер окна используемого пространственного фильтра

Выражение для определения выигрыша К в этом случае примет следующий вид

К=—-Х---(15)

у, +1+1 -(»-!) // п

А выражение для определения максимального значения выигрыша Ктш Ь/ ' (16)

Результаты исследований, описанных в главе 6, показывают, что эффективность использования распараллеливания по данным обработки изображений алгоритмами, использующими поэлементное сканирование, и скользящими пространственными фильтрами резко возрастает с уменьшением отношения времени пересылки к времени выполнения ( в интервале значений 0 2-0 Для алгоритмов фильтрации скользящими окнами время выполнения возрастает пропорционально квадрату линейного размера окна, поэтому распараллеливание наиболее эффективно при использовании фильтров с окнами большого размера

Заключение

Результаты исследований, представленные в данной работе, можно рассматривать как решение актуальной научной проблемы тематической обработки изображений земной поверхности на основе многоуровневых алгоритмов сегментации

В ходе выполнения научно-исследовательских работ достигнута основная цель диссертационной работы - разработаны теория и практическая методология тематической обработки изображений на основе многоуровневой классификации Проведены экспериментальные исследования возможностей повышения эффективности автоматизированной сегментации АКС за счет использования методологии многоуровневой тематической обработки при решении различных задач

Основные результаты и выводы диссертационной работы заключаются в следующем

- разработаны теория и методология тематической обработки на основе многоуровневой классификации, с использованием структурно-пространственной модели исследуемых изображений,

- разработаны методология выделения элементов пространственной структуры и теоретическая схема построения структурно-пространственной модели,

- созданы новые алгоритмы выделения точечных и малоразмерных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений,

- предложен новый вид информационных признаков (спектрально-контекстные), который позволяет существенно увеличить число выделяемых классов точечных объектов,

- проведено экспериментальное исследование методик тематической сегментации многозональных аэрокосмических изображений на основе многоуровневой классификации для определения природно-хозяйственных объектов исследуемых территорий,

- разработана методика многоуровневой тематической обработки радиолокационных изображений сверхвысокого разрешения,

- разработана методика автоматизированного определения состояния теплотрасс по данным тепловизионной аэросъемки,

- разработана методика количественной оценки эффективности распараллеливания и расчета оптимальной конфигурации вычислительного кластера при обработке изображений алгоритмами классификации, использующими поэлементное сканирование изображений, и скользящими пространственными фильтрами

- проведены экспериментальные исследования эффективности разработанных методологий тематической сегментации аэрокосмических изображений земной поверхности, полученных методами дистанционного зондирования

Экспериментальные исследования показали, что использование алго-

ритмов многоуровневой сегментации при тематической обработке материалов многозональной съемки позволяет повысить достоверность сегментации значительного числа объектов

Экспериментальное исследование тематической обработки радиолокационных снимков показало возможность эффективного использования автоматизированных методов сегментации

Разработанная методика автоматизированной тематической обработки данных тепловизионной аэросъемки для мониторинга состояния теплотрасс, с использованием локальных классификаторов, позволяет сократить временные затраты на обработку и значительно повысить оперативность получения информации

Публикации По теме диссертации опубликовано 35 научных работ Основные результаты изложены в следующих рекомендованных ВАК журналах

1 Методика автоматизированного ландшафтного дешифрирования космических изображений // Известия высших учебных заведений Геодезия и аэрофотосъемка № 4 - М МИИГАиК, 1998, с 68-81 (Соавторы Мелкий В А Игрицов МА )

2 Использование спектрально-контекстных признаков для автоматизированного дешифрирования аэрокосмических изображений земной поверхности //И¡в Вузов Геодезия и аэрофотосъемка, 2001 №4 С 80-85

3 Адаптивный пороговый алгоритм для автоматического выделения на изображении малоразмерных объектов //Изв Вузов Геодезия и аэрофотосъемка, 2002 № 1 С 100-107

4 Дешифрирование многозональных аэрокосмических изображений с использованием сгруктурно-пространственной информации //Изв Вузов Геодезия и аэрофотосъемка, 2003 № 6, с 54-66

5 Автоматизированное выделение объектов заданного размера на аэрокосмических изображениях с использованием параллельной обработки //Известия вузов Геодезия и аэрофотосъемка, 2004, № 3 С 151-157 (Соавтор КочноваИВ)

6 Технология автоматизированного дешифрирования данных тепловизионной аэросъемки для мониторинга состояния теплотрасс //Известия вузов Геодезия и аэрофотосъемка», 2004, № 4 С 118-125

7 Проблемы распараллеливания в задачах предварительной обработки изображений скользящими пространственными фильтрами // Известия высших учебных заведений Геодезия и аэрофотосъемка №6 - М МИИГАиК, 2004, с 55-61 (Соавторы Малинников В А , Кочнова ИВ)

По теме диссертации опубликованы также следующие работы

8 Отношение сигнал-шум при корелляционном анализе двумерных изображений //Автоматизация процессов сбора и обработки информации ВВИА им НЕ Жуковского Научно-методические материалы Москва, 1989г с 71 (Соавторы Д К Сигитов, В Т Федин)

9 Алгоритм восстановления радиотепловых изображений //Тезисы докладов Всесоюзной конференции "Методы и средства дистанционно! о зондирования Земли и обработки космической информации в интересах народного хозяйства Рязань, 1989г Часть 2 с 36 (Соавторы И Г Журкин, Д К Сигитов, Ю М Черниговский)

10 НТО по теме " Рубеж ", Рукопись, Москва, ЦНИИРЭС 1990г, инв№ 18827, 139с , (Соавторы Алексеев Б Я , Белова Е П и др )

11 Пакет иследовательских программ для обработки и визуализации цифровых изображений на ПЭВМ типа 1ВМ РС АТ //Тезисы докладов конференции "Проблемы создания систем обработки, анализа и понимания изображений" Ташкент, 1991 г с 135 (Соавторы Б Я Алексеев, В Г Беликов)

12 Оценка эффективности многоспектральных оптико-электронных средств при совместной обработке информации //Тезисы докладов Международной научно-технической конференции "Статистические методы в теории передачи и преобразования информационных сигналов" Киев, 1992 г с 68 (Соавтор В Г Беликов)

13 Пакет прикладных программ обработки изображений произвольного размера на ПК типа 1ВМ РС АТ //Тезисы докладов Международной научно-технической конференции "Статистические методы в теории передачи и преобразования информационных сигналов" Киев, 1992 г с 92 (Соавтор В Г Беликов)

14 Аппаратно-програмный комплекс автоматизированной диагностики оператора иридологическими методами //Материалы Международного научно-технического семинара "Моделирование и контроль качества в задачах обеспечения надежности радиоэлектронных устройств" Шяуляй, 1992 г с 53 (Соавторы Е В Баскакова, В Г Беликов)

15 Алгоритм локальной пороговой обработки для выделения точечных объектов на изображении //Материалы научно-технического семинара "Прикладные интел-

лектуальные системы" Общество "Знание" РСФСР Москва, 1992 г с 10 (Соавтор В Г Беликов)

16 Методические указания по выполнению лабораторных работ по курсу «Компьютерное тематическое дешифрирование аэрокосмических изображений» Для студентов специальности «Исследование природных ресурсов аэрокосмическими методами» - М , Изд МИИГАиК 1997 21с (Соавторы Мелкий В А Черниговский Ю М, Сметанюк И В )

17 Влияние сейсмоактивных дислокаций континентальных окраин на состояние сооружений //Геология морей и океанов Тез докл XII Международ школы по морской геологии Т 1 М , ГЕОС, 1997 С 248-249 (Соавторы Мелкий В А , Шитикова М В )

18 Создание экспертной геоэкологической системы на основе автоматизированного картографирования //Геоэкологическое картографирование Тез докл Всероссийской нучно-практ конфер 24-27 февраля 1998 г пос Зеленый Московской обл 4 1 М Геоинформмарк 1998 С 137-139 (Соавторы Мелкий В А, Шитикова MB)

19 Методика автоматизированного дешифрирования аэрокосмических изображений в целях создания основы геоэкологического дешифрирования //Геоэкологическое картографирование Тез докл Всероссийской нучно-практ конфер 24-27 февраля 1998 г пос Зеленый, Московской обл 4 1 М, Геоинформмарк, 1998 С 137-139 (Соавторы Мелкий В А , Игрицов М А )

20 Прогнозирование взрывных вулканических извержений по данным дистанционного зондирования //Изв Вузов Геодезия и аэрофотосъемка 1998 №3 С 123129 (Соавторы Мелкий В А , Долгополов Д В , Черниговский Ю М )

21 Автоматизированное распознавание предвестников вулканических извержений и оценка вулканоопасности по данным ДЗЗ //Главнейшие итог и в изучении четвертичного периода и основные направления исследований в XXI веке Тез докл Всеросс совещания С -Пб, 1998 С 280 (Соавторы Мелкий В А , Долго-полов Д В )

22 Компьютерное дешифрирование гравитационных склоновых процессов по данным ДЗЗ // Главнейшие итоги в изучении четвертичного периода и основные направления исследований в XXI веке Тез докл Всеросс совещания С -Пб 1998 С 283-284 (Соавторы Мелкий В А , Кудинова Т В )

23 Методика дешифрирования современных дислокаций в целях прогноза землетрясений // Главнейшие итоги в изучении четвертичного периода и основные

направления исследований в XXI веке Тез докл Всеросс совещания С -Пб, 1998 С 286 (Соавторы Мелкий В А Ши шкова М В )

24 Автоматизированное распознавание подтаежных ландшафтов Подмосковья по данным ДЗЗ //Главнейшие итоги в изучении четвертичного периода и основные направления исследований в XXI веке Тез докл Всеросс совещания С -Пб,

1998 С 282 (Соавторы Мелкий В А, Игрицов М А )

25 Мониторинг сейсмической опасности Алтайско-Саянской складчатой зоны по данным дистанционного зондирования //Изв Вузов Геодезия и аэрофотосъемка,

1999 №3 С 107-118 (Соавторы Мелкий В А , Шитикова М В )

26 Возможности практического применения технологии автоматизированного дешифрирования аэрокосмических снимков в целях мониторинга земель //Изв Вузов Геодез иаэрофот, 1999 №3 С 99-112 (Соавторы Мелкий В А, Шитикова М В , Игрицов М А Долгополое Д В )

27 Технологическая схема выбора параметров классификатора и подмножества цифровых признаков для контролируемой классификации многозональных аэрокосмических снимков //Тезисы докладов Международной научно-технической конференции «220 лет геодезическому образованию в России», Москва 1999г,С172 (Соавтор Малинников В А )

28 Компьютерные технологии в картографировании экологических систем //Известия вузов Геодезия и аэрофотосъемка, 2003, № 5 С 60-71 (Соавтор Сладкопевцев С А)

29 Использование комплексных алгоритмов классификации для автоматизированного дешифрирования радиолокационных изображений земной поверхности сверхвысокого разрешения //Международная научно-техническая конференция, посвященная 225-летию МИИГАиК, Москва, 2004, с 54-61 (Соавторы Малинников В А , Кочнова И В )

30 Методические указания по выполнению лабораторной работы «Технология создания цифровых карт по материалам аэрокосмосъемки сверхвысокого разрешения» по курсу «Дистанционные методы изучения природных ресурсов» Для студентов специальности «Исследование природных ресурсов» - М , Изд МИИ-ГАиК, 2004 10 с (Соавторы КащенковаКА , Черниговский Ю М )

31 Предварительная обработка космических снимков размером более 20 МГБ медианным фильтром с большим размером окна на кластере рабочих станций с использованием параллельных вычислений //Методические указания М МГУ-ГиК, 2004 - 7 с (Соавторы Малинников В А , Кочнова)

32 Методические указания по выполнению лабораторной работы «Автоматизированное тематическое дешифрирование аэрокосмическич снимков методом выделения границ однородных областей» по курсу «Технология тематической обработки данных дистанционного зондирования» Для студентов специальности «Исследование природных ресурсов» М , Изд МИИГАиК, 2004 8 с

33 Ресурсно-экологическая картография //М Изд-во МИИГАиК, 2005, 196 с (Соавтор Сладкопевцев С А)

34 Возможности применения космических методов в целях осуществления мониторинга земель крупнейших городов (на примере г Москвы) // Известия высших учебных заведений Геодезия и аэрофотосъемка №2 - М МИИГ АиК, 2005 , с 89-108 (Соавторы А М Кругляк, В А Леонтьев и др )

35 Методические указания по ведению топографического мониторинга территории города Москвы по материалам космической съемки для решения задач мониторинга фактического использования земель //Московский государственный университет геодезии и картографии - М 2004 - 48 с - Библиогр 7 назв - Рус - Деп в ВИНИТИ 23 11 2004 № 1838-В2004 (Соавторы Антипов А В Зверев А Т и др )

36 Проблемы и технология космического мониторинга городских земель Экологические изыскания для проектирования, строительства и эксплуатации Сборник докладов // Материалы V Научно-практической конференции «Экогеа1-2005» М НИиПИ экологии города Смоленск Маджента, 2006 С 61-64

Подписано в печать 03 04 2008 Гарнитура Тайме Формат 60*90/16 Бумага офсетная Печать офсетная Объем 3,00 уел печ л Тираж 80 экз Заказ №79 Цена договорная

Издательство МИИГАиК 105064, Москва, Гороховский пер , 4

Отпечатано в типографии МИИГАиК