Систма сегментации и кластеризации ландшафтных изображений Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.65

СИСТМА СЕГМЕНТАЦИИ И КЛАСТЕРИЗАЦИИ ЛАНДШАФТНЫХ ИЗОБРАЖЕНИЙ

Н. А. Тарелов Научный руководитель - М. Н. Фаворская

Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева

Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

E-mail: nikita_t_a@mail.ru

Рассмотрены задачи сегментации и кластеризации ландшафтных изображений при проведении мониторинга. Проведено тестирование программного продукта. Экспериментальные результаты показали, что точность кластеризации варьируется в диапазоне от 80 до 83 %.

Ключевые слова: мониторинг, кластеризация изображений, мультипороговая сегментация, сегментация на основе связных областей.

SEGMENTATION SYSTEM AND CLUSTERING OF LANDSCAPE IMAGES

N. А. Таге1оу Scientific supervisor - М. N. Favorskaya

Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: nikita_t_a@mai1.ru

Reviewed the problems of segmentation and clustering of landscape images for monitoring. Conducted testing of software product. Experimental results have shown that the accuracy of clustering ranges from 80 to 83 %.

Keywords: monitoring, clustering images, multispectral segmentation, segmentation based on connected regions.

В современных условиях научно- технического прогресса антропогенное воздействие на природные ландшафты приобрело огромные масштабы, создавая реальную опасность нарушения экологического равновесия практически любых территорий. Масштабы нарушений столь велики, что приводят к необходимости ведения постоянного экологического мониторинга. При проведении экологического мониторинга, приходится работать со снимком местности, полученным с летающих носителей. Задачей классификации объектов и местности занимается определенный человек. В связи с большим объемом информации этот процесс является весьма трудоемким. 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. Первоначальным этапом классификации объектов и местности является сегментация изображения, и последующая кластеризация. Поэтому разработка системы кластеризации ландшафтных изображений является актуальной задачей [1].

Первоначальным этапом кластеризации изображений, является его сглаживание, с последующим избавлением от шумов. В качестве сглаживающих фильтров были реализованы фильтры Гаусса и фильтр Кувахара. Фильтры были протестированы по критерию быстродействия и по метрикам MSAD и PSNR.

На риа 1 представлен график зависимости работы определенного фильтра от размера изображения. На вход подавалось зашумленное изображение, и затем применялось шумоподавление с помощью фильтра Гаусса и фильтра Кувахара. В качестве параметров на вход фильтрам подавались радиусы размытия 5, 7 и 11.

Помимо этого, каждый раз с применением сглаживающего фильтра рассчитывались метрики, по которым можно судить о том, или ином шумоподавляющем фильтре.

Рис. 1. График сравнения времени выполнения для изображений с разным разрешением с применением фильтров Гаусса и Кувахара, с разным радиусом размытия

На рис. 2 представлен график сравнения рассчитанной метрики для фильтра Гаусса и

фильтра Кувахара. Судя по графику можно увидеть, что наиболее эффективным шумоподавляющим фильтром оказался фильтр Кувахара, на изображении с разрешением 2144^2192, с применением маски размытия равной 11. Наименее эффективным показал себя фильтр Гаусса, на изображении с разрешением 697x661.

6,6 6,4 6,2

5,6 5,4 5,2 5

Lk.jJ

I I I I I I I I I I I I I I I I I I

1259x1250

2144x2192 Фильтр Гаусса

1259x1250

2144x2192

Фильтр Кувахара

I Канал Red I Канал Green I Канал Blue

Рис. 2. График сравнения рассчитанной метрики PSNR для всех фильтров с разным радиусом размытия для изображений с разным разрешением по всем трем каналам (Red, Green, Blue)

На рис. 3 представлен график сравнения рассчитанной метрики М8ЛБ, для фильтра Гаусса и фильтра Кувахара. Судя по графику можно увидеть, что наиболее эффективным фильтром по метрике М8ЛБ оказался фильтр Гаусса, на изображении с разрешением 2144x2192. Наименее эффективным показал себя фильтр Кувахара, на изображении с разрешением 697x661, с маской размытия равно 5.

1,5 1,45 1,4 1,35 1,3 1,25 -1,2 1,15 -

III

5 7 11 1259x1250

5 7 11 2144x2192 Фильтр Гаусса

5 7 11 697x661

5 7 11 1259x1250

5 7 11 2144x2192

5 7 11 697x661

Фильтр Кувахара

I Канал Red |Канал Green I Канал Blue

Рис. 3. График сравнения рассчитанной метрики MSAD для всех фильтров с разным радиусом размытия для изображений с разным разрешением по всем трем каналам (Red, Green, Blue)

Произведен анализ существующих методов кластеризации изображений. Выбор того или иного метода кластеризации зависит от поставленной задачи. Первым этапом является сегментация изоба-жения. В качестве методов сегментации были выбраны методы сегментации на основе связностей областей, а так же мультипороговая сегментация.

Связная область изображения - это самостоятельная семантическая единица, позволяющая вести дальнейший геометрический, логический, топологический и любой другой анализ изображения. Идея сегментации на основе связных областей заключается в том, что обнаруженный связный сегмент помечается либо новой оригинальной меткой (если он ни одним пикселем не касается какого-либо уже помеченного сегмента в предыдущей по ходу анализа строке), либо меткой той области, которой принадлежит граничащий с ним отрезок предыдущей строки. Такой алгоритм построчного просмотра изображения обеспечивает существенно более высокое быстродействие, однако в процессе пометки сегментов могут возникать так называемые коллизии или «столкновения» меток.

Мультипороговая сегментация изображения по уровням яркости - простейший вид сегментации изображения. Этот метод основан на том, что многие объекты или области изображения характеризуются постоянной отражательной способностью или поглощением света на их поверхности. Отличительной чертой мультипороговой сегментации являются вычислительная эффективность и возможность использования в системах реального времени.

В качестве метода кластеризации был выбран метод k-средних. Суть метода заключается в разбиении множества элементов векторного пространства на заранее известное число кластеров k. Действие алгоритма таково, что он стремится минимизировать среднеквадратичное отклонение на точках каждого кластера. Основная идея заключается в том, что на каждой итерации перевычисляется центр масс для каждого кластера, полученного на предыдущем шаге, затем векторы разбиваются на кластеры вновь в соответствии с тем, какой из новых центров оказался ближе по выбранной метрике. Алгоритм завершается, когда на какой-то итерации не происходит изменения кластеров.

Программный продукт был протестирован. В качестве базы текстур, были взяты нарезки со снимков, произведенных со спутника. В качестве данных, используемых при разбиении изображения на регионы, было решено использовать текстурные признаки изображений, основанные на статических характеристиках.

На рис. 4 представлен график вероятности ошибок кластеризации с применением фильтра Гаусса и фильтра Кувахара. На вход программы подавалось изображение, которое должно было быть подвергнуто кластеризации. В качестве входным параметров так же были поданы эталонные текстурные признаки, которые были выбраны экспертом. Изображение было подвергнуто фильтрации с помощью фильтра Гаусса и фильтра Кувахара, с радиусом размытия равным 21, 23 и 25. В качестве параметром кластеризации были выбраны шаги обхода изображения равные 40 и 50.

rvi НИ яг

i I I 1ГГ ■ IIII

Фильтр Гаусса

I 1

Фильтр Кувахара

¡Текстура "Лес" I Текстура "Поле" Текстура "Город"

Рис. 4. График вероятности ошибок кластеризации с применением фильтров Гаусса и Кувахара с разным шагом обхода, для трех текстур

Таким образом, кластеризация ландшафтных изображений выполняется с приемлемым качеством. Точность сегментации составляет 80-83 %.

Библиографический ссылки

1. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М. : Техносфера, 2005. 1072 с.

2. Потапов А. А. Новые информационные технологии на основе вероятностных текстурных и фрактальных признаков в радиолокационном обнаружении малоконтрастных целей // Радиотехника и электроника. № 9. 2003. С. 1101-1119.

3. Shapiro L. G., Stockman G. C. Computer Vision. New Jersey, Prentice-Hall, 2001. Р. 279-325.

© Тарелов Н. А., 2015