CC BY
66
Секция «Информационнее системы и технологии»
УДК 004.65
Н. А. Тарелов Научный руководитель - М. Н. Фаворская Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
РАСПОЗНАВАНИЕ ЛАНДШАФТНЫХ ТЕКСТУР НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
Рассмотрены задачи проведения мониторинга ландшафтных изображений. Представлена актуальность данной тематики. Рассмотрены нейронные сети. Приведено тестирование программного продукта. Проведено тестирование программного продукта, результаты тестирования сведены в таблицы.
В современных условиях научно-технического прогресса антропогенное воздействие на природные ландшафты приобрело огромные масштабы, создавая реальную опасность нарушения экологического равновесия практически любых территорий. Это приводят к необходимости ведения постоянного экологического мониторинга. Одним из этапов проведения экологического мониторинга является анализ аэрофотоснимков. Задачей классификации объектов и местности занимается определенный человек-дешифратор аэрофотоснимков.
Разработка программного продукта, с применением программных средств и технологий, существующих на данный момент, может значительно облегчить задачу распознавания объектов и местности на аэрофотоснимке. Подобные системы можно отнести к более общему классу - системам классификации и на данный момент такие системы часто строят на основе нейронных сетей [1].
Нейронные сети могут сильно отличаться друг от друга, однако у них есть несколько общих черт. Основу нейронной сети составляет большое число связанных между собой обрабатывающих (процессорных) элементов (ячеек), работающих согласовано над решением конкретной задачи, имитирующих работу нейронов мозг. Нейрон может определяться своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или затормо-
жены. Нейрон обладает группой синапсов - входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов [3].
Многослойный персептрон. Многослойный пер-цептрон представляет собой нейронную сеть прямого распространения. Входной сигнал в такой сети распространяется в прямом направлении, от слоя к слою. Многослойный персептрон в общем представлении состоит из следующих элементов:
- множества входных узлов, которые образуют входной слой;
- одного или нескольких скрытых слоев вычислительных нейронов;
- одного выходного слоя нейронов.
Нейронная сеть Кохонена. Для применения нейронных сетей Кохонена в задачах классификации требуется некоторая формализация. Каждый объект, который требуется классифицировать, представляется в виде некоторого вектора, подающегося на вход нейронной сети. Количество нейронов во входном слое определяется количеством компонентов этого входного вектора. Количество же выходов определяется количеством классов, т. е. если всего М классов, то количество нейронов в выходном слое тоже будет М [2].
Результат тестирования
Актуальные проблемы авиации и космонавтики - 2014. Информационные технологии
Программный продукт был протестирован. В качестве базы текстур, были взяты нарезки со снимков, произведенных со спутника. Загружались изображения с различными текстурными характеристиками, которые можно отнести к четырем группам: река, лес, поле, город.
Тестирование происходило следующим образом: на вход нейронной сети подавалась обучающая выборка, затем сеть обучалась, и происходила проверка на одном из тестовых изображений.
Результат тестирования представлен на рисунке выше. Таким образом, можно заключить, что классификация ландшафтных изображений выполняется с
приемлемым качеством, способным обеспечить весомую помощь при сегментации изображений.
Библиографический ссылки
1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М. : Техносфера, 2005. 1072 с.
2. Круглов В. В., Борисов В. В. Искусственные нейронные сети: Теория и практика. М. : Горячая линия -Телеком, 2001. 381 с.
3. Shapiro L. G. Computer Vision / Linda G. Shapiro, George C. Stockman. - New Jersey, Prentice-Hall, 2001. Р. 279-325.
© Тарелов Н. А., 2014
УДК 004.32
А. И. Томилина Научный руководитель - А. Н. Горошкин Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
МЕТОДЫ РЕШЕНИЯ ЗАДАЧИ МАТИРОВАНИЯ ИЗОБРАЖЕНИЙ
Рассмотрены различные методы решения задачи матирования изображений. Представлена классификация методов и их качественный анализ.
Задача матирования состоит в выделении объектов на изображении с целью последующего наложения объекта на новый фон. Критерием качества матирования является незаметность монтажа для зрителя.
Существующие методы решения задачи матирования изображений можно разделить на 2 группы: не автоматические и автоматические. Не автоматические методы требуют специальных условий съемки или ручной работы, но на практике очень часто применяются. К таким относится метод «Хромакей». Данный метод требует съёмки объекта на однородном фоне определённого цвета, при этом этот цвет должен отсутствовать в изображении объекта. Чаще всего используется синий или зелёный фон.
Существуют различные алгоритмы выделения по цвету. Разметка в алгоритмах подобного типа не требуется, так как они работают только с изображением и заданным цветом фона.
Достоинства данного метода заключаются в возможности его работы в реальном времени, а также в возможности качественного извлечения теней, бликов и полупрозрачных объектов.
Если отсутствует возможность снять объект на фоне определенного цвета, применяется «Ротоскопи-рование» - ручное создание маски объекта. Невозможность обеспечить одноцветный фон для автоматической обработки может быть вызвана рядом причин, таких как:
• архивные и другие видеоматериалы, при съемке которых матирование не планировалось;
• слишком большая сцена, которую сложно покрыть задним фоном одного цвета;
• невозможность добиться равномерного освещения заднего фона;
• необходимость взаимодействия переднего и заднего плана, когда стоит задача не заменить фон, а лишь дополнить/видоизменить имеющийся фон [1];
В некоторых случаях ротоскопирование можно частично автоматизировать, например, если движение объекта является аффинным/плоским, т. е. видимый силуэт объекта деформируется в процессе движения лишь линейным образом.
Обычно ротоскопирование осуществляется с помощью сплайнов Безье, задаваемых в ключевых кадрах. Контрольные точки интерполируются между ключевыми кадрами (линейно, либо тоже с помощью сплайнов). Дополнительно можно без особых усилий добиться следующих эффектов:
• размытие движения - получается размытием созданной маски, т. к. скорость сплайна в каждой точке известна
• константное размытие границ (фокусировка) -получается применением гауссова фильтра к маске
• размытие границ переменной толщины - достигается созданием двух вложенных сплайнов, один из которых соответствует прозрачности = 0, а другой = 1.
Однако мелкие детали (например, волосы) очень трудно ротоскопировать, так как приходится создавать много сплайнов и двигать их независимо. В сложных случаях количество сплайнов может достигать нескольких десятков.
К методам автоматизированного решения задачи матирования изображений относятся алгоритмы матирования изображений. Данные алгоритмы получают на вход исходное изображение с разметкой. Разметка требуется для устранения неоднозначности в разложении на передний план, фон и канал прозрач-
