Проблемы метрологического обеспечения анализа цифровых изображений Текст научной статьи по специальности «Прочие технологии»

УДК 621.319.4:620.179

ПРОБЛЕМЫ МЕТРОЛОГИЧЕСКОГО ОБЕСПЕЧЕНИЯ АНАЛИЗА ЦИФРОВЫХ ИЗОБРАЖЕНИЙ

Галина Вячеславна Симонова

Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, кандидат технических наук, доцент кафедры метрологии и технологии оптического приборостроения, тел. (913)724-67-47, e-mail: [email protected]

Дмитрий Павлович Симонов

Сибирский государственный университет геосистем и технологий, 630108, Россия, г. Новосибирск, ул. Плахотного, 10, аспирант кафедры физической геодезии и дистанционного зондирования, тел. (923)245-38-99, e-mail: [email protected]

Показаны возможности получения характеристик исследуемых объектов различными методами обработки их цифровых изображений.

Ключевые слова: цифровые изображения, метод контроля, коэффициенты яркости, статистические характеристики, спектральные и интегральные зависимости.

PROBLEMS METROLOGICAL SUPPORT ANALYSIS OF DIGITAL IMAGES

Galina V. Simonova

Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., Ph. D. tech., assistant professor department of metrology and optical instrumentation technology, tel. (913)724-67-47, e-mail: [email protected]

Dmitry P. Simonov

Siberian State University of Geosystems and Technologies, 630108, Russia, Novosibirsk, 10 Plakhotnogo St., graduate student department of Physical Geodesy and Remote Sensing, tel. (923)245-38-99, e-mail: [email protected]

The possibility obtaining the characteristics of the objects by different methods of processing their digital images are shown.

Key words: automation, quality control, brightness coefficients, statistical characteristics, spectral and integral dependence.

Оценка свойств объекта на основе различных характеристик его поверхности является одним из распространённых методов контроля [1].

Цифровые изображения заключают в себе огромные информационные возможности не только в однозначности количественного результата и в быстродействии, но и использовании различных методик преобразований позволяющих получить информацию недоступную визуальному наблюдению [2]. Однако в большинстве случаев эти методы используют визуальную оценку исследуемого изображения, а количественные характеристики используемые в этом случае носят условный субъективный характер. Поэтому для однозначности и достоверности получаемого анализа требуется разработка методик ис-

пользующих объективные методы контроля и оценки количественных характеристик цифровых изображений.

Известные в настоящее время методы анализа изображений как правило используют различные способы визуализации объекта или его характеристики переводя в регистрируемые глазам отличия которые не являются фактическим признаком. Например, введение условной окраски при малых изменениях яркости, текстуры или подчёркивание границ методом нелинейного усиления яркости [2].

Все эти методы имеют три принципиальные проблемы:

1. Признаки объекта на цифровом изображении переводятся в субъективную характеристику, которая не может быть однозначно оценена не только количественно, но даже качественно.

2. Количественные характеристики цифрового изображения, которые являются цифровым кодом отражательной способности (яркости) исследуемых объектов не является его характеристикой даже на многоспектральных снимках, поскольку зависят от многих других факторов (условия получения изображений, типа регистратора, расстояния до объекта и т.д.)

3. Даже при анализе нормированных изображений (яркости преобразованной к относительному виду) невозможность однозначной количественной оценки сохраняется поскольку один и тот же объект имеет несколько уровней значения яркости, а для разных объектов эти значения могут совпадать [3].

Таким образом, перевод количественного анализа цифровых изображений в разряд измерительного эксперимента требует разработки методики обработки цифровых изображений направленной на нахождение количественного признака отображающие свойства именно этого объекта, что позволит выделить это объект из множества других, отождествить его с заданным или определить его свойства на основе количественной выбранной характеристики цифрового изображения.

В данной статье рассматриваются два примера реализации такого подхода для анализа цифровых изображений объектов разного типа.

На рис. 1 приведено изображение объекта с резким отличием яркости его фрагментов (край). В качестве начала отсчета была использована условная система координат цифрового изображения (рис. 1в). Для получения количественных характеристик использовался программный продукт ERDAS Imagine и неконтролируемая классификация распределения яркости. На основании использования классификации яркости пикселей изображения и алгоритма, разработанного авторами, были получены следующие значения неровности края: минимальное (19 пикселей) и максимальное (31 пиксель) отклонение края от условного начала координат, что соответствует флуктуации края для данного участка исследуемого образца равное 12 пикселям или 14,49 мкм.

Для идентификации объектов с множеством уровней градации яркости и слабым отличием этих уровней можно использовать статистические характеристики.

Рис. 1. Выделение края объекта и оценка его неровности: а) цифровое изображение объекта (масштаб в 239 пикселях 288,75 мкм); б) фрагмент исследуемого участка края объекта; в) результат выделения края объекта методом неконтролируемой классификации

На рис. 2 приведены зависимости распределения количества пикселей заданной яркости от уровня яркости в условных единицах для трёх цифровых изображений лесного массива лиственных деревьев одного типа (космические снимки получены съёмочной системой Formosat).

Рис. 2. Зависимость распределения количества пикселей от уровня яркости: а) для 3 разных снимков растительности одного типа; б) статистическая функция распределения для заданного класса растительности в условной системе координат

Вид полученного распределения показывает, что несмотря на разные снимки графики статистического распределения яркости для растительности одного типа в условных координатах практически совпадают, поэтому стати-

стическая функция распределения может служить признаком для выделения заданного объекта.

Для подтверждения полученного результата в таблице приведены значения коэффициента корреляции Пирсона.

Таблица 1

Значения коэффициентов корреляции для разных объектов

Тип объекта Лес 1 Лес 2 Лес 3 Хвоя Вода

Коэффициент Пирсона 0,9370 0,7834 0,8249 0,6376 0,5495

Полученные значения практически полностью совпадают для объектов одного типа и существенно отличаются для объектов другого типа.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Симонов Д. П Анализ возможности создания цифровых эталонов признаков для структурированных поверхностей // Интерэкспо ГЕО-Сибирь-2012. VIII Междунар. науч. конгр. : Междунар. науч. конф. «Специализированное приборостроение, метрология, теплофизика, микротехника, нанотехнологии» : сб. материалов в 2 т. (Новосибирск, 10-20 апреля 2012 г.). - Новосибирск: СГГА, 2012. Т. 2. - С. 201-204.

2. Дешифровочные признаки изображений объектов на многоспектральных космических снимках. Разработка методик автоматизированного дешифрирования аэрокосмических снимков / А. П. Гук, Л. Г. Евстратова, Е. П. Хлебникова, С. А. Арбузов, М. А. Алтынцев, А. С. Гордиенко, А. А. Гук, Д. П. Симонов // Геодезия и картография. - 2013. - № 7. - С. 31-40.

3. Симонов Д. П., Хлебникова Е. П. Автоматизация контроля качества поверхностей на основе анализа статистических характеристик их цифровых изображений // Интерэкспо ГЕО-Сибирь-2014. X Междунар. науч. конгр. : Междунар. науч. конф. «Сиб0птика-2014» : сб. материалов в 2 т. (Новосибирск, 8-18 апреля 2014 г.). - Новосибирск: СГГА, 2014. Т. 2. -С. 54-58.

© Г. В. Симонова, Д. П. Симонов, 2015