Материалы 17-й Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса», Москва, ИКИ РАН, 2019 год

(http://conf.rse.geosmis.ru)

Способ контурного кодирования моделей объектов геоинформационного пространства на гексагональных решетках на основе данных ДЗЗ

Крамаров С.О. (1), Храмов В.В. (1), Митясова О.Ю. (1), Грошев А.Р. (1)
(1) Сургутский государственный университет, Ростов-на-Дону, Россия
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.

Ключевые слова: дистанционное зондирование Земли (ДЗЗ), математика на решетках, код Фримена, бинарное изображение, элементарный вектор, система технического зрения
Литература:
  1. Майоров В.Д., Храмов В.В. Эвристические способы контурного кодирования моделей информационных объектов в системе технического зрения робота //Вестник Ростовского государственного университета путей сообщения. 2014. № 1 (53). С. 62-69. https://elibrary.ru/item.asp?id=21391925
  2. Фурман, Я.А. Введение в контурный анализ: приложение к обработке изображений и сигналов / Я.А. Фурман и др. // М.: ФИЗМАТЛИТ, 2003.- 592с. https://smart-torrent.org/viewtopic.php?t=90108
  3. Гвоздев Д.С., Храмов В.В., Ковалев С.М., Голубенко Е.В. Прикладные методы идентификации в автоматизированных системах на транспорте: Монография // Ростовский государственный университет путей сообщения. Ростов-на-Дону, 2015.- 186 с. https://elibrary.ru/item.asp?id=27492569
  4. Kramarov S.O., Kosenok S.M., Khramov V.V. Analysis of Object Contours. Тechnical Vision of Robots/2nd World Conference on Robotics and Artificial Intel-ligence. Conference Scien-tific Federation June 10-11, 2019.- Osaka, Japan, р.24
  5. Способ идентификации протяженных объектов земной поверхности / Акперов И.Г., Крамаров С.О., Храмов В.В., Митясова О.Ю., Повх В.И. // Патент на изобретение RUS 2640331 11.12.2015 https://elibrary.ru/item.asp?id=35057862
  6. Гинзбург М.М., Путятин Е.П. Сравнительный анализ прямоугольной и гексагональной решеток для дискретизации кривых // Бионика интеллекта: науч.-техн. журнал. – 2012. – № 2 (79). – С. 13–18.
  7. Храмов В.В. Дискретные ортогональные разложения и их применение для сжатия информации при региональном бизнес-планировании //В сборнике: Образование и наука - основной ресурс третьего тысячелетия. Материалы юбилейной международной научно - практической конференции. Ростов-на-Дону, 2006. С. 733-737. https://elibrary.ru/item.asp?id=349144380
  8. Дедус Е.Ф., Храмов В.В. Система признаков распознавания контуров произвольной формы // В сборнике: Тематический научно-технический сборник, Москва, 1988. С. 21-23. https://elibrary.ru/item.asp?id=32837817
  9. Middleton, L. and J. Sivaswamy, The FFT in a Hexagonalimage Processing Framework. Proceedings of Image and Vision Computing New Zealand, 2001: p. 231-236.
  10. Wu, H.-S., Hexagonal discrete cosine transform for image coding. Electronics Letters, 1991. 27(9): p. 781-783.
  11. Храмов В.В. Использование ортоэкспонециальных функций для формирования базиса признаков в теории следов // В сборнике: Проблемы обеспечения эффективности и устойчивости функционирования сложных технических систем XIX межведомственная научно-техническая конференция. 2000. С. 68-72. https://elibrary.ru/item.asp?id=32653094
  12. Храмов В.В. Многомерный контурный анализ в обработке космических снимков протяженных объектов земной поверхности // В сборнике: Транспорт: наука, образование, производство труды международной научно-практической конференции. 2016. С. 244-248. https://elibrary.ru/item.asp?id=28985821

Методы и алгоритмы обработки спутниковых данных

40