В работе рассмотрены особенности идентификации объектов по данным ДЗЗ с использованием гексагональных растров и бинарных изображений, относящиеся как к реальным, так и виртуальным описаниям на эвристиках. Предложен новый подход к описанию контура объекта на бинарном контрастном изображении, представленном гексагональной решеткой. Показано, что использование именно гексагональной решетки обеспечивает целочисленные вычисления в ходе предварительной обработки, повышение достоверности ее результатов. Представленное в работе формирование признаков распознавания на основе интегральных преобразований повышает качество результатов для систем принятия решений, основанных на интеллектуальном анализе данных спутникового мониторинга протяженных объектов для нужд транспорта, сельского и лесного хозяйства, создания социально-экономически проектов и т.д. Контуры объектов изображений являются областями высокой концентрации информации о реальных объектах. Они слабо зависят от цвета и яркости изображения, устойчивы к смене типов датчиков, почти не зависят от погодных условий, времени года и суток. При этом большинство других характеристик изображений варьируются в достаточно широком диапазоне [1,2].
Результаты определения контура на шестиугольных изображениях показывают [3,4], что получаемая карта контура имеет более высокую степень точности для искривленных, сложных объектов, чем с прямоугольными изображениями. Это объясняется главным образом связностью отдельных шестиугольных пикселей, генерирующих более согласованные контуры [5,6].
С учетом того, что для описания изображений на гексагональных растрах может быть использовано три оси координат, в [6] было показано, что для однозначного определения пикселя на координатной сетке достаточно любой пары координат. Использование всех трех осей позволило повысить достоверность результатов идентификации объектов на изображениях и была доказана правомерность использования соответствующих коэффициентов разложений зависимостей функций в ряды по ортогональным функциям (в частности, рассматривались ортогональные экспоненты) в качестве информативных признаков распознавания [4,7,9-11].
Следует отметить, что использование в задачах аппроксимации ортогональных полиномов и функций обеспечивает наилучшее приближение в среднеквадратическом описании:
Реальное цветокодовое изображение процесса можно описать ортогональным рядом с любой наперед заданной точностью.
Аналитическое представление процесса рядом из ортогональных полиномов и функций требует знание самого процесса и не требует знания его производных или сведений о его гладкости.
Разложение модели процесса осуществляется не в точке, а на заданном промежутке, который может быть практически любым.
При описании исходного процесса усеченным ортогональным рядом вся информация сосредотачивается в коэффициентах разложения, причем для реальных процессов необходимую точность можно обеспечить, используя конечное число коэффициентов [11].
При этом исходные функции параметрического описания контура объекта преобразуются в решетчатые функции, определенные только при дискретных значениях аргумента с постоянным интервалом дискретности, равном расстоянию между любыми соседними пикселями на гексагональной решетке.
В настоящей работе были исследованы методики визуального и семантического описания и представления объектов и процессов их динамического развития с помощью гексагональных решеток в реальном или виртуальном семантическом пространстве. Полученные результаты позволяют осуществлять анализ данных, представленных посредством визуального кодирования по Фримену, интеллектуальной обработки и использования систем поддержки и принятия решений.