CC BY
348
Принципы автоматизированного распознавания объектов по данным космического многоспектрального оптико-электронного наблюдения
Современное состояние развития космических систем оптико-электронного наблюдения характеризуется переходом к широкому использованию бортовой многоспектральной и гипер-спектральной оптико-электронной аппаратуры (ОЭА), имеющей до сотен спектральных каналов в видимом и ИК- диапазонах, в которых регистрируются многоспектральные изображения. Использование данных многоспектрального и гиперспектрального наблюдения позволяет осуществлять распознавание наблюдаемых объектов по спектральным признакам, возможности выделения и обработки которых зависят от спектральной разрешающей способности ОЭА наблюдения. Эти признаки определяются поглощательной, излучательной и отражательной способностями наблюдаемых объектов в анализируемом диапазоне электромагнитных волн. При использовании малогабаритной бортовой многоспектральной ОЭА достигается такой же уровень распознавания, как и при использовании крупногабаритной панхроматической ОЭА детального наблюдения. Процесс обработки многоспектральных данных и распознавания может осуществляться в автоматизированном режиме. Для обработки данных наблюдения, полученных с помощью перспективных КА оптико-электронного наблюдения с бортовой многоспектральной ОЭА, предлагается использовать наиболее эффективные при решении задач распознавания корреляционно-экстремальные методы, такие как метод цифровой корреляционной обработки спектральных образов наблюдаемых объектов. Благодаря принципиальной возможности автоматизации процесса корреляционного распознавания по спектральным образам (признакам) технология многоспектрального наблюдения представляет большой интерес для оперативного решения задач наблюдения.
Ключевые слова" многоспектральное наблюдение, распознавание образов, сектральные признаки, автоматизированная обработка данных наблюдения.
Козинов И.А.,
Зам. начальника кафедры Космических радиотехнических систем Военно-космической академии имени А.Ф. Можайского, кт.н., [email protected]
Введение
Распознавание объектов является конечным результатом обработки изображений, полученных с помощью космических аппаратов (КА) оптико-электронного наблюдения. Под распознаванием понимается отнесение объекта к одному из заранее предопределенных классов. Примерами объектов, распознавание которых осуществляется при ведении наблюдения, являются образцы военной техники, транспортные средства, укрепления и сооружения, маскировочные укрытия и другие военно-технические объекты. Особый интерес при решении задач информационного обеспечения войсковых формирований, непосредственно ведущих боевые действия, представляет создание автоматизированных систем распознавания объектов, работающих в реальном масштабе времени. Современная теория распознавания является хорошо развитой и сложившейся областью знания в основе которой лежит задача
распознавания образов. Образы обладают некоторым характерным свойством, проявляющимся в том, что ознакомление с конечным числом явлений из одного и того же множества дает возможность узнавать сколь угодно большое число его представителей. Ключевыми вопросами при решении любой задачи распознавания образов является выбор признаков распознавания (значащей информации) и построение алгоритма распознавания (классификации).
Распознавание объектов по данным многоспектральной съемки
С точки зрения построения алгоритма распознавания наиболее предпочтительной является реализация такого подхода к решению задачи распознавания, при котором имеется возможность получать однозначные решения (более или менее точные) для любых исходных данных. Это обеспечивается соответствующим формализованным описанием задачи распознавания и наличием полного каталога эталонов распознаваемых объектов. При этом предполагается, что в любой точке пространства признаков, используемых для распознавания, с ненулевой априорной вероятностью могут появляться реализации только одного класса объек-
тов. Тогда для решения задачи распознавания необходимо задание уравнений границ, разделяющих в пространстве образов области принадлежащие тому или иному классу. А если по каким либо причинам эти границы найти невозможно, то классификацию можно осуществить путем оценки расстояния в пространстве признаков между распознаваемым образом и классами изображений.
Основными признаками при распознавании объектов по изображениям, получаемым с помощью панхроматической оптико-электронной аппаратуры (ОЭА) высокого разрешения являются топологические признаки [1]. К этим признакам относятся, прежде всего, размеры и форма объекта и другие геометрические характеристики объекта и его элементов. При этом возможности автоматизированного распознавания объектов в условиях априорной неопределенности весьма ограничены, и реализация автоматизированного распознавания оказывается возможна только при решении отдельных задач, например, в системах технического зрения, где условия наблюдения и ракурсы наблюдаемых объектов заранее определены и в процессе наблюдения не изменяются. При решении задач наблюдения распознавание объектов по топологическим признакам
T-Comm #6-2013
35
осуществляется в процессе дешифрирования изображений специально подготовленными дешифровщиками, в том числе с использованием современного программного обеспечения для обработки изображений [2].
Использование данных многоспектрального наблюдения позволяет осуществлять распознавание наблюдаемых объектов по спектральным признакам, возможности выделения и обработки которых зависят от спектральной разрешающей способности ОЭА наблюдения. Эти признаки определяются поглощательной, излучательной и отражательной способностями наблюдаемых объектов в анализируемом диапазоне электромагнитных волн. При этом наблюдаемый объект может не разрешаться ОЭА наблюдения, а зрительное восприятие спектрального образа наблюдаемого объекта по данным наблюдения, полученным в различных спектральных каналах, не имеет такого значения, как зрительное восприятие изображений. Поэтому при распознавании по спектральным признакам используется не структурное распознавание, как при распознавании по топологическим признакам и дешифрировании, а корреляционное, более удобное для реализации автоматизированного распознавания, хотя при этом сохраняется зависимость результатов распознавания от условий подсветки наблюденного объекта, его ракурса в момент наблюдения и параметров фона.
В результате работы многоспектральной ОЭА наблюдения — формируется многомерное пространственно-спектральное изображение, в котором каждый элементарный участок изображения (пиксель) характеризуется собственным спектром. Такое изображение носит название "куба многоспектральных данных", два измерения которого соответствуют координатам точки пространственного изображения на плоскости (х,у), а третье — частоте спектра принятого излучения ?. В случае, если наблюдаемый объект не разрешается ОЭА наблюдения, то его распознавание осуществляется только по спектральным признакам. Спектральный образ наблюдаемого объекта выделяется из того пикселя фотоприемной матрицы, в который попадает этот объект, и осуществляется так называемое попиксельное распознавание. Для распознавания объектов по спектральным признакам необходим каталог эталонов их спектральных образов, при этом форма представления классов распознаваемых объектов в значительной степени определяет вид алгоритма распознавания. Все методы спектрального анализа данных оптико-электронного наблюдения и корреляционного распознавания объектов по спектральным образам основываются на срав-
нении спектральных характеристик, полученных в ходе съемки, со спектральными характеристиками уже известных материалов, поэтому необходимым инструментом обработки многоспектральных данных являются библиотеки спектральных эталонов — базы данных, содержащие информацию об отражательной способности различных природных и техногенных объектов на различных длинах волн. Расширение возможностей распознавания наблюдаемых объектов по данным многоспектральной съемки обусловлено наиболее полным использованием информации, содержащейся в принимаемом от объекта излучении (в его спектральном образе). При этом переход к распознаванию по спектральным образам позволяет осуществить "обмен" пространственного разрешения многоспектральной ОЭА на спектральное [3].
Распознавание объектов по спектральным образам в условиях шумов регистрации эквивалентно распознаванию сложного радиосигнала по форме и позволяет использовать наиболее эффективные при решении задач распознавания корреляционно-экстремальные методы. В состав бортовой аппаратуры КА наблюдения включаются аналого-цифровые преобразователи видеоданных, так что регистрация, передача и вся последующая обработка данных наблюдений осуществляется в цифровой форме. При этом возрастание потоков многоспектральных данных неизбежно оказывает влияние на используемые принципы организации и алгоритмизации методов автоматизированной тематической обработки данных наблюдения. Возникает необходимость создания нового алгоритмического обеспечения обработки данных наблюдения, упакованных в "куб многоспектральных данных" [4].
Для обработки данных наблюдения, полученных с помощью перспективных КА оптикоэлектронного наблюдения с бортовой многоспектральной ОЭА предлагается использовать метод цифровой корреляционной обработки спектральных образов наблюдаемых объектов с выбором наиболее информативных спектральных каналов [5]. Данный метод предполагает адаптацию бортовой аппаратуры наблюдения — согласование перед каждой съемкой параметров многоспектральной ОЭА с параметрами объектов наблюдения, в частности, адаптацию по выбору спектральных каналов многоспектрального датчика (их количеству и положению в анализируемом диапазоне), используемых для обработки и распознавания объектов. При этом учитываются прогнозируемые значения мгновенных оптических параметров атмосферы, фоновая обстановка и геомет-
рия съемки. Возможность адаптации обеспечивается введением в систему избыточности по спектральному (в большей степени) и линейному (в меньшей степени) разрешению, а также автономным или программным управлением процессом настройки параметров.
На практике пространственное разрешение многоспектральной ОЭА выбирается достаточным для решения задач обзорного наблюдения и обнаружения наблюдаемых объектов, но пониженным по сравнению панхроматической ОЭА детального наблюдения. Спектральное разрешение при этом выбирается по возможности высоким. При этом для каждой съемки выбираются наиболее информативные спектральные каналы. Информация от спектральных каналов — спектральное разрешение
— компенсирует недостаток информации о форме наблюдаемого объекта при низком пространственном разрешении системы. В результате при использовании малогабаритной бортовой многоспектральной ОЭА достигаются такой же уровень распознавания, как и при использовании крупногабаритной панхроматической ОЭА детального наблюдения. При этом предусматривается оперативная передача на Землю по радиоканалу данных выбранных наиболее информативных спектральных каналов и при необходимости — обработка зарегистрированных многоспектральных данных с помощью бортовой аппаратуры обработки информации.
Реализация метода цифровой корреляционной обработки спектральных образов наблюдаемых объектов с выбором наиболее информативных спектральных каналов предусматривает выполнение на КА оптико-электронного наблюдения следующих основных операций:
1. Программный или автоматический выбор параметров бортовой многоспектральной ОЭА по исходным данным на предстоящую задачу наблюдения.
2. Настройку (адаптацию) параметров бортовой многоспектральной ОЭА для регистрации данных наблюдения.
3. Проведение многоспектральной съемки с преобразованием и регистрацией данных наблюдения в цифровой форме.
4. Настройку (адаптацию) параметров бортовой аппаратуры обработки данных наблюдения.
5. Оперативную обработку зарегистрированных многоспектральных данных
6. Передачу зарегистрированных данных наблюдения и/или результатов их обработки на Землю по радиоканалу
36
Т-Сотт #6-2013
Заключение
Практические использование цифровой корреляционной обработки спектральных образов наблюдаемых объектов с выбором наиболее информативных спектральных каналов позволяет:
— достигнуть высокого уровня характеристик обнаружения и распознавания широкого класса объектов;
— использовать автоматизированную обработку данных наблюдения на борту КА и на наземном пункте приема информации;
— уменьшить поток передаваемых на Землю по радиоканалу данных наблюдения и обеспечить их доведение непосредственно до потребителя;
— обеспечить миниатюризацию бортовой
аппаратуры наблюдения за счет снижения габаритов многоспектральной ОЭА и использовать для ее размещения перспективные малогабаритные космические платформы.
Наиболее просто предлагаемый метод реализуется при использовании на КА оптикоэлектронного наблюдения многоспектральных датчиков типа классических видеоспектрометров, обладающих возможностью программной или автоматической настройки параметров. При этом автоматизированное корреляционное распознавание объектов по спектральным образам используется совместно с традиционными методами обработки данных наблюдения в космических системах — геометрической, радиометрической и атмосферной коррекцией, географической привязкой [6].
Литература
1. Тарасов В. В., Якушенков Ю.Г. Двух- и много диапазонные оптико-электронные системы с матричными приемниками излучения. — М.: Университетская книга, 2007. — 192 с.
2. Мельканович А.Ф. Фотографические средства и их эксплуатация. — МО СССР, 1984. — 576 с.
3. Горелик АЛ, Скрипкин В.А Методы распознавания. — М.: Высшая школа, 1984. — 219 с.
4. Фукунага К. Введение в статистическую теорию распознавания образов: пер. с англ. — М.: Наука, 1979. — 368 с.
5. Буймов АГ Корреляционно-экстремальная обработка изображений. — Томск.: Издательство Томского университета, 1987. — 134 с.
6. Кашкин В.Б, Сухинин А.И. Дистанционное зондирование земли из космоса. Цифровая обработка изображений. — М.: Логос, 2001. — 264 с.
Principles of automated recognition of objects according to space Multispectral opto-electronic surveillance
Kozinov IA, [email protected], St. Petersburg, Russia
Abstract
Current state of development of space systems, optronic observation characterized by the transition to the widespread use of multispectral and hyperspectral airborne electro-optical equipment (OEA), with up to hundreds of spectral bands in the v'sible and infrared ranges, which are registered multispectral images. Using multispectral and hyperspectral data observation allows recognition of observed objects on the spectral features, the possibility of separation and treatment depend on the spectral resolution observations of OEA. These characteristics are determined by absorbance, emissivity and reflectivity of the observed objects in the analyzed range of electromagnetic waves. When using the on-board multispectral compact OEA achieved the same level of recognition as using large panchromatic OEA detailed observation. Processing multispectral data detection may be performed in an automated mode. For observation data obtained by such promising optoelectronic multispectral airborne surveillance EAD are encouraged to use the most efficient in solving the problems of recognition of correlation-extreme methods such as a method of digital correlation processing of spectral images of the observed objects. Due to the fundamental possibility of automating the process of recognition of the correlation on the spectral images (featured) technology multispectral observations is of great interest to promptly solve the problems of observation.
Keywords: multi-spectral observation, pattern recognition, sektralnye features automated data processing observations.
References
1. Tarasov VV, Yakushenkov Y.G. Two- and multi-band optical-electronic systems with matrix radiation detectors. M.: University Book, 2007. 192 p.
2. Melkanovich AF Photographic equipment and their operation. Defense of the USSR, 1984. 576 p.
3. Gorelik AL, Skripkin V.A Recognition methods. Moscow: Higher School, 1984. 219 p.
4. Fukunaga K. Introduction to statistical pattern recognition theory: ln. from English. Moscow: Nauka, 1979. 368 p.
5. BuymovA.G. Correlative extreme image processing. Tomsk.: Tomsk University Publishing House, 1987. 134 p.
6. Kashkin V.B., Sukhinin A.I. Remote sensing of the earth from space. Digital image processing. Moscow, Logos, 2001. 264 p.
T-Comm #б-201З
37
