CC BY
160
¡Выпуск 4
ЭКОЛОГИЯ И ОХРАНА ОКРУЖАЮЩЕЙ СРЕДЫ
УДК 629.5.073.5:621.396.969.33:268 Б. С. Трофимов,
аспирант,
ГМА им. адм. С. О. Макарова
МЕТОДИКА ВТОРИЧНОЙ ОБРАБОТКИ РАДИОЛОКАЦИОННЫХ ИЗОБРАЖЕНИЙ В ЦЕЛЯХ ОБНАРУЖЕНИЯ РАЗЛИВОВ НЕФТИ
THE TECHNIQUE OF RADAR IMAGE PROCESSING FOR THE PURPOSE
OF OIL SLICK DETECTION
В статье описана методика обнаружения нефтяных разливов на радиолокационных изображениях, получаемых от РЛС. Обоснована общая схема обработки, показаны способы увеличения контрастности сликов на фоне чистой волны. Методика позволяет также оценить площадь, периметр и координаты центра пятна.
The article describes a technique of oil slick detection on radar images. Describes the general scheme of image processing, shows how to increase the contrast of slick against the clean waves. The technique allows to estimate the area, perimeter and coordinates of the center spot.
Ключевые слова: обработка изображений, обнаружение разливов нефти.
Key words: image processing, oil slick detection.
130]
ОЗМОЖНОСТЬ использования РЛС мм диапазона для обнаружения различного рода аномалий на морской поверхности была исследована теоретически и подтверждена практическими испытаниями. В частности, известно, что нефтяная пленка на морской поверхности приводит к снижению мощности сигнала, отраженного от покрытой пленкой поверхности, по сравнению с мощностью сигнала, отраженного от чистой поверхности. Вследствие этого снижается яркость загрязненного участка на радиолокационном изображении (РЛИ). Однако для успешного применения РЛС в целях обнаружения нефтяных разливов недостаточно иметь возможность визуального наблюдения затемненных участков на индикаторе. Необходимо иметь систему мониторинга акватории и автоматизированного обнаружения разливов с возможностью сигнализации о появлении новых пятен, записью и архивированием данных без участия оператора.
Для построения методики обработки изображений использовались записи РЛИ, сделанные с помощью станции мм диапазона «НЕВА-Б», серийно выпускаемой ЗАО «Мор-
ские комплексы и системы». Эти записи представляют собой 8-битные файлы размером 4095x4095 дискрет (пикселей) с сырыми данными линейной развертки, которые при помощи программного обеспечения (ПО) индикатора трансформируются в изображение на экране оператора РЛС. На этих радиолокационных изображениях записано отражение от чистой морской поверхности, отчетливо видны гребни волн, движущихся по направлению к берегу. Модуль ПО, отвечающий за считывание файлов и передачу данных в ПО индикатора, оснащен дополнительной функцией имитации нефтяного разлива. При воспроизведении записей задается область, в которой яркость и дисперсия яркости будет снижена на заданную величину (задается в децибелах).
Таким образом, после создания алгоритмической базы можно дополнить существующее ПО индикатора модулем, который во время вторичной обработки сырых данных РЛС будет обнаруживать нефтяные разливы и отображать на экране индикатора информацию о них.
Пример изображения РЛС на экране индикатора морского волнения вместе с пятном
приведен на рис. 1. Средняя яркость пятна ниже яркости волнения на величину, соответствующую разнице в 6 дБ между мощностью отраженного сигнала от чистой и покрытой пленкой поверхности.
Рис. 1. Изображение пятна на фоне морского волнения. Контраст пятна = 6 дБ
Задача обнаружения аномальных областей на фоне отражения от чистой водной поверхности сводится к двум основным этапам:
— приведение исходного изображения к бинарному (двухцветному) виду, в котором черным цветом представлены области загрязнения, а белым — отражение от чистой морской поверхности;
— обнаружение черных областей на
белом фоне, определение геометрических,
/
пространственно-временных характеристик пятен, классификация пятен и принятие решения о природе возникновения пятна (загрязнение, ветровой слик, радиолокационная тень и т. п.).
эффекты, наблюдаемые при наличии пленки на поверхности, а также радиальное затухание яркости с увеличением дистанции.
Вероятностная природа отраженного сигнала приводит к тому, что значение яркости в одном и том же пространственном элементе изображения (пикселе) может существенно изменяться от оборота к обороту. Поэтому очевидной становится необходимость усреднения значений каждого пикселя в течение нескольких последовательных оборотов.
В целях экономии оперативной памяти предлагается использовать метод экспоненциального накопления:
^ = (1 - «) Fn-l + а!, (1)
где 1п — двумерный массив, представляющий собой изображение п-го оборота РЛС, а — коэффициент экспоненциального накопления, принимающий значения от 0 до 1, Fn1 — результат накопления предыдущих оборотов, Fn — результат накопления с учетом I
Коэффициент а влияет на инертность результата накопления Fn. Чем ближе а к единице, тем быстрее изменения во вновь полученных РЛИ отразятся в результате накопления. При этом результат накопления будет содержать меньше информации с предыдущих оборотов.
Для целей обнаружения нефтяных разливов значение а следует выбирать таким образом, чтобы результат накопления содержал информацию о достаточном количестве оборотов. Изображение должно сглаживаться до такой степени, при которой неразличимы отдельные гребни волн. На рис. 2 показан результат экспоненциального накопления при а = 20.
Построение бинарного изображения
Построение бинарного изображения представляет собой пороговую классификацию пикселей, при которой яркость пикселя сравнивается с некой постоянной величиной. Если значение пикселя больше порогового, то данный пиксель считается белым, иначе пиксель считается черным. Но перед тем как провести такую классификацию пикселей, необходимо учесть несколько особенностей радиолокационного изображения, а именно: вероятностную природу отраженного сигнала,
Рис. 2. Изображение результата накопления при а = 20
Выпуск 4
¡Выпуск 4
Известно, что нефтяное пятно на морской поверхности снижает не только абсолютную величину отраженного сигнала, но и его дисперсию. Это можно использовать в качестве дополнительного информативного параметра при анализе изображений РЛС. А именно, поскольку дисперсия сигнала на участке, покрытом пленкой, уменьшается, предлагается использовать этот факт для увеличения контрастности обрабатываемого изображения. Для этого необходимо накапливать дисперсию каждого пикселя на каждом обороте по формуле (1), а затем попиксельно перемножить накопленную яркость Fn на накопленную дисперсию В :
(2)
где Е Бп — результат накопления соответственно отраженного сигнала и дисперсии отраженного сигнала на п-м шаге.
Результат данной операции представлен на рис. 3.
132]
Рис. 3. Изображение, полученное в результате умножения накопленного сигнала на накопленную дисперсию сигнала
По сравнению с рис. 2 можно отметить, что использование дисперсии в качестве дополнительного информационного параметра привело к увеличению контрастности пятна на фоне отражения от волнения.
Поскольку мощность отраженного сигнала обратно пропорциональна четвертой степени расстояния [1], общая яркость изображения заметно угасает с увеличением дистанции. Это значительно усложняет дальнейшую обработку. Если РЛС не снабжена системой временной автоматической регулировки уси-
ления (ВАРУ), или ВАРУ не позволяет добиться равномерного выравнивания яркости, предлагается использовать цифровой метод выравнивания яркости по дальности. Для этого можно использовать метод компенсации тренда. Для этого вычисляется среднее значение яркости РЛИ на каждом кольце дальности (в полярных координатах). Полученная кривая представляет собой тренд снижения яркости, который нужно компенсировать:
4095
Та ~ Х^(р,<), (3)
р= о
где р, й — пеленг и дистанция в полярных координатах РЛИ; Тл — кривая тренда снижения яркости.
Чтобы выровнять яркость, достаточно каждый пиксель РЛИ домножить на величину Т /Т.:
avg а
гу _гу *-0»%
¿'(Р.О) гг ■■
(4)
где Т — среднее значение всех Та.
Результат данной обработки представлен на рис. 4.
Рис. 4. Изображение после выравнивания яркости по дальности
Для того чтобы точечные помехи сгладили границы контуров и соединили близко расположенные пиксели, необходимо произвести пространственную фильтрацию изображения. Наиболее подходящим методом пространственной фильтрации для этих целей является фильтр Гаусса [2], поскольку сохранение четких границ и контуров на изображении не является жестким требованием, а симметричность данного алгоритма позволяет эффективно его реализовать.
Фильтр Гаусса применяется следующим образом. Сперва вычисляется ядро фильтра размером (2к + 1) х (2к + 1) по формуле (5). Это ядро представляет собой веса, с которыми будет считаться значение пиксела, относительно яркости соседних пикселей.
ё{х,у) =
1
27ГСТ
(х-к-\)2+(у-к-У?
2а2
(5)
где х, у — координаты в матрице ядра; о — желаемое среднеквадратичное отклонение га-уссиана.
Затем производится свертка изображения данным ядром, в результате которой значение каждого пикселя является линейной комбинацией яркостей соседних пикселей с заданными весами.
Рис. 5. Пространственное сглаживание фильтром Гаусса
Описанные выше шаги обработки позволяют увеличить контрастность темных пятен (загрязнений) на светлом фоне (отражения от чистой морской поверхности). Следующим шагом получения бинарного изображения является двухпороговое обнаружение темных областей на светлом фоне. Данный метод предполагает использование так называемых сильного (Р) и слабого (Рм) порога яркости (причем Рх < Ри). При первом проходе по изображению яркость каждого пикселя сравнивается с сильным порогом Ри получается новое изображение Л в котором яркость каждого пикселя принимает всего два значения:
Я =■
*Р.
(6)
где вр а — результат сглаживания по Гауссу, Р— сильный порог.
То есть каждый пиксель изображения сравнивается с сильным порогом. Если яркость пикселя меньше сильного порогового значения, то принимается решение о том, что данный пиксель принадлежит области с загрязнением. Если значение пикселя больше, чем сильный порог, то пиксель не является загрязнением. Таким образом, после обработки изображения по формуле (6) мы выделили затравочные области, которые потенциально являются областями загрязнения.
Использование слабого порога Р поз-
г м
воляет расширить (вырастить) темные области на изображении Для этого проверяется 8-связная окрестность каждого пикселя изображения р, имеющего значение 0. Если какой-либо пиксель в 8-связной окрестности нулевого пикселя имеет яркость меньше, чем Рм, то пиксель считается присоединенным к ранее найденной темной области изображения р. Эту процедуру необходимо проводить для каждого темного пикселя до тех пор, пока не останется пикселей, чья яркость меньше слабого порога, и которые в то же время находятся рядом с темными пикселями. Данный метод позволяет обнаружить темные области, яркость всех пикселей которой меньше слабого порога и в которых есть хотя бы один пиксель, яркость которого меньше сильного порога.
Чтобы не привязываться к абсолютным значениям яркости, пороги обнаружения можно привязать к статистическим характеристикам изображения. Сильный порог предлагается вычислять в зависимости от средней яркости изображения:
Р = кв ,
5 5 avg'
где ва^ — среднее значение яркости изображения; кз — коэффициент, выбираемый в зависимости от условий наблюдения
Слабый порог предлагается вычислять в зависимости от значения сильного порога и средней дисперсии изображения
Р = Р + к В ,
М 3 М ср-"
где — среднее значение дисперсии изображения, км — коэффициент, Р3 — сильный порог.
Выпуск 4
¡Выпуск 4
Выбрать универсальные значения коэффициентов сильного и слабого порога, пригодные для всех случаев, не представляется возможным, поскольку радиолокационная обстановка каждой акватории наблюдения разная.
Ьь____________________________________________
Рис. 6. Изображение после двухпорогового обнаружения темных областей, к = 3, к = 1
После того, как исходное изображение РЛС преобразовано к бинарному виду, в котором темные области означают потенциальные загрязнения, а белые — отражение от чистой воды, необходимо исключить из рассмотрения ложные слики. Для этого необходимо нумеровать все слики на каждом обороте, определять их площадь и периметр, а затем сравнивать полученные данные на нескольких последовательных оборотах.
Для решения этой задачи воспользуемся алгоритмом, предложенным в [3]. Данный алгоритм позволяет за один проход по изображению пронумеровать связные области, учитывая как внешние, так и внутренние контуры. Основной идеей данного алгоритма является техника трассировки контура для определе-
ния внешнего и возможных внутренних контуров областей, а также для идентификации пикселей, принадлежащих внутренней области пятен. Это позволяет пронумеровать все связные области и одновременно подсчитать длину контура (периметр) пятна и его площадь. Имея данные о периметре и площади каждого пятна на серии последовательных изображений, можно исключить ложные пятна, например ветровые слики или случайно флуктуирующие области. Для этого необходимо задать минимальное число последовательных оборотов, на которых пятно должно присутствовать, и при этом координаты, площадь и периметр пятна не должны отличаться от оборота к обороту более чем на заданную величину погрешности.
Таким образом, на конечном изображении останутся только те пятна, которые изменяют свои координаты, площадь и периметр не более чем на величину, связанную с естественным перемещением и растеканием реального пятна. При этом исчезают пятна, случайным образом появляющиеся и исчезающие от оборота к обороту.
Рис. 7. Изображение, полученное после анализа характеристик пятен на нескольких оборотах
Список литературы
1. Байрашевский А. М. Судовые радиолокационные системы / А. М. Байрашевский, Н. Т. Ни-чипоренко. — М.: Транспорт, 1982.
2. Гонсалес Р. Цифровая обработка изображений в среде Matlab / Р. Гонсалес [и др.]. — М.: Техносфера, 2006.
3. Chang F. A linear-time component-labeling algorithm using contour tracing technique / F. Chang, C.-J. Chen, C.-J. Lu // Comput. Vis. Image Underst. — 2004. — Febr. — Vol. 93. — P. 206-220 [Электронный ресурс]. Электрон. дан. Режим доступа: http://portal.acm.org/citation.cfm?id=973388.973393
