CC BY
99
АНАЛИЗ ВОЗМОЖНОСТИ СОЗДАНИЯ ЦИФРОВЫХ ЭТАЛОНОВ ПРИЗНАКОВ ДЛЯ СТРУКТУРИРОВАННЫХ ПОВЕРХНОСТЕЙ
Дмитрий Павлович Симонов
Сибирская государственная геодезическая академия, 630108, г. Новосибирск, ул. Плахотного, 10, аспирант кафедры фотограмметрии и дистанционного зондирования, тел. (383) 361-08-66, email: dumkah@gmail.com
В статье проанализированы возможности создания единых цифровых эталонов для автоматизированного дешифрирования различных объектов.
Ключевые слова: цифровые эталоны, дешифрирование, дешифровочные признаки.
ANALYSIS OF THE POSSIBILITY OF CREATING DIGITAL STANDARDS FOR SIGNS OF STRUCTURED SURFACES
Dmitriy P. Simonov
Siverian state academy of geodesy, 10 Plahotnogo, Novosibirsk, 630108, P.G., department of photogrammetry and remote sensing, tel. (383) 361-08-66, e-mail: dumkah@gmail.com
The article describes the analysis of possibility of establishing a common digital standards for the automated interpretation of various objects.
Key words: digital standards, interpretation, interpretive signs.
В настоящее время цифровые методы обработки информации являются наиболее перспективными инструментами для получения количественной и качественной информации об исследуемых объектах.
В основу формальной информации положена ее связь с разрешающей способностью и контрастностью снимка.
Изображение, состоящее из n дискретных элементов (точек), имеющих любой из m тонов, может принимать N = тп различных состояний. Число состояний - это и есть количество информации, тогда информационная емкость I выражается через логарифм числа состояний:
I = log N = n log m. (1)
Подсчет по формуле (1) предполагает, что все комбинации точек и тонов считаются равновероятностными. В реальных условиях для оценки информации следует учитывать, что вероятность таких комбинаций различная и зависит от характера объектов. Поэтому было введено понятие вероятностной информации.
Количество информации, содержащееся в некотором сообщении, связано с вероятностью и частотой его проявления. Если выбор производится из x сообщений, каждое из которых может быть получено с вероятностью P(x), то минимальная информация, проходящая через одно сообщение, рассчитывается по формуле Шеннона:
n
H = -£P(x)log P(x), (2)
x=1
где H - энтропия, через которую количественно выражается неопределенность опознавания объекта
Дешифрирование - это процесс распознавания объектов, их свойств и взаимосвязей по их изображениям на снимке. Признаки, по которым распознаются объекты на снимках, называются дешифровочными
Задача дешифрирования - извлечь как можно больше информации со снимка, необходимой для выполнения поставленной задачи. Следовательно, результаты дешифрирования напрямую зависят от информационной емкости снимка. Информационная емкость снимка может быть формальной, вероятностной и оценочной [1].
Свойства объекта, находящие непосредственное отображение на снимках, принято назвать прямыми дешифровочными признаками. К ним относятся три группы признаков: геометрические (форма, тень, размер); яркостные (тон, уровень яркости, цвет, спектральный образ); структурные (текстура, структура).
Структурные признаки тесно связаны с масштабом снимка. Так, кроны деревьев, воспринимаемые на среднемасштабном снимке как структура изображения, на более мелкомасштабных составят текстуру, а структуру на них образуют сочетания выделов с разным составом древостоя и полян между ними. Рисунок изображения принято считать надежным дешифровочным признаком, так как он мало зависит от условия освещения, сезона и технических параметров съемки [2].
Системы автоматизированной обработки цифровых данных состоят из таких подсистем, как ввод, хранение, обработка и представление результатов. Разные типы программ предоставляют пользователям различные возможности по обработке снимков, обеспечиваемые заложенными в них средствами анализа и интерфейса. К таким пакетам относятся программные продукты ERDAS, Geomatica, ENVI. В этих комплексах имеется набор процедур, реализующих основные алгоритмы распознавания образов по многоспектральным изображениям, как на основе кластерного анализа, так и с использованием обучающих процедур [3].
Получение различной информации об объектах основано на классификации массивов пикселей. Следует различать информационные и спектральные классы. Информационные классы - это те объекты, которые необходимо распознать на снимке: различные виды растительности,
определенные структуры поверхности, типы горных пород и т. д. В отличие от этого, спектральный класс — это группа пикселей, обладающих приблизительно одинаковой яркостью в некотором спектральном диапазоне. Одной из основных целей классификации состоит в том, чтобы соотнести спектральные классы с информационными. Проблема состоит в том, что как правило, одному информационному классу соответствуют несколько спектральных, а некоторые выделенные спектральные классы вообще не соответствуют никаким объектам.
В качестве модельного эксперимента для сравнительной оценки различных методов дешифрирования были использованы цифровые изображения функциональной керамики типа ВГ при различных температурах спекания. Выбор керамики в качестве модели природного ландшафта обусловлен удобством направленного изменения свойств поверхности. Изменяя температуру спекания можно менять структурные характеристики без существенного изменения типа материала. Наличие малого числа природных классов на объекте (кристалл, стеклофаза и поры) и узкого спектрального интервала отображения каждого класса делает такой объект удобным как для моделирования его структурных свойств, так и для сравнительной оценки разных методов дешифрирования [4].
Для получения цифровых изображений структурированной поверхности был использован микроскоп МИА ЛабМет-И1 при увеличении 360х и цифровая фотокамера Olympus 3-420.
Для обработки изображений и создания цифровых эталонов использовался программный комплекс ERDAS IMAGINE - это один из наиболее распространенных в мире пакетов цифровой обработки и содержит базовые средства для визуализации, интерактивной коррекции и кластеризации (алгоритм Isodata) изображений, а также получения количественной информации об объектах.
Целью данной работы было показать возможность создания цифрового признака объекта (эталона) по которому его можно определить на других снимках при автоматизации дешифрирования рис. 1.
Рис. 1. Результат дешифрирования одного изображения по разным эталонам
В ходе экспериментальных работ использовались метод главных компонент, метод параллелепипедов, метод максимального правдоподобия, метод минимальных дистанций и др.
Анализ полученных результатов указал на «Метод параллелепипедов» как наиболее оптимальный. Классификация способом параллелепипедов
использует простое решающее правило и применяется, когда значения спектральной яркости разных объектов практически не перекрываются, а классов объектов немного, что соответствует поставленной задаче, однако и для этого метода достоверность дешифрирование существенно зависела от неравномерности освещения, качества обработки поверхности, глубины резкости изображения и т. д.
Для объектов с большим количеством спектральных классов и существенной зависимостью спектральной яркости от многих причин следует ожидать меньшую достоверность дешифрирования. Таким образом, спектральные признаки не являются устойчивыми даже для простых моделей, следовательно, для сложных объектов, например, типа леса, возможно нужно ориентироваться на структурные признаки.
Таблица 1. Расхождения отнесения пикселей к заданным классам
Классы "Чужие" эталоны "Свои" эталоны Расхождение
Пиксели Проценты Пиксели Проценты
Class 1 104810 5,443% 101675 5,280% 0,163%
Class 2 138617 7,198% 135611 7,042% 0,156%
Class 3 5743 0,298% 3329 0,173% 0,125%
Class 4 1676593 87,061% 1685148 87,505%
Всего 1925763 100,000% 1925763 100,000%
Создание единого цифрового эталона для определения и выделения заданного объекта на изображении методами цифровой обработки изображений позволит значительно сократить время и трудозатраты как на контроль качества продукции так и повысить достоверность экспертной оценки исследуемых изображений.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Аковецкий В.И. Дешифрирование снимков [Текст]: учеб. для вузов / В.И. Аковецкий. - М.: Недра, 1983. - 374 с.
2. Яншин В.В. Анализ и обработка изображений: принципы и алгоритмы [Текст] / В.В. Яншин. - М.: Машиностроение, 1995. - 112 с.
3. Лурье И.К. Теория и практика цифровой обработки изображений [Текст] / И.К. Лурье, А.Г. Косиков. - М.: Научный мир, 2003. - 168 с., 8 с. цв. вкл.
4. Симонов Д.П. Определение количественного и качественного состава керамики методами автоматизированного дешифрирования [Текст] / Е.П. Хлебникова, Д.П. Симонов // Сб. матер. VII Международного научного конгресса 'ТЕО-Сибирь-2011", Новосибирск. - Т. 4. - Новосибирск: СГГА, 2011. - С. 55-59.
© Д.П. Симонов, 2012
