Інформаційна технологія підвищення інформативності цифрових зображень епіцентрів лісових пожеж Текст научной статьи по специальности «Компьютерные и информационные науки»

ISSN 1994-7836 (print) ISSN 2519-2477 (online)

УДК 004.932.72'1 Article info

Received 30.03.2017 р.

О. М. Гусак

ПВНЗ "Буковинський ушверситет ", м. Чершвщ, Украша

1НФОРМАЦ1ЙНА ТЕХНОЛОГ1Я П1ДВИЩЕННЯ 1НФОРМАТИВНОСТ1 ЦИФРОВИХ ЗОБРАЖЕНЬ ЕП1ЦЕНТР1В Л1СОВИХ ПОЖЕЖ

Удосконалено методи оброблення цифрових 3hîmkîb та ввдеорвдв, що дало змогу застосовувати ïx у xодi монiторингу та ощнювання екстремальних ситуацш, зокрема лiсовиx пожеж. Розглянуто можливють покращення якостi та шдвищення шформативносп аерофотозшмюв, отриманих за допомогою малих ль тальних апаратiв - квадрокоптерiв з метою оперативного виявлення ешцен^в лiсовиx пожеж. Проанал^ зовано особливост методiв та алгоритмiв покращення вiзуальноï якостi цифрових зображень епiцентрiв люових пожеж на аерофотозшмках, отриманих за допомогою квадрокоптерiв. Задачi оброблення зображень зведено до невелико!' кшькосп основних: фiльтрацiя та покращення вiзуального сприйняття зобра-ження; вiдновлення втрачених дiлянок; знаходження об'eктiв та ïx iдентифiкацiя на деякому фош, оцшка геометричних трансформацiй та сумiщення зображень, оцшка параметрiв. До цieï групи входять задачi вимiрювання характеристик зображень або 1'х окремих елементiв - ймовiрнiснi характеристики, положен-ня, розмiри об'eктiв тощо; стиснення зображень. У процем дослiдження вивчено методи оброблення цифрових зшмюв та ввдеорвдв, що дозволило застосовувати 1'х в xодi монiторингу та оцiнювання екстремальних ситуацш, зокрема люових пожеж. Особливу увагу придшено методам раннього виявлення осе-редкiв лiсовиx пожеж. Представлено результат консолвдацп методiв оброблення цифрових зшмюв та в^ деопотошв, застосування яких дае змогу шдвищити достовiрнiсть шформацп про наявнiсть епiцентрiв лi-сових пожеж.

Ключоеi слова: люопожежний монiторинг; еквалiзацiя гiстрограм; вейвлет-аналiз; кластерiзацiя.

Вступ. Сьогоднi вiдбуваeться активний розвиток за-co6iB цифрового оброблення зображень з метою покращення 1х вiзуальноl якостi. Вдосконалюють шформа-цшт технологи та системи, в яких отримувачем шформацп е людина. Використання матерiалiв космiчноl та аерофотозйомки для анаштично! роботи у сферi пожеж-но! безпеки набувають дедаш ширшого розповсюджен-ня, оскiльки вони дають змогу оперативно фiксувати наявшсть пожеж, проводити первинну 1х класифшащю за площею спалаху, спостерiгати димовi поля забруд-нення, оцiнювати обласп перенесения продуктiв горш-ня (Capaldo et al., 2012; Gleyzes, Perret & Kubik, 2012; Forkuor & Maathuis, 2012).

Однак основною проблемою прийняття рiшень на основi даних аерофотозшмюв та вiдеопотокiв е те, що часто неможливо безпомилково виокремити джерело запалювання, визначити масштаб пожеж^ оцiнити пло-щу вигорiлих дшянок. Це пов'язано iз присутнiстю шу-мiв i завад, зумовлених складними умовами отримання, недосконалiстю систем передачi фото- та ввдеошформа-цл, а також великою кшьюстю можливих ракурав шу-каних об'ектiв розпiзнания (Postelniak, 2014).

На сучасному етапi розроблено оптичш та оптико-електроннi методи оброблення та тдвищення шформа-тивносп космiчних знiмкiв, призначенi для вироблення керiвних впливiв на процеси гасшня та подолання нас-лiдкiв лкових пожеж. Шкода, але жодна шформацшна технологiя, побудована на цих методах, не виршуе пов-ною мiрою задачу раннього виявлення епiцентрiв лко-вих пожеж (Capaldo et al., 2012; Schwaller, Southwell & Emmerson, 2013). Наприклад, сучасна технологiя визна-чення джерел пожежi на космiчних знiмках в шфрачер-воному дiапазонi за наявнiстю зон з високими темпера-турними контрастами ускладнюеться вщсутшстю iнструментальних засобiв, здатних не тшьки витриму-вати високi енергетичнi навантаження, але й надавати

достовiрну шформащю щодо 1хнього рiвия.

Мета дослвдження - створення шформацшно1 технологи оброблення аерофотознiмкiв та вiдеопотокiв, яка забезпечуе достовiрнiсть виявлення епiцентрiв лко-вих пожеж на раннiх стадiях загоряння. Перед нами стояла задача шдвищення iнформативностi аерофото-зображень та ввдеопотоюв з метою пiдвищения досто-вiрностi розпiзнания епiцентрiв лiсових пожеж на ран-нiх стад1ях загоряння.

Матерiали та методика дослiдження. У рамках цього дослвдження розроблено шформацшну технологию, головне завдання яко! - пiдвищения шформатив-ностi зображень епщен^в лiсових пожеж. Висунуто гшотезу про iснувания комбшацп методiв оброблення цифрових зшмюв та вiдеопотокiв, як призведуть до мь нтнаци помилок розпiзнания (Jeong, Kim & Kim, 2014; Aguilar et al., 2012; Oh & Jung, 2012).

У ходi дослвдження процес iнтелектуального аналiзу даних подiли на так1 етапи:

1. Попередня пiдготовка даних для автоматичного аналiзу

1.1. Метод еквaлiзaцil' (вирiвнювання) ricTorpaM

1.2. Вейвлет-aнaлiз

2. Застосування методов Data Mining. Кластеризащя зображень

2.1. Алгоритм k-cеpеднiх (k-means)

2.2. Алгоритм Fuzzy c-Means

3. Аналiз отриманих даних людиною та прийняття ршення про наявнiсть пожежi

На еташ тдготовки даних для автоматичного аналь зу вiдбуваеться оброблення даних (цифрових зображень) за допомогою методiв штелектуального аналiзу з метою пошуку помилок i пропуск1в, усунення завад, шдвищення яскравостi та контрастносп зображень, приведення даних до одного формату тощо. Оскшьки в нашому дослiдженнi використовували цифровi аерофо-тозображення, на яких вiдсутнi пропуски, то задача зве-

Цитування за ДСТУ: Гусак О. М. 1нформацШна технолопя пiдвищення Ыформативносп цифрових зображень етцет-piB люових пожеж

/ О. М. Гусак // Науковий вюник НЛТУ УкраУни. - 2017. - Вип. 27(3). - С. 177-181 Citation APA: Husak, O. M. (2017). Information Technology to Improve the Informative Value of the Images of the Forest Fires

Epicenters. Scientific Bulletin of UNFU, 27(3), 177-181. Retrieved from: http://nv.nltu.edu.ua/index.php/journal/article/view/277

лася до максимального усунення завад та шдвищення яскравосп та контрастносп зображень (Maglione, Parente, Vallario, 2013; Oh, Lee & Seo, 2011, May; Poli, Cara-vaggi, 2012).

Метод eKeanÎ3a^ï (вирiвнювання) гктограм. Оскть-ки оптимальним з погляду зорового сприйняття люди-ною е зображення, елементи якого мають р1вном1рний розпод1л яскравостей, то одним 1з метод1в попереднього оброблення вибрано метод eKeanÎ3a^ï (вирiвнювання) гктограм, який полягае у досягненш р1вном1рност1 роз-подшу яскравостей по всьому зображенню (виргвню-вання пстограми) (Polyanskii & Husak, 2013; Polyanskii & Husak, 2014).

Результат оброблення вхщного зображення можна описати р1внянням

T [f ( х, y )] = g(x, y), (1)

де fx, y) - вхвдне зображення - кшцева дискретна кшь-к1сть пстограм, g(x, y) - вихвдне зображення, отримане внаслвдок оброблення, Т - оператор перетворення над fx, y), який е визначеним у деякому окол1 точки.

Головний шдхщ до визначення просторового околу точки (х, y) полягае у використанш квадратно!' або пря-мокутно!' обласп з центром у точщ (х, y). Перетворення Т застосовуеться в кожнш точщ (х, y). Внаслвдок отри-муемо вихщне значення g(x, y) для ще!' точки. У процес обчислень використовуються тшьки шксели, розташо-ваш всередиш околу з центром (х, y).

Розглядаючи метод еквалiзащl (вир1внювання) ric-тограм, припустимо, що piBHi яcкравоcтi на тестових зображеннях е неперервними величинами, розподшени-ми у дiапазонi [0, 1]. Нехай f(x, y) - функщя щiльноcтi pозподiлу ймовipноcтей (PDF, probability density function) piвнiв яскравосп даного зображення. Перетворення вхвдних piвнiв для отримання вихiдних (оброблених) piвнiв яcкpавоcтi g(x, y):

g(x, y) = T [ f ( x, y )] = j f (Wdw

(2)

де: о - змшна, за якою ведеться штегрування. Отже, попередне перетворення породжуе зображення, píbhí яскравостi якого рiвноймовiрнi i покривають увесь íh-тервал [0, 1]. Результатом процесу еквалiзащl зображення е збиьшення динамiчного дiапазону píbhíb яс-кравостi, що означае збшьшення контрастностi оброб-леного зображення (Oh & Jung, 2012; Poli, Remondino, Angiuli & Agugiaro, 2013).

Отримано низку полшшених зображень шляхом ви-рiвнювання гiстограми (рис. 1), тобто в кожному випад-ку було досягнуто рíвномiрностi розподшу яскравостей. Очевидно це перетворення виявилося ефективним для полiпшення вiзуальноl якосп низькоконтрастних деталей - епiцентрiв лiсових пожеж та зображення вигорь лих дiлянок.

И [mage Filter I i H i- ;;

File Edit View Insert Took Desktop Window Help

Original Image

Contrast L

ИИЙЁ

TSk

щ

J_ WSÈMÊm

±i_

I Contri

Ú±L

k-means

c- means

Number o1 Clusters

4H

X

Г

1

Threshold: 0.017142

±L

Рис. 1. Результат застосування методу шдвищення контрастности Функцiя Wavelet заблокована

Вейвлеm-аналiз. У ходi цифрового оброблення зображень потpiбно виконувати ослаблення дц шумiв piз-но! природи. Це досягаеться фiльтpацiею. Ф1льтр Wavelet pеалiзуе вiдноcно новий i перспективний метод: представлення сигналу як сукупшсть елементарних хвиль-вейвлетiв (Poli, Angiuli & Remondino, 2004; Polyanskii & Husak, 2013).

Пряме дискретне вейвлет-перетворення G(u, v,...) зображення fx, y) pозмipами M*N можна виразити таким piвнянням:

G(u, v,...) = £ f(x, y)ju,v,...(x, y), x y

(3)

де: x, y - пpостоpовi змшш, a u, v, ... - змшш в пеpетво-pенiй облaстi. Знаючи G(u,v,...), за допомогою yзaгaль-неного дис^етного пеpетвоpения можна побyдyвaти Функщю fx, y)

f(x,y) = S ^v,...)hu,v...(x,y) . (4)

Члени ju¡ (x, y) та hu¡ v,.(x, y) - пpямi та обеpненi ядpa пеpетвоpения. Вони визначають пpиpодy, обчис-лювaльнy склaднiсть та пpaктичнy rapara цieï пapи пе-

0

ретворень. Коефщенти перетворення - G(u,v,...) коефь цiенти розкладання функци fв ряд по {hu v...(x,y)}. Це оз-начае, що ядро оберненого перетворення визначае мно-жину функцш розкладання для розкладання в ряди функцш f(x, y).

На ввдмшу вiд звичайних спектральних перетворень, вейвлет-аналiз дае змогу з однаковою точшстю апрок-симувати як гладкi функцп, так i функци з рiзкими ви-падами, що дае змогу визначати незначш об'екти. Ос-юльки вейвлет-перетворення представляе собою згор-тку сигналу зображення з вейвлет-функщею, що змщу-

Ц Image liter

Edit View Insert ТорЬ Desktop Window hfetp

еться вiдносно координат, цей метод близький за змк-том до методiв на ochobí фщьтрацп. На вiдмiну вiд ря-дiв Фур'е, вейвлети здатнi представляти локальнi особ-ливостi сигналiв. Це дае змогу застосовувати вейвлет-перетворення для аналiзу тонких особливостей склад-них сигналiв i зображень (Poli, Angiuli & Remondino, 2004). За допомогою вейвлетiв можна здiйснювати стис-нення зображень та очищения ix вiд шуму. Попередне вейвлет-оброблення дае змогу значно зменшити кшь-юсть вхвдно! шформацп, що важливо для роботи в ре-жимi реального часу. Результат представлено на рис. 2.

L_.Ji.i_

Original Image Contrast Wavelet ™U3SUpMs

JiL

±LL

10 [Zl wliite only

k-means

c-imeans

Number ot Clusters

±L

Л

С

Threshold:-0.005714

il

Sere k-means

Рис. 2. Резyльтaт зaстосyвaння вейвлет-aнaлiзy. Фyнкцiя contrast зaблоковaнa

И Image Filter

file) Edit View Insert Jools Desktop Window Help

Original Image

Contrast

Wavelet

PsR

"i V^bv - Ш

_\±L

k-means

">K Г

I Contrast:

li±L

c-means

Number o1 Clusters

Threshold: 1

Jll Г

:

~1 Threshold:-0.005714

—m

Рис. 3. Резyльтaт зaстосyвaння методiв пiдвищення контpaстностi тa вейвлет-aнaлiзy

П1д час анашзу зображень виникае потреба в !х кластеризацп - роздiлення ткселгв зображень на групи за деякими ознаками. Оскшьки в нашому дослвдженш використовували кольоровi зображення, то виконували кластеризацiю за колiрними координатах. Як функщю сегментацп використано функцiю imfilter пакету Mat-Lab. Кластеризацiя дае змогу згрупувати подiбнi данi, що полегшуе вирiшення ряду задач Data Mining: вив-чення даних, полегшення аналiзу (Polyanskii & Husak, 2014). Результатом визначення кластерiв i розбиття за ними даних е створення шдсумково! моделi даних. У нашому випадку результатом кластеризацп стало ввдок-ремлення природних об'ектiв (гiлок, стовбурiв дерев, листово! пiдстилки) вiд об'екпв неприродного похо-дження (рис. 3, 4).

Кластеризацго проводили за двома алгоритмами.

И Image Filter

File Edit View Insert Tools Desktop Window Help

Original Image

Алгоритм k-середтх (k-means). 1дея методу полягае у визначенш центр1в k raacTepiB та вiднесення до кожного кластера об'екпв, що найближче розташоваш до цих центpiв. Метрика вщсташ загалом мае вигляд:

dA(mj,c(i)) = |\mj -= (mj -c(i)^a(mj -c(i)) , (5)

де матриця А визначае споаб обчислення вiдстанi.

Алгоритм Fuzzy с-Means. Цей алгоритм е узагаль-ненням попереднього алгоритму. Його вiдмiннiсть полягае в тому, що кластери тепер е нечикими множина-ми i кожна точка належить piзним кластерам з piзним ступенем приналежносп. Кpитеpiй - максимум належ-носп. Сума належностей елемента даних вам кластерам простору розбиття доpiвнюе одинищ:

c d

щ е [0;1];Z% = 1;0<Х %<d . (6)

'=1 j=i

Contrast

Bu

Wavelet

^Contrast: Mask: Contrast ® @ whte ony

l<[ 1 •H 1 <1 1 •M 1

k-means c-means

Number of Clusters 1 Threshold: 1 ThreshoW0.005714

2 I >M I 'I Pick Color Ij^J J >

Рис. 4. Результат послiдовного застосування методiв пiдвищення контрастное^, вейвлет-аналiзу та алгоритмiв кластеризацй'

Висновки:

1. Унаслщок послiдовного застосування методiв шдви-щення контрастностi, вейвлет-ан^зу та алгоритмiв кластеризацп покращуеться шформатившсть цифрових зображень. Епiцентри пожежi виокремлеш i можуть бути безпомилково розшзнаш оператором.

2. Оброблене зображення зводить до мшмуму вплив особливостей зорового сприйняття людиною-операто-ром на яюсть розпiзнання.

3. Запропонована iнформацiйна технология дае змогу в автоматичному режимi виокремлювати чужорiднi кластери, проводити донавчання нейронно!' мережi та форму-вати вiдеопотiк у режимi реального часу завдяки технологи паралельних обчислень. Результатом ще! технологи е створення шдсумкового вщеопотоку даних, що пiдвищуе ймовiрнiсть виявлення епiцентру пожежi на фонi гшок та листково!' пiдстилки.

nepe^ÍK BHKopHcraHHX g^epe.n

Aguilar, M. A., Aguilar, F. J., Saldaña, M. del Mar & Fernández, I. (2012). Geopositioning Accuracy Assessment of GeoEye-1 Panchromatic and Multispectral Imagery. Photogrammetric Engineering & Remote Sensing, 78(3), 247-257.

Capaldo, P., Crespi, M., Fratarcangeli, F., Nascetti, A., & Pieralice, F. (2012). DSM generation from high resolution imagery: applications with WorldView-1 and GeoEye. European journal of remote sensing, 44, 41-53.

Forkuor, G., & Maathuis, B. (2012). Comparison of SRTM and ASTER Derived Digital Elevation Models over Two Regions in Ghana - Implications for Hydrological and Environmental Modeling. Studies on Environmental and Applied Geomorphology, 4, 219-240.

Gleyzes, M. A., Perret, L., & Kubik, P. (2012). Pleiades System Architecture and Main Performances. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XXXX-B1, 537-542

Jeong, J., Kim, J., & Kim, T. (2014). Analysis of Geolocation Accuracy of KOMPSAT-3 Imagery. Korean Journal of Remote Sensing, 1, 37- 45.

Maglione, P., Parente, C., Vallario, A. (2013). Using WorldView -2 satellite imagery to support geoscience studies on Phlegraean area. American Journal of Geosciences, 3, 1-12.

Oh, J., Lee, C., & Seo, D. C. (2011, May). A test result on positional accuracy of Kompsat-2 pan imagery. Proceedings of ASPRS Annual Conference (pp. 1-5). Milwaukee, Wisconsin.

Oh, K.-Y., & Jung, H.-S. (2012). Automatic Geometric Calibration of KOMPSAT-2 Stereo Pair Data. Korean Journal of Remote Sensing, 2, 191-202.

Poli, D., Angiuli, E., & Remondino, F. (2004). Radiometric and geometric analysis of WorldView-2 stereo scenes. Retrieved from: http://www.isprs.org/proceedings/xxxviii/part1/03/03_04_Pa-per_188.pdf

Poli, D., Caravaggi, I. (2012). Digital surface modelling and 3D information extraction from spaceborne very high resolution stereo pairs. JRC Scientific and Technical Reports, 4, 31-35.

Poli, D., Remondino, F., Angiuli, E., & Agugiaro, G. (2013). Evaluation of Pleiades-IA triplet on Trento test field. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XL-1/W1, 287-292. Polyanskii, P. V., & Husak, Ye. M. (2013). "Optical correlation aspect of holography: from ghost-imaging to static phase-conjugation holographic associative memories. SPIE Proc, 9066, 99660H1-14. Polyanskii, P. V., & Husak, Ye. M. (2014). Optical correlation approach to all-optical holographic associative memories. Optical Memory & Neural Networks (Information Optics), 23(1), 12-25. Postelniak, A. (2014). Geometric potential of Pleiades 1A satellite imagery. GeoScience Engineering, 3, 19-27. Retrieved from: http://gse.vsb.cz/ojs/GSE/article/view/54/47) Schwaller, M. R., Southwell, C. J., & Emmerson, L. M. (2013). Continental-scale mapping of Adélie penguin colonies from Landsat imagery. Remote Sensing of Environment, 139, 353-364.

Е. М. Гусак

ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ПОВЫШЕНИЯ ИНФОРМАТИВНОСТИ ЦИФРОВЫХ

ИЗОБРАЖЕНИЙ ЭПИЦЕНТРОВ ЛЕСНЫХ ПОЖАРОВ

Усовершенствованы методы обработки цифровых изображений и видеорядов, что позволило применять их в ходе мониторинга и оценки экстремальных ситуаций, в частности лесных пожаров. Рассмотрена возможность улучшения качества и повышения информативности аэрофотоснимков, полученных с помощью малых летательных аппаратов - квадрокоптеров с целью оперативного выявления эпицентров лесных пожаров. Проанализированы особенности методов и алгоритмов улучшения визуального качества цифровых изображений эпицентров лесных пожаров на аэрофотоснимках, полученных с помощью квадрокоп-теров. Задачи обработки изображений сведены к небольшому количеству основных: фильтрация и улучшения визуального восприятия изображения; восстановление утраченных фрагментов; нахождение объектов и их идентификация на некотором фоне, оценка геометрических трансформаций и совмещение изображений, оценка параметров. В эту группу входят задачи измерения характеристик изображений или их отдельных элементов - вероятностные характеристики, положение, размеры объектов и т. д.; сжатие изображений. В процессе исследования были изучены методы обработки цифровых изображений и видеорядов, что позволило применять их в ходе мониторинга и оценки экстремальных ситуаций, в частности лесных пожаров. Особое внимание уделено методам раннего обнаружения очагов лесных пожаров. Представлен результат консолидации методов обработки цифровых снимков и видеопотоков, применение которых позволяет повысить достоверность информации о наличии эпицентров лесных пожаров.

Ключевые слова: лесопожарный мониторинг; эквализация гистограмм; вейвлет-анализ; кластеризация.

O. M. Husak

INFORMATION TECHNOLOGY TO IMPROVE THE INFORMATIVE VALUE OF THE IMAGES

OF THE FOREST FIRES EPICENTERS

Solution of scientific and engineering problems when working with visual data requires a lot of efforts and is based on knowledge of specific methods. Appropriate and relevant scientific and practical task is the activities related to the improvement of the contemporary and the development of new methods of digital image processing. The solution of many problems of modern science and practice leads to the need to extract useful information from various kinds of digital images. Such problems arise in medicine, radio, heat, sonar, space and Earth exploration etc. In this work possibility to improve quality and increase the information content of aerial images is obtained with small aircraft - quadrocopters for quick identification of epicentres of forest fires. As results of the research the author has improved methods of processing digital images and video sequences, which allowed applying them during monitoring and assessment of extreme situations, in particular forest fires.The author has also analyzed methods and algorithms for improving the visual quality of digital images of the epicenters of forest fires on aerophotograph obtained with quadrocopters. Tasks of image processing, to reduce to a small number of major are as follows: filtering and improving the visual perception of the image; recovery of lost plots; finding objects and their identification on some background; estimate geometric transformation and image combining; estimation of the parameters. This group includes the tasks of measuring the characteristics of the images and their elements - probability characteristics, position, size and the like; image compression. The study tested the methods of digital processing of images and video sequences, which allowed us to apply them during monitoring and assessment of extreme situations, particularly fires. Special attention was paid to methods of early detection of forest fires. The result of the consolidation of methods of processing digital images and video streams are presented; their use allows increasing the accuracy of the data about the presence of the epicentres of forest fires.

Keywords: forest fire monitoring; histogram equalization; wavelet analysis; clustering.

1нформащя про автора:

Гусак Олена Михайлiвна, здобувач, викладач, ПВНЗ "Буковинський ушверситет", м. Чершвцо Украша.

Email: faucon30@yandex.ru