Алгоритмы фрагментации цветных фотоснимков для формирования разносезонных эталонных изображений оптических корреляционно-экстремальных систем навигации ЛА Текст научной статьи по специальности «Компьютерные и информационные науки»

Volkovitskiy Andrey Kirillovich

Institute of Control Sciences (ICS RAS).

E-mail: avolkovitsky@yandex.ru.

65, Profsoyuznaya street, Moscow, 117997, Russia. Phone: 84953347168.

УДК 681.3.01

B.B. Щербинин, E.B. Шевцова

АЛГОРИТМЫ ФРАГМЕНТАЦИИ ЦВЕТНЫХ ФОТОСНИМКОВ ДЛЯ ФОРМИРОВАНИЯ РАЗНОСЕЗОННЫХ ЭТАЛОННЫХ ИЗОБРАЖЕНИЙ ОПТИЧЕСКИХ КОРРЕЛЯЦИОННО-ЭКСТРЕМАЛЬНЫХ СИСТЕМ

НАВИГАЦИИ ЛА

В работе рассматриваются алгоритмы фрагментации цветных фотоснимков для формирования разносезонных эталонных изображений корреляционно-экстремальных систем навигации ЛА с помощью базы данных спектральных коэффициентов яркости элементов ландшафта. Предложены три типа алгоритмов фрагментации: с помощью оператора, на основе кластерного анализа соответствующих векторов в RGB-пространстве, с помо-- .

Корреляционно-экстремальная система навигации; цветное изображение; кластер; - .

V.V. Scherbinin, E.V. Shevtsova

THE COLOR PICTURES FRAGMENTATION ALGORITHMS FOR FORMATION DIFFERENT SEASONAL REFERENCE IMAGES OF THE

AIRCRAFT CORRELATION-EXTREME NAVIGATION SYSTEMS

This paper presents the color pictures fragmentation algorithms for formation different seasonal reference images of the aircraft correlation-extreme navigation systems by means of brightness spectral factors database of landscape elements. The three types of fragmentation algorithms are offered: the operator algorithm, the cluster analysis algorithm of corresponding vectors in RGB-space and the image wavelet-transformation algorithm.

orrelation-extreme navigation; system color; picture cluster analysis; wavelet-transformation.

Перспективным направлением развития оптических корреляционноэкстремальных систем наведения (КЭСН) летательных аппаратов (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 (RGB) изображений. В этом случае цветные (RGB) изображения, предназначенные для формирования текущего изображения (ТИ) мест, ,

(RGB) ,

изображения (ЭИ) местности, используются цветные (RGB) фотоснимки, полученные космической или аэро-фотоаппаратурой. Для цветных изображений выбрана следующая форма представления принимаемого оптического сигнала [1]:

= ( > > ь_ ) =

1 г_

/ V ( V Ги V г0

кг °,

8__

кь °,

_ ___

О ^0

J

(1)

где тр, gj, Ъу - у-й элемент цветного изображения подстилающей поверхности,

Сравнение цветных оптических ТИ и ЭИ, представляющих собой матрицы (соответствующей размерности), осуществляется с помощью функционала

л=Т£р(ё, • \ )•

г /

где е//, t.. - элементы цветных оптических ЭИ и ТИ соответственно;

У У

р(ег/, t/j) - функция расстояния между векторами элементов цветных оптических изображений (при р(ё/, ^) = (ё/ * ^ ) - Я является корреляционной , -ния ((*) - скалярное произведение двух векторов)).

Одним из основных преимуществ рассматриваемых типов КЭСН является возможность синтеза ЭИ местности одного сезона по фотоснимкам другого сезо-.

природного/искусственного образования и его спектральных характеристик отражения в данный момент времени.

В соответствии с теоретическими и экспериментальными исследованиями [2, 3] ландшафты (на длине от сотен метров до десятков километров) представляют собой совокупность фаций - однородных по составу природных и искусственных образований (поле, поляна, берег реки, водная поверхность озера, однородный участок леса и т.д.). Фации в свою очередь, делятся на более мелкие и однородные образования - фрагментарии, у которых не только состав, но и условия (влажность, рельеф местности и т.д.) одинаковы. Спектральные коэффициенты яркости (СКЯ) фрагментариев в диапазоне длин волн 0,45...0,70 мкм в каждой точке практически одинаковы (с точностью ~ 10 % - максимальное отклонение). Спектральные кривые двух фрагментариев одной фации смещены друг относительно друга на постоянную величину. Многолетние проведенные исследования (как у нас в стране, так и за рубежом) позволили получить спектральные кривые значительного количества фрагментариев, находящихся в различных условиях и в .

можно синтезировать цветное представление другого сезона. Для этого каждой точке выделенного и распознанного фрагментария присваивается значение сигна-( (1))

фрагментариев. База данных создана на основе атласа СКЯ природных и искусственных образований ЕЛ. Кринова [4].

Процедура подготовки ЭИ включает следующие этапы.

1. - -сти, дешифрирование и определение типажа элементов (фаций/фрагментариев) ее составляющих - £2„, (так называемое формирование кластерно-мозаичной модели ).

Этап 2. Вычисление значения к-й составляющей элемента ландшафта £2„ по формуле:

+

Як (х у) = Як ((x, у )е а „) = —— |/к (лут (л а „ уи. (2)

ди ^

где /к(А) - передаточная функция для к-й составляющей (из ЯвВ) фотоаппарата; тт(1, £2„) - типовая кривая СКЯ (дня данного сезона) элемента ландшафта £2„. 3. :

Как показывают практические работы, этап 1 является наиболее трудоемким и наиболее продолжительным, так как все действия выполняются оператором .

автоматизировать операции этапа 1. И в первую очередь операцию фрагментации цветного космического или аэро-фотоснимка местности. При этом возможно применение следующих подходов:

♦ кластерный анализ в пространстве ЯвВ;

♦ на основе вейвлет-преобразования цветных изображений.

Процедура кластерного анализа изображения представлена на рис. 1. Цель ее

заключается в локализации в пространстве ЯвВ «с^стков» векторов, представляющих собой ЯвВ-отображения фрагментариев, в несколько кластеров (по числу фаций на фотоснимке местности) и в последующем отображении локализованных кластеров на изображении.

, ( -стей) возможно применение вейвлет-преобразования. Одним из основных пре-

- -кализованных изменений сигнала. Ряды на основе вейвлет-преобразования удобны для рекуррентных вычислений, поскольку количество операций, необходимых для вычисления коэффициентов разложения так же, как и количество операций для восстановления функции по ее вейвлет-коэффициентам, пропорционально количеству отсчетов функции.

Вейвлеты используются или в качестве ядра интегрального преобразования

или в качестве генерирующей функции для построения ортонормированного базиса при помощи сжатий с сохранением нормы в пространстве Ь (Я):

(3)

и сдвигов

¥/к ^) = ¥/ ( - к • 2-/) = 22 •щ(( • t - к), к е 7.

Рис. 1. Процедура кластерного анализа цветного (КОБ) изображения

Особенности в изображении выделяются путем нахождения локальных максимумов коэффициентов вейвлет-преобразования. Локальные максимумы коэф-

-

особенностей. Используя понятии гладкости Липшица, можно показать, что особенности (граница) находятся вдоль линии перепадов локальных максимумов вейвлет-коэффициентов при малых масштабах.

Процедура фрагментации с использованием вейвлет-преобразования цветных изображений состоит из следующих операций:

1. , компонентами которого являются интенсивности свечения цветов: Я - красного, в - зеленого, В - синего. Каждый слой (Я, в, В) изображения размера ( х N) пикселей раскладывается по вейвлет-б^ису с применением одномерных формул сверток по следующим формулам:

Е hk ' a0,2nl+k ’ dl,nl Е gk

k к

= Е hk ' a0,2n2+к ’ d1,n2 _ Е gk

k

du 2 = Е h-

k

d1,n 2 _ Е gk k

где {hk }и {gk} - наборы коэффициентов фильтра точного восстановления. В последовательностях {hk } и {gk } лишь конечное число коэффициентов отлично от нуля, т.е. они являются конечной линейной комбинацией функций с ком.

При этом коэффициенты разложения вычисляются для каждого элементарного квадрата размером (12 Х12)

В качестве промежуточного этапа возможно построение преобразованных с использование вейвлет-б^иса слоев (R, G, B) изображения следующим образом.

,

положительным, нулевым и отрицательным коэффициентам разложения соответ-.

2.

коэффициенты разложения. Далее, наибольшему коэффициенту присваивается его же знак.

3. Проводится процедура сравнения наибольших коэффициентов разложения в каждом соседнем элементарном квадрате. При выполнении условия изменения знака при переходе от одного элементарного квадрата к другому проставляется та или иная метка.

Отработка и оценка эффективности предлагаемых алгоритмов фрагментации цветных фотоснимков будет проведена в дальнейшем в ходе практических работ по подготовке ЭИ оптическим КЭСН ЛА.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Щербинин В.В. Этапы и алгоритмы обработки мультисиектральиых изображений для распознавания объектов в системах технического зрения // Труды Международных научно-технических конференций «Интеллектуальные системы» (AIS'08) и «Интеллектуальные САПР» (CAD-2008). Научное издание в 3-х томах. - М.: Физматлит, 2008.

- Т. 2. - С. 42-47.

2. Толчельников Ю.С. Оптические свойства ландшафта. - М.: Наука, 1974. - 251 с.

3. Кондратьев К.Я., Федченко П.П. Спектральная отражательная способность и распознавание растительности. - J1.: Гидрометеоиздат, 1982. - 216 с.

4. Кринов ЕЛ. Спектральная отражательная способность природных образований. - М.: АН ССР, 1947. - 315 с.

Щербинин Виктор Викторович

ФГУП "ЦНИИ АГ".

E-mail: mail_to_dv@mail.ru.

127018, г. Москва, ул. Советской Армии, д. 5.

.: 84956006317.

Scherbinin Victor Victorovich

"CNII AG".

E-mail: mail_to_dv@mail.ru.

5, Sovetskaya Army street, Moscow, 127018, Russia.

Phone: 84956006317.

Шевцова Екатерина Викторовна

Московский государственный технический университет им. Н.Э. Баумана (М'ГТУ им. Баумана).

107005, Москва, ул. 2-я Бауманская, д. 5 E-mail: Catrin_Victor@mail.ru.

Тел.: 89161755938.

Shevtsova Ekaterina Victorovna

Bauman Moscow State Technical University (BMSTU, Bauman MSTU).

2nd Baumanskaia str., Moscow, 5107005, Russia.

E-mail: Catrin_Victor@mail.ru.

Phone: 89161755938.

УДК 681.511

A.E. Семенов, E.B. Крюков, Д.П. Рыкованов, ДА. Семенов

ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ КОМПЬЮТЕРНОГО ЗРЕНИЯ В РЕШЕНИИ ЗАДАЧ РАСПОЗНАВАНИЯ, ВОССТАНОВЛЕНИЯ 3D, СШИВКИ КАРТ, ТОЧНОГО ЦЕЛЕУКАЗАНИЯ, СЧИСЛЕНИЯ ПУТИ И

НАВИГАЦИИ

В данной статье представлены результаты работ ЗАО “Транзас" в области компьютерного зрения применительно к задачам навигации ЛА и обработки информации, получаемой с ЛА.

Искусственный интеллект; компьютерное зрение; распознавание; навигация; восстановление 3D; сшивка карт; целеуказание, БПЛА.

A.E. Semenov, E.V. Kryukov, D.P. Rykovanov, D.A. Semenov

COMPUTER VISION TECHNIQUES FOR RECOGNITION, 3D EXTRACTION, MAP STITCHING, TARGETING AND NAVIGATION

Current work represents results achieved by Transas Group in the field of computer vision concerning AV/UAV navigation and UAV data processing.

Artificial intelligence; computer vision; recognition; navigation; 3D extraction; map stitching; targeting; UAV.

. ( -

дания для высокоточного ЛА, точное целеуказание, навигация/ориентация ЛА и

. .) .

Эти технологии имеют ряд существенных преимуществ:

♦ пассивность;

♦ нечувствительность к стандарт ным средствам постановки помех;

♦ возможность прямого позиционирования изделия относительно цели;

♦ возможность практически гарантированной доставки изделия до цели;

♦ потенциально низкая сто имость единичного изделия.

В процессе выполнения проекта БПЛА в ЗАО “Транзас” был разработан ряд технологий компьютерного зрения, имеющих практическое значение.