CC BY
293
УДК 004.93: 631.1
РАСПОЗНАВАНИЕ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ТЕКСТУРНЫХ ПРИЗНАКОВ ХАРАЛИКА И ИСКУССТВЕННЫХ НЕЙРОННЫХ
СЕТЕЙ
Ю.В. Конкин, А.Н. Колесенков
Рассмотрены вопросы интеллектуального подхода к распознаванию структур космических снимков, построения нейронной сети и мониторинга земель сельскохозяйственного назначения и лесных массивов за счет обработки космических данных на основе аппарата нейронных сетей. Предложен алгоритм расчета текстурных признаков Харалика для одноканального изображения, позволяющий выполнять операции вычисления текстурных признаков в параллельном режиме. Приводятся результаты экспериментальных исследований и реализации метода.
Ключевые слова: распознавание, текстура, признак, космический, снимок, изображение, мониторинг, нейронная сеть, персептрон, ИНС.
При проведении мониторинга земель сельскохозяйственного назначения и лесных массивов появляется необходимость в решении множества задач, среди которых можно выделить:
контроль состояния и использования;
оценка и прогнозирование изменений состояния;
кадастровый учет;
выявление незаконных вырубок.
Существующие в настоящее время системы мониторинга сельскохозяйственного назначения и лесных массивов использует данные статистической отчетности и агрометеорологических станций, что приводит к недостаточной информативности и оперативности в системах поддержки принятия управленческих решений в области использования земель.
В сложившейся ситуации целесообразным является применение данных дистанционного зондирования Земли, для эффективного использования которых необходимы быстрые и точные алгоритмы обработки больших объемов информации.
Целью работы является разработка методов, алгоритмов и программного модуля определения вегетативного состояния земель сельскохозяйственного назначения и лесных массивов на основе использования аппарата нейронных сетей.
Исходные данные задачи распознавания изображений представляют описание пикселей спутникового снимка с помощью текстурных признаков, которые учитывают не только спектральные яркости пикселя в каждом из каналов снимка, но также спектральные яркости пикселей в его окрестностях и взаимосвязь между данными спектральными яркостями.
В статье рассматривается способ описания текстур на основе текстурных признаков Харалика [1,2], который предложил описывать текстуру, покрывающую изображение, характеристиками специальных матриц вхождений Е, рассчитываемых по изображению. Каждая матрица вхождений описывает структуру текстуры в соответствующем направлении от одного края обрабатываемого изображения к другому. По результатам расчета характеристик матриц Е составляется вектор текстурных признаков изображения, которые могут рассматриваться как характеристики текстуры, покрывающей каждый пиксель изображения [3].
Для снимка I его необходимо обойти с помощью окна размером 0h
на 0 h пикселей, рассчитывая для каждого окна набор текстурных признаков Харалика. Значение 0h должно быть выбрано в соответствии с решаемой задачей. Например, для выделения относительно небольших объектов на снимках можно выбрать 0h равным семи пикселям [4].
Предлагается алгоритм расчета текстурных признаков Харалика для одноканального изображения I^ размером 0h на 0h пикселей, который
состоит из следующих этапов:
Этап 1
Выбирается несколько направлений а = {ах}; х = 1,Х; ах е [0,2п), где ах угол, описывающий направление соответствующей матрицы вхождения Ех , после чего в соответствии с предложенным в [1], [2] выполняет-
п п 3 п
ся расчет матриц вхождений для четырех направлений: а = .
Этап 2
Шаг 1. Выбирается размер области соседства каждого пик-
селя на изображении I^ . Очевидно, что 0а1рЬа =3 - оптимальный выбор
для изображения I^ размером 0h = 7 [5], т.к. окно большего размера приведет к существенному вырождению матриц вхождений, так как оно слишком часто будет выходить за пределы изображения.
Шаг 2. матрицы вхождений Е={Ех}; х=1,Х размером В*В элементов заполняются нулями. Здесь В - количество уровней квантования спектральных яркостей на изображении ^ [6].
Шаг 3. для каждой пары {«пиксель», «матрица вхождений»} (¡^ (ш^щ ),Ех); т^Хд^; пу=А,ву; х=1,Х выполняются следующие операции:
на пиксель ^ (т^п^) «накладывается» окно размером 0а1рЬа*0а1рИа пикселей;
по направлению a x в данном окне находятся координаты крайнего пикселя (mh xnh x):
для a x =0; 0 alpha = 3: mh x=mh' nh x=nh+1; n
для ax=4; 0alpha = 3: mh x=mh -1 nh x=nh+1;
для ax=2; 0alpha = 3: mh x=mh -1 nh x=nh ;
для ax=3n; 0alpha = 3: mh x=mh -1 nh x=nh -1; если координаты (mh x,nh x) крайнего пикселя по направлению ax выходят за пределы изображения Ih , то выполняется переход к следующей
паре «пиксель», «матрица вхождений»;
далее выполняется:
Ex (lh (mhnh ),Ih (mh x,nh x =Ex (lh (mhnh ),Ih (mh x,nh x))+1.
Шаг 4. Матрицы вхождений E масштабируются к сумме своих элементов, равной единице, для чего выполняется преобразование:
/ ( )т ( )\ Ex (lh (mhnh ),Ih (mh x,nh x)) — ExVh (mh,nh ),Ih\mh x,nh xt--; ,X.
I X Ex (i,J) i=0j=0
Шаг 5. Для каждой матрицы Ex рассчитываются характеристики Ex (k), где ^x строки и ^x столбцы - средние по строкам и столбцам соответственно, ax строки и ax столбцы - дисперсии по строкам и столбцам соответственно;
B B Ex (k = I I Ex (ij); i=1 j=1
i+j=k
B B B B
^ x строки = 11 1 Ex(l,j); ^ x столбцы = 1 j 1 Ex (l'j )' l=1j=1 j=1l=1
B ( 2 B
ax строки = 1 (l - №x строки 2 1 Ex (l'J); i=1 j=1
B ( 2 B
ax столбцы = 1 (j - №x столбцы) 1 Ex (l'J).
j=1 i=1
119
р
Шаг 6. для каждой матрицы х рассчитываются следующие характеристики:
В В , 2 ех1= Е Е (Ех (у)) - однородность; =1=1
В -1 2 В В ех2= Е п Е Е Ех (у) - контраст; п=0 1=1 1=1
В В
Е Е 1]Ех ()- ^х строки^х столбцы 1=11=1
ехз=----корреляция;
0 х строки0 х столбцы В В 2
ех4= Е Е - Мх строки ГЕх ) - дисперсия; 1=1=1
В В 1
ех5= Е Е -2Ех ('1) - гомогенность;
г=1]=11+(г -1 )2
2В
ехб= Е'Ех (') - среднее по суммам; 1=2
ех7= Е - ех 6 )^Ех (') - дисперсия по суммам; 1=2 ВВ
ех8= - Е Е Ех (у (Ех (у)) - энтропия; 1=11=1 2В
ех9= - Е Ех (')log(Ех (')+) - энтропия по суммам (коэффициен-1=2
тустраняет неопределенность логарифма при Ех (/)=0 ; значение меньше, 1
чем -, и, следовательно, подходит для спутниковых снимков
7000 х 7000
размером, меньшим 7000 х 7000 = 49000000 пикселей); некоторые другие характеристики [7].
для каждого пикселя ^ ) изображения ^ составляются век-
торы признаков dmn={ex у}; х=1,Х; у=1,9, где т и п - координаты
пикселя ^ (т^,п^) на спутниковом снимке I.
Вычисление текстурных признаков Харалика может выполняться параллельно [8].
Для распознавания областей изображения на основе указанных выше признаков Харалика была использована искусственная нейронная сеть (ИНС), составленная из нескольких многослойных персептронов [9].
Количество слоев, количество нейронов в каждом из слоев и параметры алгоритма [10] обучения ИНС для каждого из многослойных персептронов были определены экспериментальным путем для наилучшего качества обучения персептронов на различных случайных обучающих и тестовых выборках [11].
В заданную нейронную сеть поступает информация о структуре поверхности Земли в виде космических снимков, которые необходимо распознать и выдать результат о типе или состоянии поверхности [12].
По результатам проведенных экспериментов (рисунок) можно сделать вывод о том, что текстурные признаки Харалика подходят для решения сложных задач классификации изображений [13]. К недостаткам текстурных признаков Харалика можно отнести значительный объем вычислений, требуемый для их расчета из-за необходимости анализа нескольких матриц смежности [14].
Результаты экспериментальных исследований
121
Работа является актуальной для агропромышленного комплекса и лесного хозяйства, а предложенный в ней метод позволит решить задачи мониторинга земель сельскохозяйственного назначения и лесных массивов.
Список литературы
1. Haralick R.M., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Transactions on systems, man and cybernetics. 1973. Vol. SMC 3. № 6. P. 610-621.
2. Haralick R.M. Statistical and structural approaches to texture // Proceedings of the IEEE. 1979. Vol. 67, №.5. P. 786 - 804.
3. Злобин В.К., Ручкин В.Н. Нейросети и нейрокомпьютеры. СПб.: БХВ, 2011. 256 с.
4. Колесенков А.Н., Николаев Н.А. Исследование алгоритма нейро-сетевого прогнозирования нелинейных временных рядов // Современное состояние и перспективы развития технических наук. Уфа: Аэтерна, 2015. С. 59-62.
5. Колесенков А.Н., Костров Б.В., Ручкин В.Н. Нейронные сети мониторинга чрезвычайных ситуаций по данным ДЗЗ // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, 2014. Вып. 5. С. 220-225.
6. Акинин М.В., Конкин Ю.В. Нейросетевой способ составления карт гарей лесных массивов по данным дистанционного зондирования Земли // Информатика и прикладная математика: межвузовский сборник научных трудов. Рязань: РГРТУ. 2012. С. 51 - 57.
7. Image segmentation algorithm based on self-organized Kohonen's neural maps and tree pyramidal segmenter / M. Akinin, M. Nikiforov, A. Soko-lova, A. Taganov // Proceedings - 2015 4th Mediterranean Conference on Embedded Computing, MECO 2015, Budva, Montenegro. P. 168-170.
8. Колесенков А.Н., Костров Б.В., Ручкин В.Н. Методика интеллектуального обнаружения, моделирования и сопровождения пожаров // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, 2015. Вып. 5. Ч. 2. С. 266-274.
9. Колесенков А.Н., Таганов А.И. Разработка геоинформационной системы аэрокосмического мониторинга чрезвычайных ситуаций на опасных объектах // Космодром «Восточный» и перспективы развития российской космонавтики»: тезисы докладов Всероссийской молодёжной научно-практической конференции. Самара: СГАУ, 2015. С. 189-190.
10. Колесенков А.Н., Костров Б.В., Ручкин А.Н. Мониторинг и предупреждение чрезвычайных ситуаций» // Proceedings - 2013 2nd Mediterranean Conference on Embedded Computing, MECO 2013, Budva, Montenegro. С. 263 - 265.
11. Акинин М.В., Конкин Ю.В. Исследование подходов к обучению многослойного персептрона // Методы и средства обработки и хранения информации: межвузовский сборник научных трудов. Рязань: РГРТУ, 2012. С. 20-26.
12. Ruchkin V., Kolesenkov A., Kostrov B., Ruchkina E. Algorithms of Fire seat Detection, Modeling Their Dynamics and Observation of Forest Fires via Communication Technologies // Proceedings - 2015 4th Mediterranean Conference on Embedded Computing, MECO 2015, Budva, Montenegro. P. 254257.
13. Костров Б.В. Методология спектрального анализа изображений в конечных базисах // 2-я Международная научно-техническая конференция «Актуальные проблемы создания космических систем дистанционного зондирования Земли». М.; 2014. С. 126-128.
14. Костров Б.В., Злобин В.К., Упакова А.Г., Конкин Ю.В. Алгоритм устранения искажений средней яркости по полю изображений // Известия Тульского государственного университета. Технические науки. Тула: Изд-во ТулГУ, 2013. Вып. 9. Ч. 2. С. 118-124.
Конкин Юрий Валериевич, канд. техн. наук, доц., konkin.i. vaevm.rsreu.ru, Россия, Рязань, Рязанский государственный радиотехнический университет,
Колесенков Александр Николаевич, канд. техн. наук, доц., sk62@ mail.ru, Россия, Рязань, Рязанский государственный радиотехнический университет
IMAGE RECOGNITION BASED ON THE TEXTURAL FEATURES OF ARALICA AND ARTIFICIAL NEURAL NETWORKS
Y. V. Konkin, A.N. Kolesenkov
Considered are the issues of intellectual approach to the recognition of the space images structures, construction of a neural network and monitoring of agricultural land and forests due to processing of space data on the basis of neural networks. The algorithm for the calculation of the textural features of Haralica for single-band images, allowing to perform operations of the computing textural features in parallel. The results of experimental research and the implementation of the method.
Key words: recognition, texture, sign, space, picture, image, monitoring, neural network, perceptron, INN.
Konkin Yuri Valerievich, candidate of technical sciences, docent, kon-kin.j. v a evm.rsreu.ru, Russia, Ryazan, Ryazan State Radio Engineering University,
Kolesenkov Aleksandr Nikolaevich, candidate of technical sciences, docent, sk62@,mail.ru, Russia, Ryazan, Ryazan State Radio Engineering University
