Содержание к диссертации
Введение
ГЛАВА 1. Анализ исходных данных, обоснование основных этапов информационной технологии 11
1.1 Обзор систем радиолокационного зондирования 11
1.2 Анализ технологий обработки радиолокационных изображений 14
1.3 Основные этапы технологии формирования и распознавания радиолокационных изображений 19
1.4 Конкретизация задач исследования 21
Выводы к главе 1 24
ГЛАВА 2. Методы и алгоритмы локализации и фрактального сжатия областей интереса радиолокационных изображений 25
2.1 Постановка задачи, локализация скользящим окном поиска 25
2.2 Локализации объектов на основе методов активного контура 27
2.3 Алгоритмы отбора областей-претендентов 32
2.4 Алгоритмы формирования фрактальных изображений 38
Выводы к главе 2 42
ГЛАВА 3. Методы и алгоритмы распознавания фрактальных образов радиолокационных изображений 43
3.1 Постановка задачи распознавания фрактальных изображений с использованием показателя сопряженности 43
3.2 Формирование обучающих множеств, разделимых по показателю сопряженности 46
3.3 Алгоритм вычисления показателя сопряженности 50
3.4 Исследование эффективности алгоритма формирования опорных подпространств 52
3.5 Исследование качества алгоритмов распознавания в составе информационной технологии
Выводы к Главе 3 59
ГЛАВА 4. Информационная технология формирования радиолокационных цифровых моделей местности 60
4.1. Постановка задачи моделирования 60
4.2 Технология формирования трехмерной модели подстилающей поверхности 62
4.2.1 Разработка метода параметрической автоматизированной генерации карт рельефа 65
4.2.2 Формирование карты местности 66
4.2.3 Формирование рельефа на основе карты местностей 68
4.2.4 Формирование итогового рельефа 69
4.3 Моделирование трехмерных сцен с техногенными объектами 74
4.4 Моделирование 2D-изображений с использованием трехмерной цифровой модели сцены 80
Выводы к Главе 4 82
ГЛАВА 5. Программный комплекс формирования и распознавания радиолокационных изображений 83
5.1 Архитектура программного комплекса формирования и распознавания радиолокационных изображений 83
5.2 Результаты и оценка качества формирования радиолокационных изображений 94
Выводы к Главе 5 95
Заключение 96
Список литературы 98
- Основные этапы технологии формирования и распознавания радиолокационных изображений
- Локализации объектов на основе методов активного контура
- Алгоритм вычисления показателя сопряженности
- Разработка метода параметрической автоматизированной генерации карт рельефа
Введение к работе
Актуальность исследования
В последние годы наблюдается возрастающий интерес к системам дистанционного зондирования Земли в СВЧ диапазоне. Расширяется область прикладного применения таких систем для контроля и улучшения среды обитания, в частности, для контроля загрязнений окружающей среды, поиска полезных ископаемых, мониторинга состояния техногенных объектов и др. Обработка и интерпретация радиолокационных данных требует особого подхода, отличающегося от обработки изображений видимого и ИК диапазонов. Одной из центральных проблем является разработка эффективных методов и алгоритмов распознавания радиолокационных изображений (РИ).
Теория и практика распознавания радиолокационных данных имеет достаточно большую историю. Большой вклад к развитие методов распознавания РИ внесли отечественные (Сколник М.И., Сосулин Ю.Г., Горелик Л.А., Цивлин И.П., Матвеев А. М., Скрипкин B.A.) и зарубежные (O'Sullivan J.A., Jacobs S.P., Kedia V., Leberl F., Dudani S., Breeding K., McGhee R.,Verbout S., Novak L.) ученые. В этой области сложилось ряд подходов, различающихся принципами представления исходных данных и методами формирования признаков и решающих правил.
На этапе распознавания ключевой проблемой является формирование системы признаков. По способу формирования признаков, характеризующих РИ объектов, различают статистический и детерминистский подход. Среди работ, посвященных распознаванию двумерных радиолокационных изображений объектов на основе математических методов статистики, можно выделить ряд работ зарубежных (Hirotugu A., Billingsley J.B., Farina A., Gini F., Greco M.V., Verrazzani L.Holt C., Attili J., Schmidt S.) и отечественных (Ширман Я.Д., Горшков C.A., Лещенко С.П., Братченко Г.Д., Ор-ленко В.М., Горбачев А.А., Коланов А.П.) авторов. К классу детерминистских методов относится ряд традиционных подходов к формированию признаков изображений, в частности, с использованием функционалов (Dudani S., Breeding K., McGhee R., Wong R.Y., Hall E.L., Цивлин И.П.) и различных дескрипторов формы (Sajjanhar A., Guojun L., Murphy L.M.).
Основные трудности распознавания РИ связаны с изменчивостью образов при различных условиях зондирования. Поэтому предварительное препарирование РИ с целью выделения небольшого числа геометрических признаков не всегда приводит к успеху. В большинстве технологий распознавания РИ компонентами вектора признаков являются отсчеты изображения, а обучающие изображения получают путем проведения натурных испытаний на полигонах или в безэховых камерах. По результатам этих испытаний составляется база данных радиолокационных изображений при разных ракурсах наблюдения. В рамках указанного традиционного подхода возникают, по крайней мере, две проблемы.
Во-первых, при указанном способе формирования векторов признаков размерность признакового пространства при высоком разрешении может быть неприемлемо большой. Попытки снизить размерность уменьшением разрешения приводят к потере точности. Поэтому актуальна задача построения новых технологий распознавания, основанных на использовании преобразованных изображений меньшей размерности,
в которых, тем не менее, достаточно полно сохраняется информация об объектах на РИ.
Во-вторых, получение обучающих наборов данных путем натурных испытаний требует больших затрат ресурсов, времени и доступности подлинного объекта исследований. Кроме того, поскольку РИ сильно различаются при изменении ракурса наблюдения, возникает потребность в значительных ресурсах памяти для хранения большого числа эталонных изображений. Поэтому актуальна задача создания инструментальных средств для моделирования обучающих наборов данных по исходным радиолокационным характеристикам местности.
Одним из перспективных направлений при решении первой из указанных проблем являются фрактальные методы, позволяющие извлечь связи локальных полей яркости в различных частях изображения, содержащие информацию о структуре объекта. Однако известные фрактальные методы формирования признаков, все-таки, имеют высокую вычислительную сложность и недостаточную помехоустойчивость. Поэтому целью настоящего исследования является создание новых методов и алгоритмов локализации и распознавания радиолокационных изображений на основе фрактального сжатия, обладающих более высокими помехоустойчивостью и быстродействием.
Известный подход, направленный на решение второй из указанных выше проблем, состоит в том, что в памяти хранятся только трехмерные компьютерные модели объектов, с использованием которых формируются эталонные РИ путем моделирования непосредственно перед этапом распознавания объекта. При этом должна также задаваться модель подстилающей поверхности с заданными радиолокационными характеристиками. К сожалению, в известных реализациях этого подхода пока отсутствует возможность оперативного формирования радиолокационных цифровых моделей местности (РЦММ) по заданным элементам модели подстилающей поверхности, что снижает быстродействие и качество технологий моделирования и распознавания РИ. Поэтому в общей задаче разработки информационной технологии распознавания РИ актуальна проблема разработки автоматизированных методов формирования РЦММ.
Таким образом, в настоящей диссертации разрабатывается информационная технология распознавания РИ, включающая методы и алгоритмы распознавания РИ, подвергшихся фрактальному сжатию, и алгоритмы формирования обучающего множества РЦММ по исходным радиолокационным характеристикам элементов рельефа и трехмерным компьютерным моделям объектов. Актуальность решения указанных задач, кроме прочего, подтверждается большим потоком публикаций по формированию и распознаванию радиолокационных изображений.
Цель исследования – повышение качества и оперативности распознавания объектов на радиолокационных изображениях по данным радиолокационного зондирования Земли.
В ходе исследования решались следующие задачи:
1. Разработка и исследование новой технологии предварительной обработки
РИ, включающей алгоритмы локализации областей интереса и фрактального сжатия
изображений.
2. Разработка и исследование нового метода и алгоритмов распознавания по
фрактальным образам РИ, обеспечивающих высокое качество и оперативность распо-
4
знавания объектов на радиолокационных изображениях за счет использования нового подхода к определению понятия разделимости классов.
-
Разработка алгоритма, реализующего решающее правило в процессе распознавания объектов на РИ, обладающего более высоким быстродействием на этапе классификации за счет снижения вычислительной сложности.
-
Разработка информационной технологии формирования трехмерных РЦММ (являющихся исходными для последующего моделирования РИ), обеспечивающей существенное сокращение времени обучения и распознавания.
-
Создание программного комплекса, реализующего информационную технологию формирования РЦММ, формирования обучающих множеств и распознавания объектов на РИ, проведение экспериментальных исследований и оценка качества разработанных методов и алгоритмов.
Научная новизна исследования
-
Новая информационная технология предварительной обработки РИ, основанная на модификациях алгоритмов локализации областей интереса и фрактального сжатия изображений, обеспечивающая повышение качества распознавания.
-
Новый метод распознавания объектов по фрактальным образам РИ, основанный на предложенном критерии разделимости классов по показателю сопряженности, обеспечивающий повышение качества распознавания.
-
Основанный на ортогональном разложении матрицы класса алгоритм принятия решений о принадлежности фрактального образа РИ классу, обеспечивающий повышение быстродействия за счет снижения вычислительной сложности.
-
Информационная технология автоматизированного формирования трехмерных РЦММ, обеспечивающая возможность оперативного моделирования различных типов обучающих РИ, предназначенных для использования в технологии распознавания при отсутствии натурных эталонных РИ.
Теоретическая и практическая значимость
Теоретическая значимость работы состоит в развитии теории распознавания и вычислительных алгоритмов принятия решений, в частности, предложены новая модификация метода распознавания, основанная на идее фрактального сжатия, а также основанный на ортогональном разложении матрицы класса алгоритм, реализующий правило принятия решения о принадлежности фрактального образа РИ классу. Предложенные методы и алгоритмы наряду с обработкой РИ могут быть использованы для обработки различных изображений в сиcтемах компьютерного зрения, видеонаблюдения, медицинских системах навигации и др.
Практическая значимость состоит в создании новой информационной технологии и реализующего ее программного комплекса оперативного формирования трехмерных радиолокационных цифровых моделей местности, а также локализации и распознавания объектов на РИ. Результаты диссертационной работы используются в РФЯЦ ВНИИЭФ (г. Саров), в РКЦ «ЦСКБ-Прогресс» и в научных исследованиях Самарского университета и ИСОИ РАН.
Степень достоверности и апробация результатов
Достоверность полученных результатов подтверждается результатами экспериментальных исследований, проведенными посредством программного комплекса, разработанного автором, в том числе, с использованием общеизвестных аннотиро-
ванных баз данных радиолокационных изображений. Основные результаты работы докладывались на следующих конференциях:
10-th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-10-2010). St. Petersburg, December 5-12, 2010.
Международной конференции «Перспективные информационные технологии для авиации и космоса» ПИТ-2010, Самара, 29 сентября–1 октября 2010г.
Российской конференции с международным участием «Технические и программные средства систем управления, контроля и измерения», Москва, 16-19 апреля 2012г.
8th Open German-Russain Workshop "Pattern recognition and image understanding", workshop proceedings, Nizhniy Novgorod, November 21-26, 2011.
International Workshop on Benchmark Test Schemes for AR/MR Geometric Registration and Tracking Method (TrakMark) Tsukuba , Japan, 2012.
«Pattern recognition and image analysis: new information technologies, PRIA-11-2013», Samara, 23-28 September, 2013.
II Международной конференции и молодежной школе «Информационные технологии и нанотехнологии» (ИТНТ-2016), Самара, 17-19 мая 2016г.
Исследования выполнялись в рамках следующих проектов.
-
Разработка конструктора радиолокационных карт (РФЯЦ ВНИИЭФ).
-
Проектная часть госзадания «Разработка компьютерной модели радиолокатора высокого разрешения для формирования детальных радиолокационных портретов объектов наблюдения».
-
Проекты РФФИ: № 12-07-31208 мол_а, № 13-07-12030 офи_м, 13-07-13166 офи_м_РЖД, 16-37-00362 мол_а, № 12-07-00581.
По теме диссертации опубликованы 15 работ, в том числе 6 в изданиях, рекомендованных ВАК (все индексируются также в базах SCOPUS). Получено 2 свидетельства о государственной регистрации программ ЭВМ.
Методология и методы исследования
В диссертационной работе используются методы математического анализа и линейной алгебры, численные методы, теория цифровой обработки сигналов и изображений, теория распознавания образов, методы фрактального анализа.
Основные положения диссертации, выносимые на защиту:
-
Технология предварительной обработки РИ, основанная на модификациях алгоритмов локализации областей интереса и фрактального сжатия изображений, обеспечивающая повышение качества распознавания.
-
Метод распознавания объектов по фрактальным образам РИ, основанный на предложенном критерии разделимости классов по показателю сопряженности, обеспечивающий повышение качества распознавания.
-
Основанный на ортогональном разложении матрицы алгоритм принятия решений о принадлежности фрактального образа РИ классу, обеспечивающий повышение оперативности за счет снижения вычислительной сложности.
-
Информационная технология автоматизированного формирования трехмерных РЦММ, обеспечивающая возможность оперативного моделирования различных типов обучающих РИ, предназначенных для использования в технологии распознавания при отсутствии натурных эталонных РИ.
5. Программный комплекс, реализующий информационную технологию формирования обучающих множеств и распознавания радиолокационных изображений и экспериментальные данные, подтверждающие эффективность технологии.
Структура и объем работы
Диссертация состоит из введения, пяти глав, заключения, списка литературы. Общий объем работы составляет 109 страниц, 47 рисунков, 11 таблиц, 1 приложение. Библиографический список насчитывает 99 наименований.
Основные этапы технологии формирования и распознавания радиолокационных изображений
Выделяют два типа моделирования рассеяния электромагнитного поля: точные и приближенные. К точным относятся аналитические методы и методы решения уравнений Максвелла. Самыми точными являются аналитические методы, однако главный их недостаток в том, что с помощью них решаются только небольшое количество задач: рассеяния на шаре, рассеяние на цилиндре, рассеяние на клине.
Для более сложных объектов применяют схемы решения уравнений Максвелла [13], тем не менее минусом данного метода является возрастающая вычислительная сложность при увеличивающейся разности между длинной волны и характерным размером цели. Так же существуют менее точные вычислительные методы (лучевые методы) [14]: методы геометрической оптики (ГО), методы геометрической теории дифракции. Между данными методами по точности так же располагаются другие подходы, называемые токовыми: методы физической оптики, параболического уравнения и краевых токов (физической теории дифракции) [15].
В ряде статей [16] – [20] авторы приводят результаты исследований по моделированию радиолокационной системы обзора здания сквозь внешние стены. В здание могут быть помещены различная мебель, а также люди. Моделирование электромагнитного рассеяния осуществляется с помощью методов FDTD [13] и методов ГО (трассировки лучей). Затем авторы обрабатывают результаты моделирования и получают изображения здания с помощью методов моделирования РИ.
В статье [20] авторы демонстрируют результаты моделирования двухэтажного здания, с множеством моделей различной мебели внутри и с моделями людей, которые аналогичны тем, что были представлены ранее. Авторы также, как в приведенной выше работе [13], используют два метода: FDTD и ГО. В данной статье авторы применяют два разных режима радиолокационного обзора: прожекторный режим при моделировании методом FDTD и маршрутный режим при моделировании методом ГО. На рисунке 1.1 представлены два режима съемки моделируемого здания. Рисунок 1.1 – Режимы РСА: (а) прожекторный режим; (b) маршрутный режим
Рассмотрим подробнее вторую часть моделирования: формирование двумерной картины рассеяния РСА. Достижение высокого разрешения модели РСА заключается в нескольких основных принципах: моделирование виртуальной антенны (синтезированной апертуры) [21], фильтрация Доплера [22], обработка сжатием или согласованная фильтрация [23] и построение гибридной голографической системы [24].
В работах [9,10,11] в качестве метода получения двумерного изображения предлагается использовать методы трассировки лучей. В качестве исходных данных авторы используют предварительно построенные трехмерные модели зданий, рисунок 1.2. Полученные в результате моделирования радиолокационные изображения авторы сравнивают с реальными радиолокационными изображениями тех же объектов, полученных со спутников и самолетных систем зондирования, рисунок 1.3. Рисунок 1.3 – Сравнение модельных РИ с реальными(a,c,e – реальные изображения, b,d,f – полученные моделированием)
В настоящее время ведется также усовершенствование модели РСА. Так, например, в публикации [25] авторы предлагают новый метод получения изображений РСА основанный на теории “compressive sensing” [26]. В статье [27] описывается моделирование изображений РСА волнения на море данным методом.
Для эффективного применения фрактальных методов распознавания необходимо предварительно выделить области интереса на радиолокационном изображении. Обычно эта проблема формулируется как задача локализации объектов на изображениях. С учетом указанных в настоящем разделе проблем ниже обосновывается общая схема информационной технологии формирования и распознавания радиолокационных изображений, общая схема технологии представлена на рисунке 1.4. Основные этапы технологии включают формирование трехмерных радиолокационных цифровых моделей местности (РЦММ) с техногенными объектами, моделирование РИ по сформированным трехмерным моделям, локализацию областей интереса на РИ, фрактальное преобразование изображений и распознавание объектов по фрактальным образам РИ.
Локализации объектов на основе методов активного контура
Полученные в результате применения описанных выше алгоритмов локализации и дополнительного отбора области интереса ограничиваются описанными прямоугольниками. Каждая такая прямоугольная область могут быть «вырезана» из общего изображения и использоваться как отдельное изображение. Далее в соответствии с описанной в главе 1 информационной технологией для этих изображений формируются их фрактальные представления [59, 60, 61, 63].
Для формирования фрактальных изображений используются системы итерированных функций (СИФ) на основе аффинных преобразований. Исходное изображение разбивается на квадратные непересекающиеся области, называемые ранговыми областями, и на более крупные квадратные области называемые доменными областями. Алгоритм сжатия на основе СИФ для каждой ранговой области ищет лучшее преобразование из доменной области в ранговую, рисунок 2.8.
Принцип работы алгоритма фрактального сжатия Таким образом, исходное изображение кодируется последовательностью аффинных преобразований. Применение этих преобразований к любому исходному изображению позволяет получить устойчивый фрактальный образ. Аффинные преобразования описываются формулой: где (i, j)T , (i , j )T – векторы координат пикселя в доменной и ранговой области соответственно, c1,..., c6 – коэффициенты преобразования, ui , j , ui,j – яркости пикселей в ранговой и доменной области соответственно, c7,c8– параметры контраста и яркости соответственно. В работе использовались 8 различных наборов коэффициентов \,...,с%, обеспечивающих преобразования,
соответствующие различным видам поворотов и отражений доменных областей, а также сжатие с коэффициентом 0,5. Преобразования сформированы таким образом, что являются сжимающими (максимальное собственное значение матрицы преобразования меньше 1). Тем самым, гарантируется наличие и единственность устойчивого множества, порождаемого данными преобразованиями.
Цель стадии сжатия заключается в нахождении наилучшего преобразования из доменной области в ранговую. Такое преобразование находится посредством применения каждого преобразования к каждой доменной области для каждой ранговой области. Искомым является вектор коэффициентов преобразования c = [c1,...,csf, доставляющий минимальное значение нормы разности между изображением, полученным в результате аффинных преобразований (2.3) и оригиналом: c = aigmin/,/(c,/). (2.6) с В результате определяются самоподобные части изображения так, что каждому исходному изображению соответствует фрактальный аттрактор, полученный итерированием аффинных преобразований: q1=\Jf(c%q0X...,qj+1=\Jf(c%qj\...,q = lim[jf(c%qj\ (2.7) где q - полученный аттрактор, q0 - «затравочное» изображение. Используя высокоточное разбиение и большой набор аффинных преобразований, удается достичь полной эквивалентности фрактального и исходного изображений. При грубом разбиении и ограниченном наборе аффинных преобразований для получения фрактального изображения, алгоритм фрактального сжатия обеспечивает существенное снижение размерности исходного изображения и дополнительную помехоустойчивость.
Для оценки целесообразности использования, предложенного и описанного здесь метода, и алгоритма фрактального сжатия в сквозной информационной технологии необходимо ответить, по крайней мере, на два вопроса. Во-первых, как изменяется качество распознавания радиолокационных изображений при переходе от исходных к фрактальным изображениям, во-вторых, каковы сравнительные потребности в вычислительных ресурсах, связанных с фрактальным преобразованием изображений.
Вычислительная сложность на этапе подготовки фрактальных эталонов обычно не имеет существенного значения. Однако для распознавания текущего объекта мы обязаны текущее изображение также преобразовать к фрактальному представлению. Мы отложим ответы на эти вопросы до следующего раздела, когда будут построены решающие правила алгоритма распознавания. Здесь мы пока приведем лишь один эксперимент, который показывает, что предложенный здесь алгоритм фрактального сжатия эффективен для решения задач распознавания.
В качестве исходных данных для распознавания использовались артефакты на изображении в виде бликов. Для образца артефакта, который требуется распознать, ставится в соответствие столько фрактальных аттракторов, сколько имеется в наличии образцов эталонов. Для сравнения аттрактора образца p и аттрактора эталона q используется Евклидова норма: пгт, d(p,q)=\\p-q\\2 =jZT(Pu 4,j)2 , (2-8) где Ih; Iw - высота и ширина изображений p и q соответственно. Различие между аттракторами задается в виде следующего критерия близости d(\Jf(c%Pj),4i) D = , (2.9) где q\ - аттрактор эталона, (J/(с,.) - набор соответствующих ему преобразований, а і pi - аттрактор неизвестной области. Чем меньшее числовое значение принимает критерий (2.9), тем ближе рассматриваемый образец к эталону.
В экспериментах сравниваются образцы изображений точечных целей в виде ярких областей (далее для краткости называемых артефактами) с некоторым набором других изображений. Диаметр артефактов составлял примерно 20-25 пикселей. Изображение разбивалось на 16 регулярных квадратных ранговых блоков и на 4 доменных блока. Пример аттрактора для аффинных преобразований для квадратного изображения размером 32x32 пикселей представлен на рисунке 2.9. Результаты расчета критерия близости представлены на рисунке 2.10.
Алгоритм вычисления показателя сопряженности
Результаты распознавания представлены в таблице 3.1. Здесь PSNR пиковое отношение сигнала к шуму в децибелах, pSVM,p0, роп - вероятности распознавания методом SVM, с использованием исходного пространства и опорного подпространства соответственно, поп - число векторов, оставшихся в опорном подпространстве. Видно, что при существенном уменьшении количества векторов в опорном подпространстве (на 21- 48% в зависимости от зашумленности данных), во всех случаях вероятность распознавания выросла на 1-3 %. По сравнению с методом SVM, метод опорных подпространств обеспечивает существенно более высокое качество распознавания для неискаженных изображений. Для искаженных изображений метод опорных подпространств обеспечивает вероятность распознавания на 1-3% лучше SVM.
Доверительный интервал для измерения Роп для случая без искажений, для вероятности 0,95 составил роп = /Г ± t = = 0,855 ± 1,984 0,011 = 0,855 ±0,002. Во втором эксперименте была рассмотрена процедура множественного распознавания на примере 5 классов объектов (BMP2, BTR70, T72, ZIL131, ZSU234). Исходные фрактальные образы были случайно искажены с PSNR=28 dB. Предварительно было найдено число векторов обеспечивающих попарную разделимость для каждой пары классов, и наименьший результат был выбран для количества векторов в опорном подпространстве для каждого класса.
В таблице 3.3 приведены результаты распознавания, полученные для количества векторов в опорном подпространстве, при котором обеспечивается попарная разделимость по показателю сопряженности. Таблица 3.3 -Результаты распознавания при обеспечении разделимости по показателю сопряженности ВМР2 BTR70 Т72 ZIL131 ZSU234 ВМР2 0,754 0,149 0,097 0 0 BTR70 0,15 0,825 0,025 0 0 Т72 0,096 0,026 0,767 0,051 0,06 ZIL131 0 0 0,03 0,83 0,14 ZSU234 0 0 0,081 0,119 0,8
Таким образом, показано, что построение опорных подпространств предложенным методом позволяет повысить точность распознавания при существенном снижении размерности исходных данных. x Третья серия экспериментов проводилась с целью показать возможность повышения качества распознавания за счет использования в сквозной информационной технологии предварительной обработки РИ, в т.ч. за счет более точной локализации объекта на изображении. Верификация метода распознавания с использованием локализации производилась на той же базе радиолокационных изображений MSTAR. Использовались объекты BMP2, BTR70, T72, ZIL131, ZSU234, по каждому объекту 100 изображений использовались для обучения, и 100 изображений в качестве контрольных для распознавания. Непосредственно перед этапом построения фрактальных образов и формирования опорных подпространств, на каждом исходном изображении был локализован объект, и для обучения использовалась только соответствующая часть исходного изображения. На контрольных изображениях, перед распознаванием, также проводилась процедура локализации.
Результаты распознавания представлены в таблице 3.4. Здесь PSNR -пиковое отношение сигнала к шуму в децибелах, pSVM , pоп - вероятности распознавания методом SVM, и с использованием опорного подпространства соответственно. Таблица 3.4 -Результаты классификации с локализацией и без локализации
Таким образом, применение алгоритма локализации дополнительно улучшило качество распознавания радиолокационных объектов на 7-10%.
В таблице 3.5, представлены результаты сравнения качества распознавания предлагаемого метода с другими методами распознавания, для которых в открытой печати имеются результаты экспериментов с использованием базы данных MSTAR. Нетрудно заметить, что предлагаемая технология превосходит известные методы, либо сопоставима по качеству даже с ведущими современными гибридными технологиями, в которых используются комбинации методов.
Наконец вернемся к вопросу, который был сформулирован в предыдущем разделе: как влияет фрактальное преобразование на качество распознавания? Для проверки влияния фрактального преобразования на качество распознавания, по сравнению с исходными изображениями, был проведен эксперимент. В качестве исходных использовались изображения размером 128128 из базы тестовых радиолокационных изображений MSTAR. Из них формировались фрактальные образы 1616, которые далее использовались для распознавания объектов. Решалась задача бинарного распознавания на объектах (BMP2, T72) из указанной базы данных MSTAR, порог решающего правила для распознавания, в виде разности показателей сопряженности варьировался от -1 до 1. Для иллюстрации эффективности фрактального сжатия исходных радиолокационных изображений по результатам экспериментов была построена ROC-диаграмма, приведенная на рисунке 3.3.
Приведенные ROC-диаграммы показывают, что качество распознавания при переходе от исходных радиолокационных изображений к их фрактальным образам повышается. Объясняется это тем, что при фрактальном сжатии изображений возрастает помехоустойчивость, особенно к импульсным помехам, характерным для радиолокационных изображений. Исследования показали также, что фрактальное сжатие повышает помехоустойчивость и для других типов изображений. Результаты экспериментов автора на реальных изображениях, полученных в системах видеонаблюдения, можно найти в работах [55][60-62]. Формирование фрактального образа РИ занимает 350 мс, при этом распознавание осуществляется на 2 с быстрее, чем по исходному РИ, для процессора Intel i5-2140M 2.3 GHz, что также показывает вычислительную эффективность предложенного метода.
Разработка метода параметрической автоматизированной генерации карт рельефа
В настоящей главе приведено описание программного комплекса моделирования. Приведены результаты экспериментов, показывающие эффективность разработанной технологии формирования и распознавания радиолокационных изображений.
Разработанный программный комплекс предназначен для решения широкого спектра задач автоматизированного моделирования трехмерных цифровых сцен, модельных радиолокационных изображений, локализации и распознавания областей интереса. Программная реализация комплекса предполагает работу как в автономном режиме, так и в составе существующих систем обработки изображений и в виде отдельных программных модулей.
Схема работы программного комплекса приведена на рисунке 5.1. Рассмотрим каждый модуль программного комплекса отдельно.
Основными задачами программного модуля «Редактор карт» является создание карты местности и постановки на нее объектов для последующего наложения типов местности и объектов на сгенерированную 3D модель. Безусловно, данная программа может быть применена для других целей, которые включают обработку изображений. Программный модуль «Редактор карт» реализован на кроссплатформенном языке программирования Qt, который является надстройкой к объектно-ориентированному языку C++.
Программный модуль «Редактор карт» 4 1 Открытые источники исходных данных по рельефу и типам поверхностей Земли Программный модуль «Генерация рельефа» 4 Рисунок 5.1 - Схема работы программного комплекса
Обращение к программе осуществляется через интерфейс. Программа способна выполнять большое количество функций, в их числе: открытие, закрытие сохранение файлов (изображений jpg, png, bmg и др. известных форматов); область рисования и размер изображения (разрешение) можно увеличивать/уменьшать; рисование с помощью разных инструментов и различными типами поверхности (цветами): карандаш, линия, заливка, прямоугольник, эллипс, кривая через 3 точки, ластик; позиционная система рисования с измерением в пикселях и метрах; наложение «трафаретного» рисунка, например, для его обрисовки, а также настройка степени его прозрачности; расположение наземных объектов на карте местности: о указание размеров объекта; о указание высот объекта; о указание углов поворота объекта; импорт векторных карт форматов osm и sxf.
Добавление новых объектов и типов местности осуществляется через взаимодействие с файлами настройки.
Основная задача программного модуля «Генерация рельефа» -формирование в автоматическом режиме псевдослучайных рельефов естественного характера с учётом различных моделей поверхности Земли. Основной функцией программного компонента является генерация и запись в файл карты высот, сформированной на основе заданных параметров и карты местностей.
Данная функция программного компонента позволяет получить трёхмерную модель поверхности земли для дальнейшего использования в программе формирования трёхмерных сцен и моделирования радиолокационных карт.
Результатом выполнения программы является файл, содержащий карту высот в формате PNG, и файл terrain.xml, содержащий набор фацетов (мешей) поверхности в формате XML.
Также программный модуль предназначен для решения следующих задач: генерация псевдослучайного рельефа в виде карты высот на основе предварительно заданной карты местностей, сохранение в файл полученной карты высот; преобразование рельефа с учетом различных моделей поверхности Земли, а именно: WGS 84, сферическая модель Земли, геоид Красовского, ПЗ-90; формирование фацетного представления для сгенерированного рельефа, сохранение полученного меша в файл; формирование фацетного представления на основе загружаемой пользователем карты высот без автоматической генерации рельефа. Основными задачами программного модуля сборки и редактора сцены является визуализация и редактирование трехмерных цифровых моделей полученных на предыдущих этапах технологической цепочки. Следующий программный модуль в технологической цепочке предназначен для выгрузки данных трехмерной сцены в XML.