Алгоритмы сегментации многозональных изображений Текст научной статьи по специальности «Компьютерные и информационные науки»

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

УДК 004.896 В. Е. ДЕМЕНТЬЕВ

АЛГОРИТМЫ СЕГМЕНТАЦИИ МНОГОЗОНАЛЬНЫХ ИЗОБРАЖЕНИЙ

Предлагается новый подход к решению задачи сегментации спутниковых снимков земной поверхности, основанный на использовании всех кадров космического многозонального изображения. С помощью методики статистического моделирования и экспериментов с реальным спутниковым материалом подтверждена высокая эффективность предлагаемых алгоритмов по сравнению с существующими методами.

9

Ключевые слова: многозональные изображения, сегментация, мониторинг, обнаружение аномалий, данные дистанционного зондирования.

Поддержано грантом РФФИ 05-08-33712А

Сегментация как этап обработки визуальной информации является естественным и логичным расширением функциональных возможностей систем цифровой обработки информации, так как позволяет осуществлять визуальный анализ областей-объектов, их яркостных и геометрических характеристик. Сегментацию рассматривают как начальный этап построения формального описания сцены, качество выполнения которого во многом определяет успех решения задачи распознавания изображений, интерпретации визуально наблюдаемых объектов.

Особую актуальность решение задачи сегментации изображений имеет в задачах космического мониторинга, например, для определения площади наводнения, прогнозирования урожайности, распознавания лесных пожаров, вычисления высоты прилива и т. д.

Современные спутниковые системы регистрируют состояние земной поверхности сразу в нескольких спектральных диапазонах. Поэтому особый интерес в настоящее время приобретает задача сегментации многозональных изображений. При этом анализ существующих на настоящее время решений [2, 3] показывает, что все они основаны на выделении и последующей сегментации самого информативного из всего набора кадров многозонального изображения. Существенным недостатком такого подхода является игнорирование информации, содержащейся на остальных кадрах многозонального изображения. Устранению этого недостатка и качественному решению задачи автоматизиро-

В. Е. Дементьев, 2007

ванной сегментации многозональных изображений и посвящена настоящая работа.

Пусть необходимо сегментировать (разбить на однородные зоны - сегменты) поверхность, которая описывается многозональным изображением размером МххМ2, состоящим из N

кадров. Результат сегментации можно представить в виде двумерного изображения

{/ = 1 ..Му;] = \..М2}. При этом каждый из

пикселей имеет цвет, соответствующий объекту (сегменту), которому этот пиксель принадлежит на земной поверхности. Пусть теперь на момент текущей итерации к пикселей уже отнесены к одному из Ь сегментов. Требуется проверить соответствие к +1 пикселя с координатами (/, /) новому сегменту или одному из уже существующих. Для этого для каждого из кадров многозонального изображения в отдельности на основании ранее выбранного критерия однородности проверяется гипотеза о принадлежности данного пикселя к ранее сформированным или новому сегменту [2, 3]. Результаты этой проверки можно записать в виде множества значений

{/у где к - номер кадра многозо-

нального изображения, порядковых номеров уже известных сегментов, к которым относиться отсчёт изображения с координатами (/, у) по результатам сегментации к -го кадра.

Далее кадры многозонального изображения ранжируются в группы в соответствии с результатами принадлежности пикселя с координатами

(/, у ) тому или иному кластеру. Для каждой из

этих групп рассчитывается весовой параметр по

следующей формуле:

лг, л,

2*11(1-4)

V, = 1 +

7=1 А-/+1

(О

где АГ - количество кадров в ¿-й группе; Я'ц-

коэффициент корреляции между / -ми к -м кадром 1-й группы. Необходимо отметить, что для расчёта весового параметра можно использовать и другие соотношения, однако эксперименты, проведённые на большом объёме многозональных изображений, показывают большую эффективность выражения (1). Гипотеза о принадлежности пикселя к тому или иному сегменту принимается по результатам сравнения между собой весовых параметров и выявления наибольшего. По завершению распределения пикселей по кластерам, последние сравниваются между собой и в случае близости в соответствии с выбранными критериями объединяются.

Анализ формулы (1) показывает, что в случае роста группы за счёт кадра, коэффициент корреляции которого с одним из кадров этой группы близок к единице, то рост весового параметра группы будет незначительным. Это можно объяснить тем, что информация, содержащаяся в новом кадре, уже присутствует в кадрах группы. И наоборот, если корреляция между новым кадром и имеющимися в группе будет незначительна, то увеличение весового параметра группы, обусловленного расширением группы за счёт нового кадра, будет велико. Таким образом, поведение предлагаемого алгоритма логично и легко объяснимо. Это позволяет рассчитывать на высокую эффективность совместной сегментации кадров многозонального изображения.

Известно, что одним из самых существенных факторов, существенно ухудшающих качество сегментации, являются импульсные шумы, в избытке имеющиеся на кадрах реальных многозональных изображений. Однако эксперименты, проведённые на реальном спутниковом материале, показывают, применение к результатам сегментации медианного фильтра [4] позволяет почти полностью убрать негативное влияние этих шумов.

Для проверки эффективности предлагаемого алгоритма можно воспользоваться методикой статистического моделирования. Для этого с помощью комбинации реализаций авторегрессионной модели с кратными корнями имитируется неоднородное изображение [5], близкое по своим корреляционным свойствам к кадрам реаль-

ного многозонального изображения. Затем на основании заданных коэффициентов межкадровой корреляции имитируются остальные кадры многозонального изображения. Полученные таким образом кадры складываются с белым и импульсным шумами (рис. 1).

а

&

Ж

V,

V'

В Г

Рис. 1. Имитация кадров многозонального изображения (а, б, в) и результат их совместной сегментации (г)

Далее каждый из кадров подвергается процедуре сегментации в соответствии с одним из трёх алгоритмов, наиболее часто применяемых на практике для сегментации изображений (К-средних, КОЬАТА, текстурное сегментирование [6]). Затем изображения обрабатываются вместе, как единое многозональное изображение, в соответствии с описанным в настоящей работе алгоритмом. Полученные результаты в свою очередь обрабатываются медианным фильтром. В таблице 1 представлены результаты сегментации сымитированных изображений в виде среднего процента пикселей, правильно отнесённых к соответствующему сегменту. Общий объём выборки составил 500 изображений размером 240 на 240, состоящих из 5 кадров каждый.

Таблица 1

Результаты сегментации многозональных изображений

К-средних I БОРАТА Текстурная сегментация

1 слой 72,2 68,1 .81,2

2 слой 58,6 55,4 61,4

3 слой 52,3 51,2 55,8

Объединение слоев 76,8 72,3 89,3

Медианная фильтрация 79,2 74,6 91,4

Анализ результатов позволяет сделать вывод о значительном (до 14%) росте эффективности сегментации за счёт совместной обработки всех кадров многозонального изображения. Недостатком предлагаемой методики является необходимость большого количества вычислений, связанных с обработкой всех кадров многозонального изображения. Уменьшить вычислительные затраты можно с помощью предварительного выбора из всех кадров многозонального изображения наиболее информативных.

Эксперименты с реальными многозональными изображениями подтверждают результаты, полученные с помощью статистического моделирования. На рис. 2 представлен фрагмент одного из кадров реального многозонального изображения и результат сегментации этого кадра.

...

ГШШШ--

PK

Г Щ Шй

: ■ . .. ;¿Г

Eil

ш

•¿.V и

- а

щшшяхш

* ш _

~ ^ ф iv ш

HF. Ш w 1ЙШ1

W* -0*

Ш'" if. »

Рис. 2. Сегментация реальных спутниковых снимков

Таким образом, в настоящей работе на основании существующих алгоритмов предложены эффективные процедуры сегментации многозональных изображений, обладающие широкими возможностями по собственной настройке и позволяющие качественно обрабатывать реальный спутниковый материал.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1.Прэтт, У. Цифровая обработка изображений / У. Прэтт. - М. : Мир, 1982. - Т. 1.-312 с.

2. Dr. Morton John Canty, Fernerkundung mit neuronalen Netzen. - Berlin, 1999. - 208 S.

3. David, Landgrebe, Information Extraction Principles and Methods for Multispectral and Hyperspectral Image Data, Chapter 1 of Information Processing for Remote Sensing, edited by С. H. Chen, published by the World Scientific Publishing Co., Inc., 1060 Main Street, River Edge, NJ 07661, USA, 2000.

4. Васильев, К. К. Методы фильтрации многомерных случайных полей / К. К. Васильев, В. Р. Крашенинников. - Саратов : СГУ, 1990. - 124 с.

5. Vasilev, К. К., Dementew V. Е. The Analysis of correlation properties of autoregression casual fields. - Pattern recognition and image analysis, 2004, v. 2, p. 415-417.

6. Грузман, И. С. Цифровая обработка изображений в информационных системах / И. С. Грузман, В. С. Киричук. - Новосибирск: НГТУ, 2002. - 351 с.

Дементьев Виталий Евгеньевич - аспирант кафедры «Телекоммуникации». Имеет труды в области обработки многомерных случайных полей и обнаружения аномалий. Победитель всероссийского конкурса «Инновационные проекты аспирантов и студентов 2006».

УДК 621.391

К. К. ВАСИЛЬЕВ, Д. А. КАПУСТИН

РАЗЛИЧЕНИЕ ИМПУЛЬСНЫХ СИГНАЛОВ С НЕТОЧНО ЗАДАННОЙ ДЛИТЕЛЬНОСТЬЮ

Рассмотрен синтез алгоритмов различения импульсных сигналов с неточно заданной длительностью по методу максимального правдоподобия и найдена минимально достижимая дисперсия ошибки ог^енивания в зависимости от формы импульса.

Ключевые слова: оценивание, различение, импульсные сигналы.

Вопросы анализа потенциальной помехоустойчивости приёма импульсных тональных сигна-

© К. К. Васильев, Д. А. Капустин, 2007

лов Морзе на фоне белого шума впервые рассматривались В. А. Котельниковым в 1946 г. Однако при этом предполагалось, что частота, амплитуда, длительность и время прихода сиг-