Метод корреляционного распознавания наблюдаемых объектов по многоспектральным данным Текст научной статьи по специальности «Компьютерные и информационные науки»

Метод корреляционного распознавания наблюдаемых объектов по многоспектральным данным

Ключевые слова: многоспектральная оптико-электронная система, дистанционное зондирование Земли, спектральный образ, корреляционное распознавание.

В последние годы наблюдается значительное повышение интереса к аэрокосмическим многоспектральным оптико-электронным системам (МОЭС) наблюдения как к средствам дистанционного зондирования Земли (ДЗЗ.) Современные космические системы оптико-электронного наблюдения широко используют бортовую многоспектральной и гиперспектральной оптико-электронной аппаратуру, имеющую до сотен спектральных каналов в видимом и ИК-диапазонах, в которых регистрируются многоспектральные изображения. Использование данных многоспектрального и гиперспектрального наблюдения позволяет осуществлять распознавание наблюдаемых объектов по спектральным признакам, возможности выделения и обработки которых зависят от спектральной разрешающей способности ОЭА наблюдения. Эти признаки определяются поглощательной, излучательной и отражательной способностями наблюдаемых объектов в анализируемом диапазоне электромагнитных волн. Для обработки данных наблюдения, полученных с помощью перспективных КА оптико-электронного наблюдения с бортовой многоспектральной ОЭА, предлагается использовать наиболее эффективные при решении задач распознавания корреляционноэкстремальные методы, такие как метод цифровой корреляционной обработки спектральных образов наблюдаемых объектов. Благодаря принципиальной возможности автоматизации процесса корреляционного распознавания по спектральным образам (признакам) технология многоспектрального наблюдения представляет большой интерес для оперативного решения задач наблюдения. В космических системах многоспектрального наблюдения на основе использования корреляционного алгоритма распознавания наблюдаемых объектов по спектральным образам весь цикл наблюдения и распознавания от этапа съемки до этапа принятия решения о принадлежности наблюдаемого объекта к тому или иному классу автоматизируется, что делает такие системы перспективными для решения широкого класса задач наблюдения.

Козинов ИА,

Зам. начальника кафедры Космических радиотехнических систем Военно-космической академии им.. А.Ф. Можайского, кт.н, gany-spb@yandex.ru

Почивалов С.Г.,

Доиент кафедры Космических радиотехнических систем Военнокосмической академии им. А.Ф. Можайского, кт.н., psg50@rambler.iv

Топчий П.Н.,

Старший преподаватель кафедры Космических радиотехнических систем Военно-космической академии им. А.Ф. Можайского, pavel-topchy@У'andexv

В последние годы наблюдается значительное повышение интереса к аэрокосмическим много спектральным оптико-электронным системам (МОЭС) наблюдения как к средствам дистанционного зондирования Земли (ДЗЗ) [1,2]. Высокие информаци-

онные возможности МОЭС определяются выявлением и формированием в частотной области системы признаков, основанных на характерных различиях в спектрах отраженного от природных и искусственных объектов оптического излучения — спектральных образах. При этом обработка многоспектральных данных хорошо поддается автоматизации, а снижение требований к разрешающей способности позволяет использовать малогабаритные МОЭС и распознавать по многоспектральным данным оптической системой не разрешаемые объекты.

Современные много спектральные датчики типа видеоспектрометров и Фурье-спектрометров позволяют регистрировать до сотен и тысяч спектральных каналов [1,2]. При использовании таких датчиков принципиальное значение имеет регистрация большого числа спектральных каналов, а выбор спектральных каналов для обработки может быть адаптивным или программируемым, что позволяет выделять наиболее информативные составляющие спектральных образов наблюдаемых объектов.

В общем случае задачей МОЭС наблюдения как информационной системы является максимально точное отображение спектральной структуры поля излучения в элементах разрешения наблюдаемой сцены с

целью последующего распознавания находящихся на ней объектов по спектральным признакам.

Наблюдение за наземными объектами в космических системах оптико-электронного наблюдения представляет собой технологический процесс получения информации о наблюдаемых объектах путем регистрации их излучений с помощью бортовой МОЭС наблюдения с последующей обработкой и анализом полученных видеоданных. Распознавание наблюдаемых объектов является результирующим этапом этого технологического процесса, он включает в себя предварительную обработку зарегистрированных изображений и их анализ — собственно распознавание объектов.

При использовании спектральных признаков, присущих большинству распознаваемых на практике объектов, важно использовать высокую степень корреляции этих признаков, проистекающих из физической природы оптического излучения и детерминированности законов, описывающих эту природу, например закона Планка. Установлено, что существенная размерность много спектральных данных в диапазоне 0,4...15,0 мкм, определяемая для явлений отражения и излучения энергии от поверхности Земли, составляет около шести.

Общую задачу обработки многоспектральной космической информации можно сформулировать как задачу определения принадлежности объектов к тому или иному классу по результатам измерения спектральных характеристик их излучения. В ввиду высокой информативности и большого объема многоспектральных данных задачу обработки необходимо решать в автоматизированном режиме и желательно в масштабе времени близком к реальному. В предельном случае «обмена» пространственного разрешения бортовой МОЭС на спектральное наблюдаемый объект целиком попадает в один из элементов (пикселей) ФПУ и распознается только по спектральным признакам. Если объект обнаружен в соответствующем элементе, то осуществляется его попик-сельное распознавание. В этом случае при наличии полного каталога эталонных коэффициентов спектральной яркости -спектральных образов - объектов наблюдения применение корреляционно-экстремального алгоритма распознавания дает оптимальное по критерию минимума среднего риска (при простой функции потерь) решение задачи распознавания. Решение принимается в пользу того объекта, для которого величина коэффициента корреляции зарегистрированного спектрального образа со спектральным образом эталона, максимальна. Практически распознавание осуществляется не по непрерывным, а по дискретным зарегистрированным и эталонным спектральным образам, соответствующим «нарезке» спектральных каналов МОЭС наблюдения.

В зависимости от объема априорной информации об условиях наблюдения в качестве составляющих дискретного эталона спектрального образа могут непосредственно использоваться либо составляющие эталонных коэффициентов спектральной яркости, либо эти же составляющие с учетом ожидаемого их преобразования атмосферой и оптической системой и наложения на них спектральных составляющих подстилающей поверхности.

Таким образом, в качестве базового алгоритма автоматизированного распознавания в рамках рассмагриваемого метода цифровой корреляционной обработки спектральных образов следует рассматривать корреляционно-экстремальный алгоритм распознавания наблюдаемых объектов по их спектральным образам.

Схема обработки данных наблюдений МОЭС включает М спектральных каналов, в каждом из которых формируется изображение наблюдаемой сцены, а для каждого топологического элемента изображения многоканальной системой обработки формируется спектральный образ. В устройстве распознавания осуществляется автоматизированная обработка спектральных образов, соответствующих интересующему элементу изображения. Физической основой распознавания по спектральным признакам является наличие достаточно ярко выраженных спектральных образов у большинства природных и искусственных объектов. Распознавание объектов по спектральным образам в условиях фонов шумов регистрации эквивалентно распознаванию сложного радиосигнала но форме и позволяет использовать наиболее эффективные при решении задач распознавания корреляционно-экстремальные методы [3].

Решение задачи распознавания наблюдаемых объектов по многоспектральным данным. Рассмотрим предлагаемый корреляционный метод распознавания объектов по данным их наблюдения МОЭС. Если наблюдаемый объект не разрешается оптической системой, то его распознавание осуществляется по спектральным признакам при попиксельном распознавании. Если имеется априорная информация о нахож-

дении объекта интереса в /-ом пикселе, что характерно для комплексного применения нескольких систем наблюдения (сбора информации), то после поступления зарегистрированного многоспектрального изображения в обработку для этого пикселя сразу же начинает осуществляться процедура распознавания объекта. Если априорная информация о нахождении объектов интереса в том или ином пикселе отсутствует или имеется зона неопределенности нахождения объекта интереса, то после поступления зарегистрированного многоспектрального изображения в обработку для всех пикселей или группы пикселей, образующих зону неопределенности, последовательно осуществляются процедуры обнаружения и распознавания объектов. При этом процедуры обнаружения и распознавания могут быть объединены в один алгоритм, как это имеет место в многофункциональных радиолокационных системах [4].

Пусть зарегистрированный в /-м пикселе в М спектральных каналах спектральный образ описывается выражением

(1)

где

г і Г / (Х)с/Х ~ т'я составляющая дискретного

д*. ) '

(да..»

спектрального образа, зарегистрированного в /-м пикселе, 8 (А.) - функция окна, принимающая единичное значение в пределах полосы т-го спектрального канала дЛт и нулевое

- вне ее, в пределах соответствующей полосы выполняется интегрирование по Л в каждом из слагаемых суммы по т и соответствующем ему Л/-мерным вектором с компонентами /,,,, (или с учетом коррекции - /’ ), т = совокупность

которых является дискретным представлением действующего на входе фотопрпемного устройства (ФПУ) спектрального образа в элементе разрешения, соответствующим /-му пикселю.

Компонент выражает среднюю яркость т-го спектрального канала и в общем случае может принимать произвольные положительные значения. В векторной форме спектральный образ, зарегистрированный в /-м пикселе, может быть представлен в виде: |( = (/„,/(1,...,/(„ )•

Аналогичным образом определим Л/-мсрные эталонные векторы. Эталонный вектор спектрального образа к-го объекта (класса) описывается компонентами /”4), совокупность

которых является дискретным представлением эталонного спектрального образа /,"(л). Компонент /’'((| эталонного

вектора спектрального образа А-го объекта выражает среднюю яркость /и-го спектрального канала эталонного спектрального образа. Так же, как и компоненты компоненты / " принимают положительные значения, но являются для

т(к) 1

каждого эталона величинами детерминированными. Таким образом, эталонный спектральный образ к-го объекта в векторной форме может быть представлен в виде:

І" =(і” /’т /эт V ‘(«і V м** 2'4,’“

Будем считать, что объект интереса попадает в /-й пиксель многоспектрального изображения, и что регистрируемая яркость в каждом спектральном канале /-го пикселе изображения описывается выражением / =/ч„„ + Лг„„’ в которое

аддитивно входят сигнальная составляющая , значение

которой определяется спектральным образом наблюдаемого объекта, и шум регистрации Ы,,,,. Компоненты шума /V,,,,

представляют собой независимые случайные величины. В векторной форме совокупность шумовых составляющих, действующих в в i-м пикселе, может быть представлена в виде: N, =(NlltNn,...,Nlu).

При достаточно общих предположениях о статистических характеристиках шума регистрации [5] можно полагать, что его плотность вероятности w(N,) есть некоторая

монотонно убывающая функция^-) от суммы квадратов его компонентов Nim, регистрируемых в спектральных каналах /-го пикселя:

v»4 N() = (2)

Такова, например, плотность вероятности для нормального сферически-симметричного распределения. Сделанные предположения о виде плотности вероятности шума регистрации не должны существенно сузить область практического применения полученных результатов, поскольку известно, что методы статистического описания случайных процессов, хорошо работающие при сферически-симмегричном нормальном шуме, будет удовлетворительно работать при любом шуме с независимыми компонентами и с не слишком большой дисперсией [3].

Если в i-й пиксель матричного ФПУ попадает к-й объект, то при соответствующей калибровке МОЭС наблюдения и нормировке эталонных спектральных образов выполняется равенство / —Г', , где сигнальная составляющая

r 'Sim т(к) Sim

определяется спектральным образом наблюдаемого объекта. Тогда можно полагать, что w(N,) = w(I,-I”) и записать

выражение (2) в виде:

MI, -1,",) = /[(А, - - /27»,)2 (/«,-/«,», )*]• <3>

т.е. при сделанных предположениях плотность вероятности h(N, ) = vv(If -1(">) является монотонно убывающей функцией от евклидова расстояния между точками | и I в Димерном пространстве спектральных каналов пикселя.

Исходя из сделанных предположений, введем метрику сходства, равную указанному расстоянию между точками I

И V,

*<*>

Условие такой нормировки имеет ВИД ^= const. И

1.1=1

она может быть выполнена заблаговременно на этане подготовки базы данных (библиотеки) эталонных спектральных образов.

В результате от решающего правила (5) можно перейти к решающему правилу корреляционно-экстремального распознавания

£/ = argmax[I,(7)

к

где максимизируемое скалярное произведение I I", представляет собой коэффициент корреляции gKo;,(I,,Iзарегистрированного и к-го эталонного спектральных образов. Вводя дополнительную нормировку, обеспечивающую выполнение условия 0<|# (I .I”,)|< 1 Для всех к, коэффициент корреляции gKop(I Л,1',) можно представить в виде М М

WmI(I)) = Z < *іт - 7/m)Z (С(*) - Як)),

т=1

т=I

где

Л _ 4?it/ -

JZ(AW/*) Е('/т-Я*))

V rn=l т=I

і л/ і м

I = —— У / И / 11 = —— ^ /71

ни і t ' -* in> m(i) « ж / -■ nil к)

MZt Mtfi

(8)

- выборочные сред-

(4)

С учетом метрики сходства (4) и с учетом того, что функция /(•) в выражении (3) при приближении / к

является монотонно убывающей, применим следующее решающее правило, определяющее степень сходства между векторами I и 1(”(:

</ = argmin(I, -I,",)2 (5)

*

Для того чтобы найти минимум квадрата расстояния (4) по параметру к, необходимо приравнять нулю частную производную величины <1 по параметру к. Тот же

результат можно получить, перейдя от выражения (4) к представлению метрики £)(I,, I ”,) в виде:

Dll I" 1 = 1 I -21 I" +1" I” • (6)

В выражении (6) скалярное произведение | • I от номера

эталона к не зависит, а величина скалярного произведения !<"> !<"> ПРИ соответствующей нормировке эталонных спектральных образов может быть сделана одинаковой для всех к.

ние для составляющих векторов I, и 1”( соответственно. Вычитание из значений составляющих спектральных образов /* и/,ш их средних значений /(” и /. может осуществляться на этапе подготовки эталонных спектральных образов и калибровки зарегистрированных многоспектральных данных.

Таким образом, при регистрации в /-м пикселе составляющих вектора I = ) и при наличии полно-

го каталога эталонных спектральных образов, описываемых векторами = (/’Д)./;£*)>•••»/«(*>)’ гДе индекс к обозначает номер подлежащего распознаванию объекта (класса), имеем эквивалентное решающему правилу (7) решающее правило корреляционно-экстремального алгоритма распознавания:

</=агвтах|[£кор(1„1”()]|, (9)

к

где нормированный коэффициент корреляции £ко (ї.,1^,)

определяется выражением (8). Решение в соответствии с алгоритмом (9) принимается в пользу того объекта, для которого экстремальна (максимальна) величина нормированного коэффициента корреляции зарегистрированного спектрального образа с его эталонным спектральным образом.

Вектора к-го эталонного спектрального образа I” ( и зарегистрированного спектрального образа I можно рассмотреть в двумерном линейном подпространстве (плоскости). Расстояние ДІ от конца вектора I до конца вектора

I” можно определить через угол а, образуемый векторами I и 1("(, который определяется выражением [61

а = arccos

(10)

Анализируя выражение (10), можно сделать вывод, что величина COS <2 есть не что иное, как определяемый выражением (8) коэффициент корреляции между векторами I и

: cosa = g1(op(I1,I(”)).

При практической реализации корреляционноэкстремального алгоритма распознавания (9) для каждого пикселя многоспектрального изображения осуществляется анализ коэффициентов корреляции спектральных образов, зарегистрированных в пикселе, с эталонными спектральными образами объектов, которые формируются отдельно и хранятся в единой базе данных.

Заключение

В космических системах многоспектрального наблюдения на основе использования корреляционного алгоритма распознавания наблюдаемых объектов по спектральным образам весь цикл наблюдения и распознавания от этапа съемки до этапа принятия решения о принадлежности наблюдаемого объекта к тому или иному классу автоматизируется, что делает такие системы перспективными для решения широкого класса задач наблюдения. На основании анализа коэффициентов корреляции вида (8), рассчитанных с исполь-

зованием эталонных спектральных образов и моделирования условий их регистрации, проведена качественная оценка возможностей распознавания объектов по многоспектральным данным в различных условиях наблюдения (тип подстилающей поверхности, шумы регистрации, число используемых при обработке спектральных каналов и уровней квантования), которая показала высокую эффективность предложенного корреляционного алгоритма распознавания и возможность его использования для решения задач наблюдения в масштабе времени близком к реальному.

Литература

1. Мальцев Г.Н., Козинов И.А., Данилкин А.П. Космические системы и технологии многоспектрального дистанционного зондирования Земли // Информация и космос, 2010. — №1. — С. 148-158.

2. Тарасов В.В.. Якушенков Ю.Г. Двух- и много диапазонные оптико-электронные системы с матричными приемниками излучения. - М.: Университетская книга, 2007. - 192 с.

3.Ковалевский В.А. Методы оптимальных решений в распознавании изображений. - М.: Наука, 1976. - 328 с.

А. Дудник П.И. Многофункциональные радиолокационные системы: учеб. пособие для вузов. - М.: Дрофа, 2007. - 283 с.

5. Якушенков Ю.Г. Теория и расчет оптико-электронных приборов. - М.: Логос, 1999. - 480 с.

6. Ибрагимов И.А., Линник Ю.В. Независимые и стационарно связанные величины. - М.: Наука, 1965. - 524 с.

Method correlation recognition of observed objects from multispectral data

Koz'nov IA, garry-spb@yandex.ru, Pochivalov S.G., Ph.D., psg50@rambler.ru, Topchiy P.N., pavel_topchy@yandex.ru, St. Petersburg, Russia

Abstract

In recent years there has been a significant increase in interest in aerospace multispectral opto-electronic systems (MOES) observations as to the means of remote sensing (DZZ.) Modern space systems opto-electronic surveillance is widely used airborne multispectral and hyperspectral optical-electronic apparatus hav'ng up to hundreds of spectral channels in the v'sible and IK_diapazonah where multispectral recorded images. Using multispectral and hyperspectral data observation allows recognition of observed objects on the spectral features, the possibility of separation and treatment depend on the spectral resolution observations of OEA. These characteristics are determined by absorbance, emissivity and reflectivity of the observed objects in the analyzed range of electromagnetic waves. For observation data obtained by such promising optoelectronic multispectral airborne surveillance EAD are encouraged to use the most efficient in solving the problems of recognition of correlation- extreme methods such as a method of digital correlation processing of spectral images of the observed objects . Due to the fundamental possibility of automating the process of recognition of the correlation on the spectral images ( featured ) technology multispectral observations is of great interest to promptly solve the problems of observation . In space systems multispectral observations based on the use of the correlation of the observed object recognition algorithm for spectral images of the entire cycle of observation and recognition on the shooting to the decision point of belonging to the observed object to a particular class is automated, which makes such systems perspective for a broad class of problems of observation .

Keywords: multi-spectral opto-electronic system, remote sensing spectral image correlation recognition.

References

1. Maltsev G.N., Kozinov I.A., Danilkin A.P. Space systems and technology multispectral remote sensing / Information and Space 2010. No 1. Pp. 148-158.

2. Tarasov VV, Yakushenkov Y.G. Two-and multi band optical-electronic systems with matrix radiation detectors. M.: University Book, 2007. 192 p.

3. Kovalevsky V.A Methods of optimization in image recognition. Moscow, Nauka, 1976. 328 p.

4. Dubnik P.I. Multifunction radar systems: studies. manual for schools. Moscow, 2007. 283 p.

5. Yakushenkov Y.G. Theory and calculation of optoelectronic devices. Moscow, Logos, 1999. 480 p.

6. Ibragimov I.A., Linnik U.V Independent and stationary value. Moscow, Nauka, 1965. 524 p.