Моделирование процесса выделения воздушных объектов по изображениям

Размещено на http://www.allbest.ru/

Моделирование процесса выделения воздушных объектов по изображениям

А.А. Васильченко, Г. А. Коптелов

Аннотация. В статье рассматривается моделирование процесса выделения воздушных объектов по графическим изображениям. По рассматриваемому изображению в системе отображения RGB можно выделить соответствующие каждому цвету гистограммы. Далее анализирую границы диапазонов данных гистограмм и их последующего уменьшения находим первичные и вторичные области на изображениях, характерные для воздушных объектов, такие как следы двигателей или его пламя. Обнаружив данные признаки можно выполнять непосредственно выделение самих воздушных объектов по каналам высокоскоростной съемки.

Ключевые слова: трассово-измерительный комплекс, выделение объектов, распознавание образов, графические изображения, воздушный объект, RGB, гистограмма, оптико-электронная станция.

MODELING OF THE PROCESS OF SELECTING OBJECTS IN IMAGES

A. A. Vasilchenko, G. A. Koptelov

Branch of Military academy of Rocket Strategic forces of a name of Peter the Great, Serpuhov,

Russian Federation

Abstract. The article deals with the modeling of the process of allocating air facilities graphic images. For the considered image in the RGB display system, you can select the histograms corresponding to each color. Further analyze the boundaries of the data ranges of the histograms and their subsequent reduction to find primary and secondary areas in the images are typical of aerial objects, such as signs of engines or his flame. By detecting these signs, you can perform direct selection of the air objects themselves through the channels of high-speed shooting.

Keywords: test complex, object selection, image recognition, graphic images, aerial objects, RGB, histogram, optical-electronic station.

1. Введение

Выделение (распознавание) объектов - очень важная задача как робототехники и компьютерного зрения, так и прикладных программ. Решение этой задачи может существенно улучшить возможности искусственных систем воспринимать окружающее пространство, разделять его на отдельные логические части и осуществлять интерактивное взаимодействие с объектами окружающего мира [1-3].

В настоящее время для решения этой задачи используется огромное количество различных методов: выделение краев, цветовое сегментирование изображения, применение искусственных нейронных сетей, использование особых точек, методы сравнения с эталоном, методы генерации признаков [4-5]. графический изображение воздушный моделирование

Но все еще не достигнута достаточная адекватность выделения и распознавания объектов в реальном времени, что не позволяет достичь требуемых показателей в реальных задачах [6].

Особое значение данная задача приобретает при организации измерений траекторий и параметров полетов воздушных объектов при испытаниях техники на трассово-измерительных комплексах Министерства Обороны Российской Федерации, таких как 4 Государственный межвидовой полигон «Капустин Яр» и полигоны Воздушно-космических Сил, входящие в состав 929 Главного летного испытательного центра им. В.П. Чкалова.

Для таких измерений используют различные оптико-электронные станции такие как «Вереск», «Кратность», имеющие каналы высокоскоростной съемки. Данная съемка воздушных объектов производится на больших высотах (от 2000 до 6000 м) и в сложных погодных условиях, что затрудняет их поиск оператором, а при отсутствии должного уровня подготовки специалиста выполняющего съемку траекторной информации становится и вовсе невозможной. В подобных ситуациях возникает необходимость автоматического выделения с целью сокращения времени поиска воздушного объекта и формирования наиболее полного объема траекторной информации. Поскольку воздушные объекты движутся с высокими скоростями, то алгоритм распознавания должен обладать высоким быстродействием и относительной простотой.

2. Решение задачи

Первичной процедурой выделения объектов может служить процедура формирования и анализа гистограммы изображений. Анализ гистограмм проводился по выборке снимков траекторной информации при различных погодных условиях в количестве 400 снимков. При этом были выделены границы распределения значений яркости по трем цветам (красный, зеленый, синий) в системе отображения RGB. Границы распределений находятся в диапазоне яркости от 80 до 180 и имеют закон распределения схожий с нормальным.

Рис.1. Образец съемки воздушного объекта

Гистограммы данного изображения по трем цветам (RGB) представлены на рисунке 2.

Рис.2. Гистограммы образца съемки воздушного объекта

Путем анализа и совмещения по соответствующим цветам большого количества изображений на фоне неба можно получить групповые гистограммы.

Далее, путем изменения диапазонов гистограмм по соответствующим цветам и выборов пороговых значений границ этих диапазонов можно выделять характерные признаки воздушных объектов.

В нашем случае, изменяя диапазон гистограммы G, можно выделить область на изображении, которая характерна пламени двигателя воздушного объекта (ракеты). Данное изменение границы диапазона гистограммы G и выделение первичной области показано на рисунках 3-4.

Рис.3. Изменение диапазона гистограммы G образца съемки воздушного объекта

Однако в этом случае требуется проверка, заключающаяся в изменении диапазона гистограммы B и ее анализ. Изменение границы диапазона гистограммы B и выделение вторичной области показано на рисунках 5-6. В ходе выполнения процесса выделения необходимо изменение диапазонов распределений яркости для зеленого и синего цвета. При этом изменение диапазона яркостей более существенно для синего цвета (от 150 до 190). Все операции возможны только в системе отображения RGB.

Рис.4. Выделение первичной области, соответствующей пламени двигателя на изображении

Рис.5. Изменение диапазона гистограммы B образца съемки воздушного объекта

Рис.6. Выделение вторичной области, соответствующей пламени двигателя и воздушного объекта на изображении

По полученному преобразованному изображению четко виден след двигателя, след пламени двигателя и непосредственно от него может быть определен сам воздушный объект.

Таким образом, анализ гистограмм и выбор соответствующих пороговых значений на данных гистограммах может быть использован для выделения воздушных объектов.

В случае наличия шумов на изображениях траекторной информации четкого выделения воздушных объектов добиться не представляется возможным. Необходим переход к системе отображения YCbCr и дальнейший анализ полученных гистограмм компоненты яркости, синей и красной цветоразностностной компонент. Образец снимка воздушного объекта с наложенными шумами представлен на рисунке 7.

Рис.7. Образец съемки воздушного объекта с наложенными шумами

В ходе моделирования было определено, что для выполнения выделения воздушного объекта по снимку траекторной информации в цветовом пространстве YCbCr необходимо изменения распределения диапазона компоненты яркости от 220 до 250, изменение диапазона распределения синей и красной цветоразностностных компонент от 100 до 150. Результат изменения диапазонов распределений представлен на рисунке 8.

Рис.8. Изменение диапазона гистограмм цветового пространства YcbCr с целью выделения воздушного объекта

В ходе выполняемого изменения диапазонов гистограмм осуществляется возможным выделение белой области, соответствующей пламени двигателя воздушного объекта, благодаря чему становится возможным выделение непосредственно самого воздушного объекта. Результат выделения областей представлен на рисунке 9.

Рис.9. Выделение области, соответствующей пламени двигателя и воздушного объекта на изображении

Таким образом, переход к цветовому пространству YCbCr позволяет решать задачу выделения воздушных объектов в условиях наложения шумов на графическое изображение.

3. Заключение

Таким образом, анализ гистограмм и выбор соответствующих пороговых значений на данных гистограммах цветовых пространств RGB и YCbCr может быть использован для выделения воздушных объектов, как в отсутствии, так и при наличии шумов.

Литература

1. Анисимов Б.В., Курганов Д.В., Злобин В.К. Распознавание и цифровая обработка изображений. - М.: Высшая школа, 1983.

2. Визильтер Ю.В., Желтов С.Ю., Бондаренко А.В., Ососков М.В., Моржин А.В. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практических занятий. - М.: Физматкнига, 2010. - 672 с.

3. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера, 2005.

4. Форсайт, Д. А. Компьютерное зрение. Современный подход - М.: Вильямс, 2004. - 928 с.

5. Хайкин С. Нейронные сети: полный курс, 2-е издание: Пер. с англ. - М.: Издательский дом «Вильямс», 2006.- 1104 с.

6. Cheng, M.-M. SalientShape: Group Saliency in Image Collections [Text] / M.-M. Cheng, N. J. Mitra, X. Huang, S. M. Hu // The Visual Computer. - 2014. - Vol. 30(4). - pp. 488-495.

References

1. Anisimov B. V., Kurganov, D. V., Zlobin V. K. Recognition and digital image processing. - Moscow: Higher school, 1983.

2. 2. Vizilter Yu., Zheltov S. Yu., Bondarenko A.V., Ososkov M. V., Morgins A. V. Processing and analysis of images in computer vision: a Course of lectures and practical classes. - Moscow: Fizmatkniga, 2010. - 672 p.

3. Gonzalez R., woods R. Digital image processing. - Moscow: Technosphere, 2005.

4. Forsyth, D. A. Computer vision. Modern approach - Moscow: Williams, 2004. - 928 p.

5. Haikin S. Neural networks: full course, 2nd edition: TRANS. English. - M.: Publishing house "vil'yams", 2006.- 1104 p.

6. Cheng, M.-M. SalientShape: Group Saliency in Image Collections [Text] / M.-M. Cheng, N. J. Mitra, X. Huang, S. M. Hu // The Visual Computer. - 2014. - Vol. 30(4). - pp. 488-495.

Размещено на Allbest.ru