Анализ эффективности методов сегментации для снимков сверхвысокого пространственного разрешения, полученных при полупрозрачной облачности

Тип работы:
Реферат
Предмет:
Кибернетика


Узнать стоимость

Детальная информация о работе

Выдержка из работы

УДК 004. 932. 2
АНАЛИЗ ЭФФЕКТИВНОСТИ МЕТОДОВ СЕГМЕНТАЦИИ ДЛЯ СНИМКОВ СВЕРХВЫСОКОГО ПРОСТРАНСТВЕННОГО РАЗРЕШЕНИЯ, ПОЛУЧЕННЫХ ПРИ ПОЛУПРОЗРАЧНОЙ ОБЛАЧНОСТИ
П.Ю. Селиванов
В статье рассмотрена возможность применения методов фильтрации и сегментации для снимков сверхвысокого пространственного разрешения. Анализируются результаты применения различных пар методов фильтрации и сегментации изображений для исключения влияния облачности на снимках
Ключевые слова: аэрофотоснимки, облачность, сегментация
Одной из основных проблем использования космических аппаратов для получения пространственных данных является невозможность проведения зондирования в условиях, когда объект закрыт облаками. То есть для пассивных сенсоров необходимо выполнять съемку только в ясную погоду, при хорошей прозрачности атмосферы. Таким образом, возможность получения данных зависит от природных условий, повлиять на которые не представляется возможным.
В работе Межеловского Н. В. 3] проведена вероятностная оценка возможности осуществления съемки. Из приведенных в работе данных следует, что гарантированное получение изображений интересующей территории нулевой облачности в заданный период времени невозможно. Например, для районов со сложными метеоусловиями, такими, например, как на северо-востоке России, вероятность выполнения однократной съемки даже малого участка с помощью спутника «Landsat» в течение всего летнего сезона равна 0,64, то есть недостаточна для мониторинга на основе космических снимков. Кроме того, при необходимости отснять территорию с трех-четырех маршрутов съемки, например, «Landsat» не обеспечивает сколько-нибудь надежного выполнения такой съемки даже в регионах со средними метеоусловиями.
Таким образом, разработка методов обработки снимков, позволяющих получать максимальное количество информации об интересующей территории в условиях непрозрачной атмосферы, безусловно, является актуальной.
В работе [2] предложен адаптивный метод определения полей облачности на снимках сверхвысокого разрешения, который опирается на использование фильтрации и сегментации изображений. В настоящий момент известно и реализовано большое количество алгоритмов,
Селиванов Павел Юрьевич — ВГТУ, соискатель, тел. 8(495)931−05−63, e-mail: polus33@mail. ru
решающих эту задачу[1]. Однако в рамках проблемы, стоящей при создании метода определения полей облачности, алгоритм сегментации должен обладать устойчивостью к шуму и эффективно справляться с сегментацией аэрокосмических снимков высокого пространственного разрешения.
Для выбора такого метода исследовались пары алгоритмов фильтрации и сегментации изображений с целью установления наиболее эффективной комбинации. В исследование введены методы фильтрации, поскольку известные методы атмосферной коррекции снимков не позволяют в общем случае получить неискаженные изображения подстилающей поверхности.
Сначала необходимо описать тестовый стенд, который был реализован для выполнения поставленной задачи. Для проведения исследования использовался снимок с вертолета сверхвысокого пространственного разрешения в видимом диапазоне и с нулевой облачностью. Для уменьшения временных затрат в дальнейших операциях по обработке снимка было решено ограничиться небольшим его фрагментом.
Выбранный фрагмент предварительно был преобразован в монохромное изображение с помощью стандартной функции im2gray пакета Image Processing Toolbox среды MATLAB (см. рис. 1). Использование такого подхода позволило существенно сэкономить на времени вычислений и не считать, что результаты, полученные в процессе исследования, верны только для снимков, полученных определенной камерой.
Для проведения эксперимента была использована параметрическая модель цифрового изображения [2]. Функция шума итерационно синтезирует изображение такого же размера, как и исходное. На каждом шаге добавляется одна шумовая точка. Пиксель, который будет зашумлен, выбирается равновероятно, а изменение интенсивности подчинено закону нормального распределения. Предложенная реализация позволяет задавать количество наносимых шумо-
вых точек, а также параметры нормального распределения их интенсивности (см. рис. 2).
Рис. 1. а) Исходный космический снимок-
б) монохромный фрагмент размером 238×237
Однократное испытание заключалось в пошаговом выполнении следующих действий (см. рис. 4):
1. искусственное зашумление снимка-
2. фильтрация изображения-
3. сегментация изображения-
4. классификация сегментированных областей (отнесение их к двум классам «автомобиль» и «не автомобиль») на основе вектора признаков-
5. оценка работы связки методов фильтрации и сегментации.
Для автоматической оценки работы методов фильтрации и сегментации снимков проводилось разделение полученных областей на два класса: «автомобиль» и «не автомобиль». Классификацию предлагается проводить, используя вектор признаков, включающий следующие характеристики области, рассчитываемые с использованием следующих статистик:
Рис. 2. Примеры искусственной облачности с различным числом шумовых точек
1. Исправленная выборочная дисперсия:
=- X" (- х)2 ,
0 п -11=1 '
п —
п -1 п
длина выборки.
2. Выборочный третий центральный момент:
^=1 тпи- x)2
длина выборки.
3. Энтропия:
H = -Е Pi 1о§ p^
где x
где
— x1 +… +^
п —
п (і)
п (/'-) = | xk = /}|, п — длина выборки.
Вследствие влияния полупрозрачной облачности среднее значение яркости пикселей одного объекта, определяемое математическим ожиданием, отличается в зависимости от плотности облачности и не может быть выбрано в качестве дескриптора. Для описания текстуры особенно важен второй момент, то есть диспер-
п
п
сия- она является мерой яркостного контраста, что можно использовать для построения дескрипторов относительной гладкости. Третий момент является характеристикой асимметрии гистограммы. Среди прочих характеристик текстуры отметим среднюю энтропию, характеризующую изменчивость яркости изображения. Она равна нулю для области постоянной яркости и максимальна в случаях равновероятных значений.
/
Рис. 3. Наложение контура эталона на область, отнесенную к классу «автомобиль», для выделения ошибок: внешние белые точки — ошибки первого рода- внутренние черные точки — ошибки второго рода
В качестве эталона сегментации была использована заранее подготовленная маска искомого объекта «автомобиль». Ошибкой первого рода (а-ошибкой, или ложным распознаванием) считалась ситуация, когда некоторый пиксель объекта, классифицированного ранее как «автомобиль», не принадлежал эталонной маске, а ошибкой второго рода (Ьошибкой, или ложным пропуском) считалась ситуация, когда пиксель эталона не был отнесен к распознанному объекту (см. рис. 3).
Для проведения исследований были использованы следующие алгоритмы фильтрации и сегментации, рекомендованные как алгоритмы с высокой устойчивостью к шуму[1]:
1. Методы фильтрации:
1)
контргармонического
2)
3)
Люси-
на основе среднего-
на основе минимума- итерационный алгоритм Ричардсона.
2. Методы сегментации:
1) метод сегментации по водоразделам с применением маркеров-
2) метод к-среднего-
3) метод выращивания областей.
Рис. 4. Общая схема проведения испытаний при исследовании алгоритмов фильтрации и сегментации при фиксированном искаженном изображении
Проведение исследования можно описать следующей итерационной процедурой:
Шаг 1. Подготовка сигнатуры класса автомобиль и эталона сегментированной области.
Шаг 2. Выбор параметров искажения изображения.
Шаг 3. Синтез искаженного изображения с использованием параметрической модели.
Шаг 4. Коррекция изображения каждым из трех выбранных фильтров.
Шаг 5. Сегментация искаженного и каждого скорректированного изображения тремя различными методами.
Шаг 6. Распознавание искомого объекта на изображениях.
Шаг 7. Определение числа ошибок распознавания объекта для всех используемых методов фильтрации и сегментации.
Шаг 8. Если проведены все запланированные испытания с выбранными параметрами облачности, то переходим к Шагу 2- иначе — к Шагу 3.
X 1 I 7 О
Ї'-Ш
ш d о. о
U
у
ш
7
0 I-X U
1 7 О
і ID
'-Г? ш d
Q. О
О
ОШибки сегментаций 2 рода после применения алгоритма фильтрации Люси-Ричардсона
. /! 1. 5
Количество шумовых точек
Сегментация водоразделами ••^•¦'-•Сегментация методом к-среднего -+¦ -Сегментация методом выращивания
Наиболее эффективные методы фильтрации и сегментации в зависимости от количества шумовых точек.
Кол-во шумовых точек, х 105 Метод фильтрации Метод сегментации
0 — 0,27 без фильтрации выращивание областей
Небольшая плотность 0,27 — 0,4 фильтр контргармоническое среднее к — среднее
0,4 — 0,65 фильтр минимизации к — среднее
0,65 — 0,95 фильтр контргармоническое среднее Выращивание областей
Средняя плотность 0,95 — 1,15 фильтр минимизации или Люси-Ричардсона к- среднее
1,15 — 1,25 фильтр минимизации к — среднее
Высокая плотность 1,25 — 2 фильтр Люси- Ричардсона к — среднее
При выполнении каждой итерации описанная процедура подразумевает выбор параметров шума (см. Шаг 2). При проведении исследования математическое ожидание и дисперсия интенсивности пикселя, добавляемого на каждом шаге алгоритма построения искаженного изображения, не изменялись и составляли соответственно 50 и 20 единиц. Плотность облаков моделировалась количеством добавленных пикселей. Эта величина изменялась от 0 до 250 000 с шагом 500 точек. Для фиксированных параметров плотности облаков строилось 100 искаженных изображений, для каждого из которых выполнялись шаги с четвертого по седьмой включительно (см. рис. 4). Таким образом, была исследована эффективность работы выбранных методов на 50 000 изображений, в результате обработки которых было получено 60 000 000 сегментированных снимков.
Для анализа результатов исследования были вычислены значения математического ожи-
дания ошибок для каждого параметра плотности облачности. Значения ошибок первого рода минимально для всех используемых методов, поэтому для решения задач поставленных перед исследованием необходимо было провести анализ ошибок второго рода. Для этого были построены графики математического ожидания ошибки сегментации второго рода в зависимости от изменения количества шумовых точек (см. рис. 5,6).
На основе анализа полученных зависимостей были выделены интервалы количества точек, добавляемых при моделировании искаженных изображений, для каждого из которых выбиралась пара наиболее эффективных методов сегментации и фильтрации (см. таблицу).
Из полученных статистических результатов были сделаны следующие выводы:
1. Для снимков с небольшой плотностью облаков эффективнее использовать алгоритм фильтрации контргармонического среднего и сегментацию любым представленным методом, отдавая предпочтение каждому в зависимости от поставленной задачи.
2. Для снимков со средней плотностью облаков эффективнее использовать алгоритм фильтрации минимизацией и сегментацию методом к-среднего.
3. Для снимков с высокой плотностью облаков эффективнее использовать алгоритм фильтрации Люси-Ричардсона и сегментацию методом к-среднего.
Следует заметить, что сегментация методом к-среднее показала высокую эффективность на всех интервалах количества зашумляющих точек. При правильном выборе фильтра этот метод устойчив к облачности на снимках.
Литература
1. Гонсалес Р., Вудс Р. Мир цифровой обработки. Цифровая обработка изображений.- пер. с англ. под ред. П. А. Чочиа, М.: Техносфера, 2005, 1070с.
2. Селиванов П. Ю. Адаптивный метод выделения полей облачности на космических снимках высокого разрешения. — Вестник ВГТУ. — 2011. — Том 7, № 6. — С. 188 193.
Воронежский государственный технический университет
ANALYSIS OF THE EFFECTIVENESS OF METHODS OF SEGMENTATION FOR ULTRA HIGH SPATIAL RESOLUTION IMAGES OBTAINED IN TRANSLUCENT CLOUDINESS
P. Yu. Selivanov
In this article the possibility of applying the methods of filtering and segmentation of ultra high spatial resolution images is analyzed. The results of the use of different pairs of methods for images filtering and segmentation to eliminate the influence of clouds on the photographs are studied
Key words: aerial photograph, cloudiness, segmentation

ПоказатьСвернуть
Заполнить форму текущей работой