Сборник тезисов докладов шестнадцатой Всероссийской открытой конференции "Современные проблемы дистанционного зондирования Земли из космоса", Москва, ИКИ РАН, 2018 год

(http://smiswww.iki.rssi.ru/d33_conf)

Возможности автоматизации контурного распознавания и идентификации объектов земной поверхности

Крамаров С.О. (1), Грошев А.Р. (1), Каратаев А.С. (1), Храмов В.В. (2), Митясова О.Ю. (2), Повх В.И. (3)
(1) Сургутский государственный университет, Сургут, Россия
(2) ЮУ (ИУБиП), Ростов-на-Дону, Россия
(3) МСХ РФ, Ростов-на-Дону, Россия
Дистанционное зондирование Земли из космоса в интересах разведки полезных ископаемых, лесного хозяйства, экологии, мониторинга почвенных покровов часто осуществляют путем получения цифровых изображений подстилающей поверхности. Существуют многофункциональные программы редактирования, ретуширование изображений, работа со слоями в палитре RGB, CMYK и др. в интерактивном режиме. Однако, в целом ряде случаев, указанные селективные признаки для конкретных исследуемых объектов не обладают достаточной стабильностью и нечетки, например, способны к сезонным (периодическим) модификациям. При этом другие объекты на тех же изображениях могут быть идентифицируемы с требуемым качеством.
Задача распознавания объектов на изображениях подстилающей поверхности решается, как правило, оператором по набору дешифровочных признаков. При этом, наибольший объем информации содержит форма объекта, а на изображении - его контурный рисунок. Для уменьшения потерь часто используют сканер высокого разрешения.
К настоящему времени еще не разработаны универсальные методы автоматической идентификации объектов на изображениях. Большой объем необходимый информации для изучения объектов на изображениях и их идентификации содержится в их форме. Восприятие образов зачастую происходит на уровне абриса, т.е. контура формы объекта. Контур, в отличие от текстуры изображения и фона, обладает определенной независимостью от погоды, освещения, других факторов.
На бинарном, двухуровневом цифровом изображении, каждый пиксель также либо однозначно принадлежит, либо не принадлежит исследуемому объекту. В то же время, для контура могут быть выбраны характерные точки, например, вершина горы, небольшое озеро и т.п., или определен центр тяжести плоской фигуры, ограниченной этим контуром, которые обладают относительной пространственной устойчивостью (по сравнению с точками самого контура).
Вопросы технического зрения и идентификации объектов земной поверхности за последние полвека были исследованы довольно подробно. На сегодняшний день существует огромное число методов и алгоритмов, реализующих задачу идентификации во многих областях: в медицине, в производстве, научных исследованиях, автомобильном и железнодорожном транспорте, в освоении космоса, исследованиях новых территорий, в военном деле, роботостроении и т.д. В рамках разработки концепции «Цифровой Земли» предпринимаются попытки массового внедрения систем технического зрения для автоматической идентификации объектов земной поверхности, основанных на использовании классических и новых методов распознавания, учитывающих особенности реальных видеоизображений. Важным этапом подготовки данных к распознаванию является описание элементов изображений в виде совокупности их морфологических признаков.
Как показали многочисленные исследования [1, 3] контуры объектов изображений являются областями высокой концентрации информации о реальных сценах. Они слабо зависят от цвета и яркости, устойчивы к смене типов датчиков, почти не зависят от погоды, времени года и суток. При этом большинство других характеристик изображений варьируются в достаточно широком диапазоне [1, 2].
Контур содержит практически всю необходимую информацию для распознавания объекта по форме. Методы контурного распознавания в большей степени, чем пространственные методы, дают возможность использовать модели, инвариантные к случайным переносам, поворотам, изменению масштаба [2]. В ряде важных случаев контурные методы обработки изображений и распознавания образов менее чувствительны к помехам [4].
Большую роль в контурной обработке и анализе изображений играют их двухуровневые (бинарные) дискретные представления. При этом дискретизация осуществляется по растрам: прямоугольный, шестиугольный (гексагональный) и треугольный. В тоже время в целом ряде приложений, связанных со зрением животных и СТЗ роботов, проектированием сложных поверхностей [3] показаны достоинства гексагональных растров. Треугольные (триангональные) растры нашли применение в моделях, связанных с геоинформационными системами [8].
Размер пикселя сетчатки выбирается из условия возможности восстановления качества исходного изображения [1]. После оцифровки предполагается, что каждый пиксель однозначно принадлежит либо изображению, либо фону. При этом ошибка дискретизации зависит не только от размеров пикселя, но и от правила (критерия) отнесения его к фону или изображению. Варианты таких правил приведены в [4-7].
Рассмотренный в данной работе метод реализуется в нескольких вариантах, когда:
- обработка гиперспектрального изображения осуществляется по одному каналу (значительное число спутников представляет именно такие снимки).
- осуществляется предварительное разбиение (в ходе предварительной обработки) исходного гиперспектрального изображения на три проекции R, G, В. Обработку полученных изображений по трем соответствующим каналам, идентификацию объектов по форме осуществляют путем расчета признаков их контуров в границах выделенных, соответственно, в каналах R, G, В.
- осуществляется обработка полученных спектрозональных изображений сформированных на борту спутников (например, LandSat). В этом случае, идентификация объектов по форме (контуру) осуществляется путем расчета признаков границ выделенных контуров. Затем осуществляется сопоставление вычисленных признаков с их эталонными значениями и принятием решения об идентификации на основании предопределенного правила мажоритирования.
Вариант реализации данного метода, обеспечивающего высокую оперативность и простоту выполнения является идентификация объекта, применительно к бинаризованному (объект-фон) изображению, при этом выделение контура осуществляется специальным эвристическим алгоритмом [8].

Ключевые слова: идентификация, нечеткие методы и алгоритмы, спутниковые снимки, мониторинг
Литература:
  1. Лупян, Е.А. Технология построения автоматизированных информационных систем сбора, обработки, хранения, и распространения спутниковых данных для решения научных и прикладных задач / E.A. Лупян, A.A. Мазуров, Р.Р. Назиров, А.А. Прошин, Е.В. Флитман // Современные проблемы дистанционного зондирования Земли из космоса. 2004. С.81-89.
  2. Храмов, В.В. Методология представления территорий при целевом зондировании Земли из космоса / Сб. научных трудов «Государственно-частное партнерство и государственные закупки в системе реализации политики импортозамещения в России» (по материалам V Международного социально-экономический Форума «ИНТЕЛЛЕКТУАЛЬНЫЕ РЕСУРСЫ –РЕГИОНАЛЬНОМУ РАЗВИТИЮ»). – Часть 2. - Ростов-на-Дону: ЮУ (ИУБиП), 2016. – С.142-148
  3. Дедус Е.Ф., Храмов В.В. Исследование формы сложноорганизованной информации на основе ортогональных разложений //Тематический научно-техн.сб. – Серпухов: МО, 1995.- с.17-21;
  4. Лепский А.Е., Броневич А.Г. Математические методы распознавания образов.- Таганрог: Изд.ТТИ ЮФУ, 2009.- 155 с.
  5. Freeman H. On the digital – computer classification of geometric line pattern / H. Freeman // Proc. Nat. Electron Conf. -1962.- № 18 – P. 312-324
  6. Храмов В.В. и др. Устройство для отслеживания контуров двумерных объектов / В.В. Храмов // Роспатент РФ Описание изобретения к патенту №_2104580, кл.G06F15/66, 1998
  7. Фурман Я.А. Введение в контурный анализ: приложение к обработке изображений и сигналов / Я.А. Фурман и др. Под ред. Я.А. Фурмана.- // М.: ФИЗМАТЛИТ, 2003.- 592с.
  8. Митясова О.Ю. Система анализа космических снимков (САКС)//Митясова О.Ю., Акперов И.Г., Крамаров С.О., Храмов В.В. /./Свидетельство о государственной регистрации программы на ЭВМ №2017615097

Презентация доклада

Дистанционное зондирование растительных и почвенных покровов

414