CC BY
13
УДК 528.7+514.1
Д.В. СУЩЕВСЬКИЙ
Дншропетровський нащональний унiверситет
ПОШУК ОПТИМАЛЬНИХ ПАРАМЕТР1В ГРАД1СНТНИХ Ф1ЛЬТР1В ДЛЯ ВИЯВЛЕННЯ КОНТУР1В ОБ'еКТ1В НА ЦИФРОВИХ СУПУТНИКОВИХ ЗОБРАЖЕННЯХ ВИСОКОГО ПРОСТОРОВОГО РОЗР1ЗНЕННЯ
Було реалгзовано методику визначення оптимальних параметргв град1ентно1 фтьтраци для виявлення контургв об'ектгв штучного походження. Розроблено програмний модуль з графгчним iнтерфейсом для визуального контролю та поргвняльного анатзу результатгв роботи ргзних операторгв. Було розроблено кглькгсну характеристику для оцтки якостг виявлення контургв. Здшснено класифжацт зображень вгдповгдно до вгдносноi юлькостг штучних об'ектгв на зображент. За результатами дослгдження було одержано оптимальш параметри фтьтрацп для кожного класу зображень.
Ключовг слова: контур об'екту, градгентний фгльтр, цифрове супутникове зображення, виявлення об'ектгв штучного походження.
Д.В. СУЩЕВСКИЙ
Днепропетровский национальный университет
ПОИСК ОПТИМАЛЬНЫХ ПАРАМЕТРОВ ГРАДИЕНТНЫХ ФИЛЬТРОВ ДЛЯ ОБНАРУЖЕНИЯ КОНТУРОВ ОБЪЕКТОВ НА ЦИФРОВЫХ СПУТНИКОВЫХ ИЗОБРАЖЕНИЯХ ВЫСОКОГО
ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ
Была реализована методика определения оптимальных параметров градиентной фильтрации для обнаружения контуров объектов искусственного происхождения. Разработан программный модуль с графическим интерфейсом для визуального контроля и сравнительного анализа результатов работы разных операторов. Был разработан алгоритм расчета количественной характеристики для оценки качества обнаружения контуров. Была осуществлена классификация изображений в соответствии с относительным количеством искусственных объектов на изображении. По результатам исследования были получены оптимальные параметры фильтрации для каждого класса изображений.
Ключевые слова: контур объекта, градиентный фильтр, цифровое спутниковое изображение, обнаружение объектов искусственного происхождения.
D.V. SUSHCHEVS'KYY
Dnipropetrovs'k National University
SEARCHING FOR OPTIMAL PARAMETERS OF GRADIENT FILTERS TO LOCATE MAN-MADE OBJECTS' BOUNDARIES ON HIGH RESOLUTION SATELLITE IMAGES
The paper is devoted to man-made objects recognition. The method of optimal gradient filters characteristics' definition was developed to precisely locate object boundaries. The software module, which includes user interface, was developed using MATLAB environment. The software uses optimization functions to calculate the best parameters of different gradient filters for the particular image. The optimization was made based on the maximization of quality assessment function, which was also developed during the research. All images used during the research were divided into the categories based on the amount of mane-man objects located on the image. The analysis was made using the software and as a result, the best characteristics for each filter and each image categories were defined.
Keywords: object boundary, gradient filter, digital satellite image, man-made objects recognition.
Постановка проблеми
Виявлення штучних об'екпв земно! поверхт псно пов'язане з багатьма прикладними задачами охорони навколишнього середовища, еколопчно! безпеки, оперативного мониторингу мюьких забудов, оцшки збитк!в i насладив, спричинених стихшними лихами (наприклад, в результат! землетрусу) чи д!яльшстю людства. В останнш час суттево розширилися можливосл отримання шформаци про земну поверхню засобами дистанцшного зондування. Зросла к!льк!сть аерокосм!чних апарапв, призначених для зйомки земно! поверхш в р!зних зонах електромагштного спектру, з р!зним розр!зненням на мюцевосп, смугою огляду, перюдом зйомки заданих дшянок. Стали доступними як в економ!чному, так i в оргашзацшно-техтчному план! зшмки високого та надвисокого розр!знення. Але, не зважаючи на суттев! досягнення в области обробки цифрових фотограмметричних зображень, !х автоматизоване дешифрування реал!зоване лише для вузького класу об'екпв i дос е складною та неоднозначно виршуваною задачею. Це
пояснюеться великою шльшстю р1зноманггних фактор1в, що впливають на процес отримання зображення об'екпв. Окр1м фактор1в зйомки, на яшсть дешифрування впливае також характер само! мюцевосл, зокрема тип буд1вель, !х щшьшсть на зшмку, а також контраст з природним фоном. Саме змша контрасту у бшьшосп випадшв е ключовим фактором при виявленш контур1в об'екпв на зображенш.
Анaлiз останшх дослщжень Дослвдженнями психолопв встановлено, що з точки зору розтзнавання й анал1зу об'екпв на зображенш найбшьш шформативними е не значения яскравостей об'екпв, а характеристики !х контур1в. Контуром зображення прийнято називати сукупшсть його шксел1в, в околиц яких спостертаеться стрибкопод1бна змша функци яскравосп. При цифровш обробш зображень контури подаються л1н1ями шириною мшмум в один тксель. За останш 30 рошв розроблено багато оператор1в розтзнавання границь. Особливе мюце серед них займають град1ентн1 оператори розтзнавання границь перепад1в яскравостей: Робертса, Кент, Собеля, Прюпг [1]. Було показано, що фшьтри на основ1 саме град1ентних оператор1в дають стабшьш результати як на чиких, так i на малоконтрастних зображеннях забуд1вл1 земно! поверхт, але спостерiгаеться значна !х варiацiя в залежносп вiд перелiчених вище факторiв та, що е бiльш важливим, вiд параметрiв самих фiльтрiв.
Формулювання цiлей CTaTTi (постановка завдання)
Визначення оптимальних параметрiв градiентних фiльтрiв е складною ошгашзацшною задачею, що потребуе долучення нелiнiйних математичних функцiй. Бшьшсть необхiдних функцiй вже реалiзовано у вщповщних пакетах середовища MATLAB (Image Processing Toolbox, Optimization Toolbox), де ^м програмування самого алгоритму юнуе можливiсть створення графiчного iнтерфейсу для контролю та аналiзу результатiв. Для виршення дано! задачi необхiдно визначити критерп, за якими здiйснюватиметься оптимiзацiя, що також е частиною даного дослiдження. Оскiльки неможливо визначити конкретний набiр параметрiв, що однаково добре працюватиме з будь-якими зображеннями, необхвдно звузити коло дослiджуваних зображень шляхом под^ !х на класифiкацiйнi групи i пошуку оптимального рiшення у межах кожно! з груп, використовуючи програмне забезпечення, що розроблюеться, як зааб дослiдження.
Вкладення основного мaтерiaлу дослiдження Роботу градiентних операторiв засновано на однш з базових властивостей сигналу яскравосп -розривностi. Найбшьш загальним засобом пошуку розриву е обробка зображення з використанням ковзно! маски, що називаеться фiльтром, вшном або шаблоном, що е деякою квадратною матрицею, що ввдповщае деякш групi пiкселiв вихiдного зображення. Елементи матриц прийнято називати коефiцiентами. Оперування такою матрицею у будь-яких локальних перетвореннях називаеться просторовою фiльтрацiею. Процес засновано на простому пересувант маски фшьтра вiд точки до точки зображення; у кожт точцi (x; y) вiдгук фiльтру розраховуеться з використанням наперед заданих зв'язкiв. У випадку лiнiйно! просторово! фiльтрацi! ввдгук задаеться сумою добуткiв коефiцiентiв ф№тру на вiдповiднi значення пiкселiв в обласп, яка покрита маскою фшьтру [2].
Слiд враховувати, що результат роботи того чи шшого гращентного оператору залежить вiд динамiчних характеристик самого зображення. Суттевою характеристикою при виявлеш контурiв е контраст початкового зображення - при малому динамiчному дiапазонi яскравостей похибка виявлення контурiв буде занадто високою. Таким чином необхвдним кроком процесу виявлення контурiв е розширення динамiчного дiапазону яскравостей зображення або еквалiзацiя гiстограми. На рис. 1 продемонстровано результат розширення динамiчного дiапазону початкового зображення. На рис. 2 зображено пстограму розпод^ яскравостей пiсля еквалiзацii його пстограми.
Рис. 1. Результат розширення динам1чного дiaпaзону зображень
О 50 100 150 200 250
Рис. 2. Розширення динам1чного даапазону яскравостей зображення
У середовищ! MATLAB виявлення контур!в здшснюеться за допомогою функцп edge, яка у загальному вигляд! визначаеться наступним чином:
BW = edge(I,method,threshold,direction,sigma)
де I - це вхщне зображення; method приймае значення ввдповвдно до обраного оператору виявлення контур!в ('Canny', 'log', 'Prewitt', 'Roberts', 'Sobel' або 'zerocross'), a threshold (порн-), direction (напрямок пошуку границь) та sigma (стандартне ввдхилення фшьтру) - це параметри фшьтру, що тдлягають оптишзацд.
Не будемо наводити опис роботи оператор!в Робертса, Кенш, Собеля, Прюит, цей матер!ал було викладено у [3]. Наведемо лише практичш матер!али дослщження.
Нижче наведено штерфейс програми, побудований у середовищ! MATLAB. На рис. 3 завантажено вихвдне зображення, на рис. 4 - результати !! роботи. Програма дозволяе здшснювати виб!р та пор!внювати роботу оператор!в. 1снуе можливють роботи як панхроматичним зображенням, так ! з окремими його каналами.
i*]M»in Fite Help
Mede Selector!
® Mere OR
Reference Thickness ® 2 ти О * ГИ
Tliresheki Eeter vakre:
■Orectier -
® Both О Horczwital О Vertical
Estimation:
Calculate
Tliresheki Erter vakre:
Estimation:
Calculate
[canny ~
'TlireshDld Eirter twfli. [ Eirtertow Г
Рис. 3. 1нтерфейс програми з завантаженими початковими зображеннями
Задля визначення оптимальних napaMeTpiB фшьтраци було обрано функцiю ошгашзацп декiлькох змшних з обмеженнями [4]. У загальному випадку, це завдання ввдноситься до нелшшно! оптимiзaцil з обмеженнями або до нелшшного програмування.
В якосл критерiю ошгашзацп було обрано максимум функцп подiбностi виявленого контуру до еталонного контуру зображення Estimation, що описуеться виразом (1).
(Nref - NCounter(lref - 4)) * 100 NCounter(ls - Iref) * 100 m Estimation = -—-----, v-U
Nref S
де Estimation - стушнь подiбностi у в^дсотках; Nref - шльмсть пiкселiв еталонного зображення, що складають контури корисних об'екпв на зображеннi; NCounter(I) - функщя пiдрахунку кiлькостi контурних пiкселiв зображення I; Iref - еталонне зображення контурiв; Is - зображення контурiв, що е результатом роботи градiентного оператора виявлення контурiв; S - площа зображення.
® Main File Help -Source-
Mode Selection О Mono
(•) ЯСВ
Reference Thickness
® 2 p* О * рз
Pre Witt Threshold
(i) Both О Horizontal О Vertical
Estimation: 49.3471
Pre Witt v
Enter value: 0.147141 |
Direction
<§> Both
О Horizontal
О Vertical
Estimation: 49.2698
Monochrome
Roberts Threshold
Threshold
Enter high: | 0.518679
Г
Estimation: 54.2607
Estimation: 58.5391
Рис. 5. Результат виконання програми
В якосп вихвдних даних для дослвдження було опрацьовано дек1лька груп зображень з наперед визначеними (еталонними) контурами. Приклад такого зображення наведено на рис. 6. Подш на групи здшснювався за критерieм щiльностi забудови Ko, що визначаеться приблизно за спiввiдношенням (2):
К0 = -j* 100%
де So - це площа штучних об'екпв на зображенш, а S - загальна площа зображення.
(2)
а) б)
Рис. 6. Приклад вихвдних даних: а) зображення; б) еталонт контури будшель зображення
Вiдповiдно до розробленого критерш та враховуючи специфiку територй' Украши, було розроблено наступну наближену модель класифшацп зображень:
- мiська забудова (Ko > 75%);
- примюька забудова (50% > Ko >= 75%);
- сшьська мкцевють (25% > К0 >= 50%);
- сшьськогосподарська зона (5% > К0 >= 25%);
- природнм територи (К0 <= 5%).
Було розглянуто та створено еталони контурiв для б№ш нiж 10 зображень з кожно! групи та проаналiзована робота фшьтрш в кожнiй з них.
Висновки
Пiд час аналiзу результапв було отримано велику кiлькiсть даних для рiзних фiльтрiв та рiзних каналiв зображень. Так, наприклад, у табл. 1 наведено розраховаш оптимальний тип фiльтру та оптимальний дiапазон значень порогу для кожного класу зображень. З таблицi видно, що оптимальний результат досягаеться приблизно однаковим значенням порогу для кожного класу зображень. Программа надае можливiсть аналiзувати окремi канали зображень (рис. 7), завдяки чому е можливiсть здшснювати оцiнку найбiльш iнформативного (в контексп виявлення контурiв) каналу для конкретного кола виршуваних задач. У статт наведено лише основну концепцiю запропоновано! методики та опущена значна кшьшсть деталей, таких як попередня корекщя зображення, морфологiчна обробка отриманих контурiв зображення з метою видалення шуму, застосування змшно! товщини контурiв та ш. Дана робота е частиною бшьш об'емного дослiдження, що включае дешифрування рiзночасових знiмкiв та побудову карти змш.
Таблиця 1
Оптимальне значення порогу вiдповiдно до класу зображень
Клас зображення Оптимальний тип ф1льтру Оптимальний д1апазон значень порогу
мюька забудова Канш 0.3 - 0.62
примюька забудова Каннi 0.28 - 0.52
сшьська мюцевють Прюiтт 0.18 - 0.25
сiльськогосподарська зона Каннi 0.32 - 0.64
природничi територiï Каннi 0.31 - 0.62
а) б)
Рис. 7. Приклад виявлення контурiв оператором Прю1тт з використанням червоного каналу зображення: а) в1кно параметр1в ф1льтраци; б) в1кно в1дображення результатв виявлення
Список використано!' л1тератури
1. Klette R. Handbook of image processing operators / R. Klette, P. Zamperoni — Chichester: John Wiley & Sons, 1996. — 398 p.
2. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. — М.: Техносфера, 2005. — 1007 с.
3. Сущевський Д.В. Визначення конгурiв об'екпв на фотограмметричних проекцшних зображеннях / Д.В. Сущевський, В.В. Гнатушенко // Пращ Тавршського держ. агротехнологiчного ушверситету. -Мелггополь: ТДАТУ, 2010. -Вип. 4, т.46. - С.47-51.
4. MATLAB online documentation [Електронний ресурс]. — Режим доступу: http://www.mathworks.com/help/optim/ug/fmincon.html
