CC BY
28ТЕОРЕТИЧЕСКИЕ МЕТОДЫ ФОТОГРАММЕТРИЧЕСКОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ ПРИ ОПРЕДЕЛЕНИИ ОБЪЕМОВ И КАЧЕСТВЕННЫХ ХАРАКТЕРИСТИК КРУГЛЫХ ЛЕСОМАТЕРИАЛОВ
Бякин Г.И.
Приведены теоретические положения, позволяющие технически реализовать алгоритмы определения качественных и количественных характеристик круглых лесоматериалов. Алгоритмы определения объема, коэффициента полнодревесности и процентного содержания коры основаны на методах цифровой обработки изображений штабеля круглых лесоматериалов
The theoretical bases allowing technically to realize algorithms of determination of qualitative and quantitative characteristics of round wood are resulted. Algorithms of a volume determination, nontaperity coefficient and percentage of a bark are based on methods of digital processing of images of a round wood pile
Ключевые слова: фотограмметрия, объем, лесоматериалы, цифровая обработка, коэффициент полнодревесности, алгоритм определения, измерение
Keywords: Photogrammetric, volume, round wool pile, timber, digital processing, nontaperiti coefficient, algorithm of determination, measurement
До настоящего времени измерение объемов круглого леса производится методами и средствами, разработанными ещё в XVII - IX веках.
В результате применения этих методов установилась их классификация.
По количеству измеряемых лесоматериалов на:
• поштучный, при котором объем каждого лесоматериала определяется по толщине и длине (мерными шестами и рулетками);
• групповой, при котором объем совокупности лесоматериалов определяется по параметрам пачки, пакета или транспортной емкости.
По принципу измерения:
• геометрический, при котором объем лесоматериалов (хлыстов) определяется по толщине и длине или по габаритам фиксированной формы;
• весовой, при котором объем лесоматериалов определяется путем их взвешивания с последующим пересчетом массы в объемные показатели;
• ксилометрический, при котором объем лесоматериалов определяется по объему вытесненной воды при погружении в неё лесоматериалов.
Наиболее распространенным в лесной отрасли народного хозяйства благодаря простоте и достаточно высокой точности получаемых данных
является метод определения объема круглых лесоматериалов, основанный на их поштучном геометрическом измерении.
Данный метод весьма трудоёмок, но эффективен при определении объемов лесоматериалов ценных пород: кедр, ясень, граб, бук.
При складировании и экспорте лиственных и хвойных лесоматериалов, объемы перемещения которых достигают сотен и тысяч кубометров, необходим простой, достаточно точный метода измерения количественных и качественных характеристик лесоматериалов. Для этих целей предлагается использовать фотограмметрический метод, который позволяет воспроизводить изображение объектов (круглых лесоматериалов), регистровать их изображения цифровыми методами и измерять оптико-электронными приборами.
Рассмотрим теоретические положения фотограмметрической обработки изображений при определении объемов и качественных характеристик круглых лесоматериалов.
С развитием средств вычислительной техники появилась возможность решать многие фотограмметрические задачи на стыке дисциплин: компьютерного зрения, машинной графики, распознавания образов, цифровой фильтрации и ряд других.
Определение объема и качественных характеристик штабеля круглого леса основано на фотограмметрическом методе бесконтактных измерений, кратко, суть которого заключается в измерении площади торцов бревен при их известной номинальной длине и вычислении объема в соответствии с принятой моделью - усеченным конусом или цилиндром (рис.1). Под качественными характеристиками подразумеваются толщина коры (или ее отсутствие) и, собственно, качество древесины.
/ ці лалиожр
‘.рм офаОотм
І »'Г(:оч* їм
Рис. 1. Исходная установка аппаратуры для проведения измерения Теоретические положения, позволяющие реализовать алгоритмы определения качественных и количественных характеристик штабеля
круглых лесоматериалов по цифровому изображению содержат несколько подходов.
Первый подход основан на использовании информации о цветовой палитре торцов бревен в штабеле.
Цифровое изображение представляет собой прямоугольную матрицу с N столбцами и M строками, где N - ширина изображения, M - высота изображения. Количество пикселей на изображении - NM.
Любое изображение может быть рассмотрено в различных цветовых пространствах. Наиболее распространенной является RGB- модель изображения (три цвета: красный (Red), зеленый (Green) и синий (Blue)). При 24-х битном представлении изображения для каждой RGB - составляющей отводится один байт (8 бит), поэтому каждая составляющая задается числом от 0 до 255.
Полученное цифровое изображение торца штабеля корреляционноцветовым способом сегментируется на области интереса - области на изображении, относящиеся к древесине (центры спилов различных диаметров), коре и др. области. Для автоматической сегментации площади торца выбирается цветовое пространство, инвариантное к освещению, т.е. для уменьшения влияния освещения на цвет древесины или коры, от исходного изображения переходят к нормализованному в пространстве r,g,b:
где R,G,B - интенсивности, соответственно, красного, зеленого и синего цветов на изображении штабеля.
Из данного соотношения следует, что r+g+b=1, поэтому нормализованные цвета могут быть представлены двумя составляющими г и g учитывая, что компонента Ь=1—r—g.
Анализ графиков, построенных на основе компонент г и g , показывает, что цвет древесины и древесной коры сосредоточена в двух компактных кластерах (рис.2).
Получив попиксельное изображение в пространстве г^ исследователю, в рамках цветового фотограмметрического подхода, предоставляются исходные данные для классификации на области “дерево”, “кора”, “не дерево-не кора”.
В дальнейшем, многочисленные методы распознавания (статистические, аналитические, нейросетевые) позволяют реализовать классификатор, позволяющий определять площадь бревен на изображении в дальней зоне (10-100м) (рис. 3).
Рис. 2. Исходное изображение торца, изображение точек древесины и коры
в пространстве г^
Рис. 3. Результаты работы классификатора в рамках цветового фотограмметрического подхода
В реальных ситуациях, при изменении освещенности объекта может наблюдаться совпадение его цветовых характеристик и общего фона, что может ограничивать использование данного подхода на практике.
Второй подход, основан на положении, что бревна имеют преимущественно круглую форму. Данный подход требует решения задачи оконту-ривания, детекции границ торца бревен, корреляционного поиска каждого бревна в отдельности по шаблону на полученном изображении и может быть эффективен в ближней зоне видимости. Решение данных задач требует пояснения принципа локальной фильтрации, который получил широкое распространение при обработке цифровых изображений.
Любой локальный фильтр представляет собой прямоугольный участок плоскости, называемый апертурой, на котором определяется функция, называемая весовой функцией или функцией окна. Каждому элементу апертуры соответствует определенное число, называемое весовым множителем. Совокупность весовых множителей и составляет весовую функцию. Апертура с заданной на ней весовой функцией часто называется маской и обычно имеет небольшой размер: 3x3, 5x5, 7x7 элементов (пикселей) Фильтрация осуществляется перемещением апертуры по изображению. При каждом движении апертуры весовая функция поэлементно умножается на значения соответствующих пикселей исходного изображения, произведения суммируются, сумма делится на нормирующий коэффициент. Полученная величина называется откликом фильтра и присваивается
пикселю нового изображения, находящегося в центре апертуры. Так как отклик фильтра выражается линейной зависимостью от значений элементов изображения, то фильтр является линейным. Ниже представлены примеры реализаций весовых функций Н различных линейных фильтров:
- усредняющий фильтр нижних частот для очистки от шума;
- фильтр верхних частот, для подчеркивания высокочастотных составляющих изображения;
- фильтр Лапласа, для выделения перепадов яркости (границ) на изображении;
- фильтр Г аусса нижних частот для очистки от шума.
Необходимо отметить, что если изображение описывается тремя RGB - составляющими, то процедура локальной фильтрация осуществляется по каждой составляющей в отдельности. Основные понятия линейной фильтрации применимы при реализации нелинейных фильтров.
Основное отличие состоит в том, что выход нелинейного локального фильтра формируется нелинейным образом от данных исходного изображения. К нелинейным фильтрам можно отнести целый ряд фильтров, подчеркивающих перепады яркости - детекторов границ, медианных фильтров и др.
Ниже описана работа нелинейного фильтра Робертса1. В данном фильтре используется квадратная апертура размером 2x2 пикселя (рис. 4). Весовая функция не задается и равна 1.
1 Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход.: Пер. с англ. - М.: Издательский дом «Вильямс», 2004.
Рис. 4. Квадратная апертура размером 2x2 пикселя
Отклик фильтра Робертса вычисляется по формуле:
G(и у) = V 2 + V 2 ,
ГДе и = F (I, у) - F ( + 1, у +1)
V = F(и у +1) - F0 + 1, у)
Сходные результаты дает аналогичный оператор, требующий меньшего объема вычислений:
G (К у) = р\ + \Г\
Нелинейный фильтр Собеля использует апертуру размером 3x3 пикселя [1,2,3].
Отклик фильтра Собеля вычисляется по формуле:
G(i, /) = и 2+ V2
где
= [F(I -1, у +1) + 2F(I, у +1) + F(I + 1, у +1)] - [F(I -1, у -1) + 2F(I = [F(I -1, у -1) + 2F(I -1, у ) + F(I -1, у +1)] - [F(I + 1, у -1) + 2F(I
По аналогии, упрощенный алгоритм Собеля выглядит следующим образом:
G(i, у) = и + V
На рис. 5 представлены результаты обработки изображения штабеля бревен фильтром Собеля.
Рис. 5. Исходное изображение торца штабеля и преобразованное фильтром Собеля
Хорошие результаты детекции границ получаются с помощью фильтра Канни. Это достаточно сложный метод, состоящий из большого числа этапов. Метод основан на поиске локальных участков изображения с перепадами яркости, которые ищутся на изображении с помощью применения по каждой из осей изображения фильтров Гаусса и Лапласа последовательно. В методе Канни реализуется классификация перепадов яркости на «слабые» и «сильные», для чего используется два порога - нижний и верхний. Для зашумленных изображений данный метод обеспечивает наилучшее обнаружение границ по сравнению с остальными методами, но требует существенно большего времени и поиска значений нижнего и верхнего порога2.
Для обнаружения бревен на изображении, представленном на рисунке 5 используется шаблон (рис. 6).
Рис. 6. Шаблон для корреляционного поиска бревен
В ходе сканирования осуществляется масштабирование исходного изображения в заданных пределах с заданным шагом сканирования. В результате формируется трехмерный массив значений функции близости шаблона и
2 Свидетельство о государственной регистрации программы для ЭВМ от 24.03.2008 №2008612240. Программа системы автоматизированного определения характеристик круглых лесоматериалов.
изображения при различных значениях масштаба. Использование различных стратегий выбора порога, методов борьбы с ложными обнаружениями, дополнительной информации о цветовых характеристиках бревен может значительно улучшить качество работы подобного обнаружителя (рис. 7).
Перспективным направлением дальнейших исследований и совершенствования АС является использование семейства алгоритмов классификации AdaBoost, разработанного на их основе эффективного метода Viola-Jones Object Detector и аппарата сверточных нейронных сетей, показывающих хорошие результаты при решении задачи распознавания образов на изображениях3.
Заключительным этапом любого из перечисленных подходов является подсчет количества точек цифрового изображения торца штабеля, относящихся к древесине или коре и умножение данного числа на масштабный коэффициент, зависящий от оптической системы цифровой фотокамеры.
При условии, когда существует возможность съемки обоих торцов штабеля, в качестве модели бревна используется фигура усеченного конуса. Тогда, соответственно, объем штабеля будет равен:
где L - длина бревна,
S„ S2- площади двух противоположных торцов штабеля, соответственно.
3 Lawrence S., Giles C. L., Tsoi A. C. and Back A. D. Face Recognition: A Convolutional Neural Network Approach. IEEE Transactions on Neural Networks, Special Issue on Neural Networks and Pattern Recognition, pp. 1-24.
■
Рис. 7. Результаты работы контурно-корреляционного метода в ближней зоне (1-10 м)
В случае, когда съемки с обоих торцов затруднены и ведутся с одного торца штабеля, то в качестве модели бревна обычно используется фигура цилиндра. Тогда, соответственно, объем бревна будет равен:
В каждом из этих случаев для получения уточненного результата используются поправочные коэффициенты, учитывающие степень упрощения, вызванную принятой моделью.
