CC BY
23
УДК 004.932
А. П. Кирпичников, Д. И. Мифтахутдинов, И. С. Ризаев ОСНОВНЫЕ ПРИНЦИПЫ АЛГОРИТМА АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ ВНОВЬ ПОЯВИВШИХСЯ НЕПОДВИЖНЫХ НАЗЕМНЫХ ОБЪЕКТОВ НА ОСНОВЕ СРАВНЕНИЯ ИЗОБРАЖЕНИЙ МЕСТНОСТИ
Ключевые слова: обнаружение, карта местности, технология выделения изменений.
В работе рассмотрены основные принципы алгоритма автоматического обнаружения вновь появившихся неподвижных наземных объектов на основе сравнения изображений местности методом change detection.
Keywords: detection, local map, change detection.
In work, the basic principles of an algorithm of automatic detection of again appeared motionless land objects on the basis of comparison of images of the area are considered by the change detection method.
Введение
Важнейшим условием эффективности применения систем воздушного или космического наблюдения является возможность обнаружения, в частности, объектов техники. Основной проблемой при этом является наличие в сюжете большого числа ярко отражающих объектов фона, сравнимых по характеристикам с обнаруживаемыми целями, и дающих при обнаружении большое число ложных тревог [1]. Технология выделения изменений (различий) в изображениях местности (в англоязычной терминологии CHANGE DETECTION) [6] позволяет исключить из рассмотрения постоянные объекты естественного и искусственного фона при повторном наблюдении заданного участка местности под тем же ракурсом.
Использование информации об изменениях в изображениях позволяет существенно повысить эффективность систем воздушного или космического наблюдения. Возможность получения дополнительной информации об объектах определяет перспективность технологии выделения изменений для использования в системах наблюдения высокого разрешения.
Рассматривая применимость данной технологии необходимо оценивать не только особенности реализации процедуры выделения изменений, но и способы последующего использования полученной информации, в частности, на этапе обнаружения объектов.
Выделение изменений в РЛИ
Основная идея алгоритма выделения изменений в изображении базируется на предположении, что при повторной съемке одного и того же участка местности с одного и того же ракурса изображения стационарных объектов на изображениях не изменяются. Различия возникают только в местах, где на изображении появляются «новые» объекты, или исчезают объекты ранее на нем присутствовавшие. Наилучшим образом это соответствует случаю значительного подавления шумовой составляющей получаемого изображения. Естественным условием использования данного метода является то, что целевые объекты должны создавать хорошо наблюдаемые отметки. Как правило, подобным образом
производится обнаружение объектов техники - автомобильной, железнодорожной, или авиационной.
Обнаружение перемещающихся объектов возможно с использованием стандартных методов обнаружения объектов по величине локального контраста. Однако, возникающий при этом уровень ложных тревог, создаваемый стационарными объектами небольших размеров, оказывается весьма высоким, что существенно снижает эффективность применения общепринятых методов [5].
Алгоритм выделения изменений на изображении включает в себя следующие основные этапы:
• Выбор кадров одного частотного диапазона и ракурса наблюдения, имеющих совпадающие (пересекающиеся) области.
• Сравнение геометрического положения и определение локальных смещений соответственных фрагментов кадров изображения.
• Фильтрация сформированного поля локальных смещений.
• Наложение совпадающих областей двух кадров друг на друга с компенсацией локальных смещений фрагментов.
• Построение функционала амплитудного рассогласования кадров изображения.
Основным условием хорошего взаимного подавления сигналов от неподвижных объектов является их малые отличия на двух сравниваемых изображениях. Для выполнения этого условия необходимо обеспечивать максимально возможное совпадение траекторий летательного аппарата при разновременной съемке данного участка местности.
Первый этап
Первым этапом алгоритма является этап выбора пары совпадающих кадров изображения местности одного диапазона, одной области съемки и одного ракурса наблюдения. Затем необходимо провести анализ фактического ракурса визирования каждого из участков и провести отбраковку кадров, ракурсы визирования которых отличаются более чем на несколько градусов.
На данном этапе также производится выделение на отобранных парах кадров зон непосредственного перекрытия. Данная операция необходима, поскольку даже при полном совпадении ракурсов визирова-
ния кадры могут быть смещены друг относительно друга, например, вследствие временной задержки включения аппаратуры.
Второй этап
Вторым этапом алгоритма является определение локальных смещений фрагментов двух кадров друг относительно друга. На данном этапе кадры разбиваются на отдельные прямоугольные фрагменты небольшого размера. Для каждого фрагмента производится вычисление взаимной корреляционной функции с соответствующим фрагментом другого кадра изображения местности. В процессе вычисления корреляционной функции производится пространственный сдвиг коррелируемых фрагментов друг относительно друга и вычисление стандартного выражения для нормированной корреляции [2,3,4].
В результате взаимной корреляции фрагментов по максимуму значения R(m,n) определяется положение наилучшего совпадения для каждого фрагмента. Данная операция позволяет устранить влияние остаточных неучтенных геометрических искажений, присутствующих на обоих кадрах. Пример результата взаимной корреляции локальных фрагментов двух кадров представлен на рисунке 1А. Результирующее смещение для каждого локального фрагмента на данном рисунке отображается соответствующим отрезком (вектором). Рисунок 1А показывает, что корреляция в областях кадров, в которых отсутствуют хорошо отражающие объекты, становится неустойчивой и дает ошибочные результаты - векторы смещения имеют случайную длину и направлены в разные стороны. Количество сбоев взаимной корреляционной привязки определяется размерами фрагментов, величиной остаточных геометрических искажений, а также, особенностями конкретного сюжета съемки (например, тундра, морская, или равномерная лесная поверхность). При реализации алгоритма определения различий необходимо иметь возможность подстройки перечисленных параметров.
Рис. 1: А - Пример результата взаимной корреляции локальных фрагментов двух РЛ кадров. На изображение участка нанесены вектора смещения для каждого локального фрагмента. Б - Результат фильтрации поля локальных смещений
Третий этап
Третьим этапом алгоритма является фильтрация поля локальных смещений фрагментов. Задачей
данного этапа является устранение сбоев корреляции, полученных на предыдущем этапе в областях, где отсутствуют яркие объекты. Для реализации данного этапа можно использовать различные виды фильтров - обычный фильтр низких частот, медианный фильтр и др.
Пример результата фильтрации поля локальных смещений, представлен на рисунке 1Б. Фильтрация проводилась для поля смещений, представленного на рисунке 1А. Рисунок показывает, что на этапе фильтрации изменяются, в основном величины смещений для областей, где отсутствуют отражающие объекты. Там же, где на изображении присутствуют контура, или устойчивые изменения текстуры, вектора, отображающие поле смещений, остаются неизменными.
Четвертый этап
Четвертым этапом алгоритма является наложение двух изображений с компенсацией локальных смещений фрагментов. На данном этапе проводится интерполяция отфильтрованного поля локальных смещений фрагментов и их компенсация, - т.е. небольшие сдвиги пикселей в матрице одного из кадров. Это позволяет совместить два с точностью порядка одного пикселя.
Пятый этап
Завершающим этапом алгоритма является построение функционала амплитудных рассогласований кадров изображения. Амплитудные рассогласования кадров можно представлять в различных формах - разности амплитуд или мощностей, их отношения, а также, различных функций от данных параметров. На практике, а также из анализа ряда зарубежных источников [6, 7], оказалось, что наиболее информативным является отношение амплитуд двух обрабатываемых кадров. Отношение амплитуд А1 и А2 соответствующих пикселей двух обрабатываемых кадров несет в себе следующую информацию:
•А2/А1=1 - изменения на изображении отсутствуют.
•А2/А1>1 - на изображении 2 появился новый отражающий объект.
•А2/А1<1 - на изображении 2 исчез отражающий объект, ранее присутствовавший на изображении 1.
Дальнейшая обработка информации, получаемой из отношения соответствующих пикселей двух кадров, зависит от конкретных задач, которые решает система наблюдения. В случае, когда идет накопление банка данных объектов и их характеристик, интерес для последующего анализа представляют, как вновь появившиеся, так и «исчезнувшие» объекты. В этом случае более информативным является следующее правило формирования результирующего функционала:
•К=А2/А1. Если К >1, то Квых=К, в противном случае Квых=1/К.
Представленный выше алгоритм обнаружения различий в изображениях местности позволяет значительно снизить уровень ложных тревог, создаваемый стационарными объектами, в том случае, когда
портреты объектов, полученные в разных сеансах съемки, мало отличаются друг от друга. Это требует существенного подавления шумовой составляющей изображения. Подавление шумов на изображении, т.е. получение высокого уровня некогерентного накопления реализуется за счет существенной потери пространственного разрешения. Однако снижение разрешения приводит к значительному ухудшению условий наблюдения объектов, в первую очередь, автомобильной техники.
Рис. 2 - Основные свойства функционала рассогласования РЛ изображений: А, Б - исходные изображения, В - непосредственно вычисленное значение рассогласования, Г - функционал рассогласования, очищенный от высокочастотного шума
Высокий уровень результирующих шумов требует введения дополнительной операции по их фильтрации уже на этапе построения функционала амплитудного рассогласования кадров.
Основные свойства функционала рассогласования изображений местности демонстрируются на рисунке 2. На рисунках 2A, 2Б приведены соответствующие фрагменты двух изображений. На рисунке 2В приведен результат вычисления функционала рассогласования двух кадров. Видно, что уровень
© А. П. Кирпичников - д-р физ.-мат. наук, зав. каф. интеллектуальных систем и управления информационными ресурсами КНИТУ, [email protected]; Д. И. Мифтахутдинов - аспирант 1 курса кафедры автоматизированных систем обработки информации и управления КНИTУ-КAИ; e-mail: [email protected]; И. С. Ризаев - канд. тех. наук, профессор той же кафедры.
© А. P. Kirpichnikov - Dr. Sci., Head of the Department of Intelligent Systems & Information Systems Control, KNRTU, [email protected]; D. I. Miftakhutdinov - graduate student of the Department of Automated information processing and management, KNRTU-KAI, [email protected]; I. S. Rizaev - PhD, Professor of the same Department.
шума на данном изображении недопустимо высок, а также, что шум имеет преимущественно высокочастотный характер. Рисунок 2Г демонстрирует результат фильтрации шума на предыдущем кадре. Отчетливо проявляется структура изображения, при этом, стационарные объекты оказалась практически полностью подавлены.
Выводы
В работе были рассмотрены основные этапы алгоритма автоматического обнаружения вновь появившихся неподвижных наземных объектов на основе сравнения изображений местности методом change detection.
Представленный алгоритм обнаружения различий в изображениях местности позволяет значительно снизить уровень ложных тревог, создаваемый стационарными объектами, в том случае, когда портреты объектов, полученные в разных сеансах съемки, мало отличаются друг от друга.
Использование информации об изменениях в изображениях позволяет существенно повысить эффективность систем воздушного или космического наблюдения. Возможность получения дополнительной информации об объектах определяет перспективность технологии выделения изменений для использования в системах наблюдения высокого разрешения.
Литература
1. Абламейко С.В., Лагуновский Д.М. Обработка изображений: технология, методы, применение. Учебное пособие. - Мн.: Амалфея, 2000.
2. Кирпичников А.П., Мифтахутдинов Д.И., Ризаев И.С. Решение задачи геопозиционирования методом корреляционного сопоставления// Вестник технол. университета. Т18, №3 - 2015 - С.226-228.
3. Кирпичников А.П., Мифтахутдинов Д.И., Ризаев И.С. Решение задачи корреляционной привязки изображения и цифровой карты местности // Вестник технологического университета. Т18, №17 - 2015 - С.186-189.
4. Мифтахутдинов Д.И., Ризаев И.С. Особенности реализации алгоритмов совмещения изображений с цифровыми картами местности // Перспективы интеграции науки и практики: Материалы II Межд. науч.-практ. конф., 27 августа 2015 г.: материалы конференции.- Ставрополь:Логос,2015.-С. 44-48. ISBN 978-5-905519-03-1
5. Гонсалес Р., Вудс Р. Цифровая обработка изображений. -М.: Техносфера, 2012.
6. P. Coppin, I. Jonckheere, K. Nackaerts, B. Muys Digital change detection methods in ecosystem monitoring: a review / P. Coppin, I. Jonckheere, K. Nackaerts, B. Muys // Int. J. Remote Sensing. - 2004. - Vol. 25. - № 9. - рр.. 1565-1596.
7. D. Lu, P. Mausel, E. Brondi'Zio, E. Moran Change detection techniques / D. Lu, P. Mausel, E. Brondi'Zio, E. Moran // Int. J. Remote Sensing. - 2003. - Vol. 25. - №12. - С. 2365-2407.
