Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации

Тепловая ИК аэросъемка (ТИКАС) позволяет получать изображения масштаба порядка 1:100000 и крупнее с разрешением несколько дециметров, что делает возможным ее применение при изучении элементов ландшафта самых различных уровней. Круг объектов наблюдения дистанционного теплового мониторинга (ДТМ) весьма многообразен. В него входят объекты, различающиеся по своей физической сущности, положению в пространстве, связи с антропогенной деятельностью и другим свойствам. На тепловых снимках отображаются контрасты, а не абсолютные величины радиационной температуры, поэтому между тоном снимка и радиационной температурой на местности нет однозначного соответствия. Два идентичных объекта с одинаковой энергетической яркостью отображаются на снимке одним тоном только при условии их размещения на одинаково излучающем фоне.

Радиационный контраст в значительной мере определяется временем съемки. Один и тот же объект на тепловых снимках, полученных в различных радиационных условиях, может менять свой контраст с фоном вплоть до противоположного. Выделение объектов наблюдения ДТМ на тепловых изображениях производится по совокупности дешифровочных признаков, основными из которых являются -- яркостной контраст, пространственная характеристика и конфигурация тепловой аномалии.

Использование данных тепловизионной аэросъемки для мониторинга состояния теплотрасс.

В условиях городского ландшафта тепловые сети -- один из немногих видов объектов, отображающихся в тепловом поле земной поверхности, даже при наличии твердого дорожного покрытия. Такие явления, как подтопление участков теплотрасс при авариях на городском водопроводе или талыми водами, приводящие к интенсивной наружной коррозии теплотрасс, могут значительно изменять картину теплового излучения. Визуальная тематическая обработка материалов тепловизионной аэросъёмки занимает значительный период времени, что практически может лишить получаемую информацию оперативности. По этой причине становится очевидной целесообразность применения автоматизированных методов интерпретации.

На рис.22. представлено тепловое изображение участка территории города Москвы в районе Вешняковской улицы, полученное в марте 2003 года с помощью тепловизионного комплекса "Икар-002" (разработка ГНПП "Аэрогеофизика"), установленного на борту вертолёта МИ-2Т. На изображении присутствуют следующие объекты: проезжие части Реутовской улицы, аллеи Жемчуговой и Вешняковской улицы, жилые здания, гаражи, древесная и кустарниковая растительность, автомобили, участки и камеры тепловых сетей. На изображении присутствуют тепловые сети, которые являются основным объектом изучения в рамках поставленной задачи. На снимке можно видеть участки теплотрасс с различными значениями яркости, что немаловажно при анализе экспериментальных данных.

Визуальный анализ значений яркости на снимке показывает, что участки тепловых сетей выделяются более высокими значениями интенсивности, причем эти значения для аварийных участков превышают значения яркости для других участков теплотрасс. Вместе с тем такими же высокими значениями яркости на снимке отображаются некоторые здания и их части.

Рис. 22. Изображение в тепловом диапазоне, разрешающая способность 0,5м.

Разработанная технологическая схема локальной классификации аварийных участков теплотрасс по материалам тепловизионной съемки в качестве исходных данных использует тепловизионное изображение исследуемого участка территории и эксплутационную схему теплотрасс на данную территорию. На первом этапе на основе данных эксплуатационной схемы формируется бинарное растровое изображение (схема) местоположения теплотрасс для исследуемого участка территории.

На втором этапе осуществляется геометрическая привязка тепловизионного изображения к растровому изображению теплосетей путем трансформирования первого в проекцию второго.

На третьем этапе с целью расширения участков теплотрасс производится фильтрация скользящими порядковыми статистиками бинарного растрового изображения местоположения теплотрасс. Этот шаг выполняется для того, чтобы устранить влияние неточности данных эксплуатационной схемы и погрешностей съемки. Результат обработки схемы тепловых сетей скользящими порядковыми статистиками приведен на рис.23.

Рис.23.Схема ТС после фильтрации скользящими порядковыми статистиками.

На следующем четвертом этапе из исходного изображения, геометрически привязанного к схеме тепловых сетей, полученного в результате второго этапа, вычитается бинарное (черный тон 0, белый тон 255) изображение схемы ТС после фильтрации скользящими порядковыми статистиками, полученное в результате выполнения третьего этапа.

На последнем пятом этапе проводится пороговая обработка разностного изображения. Результат автоматизированного выделения участков ТС с повышенными теплопотерями показан на рисунке 24.

Анализ результата автоматизированной обработки по вышеприведенной технологической схеме показал, что она позволяет при наличии электронных схем расположения теплосетей на конкретный участок территории с высокой вероятностью правильного обнаружения (выше 90%) выделять участки тепловых сетей с высоким значением теплопотерь.

Глава 6. Обработка изображений на высокопроизводительных вычислительных системах параллельной архитектуры.

В шестой главе рассмотрены вопросы повышения производительности обработки изображений за счет использования параллельных вычислений. Приведен анализ существующих вариантов программного обеспечения и аппаратной реализации многопроцессорных систем. Описан созданный на УВЦ ФПК МИИГАиК многопроцессорный аппаратно-программный комплекс. Изложена разработанная методология определения оптимальных параметров вычислительного кластера и оценки эффективности распараллеливания алгоритмов обработки изображений.

Одним из путей повышения эффективности цифровой обработки изображений является использование многопроцессорных вычислительных систем. Локальные сети, специально собранные для использования в качестве многопроцессорной системы, компактно размещенные в одном или нескольких шкафах, оснащенные программным обеспечением, ориентированным исключительно на управление установкой как единым целым, называются кластерами выделенных рабочих станций.

В идеале решение задачи на L процессорах должно выполняться в L раз быстрее, чем на одном процессоре, или/и должно позволить решить задачу с объемами данных, в L раз большими. На самом деле такое ускорение практически никогда не достигается.

Существует три возможности распараллеливания вычислений: первая - распараллеливание по структурам данных; вторая - распараллеливание по алгоритмам преобразований; третья заключается в использовании различных комбинаций первых двух.

Алгоритмическое распараллеливание представляет собой задачу, решение которой полностью зависит от вида конкретного алгоритма. В тоже время отличительной особенностью задач обработки изображений является наличие "естественного" параллелизма по данным. Распараллеливание по данным предполагает разбиение входных данных на порции, например - разбиение изображения на несколько областей, обработка которых ведется независимо и одновременно, с применением одного и того же алгоритма. В общем случае разбиение входных данных предполагает сбор и интеграцию результатов обработки отдельных порций. Распараллеливание, связанное с декомпозицией данных, опирается на структуры данных, встречающиеся в обработке изображений. Ряд алгоритмов решения задач классификации изображений не требуют одновременного обращения ко всем элементам изображения и используют построчное (постолбцовое) сканирование, при этом в каждый момент времени обрабатывается один элемент изображения. К ним относятся такие широко используемые алгоритмы:

- классификация по минимуму расстояния;

- классификация гиперпараллелепипедным методом;

- классификация по принципу максимального правдоподобия.

При решении задач предварительной обработки наиболее широко используются различные виды пространственной фильтрации скользящими окнами различного размера. В этом случае в обработку вовлекается некоторая, сравнительно небольшая, окрестность обрабатываемого элемента изображения.

Рассмотрим разбиение изображения на (возможно, пересекающиеся) полосы в направлении, перпендикулярном направлению построчного (постолбцового) сканирования. Этот способ удовлетворяет требованиям, обычно предъявляемым обработкой в реальном времени, снимает необходимость обмена промежуточными результатами между параллельными процессами выполнения локальных операций и легко реализуется как программно, так и аппаратно. Процесс сборки результирующего изображения состоит из действий, в точности противоположных разбиению.

Для проведения оценки эффективности многопроцессорной классификации, использующей поэлементное сканирование изображений, введем следующие обозначения:

t_вып - время обработки одной строки (столбца) данных;

t_пер - время пересылки одной строки (столбца) данных (включает в себя время пересылки при разбиении данных, время пересылки при сборке данных и время задержки, связанной с возможной несинхронной работой процессоров);

l - число задействованных процессоров;

n - число строк (столбцов) обрабатываемого изображения.

Определим параметр t как отношение времени пересылки ко времени выполнения

t = ^tпер_/ t_вып (12)

С учетом введенных обозначений была получена следующая формула, определяющая зависимость выигрыша от числа процессоров K(l) для алгоритмов, использующих поэлементное сканирование изображений

K(l)= (13)

Максимальный выигрыш K_max в этом случае определяется выражением

K_max = (14)

Несколько более сложным является процесс распараллеливания по данным задач предварительной обработки пространственной фильтрации скользящими окнами различного размера. В этом случае в обработку вовлекается некоторая окрестность обрабатываемого элемента изображения. Поэтому разбиение изображения необходимо осуществлять на пересекающиеся полосы в направлении, перпендикулярном направлению построчного (постолбцового) сканирования. Введем обозначение

w - размер окна используемого пространственного фильтра.

Выражение для определения выигрыша K в этом случае примет следующий вид

K= (15)

А выражение для определения максимального значения выигрыша K_max

(16)

Результаты исследований, описанных в главе 6, показывают, что эффективность использования распараллеливания по данным обработки изображений алгоритмами, использующими поэлементное сканирование, и скользящими пространственными фильтрами резко возрастает с уменьшением отношения времени пересылки к времени выполнения t в интервале значений 0.2 - 0. Для алгоритмов фильтрации скользящими окнами время выполнения возрастает пропорционально квадрату линейного размера окна, поэтому распараллеливание наиболее эффективно при использовании фильтров с окнами большого размера.

ЗАКЛЮЧЕНИЕ

Результаты исследований, представленные в данной работе, можно рассматривать как решение актуальной научной проблемы тематической обработки изображений земной поверхности на основе многоуровневых алгоритмов сегментации.

В ходе выполнения научно-исследовательских работ достигнута основная цель диссертационной работы - разработаны теория и практическая методология тематической обработки изображений на основе многоуровневой классификации. Проведены экспериментальные исследования возможностей повышения эффективности автоматизированной сегментации АКС за счет использования методологии многоуровневой тематической обработки при решении различных задач.

Основные результаты и выводы диссертационной работы заключаются в следующем:

- разработаны теория и методология тематической обработки на основе многоуровневой классификации, с использованием структурно-пространственной модели исследуемых изображений;

- разработаны методология выделения элементов пространственной структуры и теоретическая схема построения структурно-пространственной модели;

- созданы новые алгоритмы выделения точечных и малоразмерных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений;

- предложен новый вид информационных признаков (спектрально-контекстные), который позволяет существенно увеличить число выделяемых классов точечных объектов;

- проведено экспериментальное исследование методик тематической сегментации многозональных аэрокосмических изображений на основе многоуровневой классификации для определения природно-хозяйственных объектов исследуемых территорий;

- разработана методика многоуровневой тематической обработки радиолокационных изображений сверхвысокого разрешения;

- разработана методика автоматизированного определения состояния теплотрасс по данным тепловизионной аэросъемки;

- разработана методика количественной оценки эффективности распараллеливания и расчета оптимальной конфигурации вычислительного кластера при обработке изображений алгоритмами классификации, использующими поэлементное сканирование изображений, и скользящими пространственными фильтрами.

- проведены экспериментальные исследования эффективности разработанных методологий тематической сегментации аэрокосмических изображений земной поверхности, полученных методами дистанционного зондирования.

Экспериментальные исследования показали, что использование алгоритмов многоуровневой сегментации при тематической обработке материалов многозональной съемки позволяет повысить достоверность сегментации значительного числа объектов.

Экспериментальное исследование тематической обработки радиолокационных снимков показало возможность эффективного использования автоматизированных методов сегментации.

Разработанная методика автоматизированной тематической обработки данных тепловизионной аэросъемки для мониторинга состояния теплотрасс, с использованием локальных классификаторов, позволяет сократить временные затраты на обработку и значительно повысить оперативность получения информации.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ ИЗЛОЖЕНЫ В СЛЕДУЮЩИХ РЕКОМЕНДОВАННЫХ ВАК ЖУРНАЛАХ

1. Методика автоматизированного ландшафтного дешифрирования космических изображений.// Известия высших учебных заведений. Геодезия и аэрофотосъемка. № 4 - М.: МИИГАиК, 1998, с.68-81. (Соавторы: Мелкий В.А., Игрицов М.А.).

2. Использование спектрально-контекстных признаков для автоматизированного дешифрирования аэрокосмических изображений земной поверхности. //Изв. Вузов. Геодезия и аэрофотосъемка, 2001. № 4. С. 80-85.

3. Адаптивный пороговый алгоритм для автоматического выделения на изображении малоразмерных объектов. //Изв. Вузов. Геодезия и аэрофотосъемка, 2002. № 1. С. 100-107.

4. Дешифрирование многозональных аэрокосмических изображений с использованием структурно-пространственной информации. //Изв. Вузов. Геодезия и аэрофотосъемка, 2003, № 6, с.54-66.

5. Автоматизированное выделение объектов заданного размера на аэрокосмических изображениях с использованием параллельной обработки. //Известия вузов. Геодезия и аэрофотосъемка, 2004, № 3. С. 151-157. (Соавтор: Кочнова И.В.).

6. Технология автоматизированного дешифрирования данных тепловизионной аэросъемки для мониторинга состояния теплотрасс. //Известия вузов. Геодезия и аэрофотосъемка», 2004, № 4. С. 118-125.

7. Проблемы распараллеливания в задачах предварительной обработки изображений скользящими пространственными фильтрами // Известия высших учебных заведений. Геодезия и аэрофотосъемка. №6 - М.: МИИГАиК, 2004, с.55-61. (Соавторы: Малинников В.А., Кочнова И.В.).

По теме диссертации опубликованы также следующие работы:

8. Отношение сигнал-шум при корелляционном анализе двумерных изображений. //Автоматизация процессов сбора и обработки информации. ВВИА им. Н.Е.Жуковского. Научно-методические материалы. Москва, 1989г. с.71.(Соавторы: Д.К.Сигитов, В.Т.Федин).

9. Алгоритм восстановления радиотепловых изображений //Тезисы докладов Всесоюзной конференции “Методы и средства дистанционного зондирования Земли и обработки космической информации в интересах народного хозяйства. Рязань, 1989г. Часть 2 с.36. (Соавторы: И.Г.Журкин, Д.К.Сигитов, Ю.М.Черниговский).

10. НТО по теме " Рубеж ", Рукопись, Москва, ЦНИИРЭС, 1990г., инв.№ 18827, 139с., (Соавторы: Алексеев Б.Я., Белова Е.П. и др.).

11. Пакет иследовательских программ для обработки и визуализации цифровых изображений на ПЭВМ типа IBM РС АТ //Тезисы докладов конференции “Проблемы создания систем обработки, анализа и понимания изображений”. Ташкент, 1991 г. с. 135.(Соавторы: Б.Я.Алексеев, В.Г.Беликов).

12. Оценка эффективности многоспектральных оптико-электронных средств при совместной обработке информации //Тезисы докладов Международной научно-технической конференции “Статистические методы в теории передачи и преобразования информационных сигналов”. Киев, 1992 г. с. 68. (Соавтор: В.Г.Беликов).

13. Пакет прикладных программ обработки изображений произвольного размера на ПК типа IBM РС АТ //Тезисы докладов Международной научно-технической конференции “Статистические методы в теории передачи и преобразования информационных сигналов”. Киев, 1992 г. с. 92. (Соавтор: В.Г.Беликов).

14. Аппаратно-програмный комплекс автоматизированной диагностики оператора иридологическими методами //Материалы Международного научно-технического семинара “Моделирование и контроль качества в задачах обеспечения надёжности радиоэлектронных устройств”. Шауляй, 1992 г. с. 53. (Соавторы: Е.В.Баскакова, В.Г.Беликов).

15. Алгоритм локальной пороговой обработки для выделения точечных объектов на изображении //Материалы научно-технического семинара “Прикладные интеллектуальные системы”. Общество “Знание” РСФСР Москва, 1992 г. с.10. (Соавтор: В.Г.Беликов).

16. Методические указания по выполнению лабораторных работ по курсу: «Компьютерное тематическое дешифрирование аэрокосмических изображений». Для студентов специальности «Исследование природных ресурсов аэрокосмическими методами».- М., Изд. МИИГАиК, 1997. 21 с. (Соавторы: Мелкий В.А., Черниговский Ю.М., Сметанюк И.В.).

17. Влияние сейсмоактивных дислокаций континентальных окраин на состояние сооружений //Геология морей и океанов. Тез. докл. XII Международ. школы по морской геологии. Т.1. М., ГЕОС, 1997. С. 248-249. (Соавторы: Мелкий В.А., Шитикова М.В.).

18. Создание экспертной геоэкологической системы на основе автоматизированного картографирования //Геоэкологическое картографирование. Тез. докл. Всероссийской нучно-практ. конфер. 24-27 февраля 1998 г. пос. Зеленый, Московской обл. Ч.1. М., Геоинформмарк, 1998. С.137-139. (Соавторы: Мелкий В.А., Шитикова М.В.).

19. Методика автоматизированного дешифрирования аэрокосмических изображений в целях создания основы геоэкологического дешифрирования //Геоэкологическое картографирование. Тез. докл. Всероссийской нучно-практ. конфер. 24-27 февраля 1998 г. пос. Зеленый, Московской обл. Ч.1. М., Геоинформмарк, 1998. С.137-139. (Соавторы: Мелкий В.А., Игрицов М.А.).

20. Прогнозирование взрывных вулканических извержений по данным дистанционного зондирования //Изв. Вузов. Геодезия и аэрофотосъемка, 1998. №3. С.123-129. (Соавторы: Мелкий В.А., Долгополов Д.В., Черниговский Ю.М.).

21. Автоматизированное распознавание предвестников вулканических извержений и оценка вулканоопасности по данным ДЗЗ //Главнейшие итоги в изучении четвертичного периода и основные направления исследований в XXI веке. Тез. докл. Всеросс. совещания. С.-Пб., 1998. С. 280. (Соавторы: Мелкий В.А., Долгополов Д.В.).

22. Компьютерное дешифрирование гравитационных склоновых процессов по данным ДЗЗ // Главнейшие итоги в изучении четвертичного периода и основные направления исследований в XXI веке. Тез. докл. Всеросс. совещания. С.-Пб., 1998. С. 283-284. (Соавторы: Мелкий В.А., Кудинова Т.В.).

23. Методика дешифрирования современных дислокаций в целях прогноза землетрясений // Главнейшие итоги в изучении четвертичного периода и основные направления исследований в XXI веке. Тез. докл. Всеросс. совещания. С.-Пб., 1998. С. 286. (Соавторы: Мелкий В.А., Шитикова М.В.).

24. Автоматизированное распознавание подтаежных ландшафтов подмосковья по данным ДЗЗ //Главнейшие итоги в изучении четвертичного периода и основные направления исследований в XXI веке. Тез. докл. Всеросс. совещания. С.-Пб., 1998. С. 282. (Соавторы: Мелкий В.А., Игрицов М.А.).

25. Мониторинг сейсмической опасности Алтайско-Саянской складчатой зоны по данным дистанционного зондирования //Изв. Вузов. Геодезия и аэрофотосъемка, 1999. № 3. С. 107-118. (Соавторы: Мелкий В.А., Шитикова М.В.).

26. Возможности практического применения технологии автоматизированного дешифрирования аэрокосмических снимков в целях мониторинга земель //Изв. Вузов. Геодез. и аэрофот., 1999. № 3. С. 99-112. (Соавторы: Мелкий В.А., Шитикова М.В., Игрицов М.А. Долгополов Д.В.).

27. Технологическая схема выбора параметров классификатора и подмножества цифровых признаков для контролируемой классификации многозональных аэрокосмических снимков //Тезисы докладов Международной научно-технической конференции «220 лет геодезическому образованию в России», Москва, 1999г., С.172. (Соавтор: Малинников В.А.).

28. Компьютерные технологии в картографировании экологических систем //Известия вузов. Геодезия и аэрофотосъемка, 2003, № 5. С. 60-71. (Соавтор: Сладкопевцев С. А).

29. Использование комплексных алгоритмов классификации для автоматизированного дешифрирования радиолокационных изображений земной поверхности сверхвысокого разрешения //Международная научно-техническая конференция, посвященная 225-летию МИИГАиК, Москва, 2004, с.54-61. (Соавторы: Малинников В.А., Кочнова И.В.).

30. Методические указания по выполнению лабораторной работы «Технология создания цифровых карт по материалам аэрокосмосъемки сверхвысокого разрешения» по курсу: «Дистанционные методы изучения природных ресурсов». Для студентов специальности «Исследование природных ресурсов».- М., Изд. МИИГАиК, 2004. 10 с. (Соавторы: Кащенкова К.А.., Черниговский Ю.М.).

31. Предварительная обработка космических снимков размером более 20 МГБ медианным фильтром с большим размером окна на кластере рабочих станций с использованием параллельных вычислений //Методические указания. М.: МГУГиК, 2004. - 7 с. (Соавторы: Малинников В.А., Кочнова).

32. Методические указания по выполнению лабораторной работы «Автоматизированное тематическое дешифрирование аэрокосмических снимков методом выделения границ однородных областей» по курсу: «Технология тематической обработки данных дистанционного зондирования». Для студентов специальности «Исследование природных ресурсов». М., Изд. МИИГАиК, 2004. 8 с.

33. Ресурсно-экологическая картография //М.: Изд-во МИИГАиК, 2005, 196 с. (Соавтор: Сладкопевцев С. А).

34. Возможности применения космических методов в целях осуществления мониторинга земель крупнейших городов (на примере г. Москвы) // Известия высших учебных заведений. Геодезия и аэрофотосъемка. №2 - М.: МИИГАиК, 2005 , с. 89-108 (Соавторы: А.М. Кругляк, В.А. Леонтьев и др.).

35. Методические указания по ведению топографического мониторинга территории города Москвы по материалам космической съемки для решения задач мониторинга фактического использования земель //Московский государственный университет геодезии и картографии. - М., 2004. - 48 с. - Библиогр.: 7 назв. - Рус. - Деп. в ВИНИТИ 23.11.2004 № 1838-В2004. (Соавторы: Антипов А.В., Зверев А.Т. и др.).

36. Проблемы и технология космического мониторинга городских земель. Экологические изыскания для проектирования, строительства и эксплуатации. Сборник докладов // Материалы V Научно-практической конференции «Экоreal-2005». М.: НИиПИ экологии города, Смоленск: Маджента, 2006. С. 61-64.

Размещено на Allbest.ru