авторефераты диссертаций БЕСПЛАТНАЯ РОССИЙСКАЯ БИБЛИОТЕКА - WWW.DISLIB.RU

АВТОРЕФЕРАТЫ, ДИССЕРТАЦИИ, МОНОГРАФИИ, НАУЧНЫЕ СТАТЬИ, КНИГИ

 
<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ


Pages:     | 1 |   ...   | 2 | 3 || 5 |

Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации

-- [ Страница 4 ] --

Значения яркости лугов незначительно пересекаются со значениями яркости водных объектов и радиолокационных теней и практически не пересекаются со значениями яркости объектов агропромышленного комплекса, зданий сельского типа и построек дачных участков и эти объекты могут быть разделены по яркостным признакам. Яркости водной поверхности и радиолокационных теней практически не отличаются друг от друга и отображаются радиолокационном снимке чёрным тоном, который существенно отличается от всех других объектов, представленных на снимке. Таким образом, водные поверхности и радиолокационные тени могут быть эффективно отделены от всех объектов, кроме лесной растительности, по яркостному признаку. Гистограммы яркости объектов агропромышленного комплекса, зданий сельского типа и построек дачных участков имеют одинаковый вид и характеризуются высокими значениями яркости, по которым они могут быть отделены от всех объектов, кроме лесной растительности. Гистограммы яркости автомобильных дорог полностью пересекаются с гистограммами лесов и лугов.

Разработанная многоуровневая методика содержит следующие этапы.

На первом этапе выделяются по яркостному признаку на исходном изображении объекты гидрографии и радиолокационные тени.

На втором этапе путём использования алгоритмов выделения объектов определенного размера определяются здания агропромышленного комплекса и здания сельского типа.

На третьем этапе визуально в интерактивном режиме осуществляется выделение автомобильных дорог.

На четвёртом этапе определяются луга и лесная растительность. Этот этап выполняется после первых трёх этапов, так как использует полученные результаты. Для выделения лесной растительности и лугов использовалось исходное изображение, из которого были удалены участки, занятые сооружениями агропромышленного комплекса, зданиями сельского типа, автомобильными дорогами, объектами гидрографии и радиолокационными тенями, полученные в результате сегментации на первых трёх этапах. Путём обработки исходного изображения получаются два модифицированных изображения – изображение, обработанное медианным фильтром 9х9 элементов и изображение, представляющее собой разность максимальных и минимальных значений в скользящем окне размером 11х11 элементов, которое характеризует текстурные особенности лесной растительности и лугов. Выделение лесной растительности и лугов производится путём контролируемой классификации трёх вышеперечисленных изображений по методу максимального правдоподобия. Результат обработки показан на рис. 30.

 Результат тематической сегментации. Результаты исследований показали-34

Рис. 30. Результат тематической сегментации.

Результаты исследований показали возможность создания эффективных методик автоматизированной тематической обработки РЛ снимков на основе многоуровневой классификации.

Использование данных тепловизионной аэросъёмки для мониторинга состояния теплотрасс.

Подтопление участков теплотрасс при авариях на городском водопроводе существенно изменяют картину теплового излучения. Визуальная тематическая обработка материалов тепловизионной аэросъёмки занимает значительный период времени. По этой причине очевидна целесообразность применения автоматизированных методов интерпретации.

На рис. 31 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"). 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. 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, причём 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.

 Изображение в тепловом диапазоне, разрешающая способность 0,5м. Разработанная-35

Рис. 31. Изображение в тепловом диапазоне, разрешающая способность 0,5м.

Разработанная технологическая схема локальной классификации аварийных участков теплотрасс по материалам тепловизионной съёмки 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 путём 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 съёмки.

На следующем четвёртом этапе из исходного изображения, геометрически привязанного к схеме тепловых сетей, полученного в результате второго этапа, вычитается бинарное (чёрный 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.

Анализ результата автоматизированной обработки по вышеприведённой 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 счёт использования параллельных вычислений. Приведен анализ существующих вариантов программного обеспечения и аппаратной реализации многопроцессорных систем. 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.

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:

tвып – время обработки одной строки (столбца) данных;

tпер – 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/ tвып (12)

С учётом 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 Kmax в этом случае определяется выражением

Kmax = (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 Kmax

(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 цель диссертации – разработаны теория и практическая методология тематической обработки на основе многоуровневой сегментации, с использованием структурно-пространственной модели исследуемых изображений. Определены пути повышения эффективности методов тематической обработки аэрокосмических изображений земной поверхности. Проведены экспериментальные исследования использования многоуровневых методов тематической обработки при решении различных практических задач.

Основные результаты и выводы диссертационной работы заключаются в следующем:

  • Разработана теория и практическая методология тематической обработки на основе многоуровневой сегментации, с использованием структурно - пространственной модели исследуемых изображений. Предложенный подход позволяет повысить достоверность дешифрирования изображений, со сложной структурой представленных на них объектов. Повышение достоверности достигается за счет организации процесса классификации на основе многоуровневой сегментации, использующей различные виды классификаторов и возможности использования на каждом уровне подмножества классификационных признаков оптимального для данного структурного элемента.
  • Разработаны новые алгоритмы выделения точечных и малоразмерных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений на основе оценки локального контраста. Использование этих алгоритмов позволяет автоматически выделять точечные и малоразмерные объекты с заданной вероятностью ложного обнаружения F.
  • Результаты экспериментальных исследований показали, что использование методологии тематической обработки на основе многоуровневой сегментации позволяет существенно повысить достоверность дешифрирования значительного числа объектов.
  • Разработанный в данной работе метод автоматизированного формирования временных серий тематических карт растительного покрова и грунтов по данным дистанционного мониторинга, обеспечивает формирование временных серий взаимосогласованных тематических карт, каждая из которых фиксирует размещение растительных ресурсов в определённый момент времени, а в совокупности такая серия характеризует динамику растительных ресурсов.
  • Разработанные методы автоматического определения пространственного распределения изменений растительного покрова и грунтов по временным сериям взаимосогласованных тематических карт обеспечивают создание карт динамики. Такие карты позволяют оценить динамику за избранный отрезок времени и открывают возможности получения качественных и количественных оценок.
  • Разработан метод многоуровневой тематической обработки радиолокационных изображений сверхвысокого разрешения. Проведенные исследования показали, чтоавтоматизированная тематическая обработка радиолокационных изображений сопряжена со значительными трудностями, вследствие чего, далеко не все объекты видимые на снимке могут быть выделены в автоматизированном режиме. Для организации автоматизированной тематической обработки необходимо использование различных модифицированных признаков и многоуровневой классификации.
  • Разработана методика количественной оценки эффективности распараллеливания и расчёта оптимальной конфигурации вычислительного кластера для решения задач обработки изображений. Установлено, что эффективность использования распараллеливания 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.

Теоретические положения и практические методы многоуровневого дешифрирования, представленные в данной работе, явились основой для разработки эскизного и технического проектов на программное обеспечение технологии динамического дешифрирования при выполнении работ по комплексному проекту по теме «Технологии оценки состояния и динамики растительных ресурсов наземных экосистем на основе дистанционного мониторинга», выполняемому в рамках Федеральной Целевой Программы «Исследования и разработки по приоритетным направлениям развития научно-технического комплекса России на 2007 - 2012 годы».

Результаты дешифрирования участков территории Московской области используются в ОАО «ГЕОЦЕНТР-МОСКВА» при выполнении работ в рамках Федеральной Программы «Ведение государственного мониторинга состояния недр Московской области».

Разработанные теория и методы многоуровневого дешифрирования внедрены в учебный процесс в Московском государственном университете геодезии и картографии по курсам «Тематическое дешифрирование снимков», «Технология тематической обработки данных дистанционного зондирования», «Дешифрирование аэрокосмических снимков», «Космический мониторинг», «Автоматизированные системы сбора и обработки результатов дистанционного зондирования».

Публикации. По теме диссертации опубликовано 49 научных работ:

Основные результаты изложены в следующих рекомендованных ВАК журналах:



Pages:     | 1 |   ...   | 2 | 3 || 5 |
 





 
© 2013 www.dislib.ru - «Авторефераты диссертаций - бесплатно»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.