CC BY
27
УДК 346
АЛГОРИТМ И ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ПРОЦЕДУР АДАПТИВНОЙ ОБРАБОТКИ ДАННЫХ ДИСТАНЦИОННОГО
ЗОНДИРОВАНИЯ ЗЕМЛИ
Ю.В. Левадный, В.А. Телеш, A.A. Мисан
Раскрыты общие понятия об уменьшении уровня помех на изображениях, полученных средствами дистанционного зондирования, путем суммирования серии зашумленных изображений. Представлен алгоритм для высококонтрастных рельефов с большими участками глубоких теней.
Ключевые слова: шум на изображении, уменьшение уровня шума на изображениях, данные дистанционного зондирования Земли, набор яркостей, обработка изображений дистанционного зондирования Земли.
В настоящее время процедуры и технологии дистанционного зондирования Земли (ДЗЗ) из ближнего космоса и различных типов летательных аппаратов представляют собой отрасль одной из самых динамично развивающейся индустрии, интегрированной практически во все области и сферы народнохозяйственной деятельности и, естественно, в структуры и системы вооружений и вооруженной борьбы.
В связи с этим технологии и средства обработки информации, полученной различными комплексами ДЗЗ, становятся все более актуальными, а их реализация и развитие жизненно необходимыми.
Фототопография продолжает оставаться важным потребителем актуальных данных ДЗЗ в форме цифровых графических файлов аэрокосмических снимков земной поверхности. Сегодня процедуры предварительной обработки цифровых снимков находятся на различных стадиях разработки [1], а их оптимизация и адаптация к конкретным условиям и задачам еще требует необходимой формализации и всестороннего обобщения результатов. Решению этой проблемы через разработку и реализацию алгоритма оптимальной фильтрации графических данных и посвящен излагаемый далее материал.
При формировании модели цифрового сигнала будем исходить из того, что в результате дискретизации изображения f{x,y) получена матрица из М строк и N столбцов:
/(0,0) /(ОД) ... /(0,ЛГ-1)
/(1,0) /(1,1) ... /(1,ы-1)
A=f{x,y) =
(1)
/(М-1,0) /(М-1,1) ... /(М- 1,ЛГ-1) Для приближения к реальным условиям рассмотрим зашумленное изображение д{х, у), формируемое аддитивным суммированием шума ц(х, у) с исходном кадром f{x, у), то есть
д(х,у)= f(x,y)+ ф,у), (2)
Здесь предполагается, что значения шума в каждой точке (х, у) являются некоррелированными и имеют нулевое среднее значение. Такая постановка задачи правомерна во многих ситуациях, соответствующим реальным условиям ДЗЗ [2].
Целью нижеследующей процедуры является уменьшение уровня помех путем суммирования серии зашумленных изображений {^¿(х,у)}. Если шум удовлетворяет сформулированным условиям, то правомерно следующее. Изображение ~д(х,у) получено усреднением К - кадров gt{x, у), отличающихся лишь шумом [¿¿(х, у):
у) = £ £f=o 9i О, у) ■ (3)
Откуда следует, что:
E{Ti{x,y)} = f{x,y), _ (4)
где Е{сЦ(х, у)} - математическое ожидание случайной величины д(х,у).
Таким образом, осуществляем асимптотическое приближение ~д(х,у) к f(x,y) с увеличением количества суммируемых зашумленных реализаций. На практике этот эффект проявляется для разного исходного материала очень выборочно, а определение критерия числа усредняемых реализаций становится необходимым. В данном случае рассматриваются изображения морских прибрежных районов, специфика которых связана с вырожденными гистограммными портретами.
Решению этой конкретной проблемы и посвящен предлагаемый далее алгоритм и реализующая его программа. Следует подчеркнуть, что данная проблема является ключевой в данном контексте, так как применение алгоритма для высококонтрастных рельефов с большими участками глубоких теней не всегда может быть оправдано.
Основой разрабатываемого алгоритма является гистограммная обработка каждого этапа осреднения с последующей нормализацией и анализом разностей исходной и нормализованной гистограмм.
Дискретную модель гистограммы представим функцией:
% = T(rk) = lUPrM = lUlf- k = О'1.....1 - (5)
где n - общее число пикселей на изображении; rij - число точек яркости п,-; L - число уровней яркости.
Эта функция отображает каждый пиксел исходного изображения, имеющий яркость rk, в соответствующий элемент выходного изображения со значением элемента sk.
Нормализованная гистограмма получается из заданной pz(z) на множестве i = 0,1,..., L — 1 и имеет вид:
V k = G(zk) = £у=о pz(zj) = sk к = 0,1,... ,L — 1, (6)
где z - переменная, удовлетворяющая условию нормализации, а г]к - дискретная величина в пространстве новой функции.
При этом:
zk = G~1[T(rk)], к = 0,1,..., L — 1. (7)
Приведенные наборы яркостей {r;},{sy} и {zj},j = 0,1, ...,L — 1 являются одномерным массивом с размерами L X 1. Все отображения изгв5ииз5вг задаются базовыми табличными преобразованиями между значениями пиксела и этими массивами. Каждый из элементов массивов, например sk, содержит два необходимых информационных элемента: индекс к, указывающий на позицию элемента в массиве, и 5 - значение, соответствующее этой позиции.
Следующая процедура состоит в нахождении вектора разности sk и г]к , оценка которого определяет порог циклов итераций. На выходе получаем новое множество, как результат пересечения матриц [s'y] и jzy]:
[sj] - [zj] = {w\w G g(x,y) £ g(x,У)) = /0,0 - /О, t). (8)
Решение по выбору оптимальной схемы обработки принимается на основе вычисления коэффициента корреляции результатов обработки и исходного изображения:
yçx ^ _ Islt[f(s,t)-ns,t)]*[w(x+s,y+t)-w] ^
{Ssi:t[/(s,t)-/(s,t)]2}xsi:t[w(x + s,y + t)-w]2p
где х = ОД,..., M — 1, у = 0,1,..., N — 1, w,w - текущее и среднее значение пикселей в зашумленном файле. Пороговая величина коэффициента зависит от типа решаемых задач и для наши целей она не выходит из предела (0,7-0,8).
Эффективность алгоритма оценивалась в ходе численного эксперимента с использованием реальных космических снимков участков морских акваторий. Изображения, взятые в обработку в качестве тестового, представлены на рис.2.
Схема алгоритма реализации предлагаемого метода представлена на рис.1.
По схеме видно, что исходный графический оригинал переводится в цифровую форму, причем это преобразование проводится в два этапа: сначала формируется файл в одном из графических стандартов (*.tiff, *.jpg, *.gif), который в дальнейшем преобразуется в матрицу значений А с целочисленным заполнением элементами (0-255), моделирующими 8-битный в градациях серого графический образ сцены. Эти блоки представлены формирователями покадровой модели сигнала, каждый из которых находится под воздействием шумовых помех от соответствующим образом построенного генератора с заданными характеристиками.
Первый этап предварительной обработки основан на вычислении и последующей нормализации гистограммы кадра. В данном случае существенным является вырожденный характер гистограммной формы графических изображений со значительными плоскими объектами тонального заполнения (рис. 2. а, б). Нормализация гистограммы в данном конкретном
207
случае позволяет исключить из последующего детектирования большие объёмы данных не существенных для последующей обработки (рис. 3. а, б).
Рис. 1. Схема алгоритма оптимальной обработка ДЗЗ при нахождении в площади кадра 70-80% морской
поверхности
Следующим этапом является восстановление эквализированного изображения, формирование новой сигнальной матрицы и вычисление коэффициента взаимной корреляции, обеспечивающего выработку оценки результатов преобразования [3].
Важную функциональную нагрузку несет блок гистограммных разностей, результаты которого формируют вектор помехового заполнения кадра, необходимого для выявления в результатах осреднения кадра, наименее повреждённого в пространстве целевой информацией.
Для эффективной работы программы предусмотрено формирование базы результатов обработки и схемы по ее управлению, которая выполнена в грамматиках стандартного SQL - интерпретатора.
Результаты тестового применения программного модуля, реализующего предложенный алгоритм, представлены на (рис.2. б, в).
а б в
Рис.2. Исходный графический кадр: а - результат при минимальном уровне помех; б - воздействие по всему кадру 60% аддитивной шумовой помехи; в - результат обработки по алгоритму
В качестве теста использован реальный снимок прибрежного участка с локальными морскими объектами. Оцифрованное изображение сформировано в графический файл стандарта JPEG, c 8-битным цветом по каналу и разрешением 2800x3670.
Гистограммная обработка проводилась с использованием функций системы компьютерной алгебры Parametric Technology Corporation (PTC) MathCad Prime 3.1. Достоверность результатов, которые представлены на рис.3, гарантировалась официальным международным статусом системы MathCad Prime 3.1, который определяет ее принадлежность к система автоматического проектирования (САПР) инженерного класса.
Эффективность алгоритма и область его применения в значительной степени обусловлены качеством и спецификой исходного материала. В частности, очень существенен тип и уровень помеховой обстановки, а также градационное и пространственное разрешение кадра, соотнесенное к минимальным значимым элементам наблюдаемой сцены.
209
б
Н1
Н2
1
25 50 75 100 125 150 175 200 225 250 275
25 50 75 100 125 150 175 200 225 250 275
к_гапде
к_гапде
в г
Рис. 3. Гистограммы: а - исходного изображения; б - изображения,
с искажениями 60% аддитивной шумовой помехой; в - нормализованная гистограмма; г - эквализированная гистограмма
Таким образом, реализация данного алгоритма позволяет значительно повысить эффективность и качество обработки растровых кадров дистанционного зондирования Земли для формирования необходимых картографических материалов с высокой степенью адекватности обстановке и соответствия реальных и отображаемых объектов.
Предлагаемый алгоритм обработки результатов ДЗЗ специфических поверхностей и районов в своем поэлементном и блоковом исполнении, достаточно разработан в источниках [3,4], но общая структурная схема обладает неоспоримой новизной. Кроме того, область применения алгоритма по типу и характеру исходных данных продолжает оставаться актуальной и существенной, так как находится на стыке гидрографических и топографических методологий (зон ответственности).
210
Алгоритм и программа могут быть предложены для практической деятельности по обработке больших объемов растровых изображений земной поверхности, а также в учебном процессе, связанным с подготовкой специалистов по созданию и корректуре цифровых карт.
Программный продукт алгоритма находится в архиве 74 кафедры академии.
Список литературы
1. Гуляев Ю.В., Никитин С.А., Пахомов А.А., Потапов А.А. Новейшие методы обработки изображений. M.: Физматлит, 2008. 496 с.
2. Иванов Д.В., Карпов А.С., Кузьмин Е.П., Лемпицкий В.С., Хро-пов А.А. Алгоритмические основы растровой графики: уяебное пособие, 2007. 288 с.
3. Дьяконов В .П. MATLAB 6.5 SP1/7/7 SP1. Работа с изображениями и видеопотоками. M.: СОЛОН-Пресс, 2010. 400 с.
4. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2012. 1072 с.
Левадный Юрий Валерьевич, канд. воен. наук, заместитель начальника кафедры, Levada73@mail.ru, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф.Можайского,
Телеш Вадим Анатольевич, канд. техн. наук, доцент, pismo@telesh.ru, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф.Можайского
Мисан Александр Александрович, канд. техн. наук, доцент, mi-san@mail.ru, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф. Можайского
ALGORITHM AND SOFTWARE IMPLEMENTA TION OF ADAPTIVE PROCESSING OF DATA OF REMOTE SENSING OF THE EARTH
Y.V. Levadnyi, V.A. Telesh, A.A. Misan
The article discloses general concepts of reducing the level of interference in images obtained by means of remote sensing by summing up a series of noisy images. An algorithm for high-contrast re-images with large areas of deep shadows is presented.
Key words: noise in the image, noise reduction in images, remote sensing data of the Earth, set of brightness, processing of images of remote sensing of the Earth.
Levadnyi Yuri Valeryevich, candidate of military sciences, deputy head of chair, Levada73@mail.ru, Russia, St.-Petersburg, AFMozhaysky Military Space Academy,
Telesh Vadim Anatolevich, candidate of technical sciences, docent, _ pismo@telesh.ru, Russia, St.-Petersburg, AFMozhaysky Military Space Academy,
Misan Aleksandr Aleksandrovich, candidate of technical sciences, docent, mi-san@,mail.ru, Russia, St. Petersburg, Military Space Academy named after A.F. Mozhaisky
