CC BY
20
УДК 621.391
Ю.Н. Кликушин, Yu.N. Klikushin, e-mail: iit@omgtu.ru
В.Ю. Кобенко^^т Kobenko, e-mail: kobra__vad@rambler.ru
Д.П. Чупин , D.P. Chupin, e-mail: chupindp@gmail.com
Омский государственный технический университет, г. Омск, Россия
Omsk State Technical University, Omsk, Russia
МЕТОД СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ ПОДВОДНЫХ ОБЪЕКТОВ
METHOD OF IMAGES SEGMENTATION OF UNDERWATER OBJECTS
Предлагается метод автоматического разбиения изображений на сегменты, размер и количество которых определяются видом распределения неоднородностей в системе декартовых координат. Данный метод обладает свойством адаптивности, что проиллюстрировано примером решения задачи сегментации изображений водных объектов, полученных с помощью гидролокатора бокового обзора.
The method of automatic splitting images on segments is offered, the size and which quantity are defined by a type of distribution of not uniformity in system of the Cartesian coordinates. This method possesses property of adaptability that is illustrated with an example of the solution of a problem of segmentation of images of the water objects received by means of the sonar of the lateral review.
Ключевые слова: адаптивный алгоритм, водная среда, гидролокация, изображение, обнаружение, сегментация, сигнал
Keywords: adaptive algorithm, water environment, hydrolocation, image, detection, segmentation, signal
34
Динамика систем, механизмов и машин, № 2, 2014
Решение задачи обеспечения безопасности речного и морского судоходства неразрывно связано с проведением гидрологических исследований соответствующих акваторий. Основной целью подобных исследований является обнаружение, локализация и идентификация таких объектов водной среды, которые могут стать источниками опасности для различных классов судов. Примерами подобных источников являются подводные скалы, затонувшие суда, магистральные газо- и нефтепроводы, кабельные линии, различные контейнеры, случайно или намеренно потерянные и содержащие вредные вещества, мины и другие объекты.
Основным инструментом гидрологических исследований являются гидролокатор бокового обзора (ГБО) [1] с фазированными антенными решетками (ФАР) излучателей и приемников ультразвуковых волн. Наряду с использованием линейной частотной модуляции (ЛЧМ), такие ГБО, обладают повышенной разрешающей способностью и помехоустойчивостью при обнаружении объектов водной среды [2, 3].
Особенностью ГБО с ФАР является то, что программное обеспечение (ПО), предназначенное для обработки отраженного от объекта сигнала использует методы спектрального анализа (быстрое преобразование Фурье). Его недостатками, при низкочастотном зондировании, являются влияние на точность измерения спектральных составляющих шумов вида 1/F, где F - частота сигнала и необходимость увеличения времени измерения для получения необходимого разрешения: N = F*Tq, где N - число различимых градаций, Tq - время измерения. При повышении частоты зондирующего сигнала увеличиваются энергетические потери, и уменьшается эффективная дальность обнаружения малоразмерных объектов. Не решен до конца и вопрос автоматического выделения и классификации объектов водной среды.
Целью данной работы является разработка способа автоматической адаптивной сегментации изображений объектов, находящихся в водной среде, и исследование возможности обнаружения и локации неоднородностей на изображениях водных объектов, полученные с помощью ГБО.
Идея предлагаемого способа базируется на теории идентификационных измерений сигналов (ТИИС), изложенных в монографиях [4, 5] и ряде публикаций [6 - 9]. Согласно ТИИС, форму распределения можно рассматривать как формальный объект, над которым можно проводить ряд алгебраических и логических операций [5, 10 - 13].
В задачах цифровой обработки эхо-сигналов был использован идентификационный
метод децимации (прореживании, вторичной дискретизации), при котором форма распределения в определенных пределах (с заданной погрешностью) сохраняется [14]. Таким образом, решается проблема, связанная с выделением областей характерных точек распределения (точек с максимальной и минимальной интенсивностью и/или скоростью изменения сигнала) и проблема, связанная с локализацией этих областей в виде сегментов определенных размеров. Происходящее при этом сжатие информации (при сохранении ее физического смысла) оценивается соотношением C = N/M, где N - объем исходной выборки сигнала, M - количество сегментов, которые образуют «координатную» сетку, накладываемую на изображение. Все объекты водной среды будут локализованы в этих сегментах (ячейках сетки).
При анализе реальных изображений имеет место промежуточная ситуация 1< C < N.
Процедура сегментации может служить основой для создания инструментов количественной оценки однородности (неоднородности) изображений. По этому интегральному показателю можно будет сравнивать различные изображения.
На рис. 1 представлена логическая схема, поясняющая алгоритм работы предлагаемого способа автоматической сегментации изображений.
Различные этапы анализа сигнала (первый дисплей Input Graph) изображения, помещенного в нижней части рисунка, проиллюстрированы на 5 дисплеях. Второй дисплей (SortSignal Graph) отображает распределение входного дискретизированного сигнала (объема N) в виде сортированной по возрастанию функции значений отсчетов. При этом, измеренное с помо-
35
Динамика систем, механизмов и машин, № 2, 2014
щью идентификационного тестера, значение параметра формы составило A = 11,6. Дисплей SortDiscretSignal Graph показывает, как выглядит форма распределения сигнала после вторичной дискретизации (децимации) примерно в 200000 раз. Значение параметра формы в этом случае составило: A = 11,255. Таким образом, погрешность преобразования формы распределения на данном этапе составила всего ~ 3%. Переход от распределения значений отсчетов к распределению их индексов проиллюстрирован на дисплее Indx Graph. После удаления повторяющихся индексов (дисплей IndxDecim Graph), остается такое их количество (в данном примере 11), которое служит для задания координат (X - ColonlndxList, Y - RowIndxList) сегментов, накладываемых на изображение.
Рис. 1. Логическая структура предлагаемого метода сегментации изображений
Предлагаемый алгоритм реализует адаптивную сегментацию, учитывающую внутренние особенности исследуемой части акватории.
Полученные результаты подтверждают правильность исходных теоретических положений и указывают на возможность практической реализации нового типа ПО для ГБО, ко-
торое позволит реализовать более высокие качественные показатели в части обнаружения и локации объектов водной среды. Перспектива дальнейших исследований связана с решением задач идентификации выделяемых объектов.
Библиографический список
1. Сайт [Электронный ресурс] URL: http://www.korabel.ru/equipment/catalog/744.html
2. Залогин Н.Н. Активная локация с использованием широкополосных хаотических сигналов / Н.Н. Залогин, В.И. Калинин, А.В. Скнаря // Радиоэлектроника. Наносистемы. Информационные технологии. - 2011. - Т. 3. - № 1. - С 3 - 17.
3. Кузнецова И.Е. Волноводные гидроакустические пьезоэлектрические излучатели на основе антисимметричной волны лэмба нулевого порядка / И. Е Кузнецова [и др] // Радиоэлектроника. Наносистемы. Информационные технологии. - 2011. - Т.3. - № 2. - С. 3 - 11.
36
Динамика систем, механизмов и машин, № 2, 2014
4. Кликушин Ю.Н. Идентификационные инструменты анализа и синтеза формы сигналов: монография. - Омск : ОмГТУ, 2010. - 216 с.
5. Кобенко В.Ю. Идентификационные измерения: методы, модели, технологии: монография. - Омск : ОмГТУ, 2014. - 208 с.
6. Кликушин Ю.Н. Основы идентификационных измерений / Ю.Н. Кликушин, В.Ю. Кобенко // Журнал Радиоэлектроники. - 2006. - № 11. - URL: http://jre.cplire.ru
7. Кликушин Ю.Н. Способ оценки состояния объектов диагностики / Ю. Н. Кликушин, В. Ю. Кобенко // Контроль. Диагностика. - 2013. - № 11 - С. 31 - 36.
8. Кликушин Ю.Н. Идентификационный способ классификации сигналов / Ю.Н. Кликушин, В.Ю. Кобенко // Омский научный вестник. - 2013. - № 2 (120). - С. 267 - 272.
9. Захаренко В.А. Технология классификации объектов диагностики с помощью МТШ-90 / В.А. Захаренко, Ю.Н. Кликушин, В.Ю. Кобенко, С. А. Орлов // Контроль. Диагностика. - 2012. - № 7 - С. 43 - 49.
10. Кобенко В.Ю. Операция умножения распределения случайного сигнала на число в пространстве идентификационных чисел // Омский научный вестник. - 2013. - № 1 (117). -С. 243 - 247..
11. Кобенко В.Ю. Определение диапазона идентификационной шкалы форм распределений // Омский научный вестник. - 2013. - № 3(123). - С. 235 - 240.
12. Кобенко В.Ю. Операция умножения распределений случайных сигналов в пространстве идентификационных чисел / В.Ю. Кобенко // Журнал Радиоэлектроники. - 2012. -№ 3. - URL: http://jre.cplire.ru (дата обращения: 01.06.2014).
13. Кобенко В.Ю. Операция сложения распределений сигналов в пространстве идентификационных чисел [Электронный ресурс] // Журнал Радиоэлектроники. - 2012. - № 4. -Режим доступа: http://jre.cplire.ru (дата обращения: 01.06.2014).
14. Кликушин Ю.Н. Идентификационный алгоритм децимации сигналов [Электронный ресурс] // Журнал Радиоэлектроники - 2010. - № 6. - Режим доступа: http://jre.cplire.ru (дата обращения: 01.06.2014).
