CC BY
9
СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ
УДК 629.052.9
DOI: 10.24412/2071-6168-2023-6-3-11
АЛГОРИТМ КЛАСТЕРИЗАЦИИ ИЗОБРАЖЕНИЙ ЦВЕТНЫХ ОПТИЧЕСКИХ КОРРЕЛЯЦИОННО-ЭКСТРЕМАЛЬНЫХ СИСТЕМ НАВИГАЦИИ ЛЕТАТЕЛЬНЫХ АППАРАТОВ
К.А. Безрукова, Е.В. Шевцова, В.В. Щербинин
Предложен алгоритм кластеризации изображений цветных оптических корреляционно-экстремальных систем навигации летательных аппаратов. Представлены результаты апробации предложенного алгоритма на двух тестовых изображениях. Показано, что кластеры в принятой форме усеченного конуса являются устойчивыми элементами в пространстве RGB, а сам алгоритм позволяет распределить большинство пикселей изображения по соответствующим кластерам.
Ключевые слова: корреляционно-экстремальные авиационные системы навигации, цветные изображения, информативный параметр, кластер.
Современные высокоточные системы навигации летательных аппаратов (ЛА) базируются на комплексировании инерциальных навигационных систем (ИНС) с системами спутниковой коррекции или с системами навигации по геофизическим полям (ГФП) Земли (корреляционно-экстремальными системами) [1]. Корреляционно-экстремальные системы [2, 3] осуществляют периодическое определение местоположения ЛА в местной системе координат путем сравнения эталонного изображения (ЭИ), которое сформировано заранее по исходной видеоинформации (например, аэро- или космический фотоснимок), с текущим изображением (ТИ), формируемым в полете ЛА. В этом заключается большое преимущество системы навигации по геофизическим полям (ГФП) - они вычисляют местоположение ЛА относительно реальной поверхности Земли, а не относительно ее математической модели, которая используется в инерциаль-ных и спутниковых системах навигации, и обеспечивают высокие точностные характеристики в местной системе координат. Кроме того, они являются практически абсолютно помехозащищенными и автономными.
3
Одним из перспективных направлений развития оптических корреляционно-экстремальных систем навигации (КЭСН) горизонтально летящего ЛА является использование спектральных отражательных характеристик местности для формирования эталонного и текущего изображений местности. Одной из форм использования спектральных отражательных характеристик местности является формирование цветных изображений с применением аддитивной цветовой модели RGB (традиционная и широко распространенная форма в цветной фотографии). В этом случае [3, 4] цветные (RGB) текущие изображения формируются на борту ЛА с помощью бортовой цветной видеокамеры, а в качестве изображений, предназначенных для формирования ЭИ, используются цветные (RGB) фотоснимки, полученные с помощью космической или аэро- фотоаппаратуры. Тогда соответствие текущего изображения (ТИ) для k-й зоны коррекции определенному участку эталонного изображения (ЭИ) той же зоны коррекции устанавливают по экстремуму функционала, связывающего информативные параметры изображений:
R(AX ,Ау ) = lj(e(i+Ax )0+ду ) *tij) , (1)
где (Ах ,Ау ) - координаты верхнего левого угла ТИ; e^i+Ax )(;+Ау ) - значение информативного параметра (7 + Ах )(/ + Ау )-го пикселя ЭИ; ttj - значение информативного параметра ij-го пикселя ТИ.
Теоретические исследования и результаты математического моделирования показывают, что использование КЭСН данного типа для навигации ЛА позволяет:
уменьшить (по сравнению с черно-белой оптической КЭСН) размеры текущего изображения при сохранении заданных точностных характеристик определения местоположения ЛА;
идентифицировать на ТИ площадные помехи (облачность, туманы и др.) и исключить их из корреляционного сравнения эталонного и текущего изображений;
синтезировать эталонные изображения одного сезона по фотоснимкам местности другого сезона.
Однако для реализации данных преимуществ цветной оптической КЭСН необходимо учитывать влияние оптического канала приемника и атмосферы на формирования изображений в различных каналах (R, G, B).
В ходе исследований, проведенных ранее, был разработан алгоритм коррекции эталонного изображения цветной оптической КЭСН, который включает следующие операции:
определение на оптическом стенде передаточных функций приемников эталонного и текущего изображений в каналах R, G, B;
фиксацию в момент съемки эталонного изображения параметров атмосферы: оптической толщины атмосферы с длиной волны 55 мкм, зенитного угла и высоты съемки ( т0 55, Z & и Н съемки );
определение корректирующих коэффициентов влияния атмосферы в каналах RGB на основе моделей прохождения оптического сигнала в атмосфере и параметров т0 55, и Н съемки;
формирование суммарных корректирующих коэффициентов для каналов R, G, B системы «Оптический приемник - атмосфера - земная поверхность».
Задача определения суммарных корректирующих коэффициентов решена с точностью 10.. .15 %.
Однако с практической точки зрения данный путь решения задачи затруднителен. В работе [5] рассмотрен более рациональный подход, заключающийся в:
выделении в пространства RGB кластеров, в которые группируются вектора (г, д, Ь) эталонного изображения, физически соответствующие фациям (элементарным однородным образованиям, составляющим изображение конкретного аэроландшафта) -
ei
выделении в пространства RGB кластеров, в которые группируются вектора текущего изображения, физически соответствующие фациям (элементарным однородным образованиям, составляющим изображение конкретного аэроландшафта) -
tm
определении угла поворота а системы кластеров текущего изображения к системе кластеров {^}, обеспечивающего минимальную
tm
сумму разницы углов между соответствующими срединными векторами кластеров эталонного и текущего изображений.
Одним из основных моментов в данном подходе является разработка робастного алгоритма кластеризации изображений цветных оптических корреляционно-экстремальных систем навигации летательных аппаратов с участием оператора.
На рис. 1 представлен разработанный вариант такого алгоритма.
Черным цветом в алгоритме кластеризации выделены шаги, осуществляемые с помощью вычислительных средств, а синим цветом - выполняемые с участием оператора.
Для проверки работоспособности предложенного алгоритма были проведены исследования на двух тестовых изображениях, в качестве которых были выбраны шкала для цветокоррекции Datacolor SpyderCHECK (рис. 2, а) и матрица, элементы которой закрашены масляными красками типа "АВРОРА" (рис. 2, б). Фотографирование было сделано на телефон модели Samsung galaxy S9 Plus.
По результатам обработки данных изображений были получены размеры кластеров в пространстве RGB, которые представлены в табл. 1 и табл. 2, в которых: Ncv - номер цвета на тестовом изображении; N - число пикселей, принадлежащих данному кластеру; Ь,а - размеры кластера (длина кластера и угол раскрытия кластера) (рис . 3); V - объем кластера;
prki - процент выделяемой части от всего изображения при выделении данного кластера; Cx, Cy - углы поворота центральной линии кластера в пространстве RGB. В табл. 1, 2 сумма prki по всем выделенным кластерам меньше 100 %, т.к. в их число не входят изображения черных линий для шкалы цветокоррекции Datacolor SpyderCHECK; изображения белых линий и квадратов для матрицы, элементы которой закрашены масляными красками типа "АВРОРА".
^ Запуск ^
Загрузка изображен и я i
Считывание матриц цвета [R(u), G(ij), B(iJ)) + -
Подсчет матриц длины ЦЦ) векторов и углов аВД, ф^Д поворота для каждого пикселя
*
Нахождение максимума плотности распределения углов а^л, Ф™.
I ~
Вывод части пространства а-Ф с центром в найденном максимуме а™, Ф™
I
Вьделение оператором радиуса кластера
__V_
Вывод распределения rjjL(jjJ) длин векторов, вошедших в выделенную область
т
Выделение оператором границ кластера ¿^^ и ^яжпо длине, расчет ю' количества выделенных пикселей, = - 1т1п) • ■ (1 + + (г^)1) и V"13 раскрытия а^ = агЛд(~) ■ ^ ■ПЙ1 "МП! 4
Вывод изображения с закрашенной выделенной областью
____ Выделенная область выходит за " "—— да
визуальные границы?
Обнуление длин L и углов а, ф для выделенных векторов
I
Подсчет процента ргЬ1 * = С Л^Цг.у)) выделенных векторов за итерацию и общего процента рг0$ = рг0распределенных по кластерам векторов
^ Конец ^
Рис. 1. Алгоритм кластеризации цветного изображения
Рис. 2. Тестовые изображения: а - шкала для цветокоррекции ВМаевЬвг ЗруйегСИЕСК; б - матрица с элементами, закрашенными масляными
красками
¿7
А /\ / \ / \ / Х/^ч 11 С V/
/ / / * У / ' / V !// I иг
/
В Рис. 3. Расположение кластера в пространстве 1№В
Таблица 1
Параметры кластеров в пространстве при анализе изображения _шкалы для цветокоррекции Datacolor SpyderCHECK_
Сх/Су N L V prkl а
1.1 13\51 1600 9 109,34 3,08 2,95
1.2 55\26 1386 10 132,88 2,67 2,83
1.3 25\42 1694 10 179,65 3,26 2,52
2.1 45\55 1746 9 109,74 3,36 2,63
2.2 20\60 1721 10 143,28 3,31 3,36
2.3 31\52 1673 9 156,26 3,22 2,69
3.1 49\3 1608 10 49,62 3,09 2,50
3.2 54\46 1693 10 109,37 3,26 2,93
3.3 34\29 1609 10 190,82 3,09 5,21
4.1 67\46 1592 10 73,38 3,06 3,55
4.2 38\62 1703 9 193,78 3,28 4,51
4.3 22\54 1771 9 165,70 3,41 3,37
5.1 21\18 1722 10 107,51 3,31 4,43
5.2 41\7 1770 10 177,86 3,40 3,05
5.3 45\41 1771 11 191,53 3,41 2,70
6.1 11\70 1761 9 162,22 3,39 4,56
6.2 56\6 1725 9 167,13 3,32 2,89
6.3 55\36 1191 10 94,24 3,29 5,37
Таблица 2
Параметры кластеров в пространстве при анализе изображения матрицы с элементами, закрашенными масляными красками типа
«АВРОРА»
^ Сх/Су N L V prkl а
1.1 26\54 133 5 59,22 0,59 5,33
1.7 41\38 186 10 122,08 0,82 2,27
1.9 16\55 153 6 73,48 0,68 3,36
2.1 6\55 175 7 85,20 0,77 3,58
2.6 9\36 160 6 72,79 0,71 4,61
2.7 46\52 150 8 97,07 0,66 3,44
3.1 29\46 125 8 91,42 0,55 5,33
3.2 54\51 167 8 97,29 0,74 3,22
3.4 51\40 186 9 108,62 0,82 3,54
3.9 21\54 151 11 132,40 0,67 3,09
4.1 33\40 119 7 80,27 0,53 1,29
4.2 65\54 145 5 61,16 0,64 4,22
4.4 57\37 147 7 84,51 0,65 4,51
4.5 52\23 229 9 108,77 1,01 3,42
4.6 28\40 156 10 154,03 0,69 6,43
5.1 44\34 285 11 156,97 1,26 2,42
Окончание табл. 2
Ncv Cx/Cy N L V prkl а
5.2 61\46 154 5 60,97 0,68 4,72
5.3 51\40 163 8 94,04 0,72 6,58
5.4 45\41 179 11 140,33 0,79 4,72
5.5 49\42 131 8 97,31 0,58 3,20
5.6 44\32 132 10 121,81 0,58 2,45
5.8 29\36 121 9 107,57 0,53 4,39
6.1 50\20 125 10 121,30 0,55 2,78
6.2 61\45 145 6 72,42 0,64 5,28
6.3 51\52 162 10 121,04 0,72 2,95
6.9 19\50 128 11 144,61 0,57 2,75
7.1 54\21 109 6 73,26 0,48 3,77
7.2 40\43 164 11 196,95 0,72 6,87
7.3 51\49 148 11 137,72 0,65 5,94
7.7 28\36 126 9 105,88 0,56 5,77
7.9 27\57 192 6 72,52 0,85 5,11
8.1 59\40 134 7 84,26 0,59 4,83
8.7 17\46 145 6 71,96 0,64 6,13
8.9, 9.9 15\61 326 9 107,66 1,44 4,31
9.2 45\56 140 8 94,64 0,62 5,94
9.5 36\44 196 11 137,63 0,87 5,99
9.7 55\43 196 5 61,14 0,87 4,29
9.7 57\41 229 9 107,19 1,01 4,69
9.8 27\42 132 10 114,43 0,58 6,36
10.1 62\51 115 11 171,39 0,51 4,98
10.10 43\52 143 10 120,72 0,63 3,16
10.2 20\64 151 8 93,02 0,67 6,64
10.3 27\60 144 10 116,19 0,64 6,17
10.6 22\41 189 11 128,40 0,83 5,28
10.7 42\33 156 11 133,73 0,69 2,37
10.9 15\46 123 8 96,41 0,54 4,12
Анализ данных, приведенных в табл. 1, показывает, что:
1) длины кластеров лежат в узких пределах от 9 до 11 цветовых единиц (при кодировке цветных изображений в пространстве RGB - от 0 до 28), среднее значение - 9,67 цветовых единиц;
2) углы раскрытия кластеров лежат в пределах от 2 до 6о, среднее значение - 3,5о;
3) объемы кластеров лежат в пределах от 50 до 200 цветовых единиц в кубе, средний объем кластера составляет 140 цветовых единиц в кубе;
4) средний процент выделяемой части от всего изображения при выделении кластера - 3,23 (при количестве кластеров, равном 18, процент выделенной части изображения составляет 58,14 %). С учетом черного цвета, кластер которого имеет следующие параметры: Cx/Cy = 35/45, N = 13356, L = 15, V = 53,56, pm = 34,12, общий процент выделенных пикселей изображения составляет 92,26 %. Процент пикселей, не попавших ни в один кластер, составляет 7,74 %.
Анализ данных, приведенных в табл. 2, показывает, что:
1) длины кластеров лежат в пределах от 5 до 11 цветовых единиц, среднее значение - 9,52 цветовых единиц, что примерно соответствует данным в табл. 1;
2) диапазоны углов раскрытия полностью соответствуют данным, приведенным в табл. 1, однако среднее значение, равное 4,91о, примерно в 1,4 раза больше;
3) объемы кластеров лежат в пределах от 60 до 200 цветовых единиц в кубе, средний объем кластера составляет 106 цветовых единиц в кубе;
4) средний процент выделяемой части от всего изображения при выделении кластера - 0,81 (при количестве кластеров, равном 50, процент выделенной части изображения составляет 40,5 %). С учетом белого цвета, кластер которого имеет следующие параметры: Cx/Cy = 35/45, N = 11556, L = 40, V = 453,12, prkl = 51,02, общий процент выделенных пикселей изображения составляет 91,52 %. Процент пикселей, не попавших ни в один кластер, составляет 8,48 %.
Таким образом, анализ данных, полученных после первичной апробации разработанного алгоритма кластеризации изображений цветных оптических корреляционно-экстремальных систем навигации летательных аппаратов на двух тестовых изображениях показал, что:
кластеры в принятой форме усеченного конуса являются устойчивыми элементами в пространстве RGB по своим размерам:
предложенный алгоритм позволяет распределить более 90 % пикселей изображения по соответствующим кластерам
Полученные результаты позволяют перейти к аппробации разработанного алгоритма на реальных цветных изображениях местности.
Список литературы
1. Шаповалов А.Б., Солунин В.Л., Костюков В.В. Системы управления, наведения и приводы. М.: Изд-во МГТУ им. Н.Э. Баумана, 2017. 416 с.
2. Белоглазов И.Н., Джанджгава Г.И., Чигин Г.П. Основы навигации по геофизическим полям. М.: Наука, 1985. 328 с.
10
3. Щербинин В.В. Построение инвариантных корреляционно-экстремальных систем навигации и наведения летательных аппаратов. М.: Изд-во МГТУ им. Н.Э. Баумана, 2011. 232 с.
4. Щербинин В.В., Шевцова Е.В., Васильева Ю.С., Чижевская О.М. Методы и алгоритмы функционирования цветной оптической корреляционно-экстремальных систем навигации летательных аппаратов // Гироско-пия и навигация. 2012. № 4 (79). С. 34 - 49.
5. Щербинин В.В, Малыхин Д.А., Макаренко А.И. Возможные подходы к определению функции преобразования RGB эталонного и текущего изображений цветной оптической КЭСН. // Известия Тульского государственного университета. Технические науки. 2022. Вып. 1. С. 3 - 8
Безрукова Ксения Андреевна, техник 1-й категории, felin555@rambler. ru, Россия, Москва, АО «Центральный научно-исследовательский институт автоматики и гидравлики»,
Шевцова Екатерина Викторовна, канд. техн. наук, доцент, [email protected], Россия, Москва, МВТУ им. И.Э. Баумана, АО «Центральный научно-исследовательский институт автоматики и гидравлики»,
Щербинин Виктор Викторович, д-р техн. наук, старший научный сотрудник, начальник научно-технического отделения, cniiag@cniiag. ru, Россия, Москва, АО «Центральный научно-исследовательский институт автоматики и гидравлики»
IMAGE CLUSTERING ALGORITHM FOR COLOR OPTICAL CORRELATIONAL EXTREME AIRCRAFT NAVIGATION SYSTEMS
K.A. Bezrukova, E.V. Shevtsova, V.V. Scherbinin
The article proposes an algorithm for clustering images of color optical correlation-extremal aircraft navigation systems. The results of testing the proposed algorithm on two test images are presented. It is shown that clusters in the accepted form of a truncated cone are stable elements in the RGB space, and the algorithm allows distributing most of the image pixels into the corresponding clusters.
Key words: correlation-extremal aircraft navigation systems, color image, informative parameter, cluster.
Bezrukova Ksenia Andreevna, technician of the 1st category, _ [email protected], Moscow, JSC «Central Research Institute of Automatics and Hydraulics»,
Shevtsova Ekaterina Victorovna, candidate of technical sciences, docent, [email protected]. ru, Russia, Moscow, Moscow Bauman State Technical University, JSC «Central Research Institute of Automatics and Hydraulics»,
Shcherbinin Victor Victorovich, doctor of technical sciences, head of research division, [email protected], Russia, Moscow, JSC «Central Research Institute of Automatics and Hydraulics»
