Метод нейросетевого распознавания объектов на аэрокосмических изображениях земной поверхности Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.932

МЕТОД НЕЙРОСЕТЕВОГО РАСПОЗНАВАНИЯ ОБЪЕКТОВ НА АЭРОКОСМИЧЕСКИХ ИЗОБРАЖЕНИЯХ ЗЕМНОЙ ПОВЕРХНОСТИ

Е.Г. ЖИЛЯКОВ А.Ю. ЛИХОШЕРСТНЫЙ

Белгородский государственный национальный исследовательский университет

e-mail:

[email protected]

В статье рассматривается новый метод распознавания объектов ни снимках земной поверхности на основе построения нейронной сети, в которой вычисляются доли энергии выделяемых объектов.

Ключевые слова: аэрокосмические снимки, нейронная сеть, частотное представление, доли энергии, распознавание образов.

Одним из важнейших направлений мониторинга земной поверхности служит космофотосъемка. При этом, информация извлекается на основе анализа полученных со спутников космофотоизображений (изображений, полученных в результате съемки, выполненной специальной аппаратурой из космоса).

Мониторинг состояния земной поверхности осуществляется на основе процесса дешифрирования снимков и, в частности, выделения объектов с той или иной точки зрения, составляющий единый класс. Такие процедуры естественно называть распознаванием объектов. Причем для реализации этой процедуры применяется предварительное обучение, заключающееся в описании класса искомых объектов на основе задания значений признаков из некоторого их пространства. Выбор пространства признаков является важнейшим этапом подготовки к решению задачи распознавания объектов. Другой важный аспект процедуры распознавания заключается в выборе инструмента, с помощью которого производится сопоставление значений признаков анализируемого объекта с их значениями, полученными на этапе обучения. Предполагается, что этап обучения осуществляется по объекту-образу (фрагменту изображения), который указывается оператором, в том числе непосредственно на обработанном изображении.

Одним из современных подходов распознавания объектов на аэрокосмических изображениях является построение нейронных сетей. Одной из ведущих программных систем, использующих для дешифрирования нейронные сети, является ENVI. Для автоматизированного распознавания объектов на аэрокосмических снимках эта программная система использует следующие три группы признаков распознавания: геометрические (форма, размер); яркостные (уровень яркости, цвет); структурные (текстура, структура). Недостатками таких подходов являются:

• сложность распознавания в условиях сильных помех на изображении;

• необоснованное отнесение объектов снимка в один и тот же класс (рис.1);

• слабая адаптация существующих методов автоматизированного распознавания к изменяющимся условиям съемки и обработки изображений.

Рис. 1. Результат распознавания частных домов байесовским методом в ENVI

Одной из перспективных возможностей изменения ситуации в области автоматизированного распознавания являются разработка и внедрение программнотехнологических средств, которые используют новые методы обработки космофотоснимков на основе частотных представлений.

Новизна идеи состоит в использовании нового метода обнаружения и выделения объектов, где в качестве группы признаков распознавания берутся энергетические характеристики изображения (доли энергии распознаваемых объектов) и на их основе строится нейронная сеть.

Основная цель работы состоит в разработке, исследовании и программной реализации нейросетевой технологии распознавания объектов на аэрокосмических изображениях на основеанализа распределения их энергий по частотным интервалам.

Поставленная цель достигается решением следующих конкретных задач:

1. Построение нейронной сети для выделения и идентификации объектов на космических снимках, группами признаков распознавания для которого являются доли энергии каждого объекта изображения;

2. Программная реализация разработанных алгоритмов;

3. Оценивание работоспособности разработанных алгоритмов на основе вычислительных экспериментов с реальными изображениями.

Изображение можно определить как двумерную функцию йк, где i=l,2,...M и к=1,2,...^ - координаты в пространстве (конкретно, на плоскости), и значение f которой в любой точке, задаваемой парой координат (1,к), называется интенсивностью изображения в этой точке [1,2,6].

Частотным представлением функции йк называется следующее выражение [3-5]:

л П П

У =—2 ] ] Р(и, v)eJuг в]ук dudv (1)

4п -П -П

Здесь ejui и ejvk - базисные функции (функции представляются в базисе Фурье), аргументы и и V - круговые частоты, отражающие периодичность (цикличность) изменений исходной функции йк с изменением аргументов I и к.

В качестве весовой функции F(u,v) можно использовать трансформанту Фурье:

-]и 0' -1) е - Р (к-1)

M N

F (ы, у) = УУ 1кг

I=1 к=1

На основе равенства Парсеваля энергию изображения можно представить в виде суммы:

М N

1

'=1 к=1

(3)

г=1 т=1

где значение доли энергии РОг,т двумерного сигнала !:1к в двумерной частотной о б-ласти Шк:

Ра =

Иг ,т

[[\F (ы, V)2

.тг * *

4п 2 11 г ч~’г 7 • (4)

(ы ,v )ППгк

В качестве области ^ рассматривается следующая центрально-симметричная область частотной плоскости [4]:

И ' (ыкV) | (ы □ [а1,а2],V □[р1,р2])и (ы □[а1,а2],V □[-р2,-р1])У

(ы □[-а2,-а1], г- □ [- р2,-р1 1> и (ы □[-а2,-а1], V □[р1,р2])}

(5)

где 0 <ах,а2,Р15Р2 <п

V

—ч % ч ж -.\\\\\\'

в2

Р1

а2

-а1

-Р1

в

а

\\\\\\\\

а2 ы

- п <ы,V< п

Если в правую часть представления (4) подставить определение (2), то после преобразований можно получить соотношение [5]

Р = Кее (Аг РфР ВтТ )

□ Ф

М N

II л

'=1 к=1

п

где элементы матриц А=(аш2) и В=(Ьк1к2) вычисляются следующим образом:

□ Бт(а 2 ('! - '2)) - 5т{ах (^ - '2)) ' ^ '

□ 7 гг , '2,

= □ п(,1- ,2)

42

□ а 2 а1

l1 l2 :

[ Я

□ S (ll 2 (k1 k2))~S (l?l(k1~ k2)) k , k

, П (kl - k2) ’ 1 2’

bkk - L

[ n • k 2

Здесь Ф - исходное изображение, tree - след матрицы.

(7)

Возможность проведения анализа изображений на основе частотных представлений определяется тем, что в графических данных, зачастую, наблюдается квазипериодичность отображаемых процессов. На изображении могут присутствовать повторяющиеся объекты, которые задают некоторую периодичность изменения яркости изображения.

На первом шаге на изображении выделяется определенный объект изображения, который будет служить эталоном для распознавания других подобных объектов.

На втором шаге строится нейронная сеть. Топология сети имеет следующий

вид:

Здесь на входной слой подаются исходные данные (значения интенсивностей пикселей изображения). В скрытом слое вычисляется энергетический спектр, а на его выходе сумма произведений значений долей энергии и весовых коэффициентов. На слое распознавания вычисляется ошибка распознавания (относительная среднеквадратическая погрешность) относительно желаемого отклика.

Алгоритм обучения имеет следующий вид.

9. Поступление на входной слой исходных данных.

їо.Инициализация весовых коэффициентов:

wjk -1/(1+ M * N), і -і,..., M; j -і,..., N; k -l,..., M * N.

11. While (имеются входные данные) do:

a) подача на вход сети новых значений интенсивности изображения;

b) вычисление энергетического спектра и значений выходов сети:

P _ tree (A □ Ф □ BmT ) (8)

P ОФ . (8)

rm M N

II fk

1=1 k^

R*R,

Первый скрытый слой: y.j - I W 1 ijk (Pjk - Pcp

W1ijky1 ijk 1 cp )

k

НАУЧНЫЕ ВЕДОМОСТИ

119

1 + е

Второй скрытыйслой: у = ^

к=1

У2 а =

1 + е

c) Изменение весовых коэффициентов для каждого скрытого слоя:

^Щк = ™щк + й(Рцк - Рср )у1 а>

^2ак = ™2цк + П У1аГ2а >

где и П - коэффициенты скорости обучения.

d) Вычисление относительной среднеквадратической погрешности:

к =

(р;т - У2а)

Ц( рт>т )2

»■=! а=1

г-» эт «-»

где Р а - желаемый отклик.

е) Если h больше заданного порога, то перейти к шагу Ь. 1) Иначе - наступает конец.

Результаты распознавания:

(9)

(10)

Ошибки распознавания первого и второго рода:

N ^

Еп =-^*100% = 14,28% Ег2 = ^^ *100% = 0%

1 N.

N.

1

1

НАУЧНЫЕ ВЕДОМОСТИ

где №2 - количество объектов, ошибочно отнесенных к интересуемому классу распознавания; ^ол - количество объектов на снимке, которые относятся к классу распознавания; №1 - количество объектов, принадлежащих к классу распознавания, но не отнесенных к нему.

Работа выполнена при поддержке ФЦП «Научные и научно-педагогические кадры для инновационной России» на 2009-2013 годы, гос. контракт №14.740.11.0390.

1072 с.

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2006. -

2. Грузман И.С. Цифровая обработка изображений в информационных системах: учеб. пособие. - Новосибирск, 2000. - 166 с.

3. Жиляков, Е.Г. Вариационные методы анализа и построения функций по эмпирическим данным на основе частотных представлений. - Белгород: Изд-во БелГУ, 2007. - 160 с.

4. Жиляков, Е.Г. Метод определения точных значений долей энергии изображений в заданных частотных интервалах / Е.Г. Жиляков, А.А. Черноморец, И.В. Лысенко // Вопросы радиоэлектроники. - Сер. РЛТ, 2007. - Вып. 4. - С. 115-123.

5. Жиляков Е.Г. Оптимальная фильтрация изображений на основе частотных представлений / Е. Г. Жиляков, А.А. Черноморец // Вопросы радиоэлектроники. Сер. ЭВТ. -2008. - Вып.1. - С. 118-132.

6. Ярославский Л.П. Введение в цифровую обработку изображений. - М.: Сов. радио, 1979. - 312 с.

BelgorodNational Research University

e-mail:

[email protected]

In the article discusses a new method for recognition of objects or images the earth's surface by constructing a neural network, which calcu- lated the proportion of energy allocated objects.

Key words:aerospace images, neural network, frequency representation, the proportion of energy pattern recognition.

Список литературы

NEURAL NETWORK METHOD FOR RECOGNITION OF OBJECTS IN THE PICTURE IS OF THE EARTH'S SURFACE

E.G.ZHYLYAKOV A.U. LIKHOSHERSTNYY