Рис. 3. Результирующая система моделей
Описанный подход позволяет разработать полную, точную и адекватную модель предметной области, учитывающую особенности военных ЛПУ, на основе которой может быть построена качественная медицинская информационная система. Кроме того, инжиниринговый подход предоставляет возможность реорганизации МИС вместе с учреждением, что представляется немаловажным в условиях реформирования Вооруженных сил РФ.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Управление высокотехнологичными программами и проектами / Рассел Д. Арчибальд; Изд-во: ДМК пресс, 2006; КВЫ 5-94074-214-9; 472 с.
2. Объектно-ориентированный анализ: моделирование мира в состояниях / Шлеер С., Мел-лор С.; Киев: “Диалектика”, 1993.
3. Методология структурного анализа и проектирования / Марка, Д.; Макгоуэн, К.; - М.: Изд-во: МетаТехнология, 1993. 1БВ№ 5-7395-0007-9.
4. Береснев М.А. Инжиниринговый подход к моделированию медицинских учреждений
727 , 2006.
5. Кальянов Г.Н. САБЕ-технологии: консалтинг в автоматизации бизнес-процессов. - М., 2002.
УДК 629.7.072.1 А.Н. Шкурко
О ПРОГРАММНОЙ СИСТЕМЕ ОПЕРАТИВНОЙ ОБРАБОТКИ ИНФОРМАЦИИ И ОБНАРУЖЕНИЯ ОРИЕНТИРОВ С ИСПОЛЬЗОВАНИЕМ МУЛЬТИСПЕКТРАЛЬНЫХ ДАННЫХ
Введение
В настоящее время все большее распространение получают системы технического зрения, основанные на спектрофотометрической (мульти- и ги пер спектральной) съемке. Выигрыш в использовании мультиспектральной съемки достигается
за счет возможности использования более детальной информации об интенсивности электромагнитного излучения объекта в различных спектральных областях, в том числе и за границами видимого диапазона длин волн. Наиболее часто аппаратура мультиспектральной съемки используется в задачах дистанционного зондирования.
При получении мультиспектральных изображений используют различные типы аппаратов: спутниковые кадровые спектрофотометры; кадровые спектрофотометры, устанавливаемые на самолеты и ДПЛА; стационарные лабораторные спектрофотометрические установки.
В данной статье рассматривается один из вариантов построения системы, предназначенной для поиска объектов, используемых в качестве ориентиров, основанной на анализе мультиспектральных данных, предназначенной для автоматизированного поиска и последующего обнаружения характерных объектов естественного или искусственного происхождения на местности. Рассматриваемая система может быть применена в различных областях человеческой деятельности, таких как геология, спасательные операции, военное дело. Следует также отметить, что в , -сти (такие как установка радиомаяков, лазерных меток и т.п.), подобная система может оказаться единственным вариантом решения поставленных задач [1].
Общая схема работы системы
Рассматриваемая программная система предполагает использование комплекса специализированных аппаратных средств, предназначенных для мультис-, :
♦ летательные аппараты (ЛА) или КА с установленным оборудованием
,
высоким спектральным и оптическим разрешением, предназначенной для первичной разведки местности;
♦ ЛА гражданского или военного наз начения с установленным оборудованием спектрофотометрической съемки, имеющим достаточное оптическое разрешение для осуществления поиска ориентиров (как правило, в таких аппаратах устанавливается оборудование поддерживающее съемку
).
В общем случае схема работы рассматриваемой системы выглядит следующим образом:
1. -
мощи оборудования спектрофотометрической съемки, установленного на ЛА либо на орбитальном аппарате, с целью получения изображений интересующей области для последующего анализа. Получаемые на данном этапе изображения характеризуются большим количеством используемых , . -но усложняет дальнейшую обработку.
2. .
этапе оператору необходимо предоставить максимально удобный и производительный пользовательский интерфейс, позволяющий осуществлять просмотр изображения в различных комбинациях спектральных полос, а также производить оконтуривание интересующих объектов. При этом , -
,
на данном этапе, так как просматриваемые изображения, как правило, не
могут быть полностью размещены в оперативной памяти рабочей стан.
3. -
( ). -
обходимость данного этапа следует из ограничений накладываемых обо,
объектов. Также данный этап позволяет существенно снизить объем об, .
, -
,
задачи поиска объекта.
4.
, , поиск данного объекта на новых изображениях.
5. Оценка показателя «качества» полученных идентификаторов, под которым понимается оценка вероятности обнаружения объекта при его дальнейшем использовании для поиска. Такая оценка позволяет уменьшить вероятность последующих ошибок при поиске объекта, а значит снизить последующие затраты времени и материальных средств.
Также следует отметить, что рассматриваемые области применения, характеризующиеся работой системы в достаточно экстремальных условиях дефицита времени, а также осложненных особенностями рельефа местности, ставят допол-. -ность получения нескольких изображений (как правило, присутствует единствен) (
), -можном диапазоне изменения ракурсов и внешних условий.
В данной статье подробно рассматриваются 3 и 4 варианты, как наиболее существенные в представленной схеме работы системы.
Алгоритмы сокращения размерностей
Достаточно большое различие областей применения системы существенно расширяет набор необходимых алгоритмических решений, наиболее подходящих под различные задачи. В зависимости от возможностей используемой аппаратуры и необходимой точности решения задачи возможно использование двух подходов к сокращению размерности мультиспектральных данных:
♦ первый подход позволяет выбрать заранее известное количество К спек-
,
;
♦ второй подход позволяет выбрать з аранее неизвестное минимальное чис-
( - ), комбинация которых позволит с наибольшей вероятностью решать задачу .
, , представляющие первый подход позволяют заранее указать количество спектраль-, -рой мультиспектральной съемки. Таким образом, ниже будут рассмотрены алго-, , интереса в рамках данной статьи.
Сокращение размерности на основе разностей средних значений
Данный алгоритм предназначен для выбора К (параметр К задается заранее) спектральных каналов мультиспектрального изображения, наиболее предпочтительных с точки зрения "наилучшего" выделения объекта на окружающем его фоне.
Для выделения наилучших полос спектра в алгоритме используется следующий критерий:
тах
г=1,Ы
МИО -мф\
где МИ0 - средний вектор для идентификатора объекта, Мр - средний вектор для фона, ¡=\,...Ы комп онент, N - общее количество полос спектра. Причем
мя° = У , мф = У ,
}вШО 1У ПИО ¿вПФ 1У ПФ
где X- - вектора пространства признаков, ПИО - область пикселей ИО, ПФ - область пикселей фона, ^то - количество пикселей в ИО, - количество пиксе-
.
, ,
модулю разностью средних значений.
Формальный алгоритм автоматического сокращения размерности изображения до К измерений выглядит следующим образом:
0. Подсчитываем Ми°.
1. .
2. Находим составляющие вектора Б по формуле
гИО
м™ - мТ, і = 1, N.
А =
3. , -
ненты вектора Б были расположены по убыванию.
4. К .
5. ,
К выбранных в п. 4 спектральных каналов.
Сокращение размерности на основе разностей средних квадратов значений
Данный алгоритм во многом сходен с предыдущим, за исключением способа
X 2 X 2
получения М1'10 и Л/11: МИО = У ----------— и МФ = У ---------—, соответствен-
-вПИО ^ ПИО -вПФ ^ ПФ
но, т.е. для объекта и фона вычисляются не средние значения яркости по каждому , .
Сокращение размерности на основе отношения контрастов освещенностей
В соответствии с рекомендациями Международной комиссии по освещению, для объекта с яркостью Тоб, находящегося на фоне с яркостью Тф, контраст определяется как
Т - Т
К = об ф
Тоб + Тф
Предлагаемый подход использует значения М'т и Мр для оценок средней яркости объекта и фона. С учетом этого выражение для получения вектора Д можно записать как
Д =
\мио - мф
Мио + Мф
X X
МО \. ' ] Ф ]
где М = У ---------------—, М = У -----------—, X- - вектора пространства при-
-впио Nпио ¡впф N¡10
знаков, ПИО - область пикселей ИО, ПФ - область пикселей фона, ^шо - количество пикселей в ИО, - количество пикселей фона.
Алгоритм формирования идентификатора объекта
Как уже было отмечено ранее, области применения рассматриваемой системы накладывают существенные ограничения на используемые алгоритмы распо-.
задачи поиска не может быть использован целый класс вероятностных методов
,
эталонных образцов (к таким методам можно отнести методы, основанные на построении различных классификаторов, а также методы основанные на нейронных сетях), [2].
В описанной постановке, когда ракурс объекта может существенно изменять,
( ). быть использованы характеристики как спектра поглощения, так и спектра отражения/излучения объекта, тем более учитывая тот факт, что при использовании мультиспектральной съемки на снимках может быть представлена более детальная информация, в том числе из невидимого диапазона световых волн (из области ин-
). ,
, -строения алгоритма распознавания, заключающийся в наличии различий в каком-либо диапазоне световых волн спектральных характеристик рассматриваемого объекта и фона. Данный критерий позволяет использовать подход, при котором поиск объекта происходит на основании характерных для объекта и "нехарактер-" ( ), -рактеристик (гистограмм) спектрального представления пикселей в пространстве признаков (квантованном яркостном пространстве), [2].
На основании описанного выше подхода был разработан алгоритм построения идентификатора объекта для последующего его поиска и распознавания. Ниже приведено подробное описание данного алгоритма.
Для получения помехоустойчивых результатов на первом этапе работы алгоритма производится предварительное огрубление (переквантование) изображения с использованием метода гиперкубов.
Суть алгоритма состоит в разбиении спектрального гиперпространства на кластеры регулярной структуры (гиперкубы) и вычислении специальной хэш, ( обучающего мультиспектрального изображения) в соответствующий кластер (ги). - , точки в пространстве признаков однозначно вычислить номер кластера (гиперку-
), . , -чаем разбиение исходного пространства признаков на кластеры. Поскольку все кластеры описываются гиперкубами с одинаковыми длинами сторон в каждом из,
( ).
Формально алгоритм можно записать следующим образом:
0. ( ) размером q = V ■ Y пикселей, по которому строится идентификатор объекта (ИО). Для каждой точки выделенного участка изображения выполняем п.1-3.
1. -
Hi
d
где [ ]- целая часть числа; N - размерность спектрального пространства; d - размер стороны гиперкуба по каждой компоненте (параметр d может меняться при настройке алгоритма, по умолчанию он равен 32). Совокупность значений Hi, 1=1.. N фактически представляет номер гиперкуба, в который попадает значение исходного вектора яркости пикселя г (г„ /=1..^. Поскольку ri представляется 8-р^рядными значениями, то для представления Hi достаточно 3 битов (дня d=32).
2. Формируем полную хэш-функцию H многомерного вектора г путем конкатенации 3-битовых значений. Поскольку количество разрядов для представления каждого значения Hi одинаково, можем по значению H выделить но мер гиперкуба,
в который попадают значения вектора г по каждой компоненте.
3. - - , -
держащем значения H для уже рассмотренных пикселей. В случае если совпадения не обнаружились, добавляем новое число H в массив (добавляем новый непустой
).
4. - -
зывает число различных кластеров (гиперкубов), полученных при анализе заданного участка изображения. Каждому из кластеров сопоставлено определенное значе-
- .
5. - -
перкуба и длины его сторон, и эти значения вместе с идентификатором объекта сохраняются в файле.
Трудоемкость алгоритма составляет порядка О^2).
Идентификатор объекта формируется с использованием эталонного изображения и служит для выделения характерных черт объекта относительно фона, называемых паттернами или шаблонами.
Каждый шаблон характеризует некоторую область объекта, которая не характерна или мало характерна для всех остальных участков изображения. В качестве шаблонов выступает специальным образом преобразованная информация о квадратных участках изображения, расположенных на объекте. Необходимость специального преобразования связана с тем, что при распознавании объект может быть иначе расположен на изображении, если съемка проводилась с использованием . -ческая информация о шаблонном участке изображения - гистограмма распределения пикселей в пространстве признаков (огрубленном цветовом пространстве; для
). -
.
Пусть имеется выбранная для формирования шаблона квадратная область изображения размером WxH, каждый пиксель которой в пространстве признаков представлен вектором XIJ (I,J - геометрические координаты) размером K эле ментов, где K - количество спектральных плоскостей в изображении. Тогда укрупненный алгоритм построения гистограммы выглядит следующим образом (АЛГ0):
0. Создаем массив М, в котором в качестве индексов используются все возможные значения векторов X в пространстве признаков.
1.
1 элемент массива М с индексом, равным представлению пикселя в пространстве .
2. М .
Трудоемкость данного алгоритма составляет О(^Я).
Полученный массив М подвергается дополнительной обработке, которая нужна для того, чтобы минимизировать влияние шумов на результаты работы ал-( 1):
0. М . . 1, 2.
1.
каждой пары элементов Мi и М- (/>) разность индексов - вектор Y и рассчитываем пороговое значение по формуле
где N1 - количество возможных дискретных значений по ¿-му измерению про.
2. Если Р>=0,8, то элемент М с меньшим значением добавляется к М с боль-
, .
3. М -
чение элемента, т.е. нормируем.
Сложность этого алгоритма в худшем случае можно оценить как О(^е(М))2), где Б17е(М) - размер массива М.
Фактически гистограмма является образом некоторой области изображения, который практически не зависит от ее пространственной ориентации. Конечной целью является распознавание некоторой области на изображении, что достигается сравнением эталонной гистограммы с гистограммами, полученными на тестовом изображении. Результатом сравнения двух гистограмм М1 и М2 является коэффициент подобия, для поиска которого применяется следующий алгоритм (АЛГ2):
0. Запоминаем 1 в переменной Т, которая будет содержать итоговое значение
.
1. Проходим по всем элементам массива М1 и выполняем пл. 2,3.
2. Для очередного 1-го элемента М1 и каждого элемента М2 находим пару с минимальным значением коэффициента:
Г
Р = тах
V
г
С = 1 - тах 1
V
где У - вектор-р^ность индексов элементов М1 и М2, NЬ - количество возможных дискретных значений по Ь-му измерению пространства признаков.
3. Вычитаем из Т очередное выражение С-М1 [I].
, -бия двух гистограмм, лежащий в диапазоне от 0 до 1. Сложность алгоритма составляет
Рассмотрим теперь алгоритм поиска шаблонов объекта на эталонном изображении. Предварительно объект должен быть оконтурен, что позволяет получить область объекта на изображении - О, вообще говоря, произвольной формы размером 0 пикселей. После получения области О происходит поиск шаблонов, которые попадут в идентификатор объекта, с использованием алгоритма (АЛГ3):
0. Проходим по всем пикселям (х,у) области О и выполняем пл. 1-4.
1. Рассматриваем лежащие в пределах области О квадратные подобласти О ( с координатами левого верхнего угла (х,у). Перебираются размеры подобластей 4x4, 5x5, 7x7, 10x10. Для каждой очередной подобласти выполняются пл. 2-4.
2. Находится гистограмма подобласти М.
3. М] сравнивается по алгоритму АЛГ2 со всеми остальными подобластями такого же размера, расположенными на изображении. В случае если полученный
0,8,
для данного шаблона: №[1] - в случае попадания координат тестовой подобласти в область объекта О и N [I] - в случае нахождения координат тестовой подобласти за пределами области объекта.
4. Значение итогового счетчика совпадений для 1-го шаблона N [I] принимается равным N^1] - №[1], т.е. оно минимизируется, если шаблон мало встречается вне области О или много встречается в области О.
5. Массив N сортируется по возрастанию (шаблоны переставляются в том же ), . . .
6. Чтобы исключить малозначимые шаблоны, выбирается такое количество шаблонов ^, начиная с первого, чтобы сумма их N [I] была меньше 80% общего количества пикселей на изображении.
7. 4 -
ния, которые являются левыми верхними углами (т.е. координатами) любых шаблонов из оставшихся после п.6 с использованием скользящего окна.
8. , -симальное число шаблонов. Если да, то требуемое количество шаблонов N и сами шаблоны найдены, они и будут идентификатором объекта. Если нет, то Np уменьшается на 1, и переходим на п.7, если N<>0, или в противном случае делаем за, .
Трудоемкость алгоритма оценивается как О(О)^1 И11), где Wí, Н -высота всего изображения в пикселях.
0($лхе(М1)-$лхе(М2)).
В п. 7 АЛГ3 использовалась группировка точек изображения, являющихся координатами найденных шаблонов. Группировка выполняется по алгоритму (М1Г4):
0. - , выбираются в соответствии с размерами идентификатора объекта с учетом возможного геометрического искажения (поворота, масштабирования) объекта.
1. .
2. Выбирается такое расположение окна (левый верхний угол), при котором среднее значение N[1] попавших в него шаблонов максимально. Полученное среднее значение есть Кмж..
3. .2 , -
кальные расположения скользящего окна. Для оценки значения К при каждом положении окна выполняется нормирование по числу шаблонов в области, соответ-
. , максимальными значениями коэффициентов К.
Трудоемкость АЛГ4 оценивается в худшем случае как О(Ж02), где N0 - коли, .
Алгоритм поиска объекта по идентификатору
Построенный с использованием алгоритма АЛГ3 идентификатор объекта используется в дальнейшем при распознавании (АЛГ5):
0. ( ) -.
1. М , -
ваются по алгоритму АЛГ2 со всеми возможными подобластями такого же разме-, . если для очередной точки, полученный при сравнении коэффициент подобия выше 0,8, ,
.
2. 4 -
ния, которые являются левыми верхними углами (т.е. координатами) найденных .
3.
среднее значение коэффициента подобия.
4. Выбирается область, содержащая максимальное число шаблонов Ытсх, затем средние значения коэффициента подобия каждой из областей делятся на Ытсх, давая в итоге окончательное значение коэффициента корреляции областей изображения с идентификатором объекта.
5. -.
Сложность алгоритма распознавания оценивается как О(ЖШ'^'Н), где Wí,
- ширина и высота всего изображения в пикселях, а Ыш - количество шаблонов.
Методы повышения оперативности решения задачи поиска объектов
, -
ритмов стремиться к О(К Wl Н), где Wí, Ня - -
ния в пикселях, а К - количество спектральных компонент изображения. Таким , , , быть достаточно высоким даже на современных высокопроизводительных вы.
Единственным решением в данной ситуации является внедрение в описанный выше алгоритм параллельной обработки. Следует отметить, что в описанных выше алгоритмах параллельная обработка может быть внедрена практически на всех этапах, начиная с этапа сокращения размерности, в котором возможно распределение между узлами рассматриваемых комбинаций цветовых плоскостей. При этом можно наблюдать ситуацию, при которой достигаются практически идеальные условия для распараллеливания, так как параллельные процессы не зависят друг от друга по данным.
Также могут быть усовершенствованы алгоритмы создания и распознавания
,
для шаблонов различного размера. Эта задача также может быть распределена по вычислительным узлам без появления дополнительных зависимостей по данным.
, -чительно ускорить необходимые вычисления, сделав их время сопоставимым с временем обработки ЯвВ - изображений, при сохранении всех преимуществ обработки мультиспектральных данных.
Рассмотренные в статье алгоритмы и методы функционирования системы обработки мультиспектральной информации и обнаружения объектов, позволяют успешно решать поставленные перед ней задачи. Данный вывод подтверждается
,
программного комплекса [4] с использованием оборудования мультиспектральной съемки и высокопроизводительного вычислительного кластера, полученных кафедрой МОП ЭВМ ТТИ ЮФУ в рамках программы развития ЮФУ. Проведенные экспериментальные исследования подтверждают низкую чувствительность алгоритма к изменениям ракурса съемки (в проведенных экспериментах ракурс изменялся в пределах от +45 од -45 градусов), а также возможность функционирования алгоритма при зашумленном изображении с уровнем пиксельного шума 2,7о<15.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Щербинин В.В. Этапы и алгоритмы обработки мультиспектральных изображений для распознавания объектов в системах технического зрения. Труды международных технических конференций «Интеллектуальные системы» (А[8’08) и «Интеллектуальные САПР» (САБ-2008). Научное издание в 4-х томах. Т.2. - М.: Физматлит, 2008. - 424 с.
2. Хусаинов Н.Ш.,Троценко Р.В.,Шкурко Л.Н. Разработка перспективных алгоритмов и программных средств решения задачи распознавания объектов с использованием мультиспектральной системы технического зрения».Вопросы оборонной техники. Сер. 9. Специальные системы управления, следящие приводы и их элементы. - М.: ФГУП "НТЦ "Информтехника", 2007. - Вып. 1(230) - 2(231). С.18-22
3. Форсайт Д.,Понс Ж. Компьютерное зрение. Современный подход : Пер. с англ. - М.:
« », 2004. - 928 .
4. Краеченко П.П.,Хусаинов Н.Ш.,Троценко Р.В.,Шкурко Л.Н.,Щербинин В.В.,Щерби-нина М.В.,Свободин А.М. Рабочее место оператора пункта управления с мультиспектральной системой дистанционного зондирования. Свидетельство об официальной регистрации программы для ЭВМ № 2005611096 от 11.05.2005.