Содержание к диссертации
Введение
1. Представление видеоинформации, методы и системы анализа изображений 10
1.1. Представление изображений на уровне пикселов 10
1.2. Основные категории иконических признаков 11
1.3. Методы анализа текстур 13
1.3.1. Признаки текстур, основанные на измерении пространственных частот 14
1.3.2. Одномерные признаки текстур, основанные на статистических характеристиках уровней интенсивности элементов разложения 16
1.3.3. Гистограммные признаки второго порядка. Признаки Харалика 17
1.3.4. Признаки на основе обобщённых матриц совместного появления 19
1.3.5. Метод К-преобразований 20
1.3.6. Структурные методы описания текстур. Метод локальных экстремумов 20
1.3.7. Структурные методы описания текстур. Метод длин серий 22
1.4. Представление изображений на уровне сегментов 26
1.4.1. Классификация методов сегментации 27
1.4.2. Методы кластеризации 28
1.4.3. Наращивание областей 32
1.4.4. Основные категории геометрических признаков. Топологические и метрические признаки 36
1.4.5. Факторы формы 37
1.4.6. Параметрические описания 38
1.5. Системы цифровой обработки изображений директивного типа 39
1.6. Системы цифровой обработки изображений,
основанные на знаниях 47
1.7. Выводы 53
2. Решающие системы, среда и проблема поиска 55
2.1. Общая характеристика решающей системы и её окружения (среды) 55
2.1.1. Пространство состояний 56
2.1.2. Пространство задач 58
2.1.3. Факторизованные пространства 59
2.1.4. Фиксированное множество иерархических пространств 59
2.1.5. Изменяющееся множество иерархических пространств 60
2.1.6. Метапространство в иерархии пространств 60
2.1.7. Альтернативные пространства 60
2.1.8. Динамические миры 61
2.1.9. Множественные модели 62
2.2. Агентные модели решающей системы 62
2.2.1. Классический подход: архитектуры агента, основанные на знаниях (делиберативные архитектуры) 66
2.2.2. Альтернативные подходы: реактивные архитектуры 71
2.2.3. Гибридные архитектуры 76
2.3. Распределённые среды решения задач 87
2.4. Типология планирования 91
2.4.1. Слепые методы 91
2.4.2. Методы, использующие простейшие эвристики 95
2.4.3. Методы, основанные на оценочных функциях 98
2.4.4. Поиск, направляемый данными 101
2.4.5. Поиск, направляемый целями 103
2.4.6. Комбинированный поиск 106
2.5. Выводы 113
3. Теория агента системы анализа изображений 116
3.1. Понятие задачи и решающей системы 116
3.2. Задачи решающих систем второго рода 119
3.3.Типовые задачи опознавания 121
3.4. Агент системы анализа изображений и задачи агента 125
3.5. Задача обучения агента 128
3.6. Уровни адаптации агента 135
3.7. Задача порождения агента 13 8
3.8. Агентное обобщение и ограничение 152
3.9. Среда агента и коллектива агентов 155
3.9.1. Среда коллектива агентов 155
3.9.2. Структура изображения как элемента среды коллектива агентов 157
3.9.3. Среда агента 162
3.10. Структура агента 165
3.11. Выводы 179
4. Возникающие структуры агентов 182
4.1 .Обобщённая схема взаимодействия агентов 182
4.2. Постановка задачи картирования космофотоснимков 190
4.3. Построение дерева целей 196
4.4. Формирование коллектива агентов 211
4.5. Выводы 217
5. Экспериментальное исследование мультиагентного подхода к решению задач анализа и интерпретации металлографических изображений (ФСЛЗАС) 219
5.1. Цели исследования 219
5.2. Модели синтаксиса уровня пятен 227
5.3. Модели синтаксиса уровня сегментов 229
5.4. Схема взаимодействия агентов системы анализа изображений ФСЛЗАС 231
5.5. Интерактивная методика анализа металлографических изображений 238
5.6. Описание экспериментальных исследований 245
5.7. Выводы 260 Заключение 260 Список использованной литературы 261 Приложение
- Признаки текстур, основанные на измерении пространственных частот
- Фиксированное множество иерархических пространств
- Задачи решающих систем второго рода
- Постановка задачи картирования космофотоснимков
Введение к работе
Цифровая обработка изображений ещё с 60-х годов прошлого столетия заняла значительное место в проблематике Искусственного интеллекта. Однако и по настоящее время целеориентированность обработки изображений остаётся во многом не решённой проблемой. До сих пор основным инструментом цифровой обработки изображений являются системы директивного типа, первые из которых появились ещё в начале 70-х годов прошлого столетия. Основная особенность директивных систем состояла и состоит в том, что весь процесс планирования решения исходной задачи и оценки полученных результатов возлагается на пользователя. Практически сразу же с появлением директивных систем были актуализированы исследования в области систем постановки задач. На этом направлении был создан целый ряд систем, основанных на знаниях. Однако основная их трудность состояла в том, что каждая из них была ориентирована на решение конкретной задачи, системы этого типа не допускали какой-либо вариабельности, например, по целям исследования.
В 90-е годы прошлого столетия была сформулирована концепция мультиагентных систем, на основе которой безусловно возможно создание более мощных средств решения сложных задач, каковыми являются задачи анализа изображений, в сравнении с уже упомянутыми системами, основанными на знаниях. Однако и по настоящее время теория мультиагентных систем переживает период становления. Нет определения понятия «агент», удовлетворяющее требованиям различных исследователей. Соответственно, нет теории агента. Разрабатываются лишь конкретные реализации агентов, использование которых в других приложениях выглядит проблематичным. Не решена проблема координации деятельности агентов в коллективе.
Таким образом, в настоящее время актуальным является разработка научных основ теории агента системы анализа изображений, обладающих такими свойствами, как автономность, коммуникативность, адаптивность, а также способностью к согласованию своих действий с действиями других членов мультиагентного коллектива.
Цель диссертационной работы. На основе агентного подхода повысить качество решения задач анализа изображений за счёт распределённого решения сложных задач, использования априорных разнородных знаний и включения эксперта в процессы постановки задачи и принятия решений.
Для достижения сформулированной цели в диссертации поставлены и решены следующие задачи:
• Определить агент системы анализа изображений, среду агента и агентные задачи.
• Определить состав среды агента и содержание каждого её элемента.
• Определить уникальность и общность агентов системы анализа изображений и агентных сред.
• Разработать функциональную, алгоритмическую и статическую модели агента.
• Сформулировать задачи модификации и порождения агента системы анализа изображений и разработать процедуры порождения и модификации агентов.
• Определить состав среды коллектива агентов и содержание каждого элемента среды.
• Определить полное иерархическое описание анализируемых изображений как одного из элементов среды коллектива агентов.
• Определить схему взаимодействия агентов в коллективе, учитывающей горизонтальные и вертикальные взаимодействия агентов.
• Сформулировать понятие возникающей структуры и определить вариабельность решаемых ею задач.
• Определить структуру знаний возникающей структуры.
• Осуществить экспериментальную проверку разработанных моделей на примере решения реальных задач анализа сложных изображений и внедрить полученные результаты в практику научного и промышленного производства и учебный процесс вузов. Методы исследования. При выполнении работы были использованы: теория моделирования, общая теория систем, теория вероятности и математической статистики, теория алгоритмов, методы дискретной математики, методы цифровой обработки изображений, теория распознавания образов, теория экспертных систем, теория искусственного интеллекта.
Научная новизна результатов работы состоит в разработке теории агента системы анализа изображений, при этом определены агент системы анализа изображений, агентные задачи, задачи обучения и порождения агента, среды агента, функциональная и статическая структуры агента, алгоритмическая модель агента, а также схема коллективного поведения агентов и среда коллектива агентов, понятие возникающей структуры. Особенность разработанной теории состоит в том, что на её основе можно строить системы анализа изображений, ориентированных на решение сложных задач, с различной проблемной ориентацией на основе порождения, модификации и уничтожения системы.
В рамках теории агента системы анализа изображений:
1. Определены агент, среда агента, агентные задачи. Отличительной особенностью агента системы анализа изображений является то, что агент - это решающая система второго рода, ориентированная на решение простых задач, то есть таких задач, решение которых находит
методом одношагового поиска, функциональная модель которого определена в настоящей работе. Все агентные задачи (воздействие на среду, определение реакции среды, коммуникация, планирование) являются простыми задачами, с одной стороны, а, с другой стороны, они являются задачей классификации, но формулировка и способы её решения в настоящей работе построены на концепции конечности знаний агента.
Определён состав среды агента и содержание каждого её элемента. Определены уникальность и общность агентов системы анализа изображений и агентных сред, разработана статическая модель агента.
2. Определены на основе концепции о конечности знаний агента и типовых задачах опознавания задачи модификации и порождения агента системы анализа изображений. Разработаны методы решения сформулированных задач, причём, как для случая обобщения данных, так и для случая ограничения (редукция исходной задачи).
3. На основе обобщённой продукции Поста сформулирована функциональная модель агента системы анализа изображений, в развитии которой предложена алгоритмическая модель агента, определяющая все взаимодействия агента со средой. Определена статическая структура агента, которая описывает все компоненты статической модели агента и порядок их взаимодействия.
4. Определён состав среды коллектива агентов и содержание каждого элемента среды. Определено полное иерархическое описание анализируемых изображений как одного из элементов среды коллектива агентов. Другой особенностью полного описания анализируемых изображений состоит в определении феноменологического описания для уровней класса сегментов и тематических карт. Определены также методы формирования феноменологического описания для уровня класса сегментов, тематических карт и полного описания анализируемых изображений.
5. Дано определение возникающей структуры. Определена схема взаимодействия агентов в коллективе на основе сочетания иерархического и гетерархического взаимодействий агентов. Определены процедуры порождения уничтожения и модификации агентов.
Практическая ценность работы состоит в том, что разработанные в ней модели, методы и программное обеспечение позволяют не только существенно повысить качество анализа сложных изображений, но открывается возможность решать более сложные задачи анализа изображений и накапливать экспертный опыт в виде возникающих структур.
Реализация и внедрение результатов работы. Основные результаты работы были внедрены в металлографической лаборатории Красноярского алюминиевого металлургического завода и институте Леса им. В.Н.Сукачёва СО РАН.
Апробация результатов работы. Первое Всесоюзное совещание «Горение и пожары в лесу», Красноярск, 1978, «ОИДИ-84» Всесоюзная конференция Новосибирск, 1984, Всесоюзная конференция г. Томск, 1989, «ОИДИ-90». Международная конференция г. Новосибирск, 1990 г., «Проблемы создания систем обработки, анализа и понимания изображений» конференция г.Ташкент, 1991, Всесоюзная научно-техническая конференция «Гибридные интеллектуальные системы» г. Ростов-на-Дону-Терская, 1991, V Всесоюзная научно-техническая конференция «Однородные вычислительные системы, структуры, среды» г.Москва, 1991, Всесоюзный научно-технический семинар «Программное обеспечение новых информационных технологий», г. Тверь, 1991, Конференция «Перспективные информационные технологии в анализе изображений и распознавании образов». Ташкент, 2-5 сентября 1992, Научно-техническая конференция «Проблемы техники и технологий XXI века». Секция «Информатика и ВТ», Красноярск, 22-25 марта 1994, Достижения науки и техники -развитию города Красноярска: Научно-практическая конференция Красноярск, 1997, Распознавание образов и анализ изображений: новые информационные технологии.: IV конференция г.Новосибирск, 1998.
Публикации по работе. Результаты диссертационной работы опубликованы в 21 работах автора, в том числе в одной монографии. Основные результаты исследований опубликованы в изданиях реестра ВАК. Все основные результаты получены автором самостоятельно. Объём и структура диссертации. Диссертация состоит из введения, пяти глав, заключения и приложения. Всего 297 страниц машинописного текста. Библиография содержит 236 наименований.
Признаки текстур, основанные на измерении пространственных частот
Представление изображения на уровне сегментов также как и предшествующие представления характеризуют синтаксис анализируемого изображения, но на более высоком уровне абстракции. Нередко сегментное представление изображения сопровождается некоторой семантической меткой.
Под сегментом будем понимать односвязную область изображения, имеющую в своём составе п 1 примитивов и характеризующуюся семантической меткой. S есть множество сегментов, на котором задано семейство функций F(SJ) и отношений соседства CJGSXS, а также множество семантических предикатов, каждый из который указывает на наличие, либо отсутствие у сегмента определённой метки.
По аналогии с семейством функций, заданных на примитивах, F(s;) также можно разделить на два класса. Значения функций первого класса дают интегральную характеристику значений соответствующих функций FJ(WJ), измеренных на примитивах - элементах сегмента. Функции второго класса характеризуют форму и размер сегментов.
Множество отношений соседства, заданных на сегментах наследует множество отношений, заданных на пятнах. Отношения соседства, заданные на сегментах, обладают определённой семантической насыщенностью: вводятся отношения типа «слева от», «над», «в» и т.п.
Для представления сегментов используются те же средства, что и для представления пятен (массивы хорд и т.п.).
К методам преобразования сегментированных изображений следует отнести некоторые методы из дискретной геометрии, операции над областями: алгоритм прослеживания связности; операции построения скелета и остова; операции математической морфологии, операции над контурами: алгоритм прослеживания контура; цепное кодирование; операции построения функционально-параметрических описаний.
Все процессы рассматриваемого уровня разделяются на процессы выделения областей, процессы выделения граничных элементов, прослеживания границ и процессы означивания (навешивания семантических меток), процессы преобразования структур уровня сегментов (операции математической морфологии, преобразования сегментного представления областей в контурное и наоборот, построение остовов и скелетов и т.п.) и вычисления признаков сегментов (метрических, топологических, параметрических, факторов Оформы, интегральных характеристик текстуры и т.п.).
Согласование условий однородности и связности — главная проблема в разработке методов сегментации (постановка задачи сегментации приведена в приложении 2). Выделим 3 группы методов сегментации: кластеризация, наращивание, анализ границ — и рассмотрим, как в них по-разному согласуются эти условия.
При применении традиционных методов кластеризации пространство признаков элементов изображения разбивается на области (кластеры) и F(A)=1, когда все хєА; входят в один кластер. Все хєХ распределяются по кластерам, а затем в сегменты Aj, объединяются связные элементы одного кластера. В этом методе в первую очередь рассматривается однородность.
Методика наращивания областей. Задано исходное разбиение А, например тривиальное разбиение на отдельные элементы А=={х}. Предполагается, что VAt єА F(A( )=1, т. е. разбиение А только дробит, но не сливает искомые области. В качестве комбинаций сегментов В (в условии 4) рассматриваются только пары соседних сегментов, A; Aj. Процесс наращивания состоит в объединении таких Aj Aj, что F(AiUAj)=l. Он прекращается, когда условие 4 выполнено. Тут на первом месте связность.
Метод анализа границ состоит в том, что на изображении отыскиваются границы однородных областей, т. е. участки локального нарушения однородности, и соответствующие им структуры исключаются из графа изображения Е. Компоненты полученного подграфа составляют искомые сегменты. Пусть выявлено множество ребер Wc U, таких, что V(x;y)eW; х и у не могут быть объединены в однородную область (например, велика разность яркостей, f(x)— f(y) h). Получим сегментацию Ai={Ai}, X=uAit где А; - компонента в подграфе (X, UYW). Если заданы условия, по которым на изображении выделяется множество граничных элементов GcX (например, велико отличие яркости f(x) от яркости соседних элементов, f(x) l/4ZyeNx f(y) h), то получается сегментация А2={А}, uh\ =G, где А, — компонента в порожденном подграфе G . В этом случае граничные элементы G не отнесены к сегментам и результат сегментации принципиально не может получиться в точности идентичным результату, полученному другими методами. Например, теряются линейные (толщиной в 1 пиксель) сегменты, если они целиком попали
Другой распространенной модификацией задачи сегментации является задача выделения объектов на фоне. В этом случае изображение разбивается на однородные области Aj, и фоновую область F, для которой не требуется выполнения условия однородности, X=FL/ (c/Aj). Как правило, предполагается, что фон обладает особыми свойствами, например область фона больше объектов, F»Ai, разделяет их, Uy=0, LAlF 0 и элементы xeF обладают какими-то характерными свойствами, по которым их можно обнаружить. Через А здесь и далее обозначается мощность множества А.
В заключение отметим, что при решении задачи сегментации, как правило, хотя и не всегда явно, исследователи опираются на ту или иную априорную модель изображения.
В алгоритмах сегментации методы кластеризации применяются следующим образом. Для каждой точки изображения х определяют некоторый набор характеристик (признаков). В пространстве этих признаков выделяют скопления точек — кластеры. Точки одного кластера, составляющие на изображении связные компоненты, являются искомыми сегментами. При сегментации используют характеристики точек изображения (признаки), которые были рассмотрены в теме «Иконические признаки. Методы классификации текстур».
Задачи, которые необходимо решить при построении метода сегментации на основе кластерного анализа, включают проблемы, общие для различных областей применения кластеризации: выбор подходящего набора признаков, определение принципа, по которому происходит разбиение точек изображения в пространстве признаков, определение числа кластеров.
Фиксированное множество иерархических пространств
Задачи решающих систем второго рода варьируются от простых задач (малая область поиска, предметная область статична, описана одной моделью, данные точны и не содержат ошибок) до сложных задач (большое пространство поиска, динамичность модели предметной области, неполнота модели описания, неопределённость исходных данных) [131].
Поскольку для решающих систем второго рода способ решения задач - это всегда некоторый поиск, то все методы поиска без учёта остальных признаков можно разделить на одношаговый поиск и многошаговые методы поиска. Тогда задачи решающих систем второго рода можно упорядочить от простых задач до сложных в зависимости от требуемого для их решения числа шагов поиска. Тогда задачи, решаемые на основе одношагового поиска, являются хорошо определёнными: малая область поиска, предметная область статична, описана одной моделью.
Под простыми задачами решающих систем второго рода будем далее понимать такие задачи, решение которых находится методом одношагового поиска. Решение простой задачи может быть описано следующей продукцией: (I), S; Р; ЕСЛИ (условие) ТО (действие); N, (3.1.) где I - имя продукции (имя системы, реализующей продукцию); S -анализируемая ситуация (воздействие среды на систему); Р - предикат, определяющий условие применимости продукции; N - постусловие продукции, определяющее характер реакции системы на отношение среды к действию системы; ЕСЛИ (условие) ТО (действие) - ядро продукции; (условие) - описание, которому должна удовлетворять анализируемая ситуация; (действие) - описание реакции системы на возникшую в среде ситуацию.
Примером формулировки сложной задачи может быть следующее. «По данным космофотоснимков инвентаризировать лесные территории», «По данным космофотоснимков определить стадии послепожарного развития лесов», «По данным космофотоснимков определить послепожарное восстановление хвойных лесов Краснотуранского бора на заданное время».
Все задачи приведённого примера упорядочены по мере уменьшения неопределённости их формулировки. Степень неопределённости формулировки задач является мерой их сложности.
Различаются следующие виды неопределённости формулировки сложных задач:
Параметрическая неопределённость. Этот вид неопределённости характеризуется невозможностью априорного задания параметров структуры оригинала.
Функционально-структурная неопределённость. Причина этого вида неопределённости та же: невозможность априорного задания функциональной зависимости входных и выходных переменных модели оригинала, которая зависит от целей исследования, выбранных границ оригинала, выбранной статической структуры оригинала, которые определяются только при постановке текущей задачи.
Неопределённость по статической структуре. Она также зависит от целей исследования внутренней гетерогенности оригинала, выбираемой границы оригинала и, следовательно, априори не может быть задана.
Неопределённость по оригиналу (по границе раздела оригинала и его среды). Каждый оригинал определяется целями конкретного исследования.
Неопределённость по целям исследования. Цели конкретного исследования определяются при постановке текущей задачи.
Если перечисленные выше неопределённости при постановке задачи отсутствуют или присутствует только параметрическая неопределённость, то это означает, что функциональная зависимость переменных оригинала задана. Следовательно, соответствующая решающая система является решающей системой первого рода. Отсюда следует, что всякая решающая система второго рода ориентирована на решение задач, для которых характерны хотя бы два первых вида неопределённости.
Устранение неопределённости осуществляется на основе текущей информации. Причём источником текущей информации для устранения параметрической неопределённости является оригинал, а источником текущей информации для устранения других видов неопределённости являются пользователь или надсистема.
Рост числа учитываемых неопределённостей определяет рост сложности решаемой задачи. Естественно, что решающие системы, ориентированные на решение задач различной сложности, различаются, например, по объёму априорного знания, которым они должны обладать.
В то же время, все рассмотренные в приведённом выше примере задачи упорядочены не просто по степени конкретности их формулировки, каждая последующая задача является частью предшествующей. Все задачи решающей системы анализа изображений иерархически упорядочены. На нижнем уровне этой иерархии находятся простые задачи.
Представление сложной задачи в виде упорядоченной совокупности простых задач - процесс редукции сложной задачи, который всегда задан априори явно или неявно. При явном задании дерева целей априори должны быть устранены все виды неопределённостей, исключая параметрическую и функционально-структурную неопределённости. Последнее характерно для делиберативных архитектур. Более сложной является ситуация и соответствующие ей задачи, когда дерево целей в явном виде априори задать нельзя. Для этой ситуации характерно наличие всех видов неопределённостей в формулировке исходной задачи. Неявное задание дерева редукции исходной задачи, как будет показано далее, - апостериорное упорядочение членов коллектива агентов по уровням абстракции анализируемой агентами информации, и задание ограничений на процесс преследования агентной цели: дерево соподчинённости признаков понятий.
Независимо от того, какая мера сложности присуща конкретной задаче будем называть задачу сложной, если для её решения решающей системе требуется осуществить более одного шага поиска.
Задачи решающих систем второго рода
В связи с тем, что в продукции (З.1.), описывающей решение простой задачи, возникают акты опознавания применимости продукции (предусловие), решения задачи (ядро продукции), реакции среды (постусловие) рассмотрим типовые задачи опознавания [163,164], которые были сформулированы на основе полного набора элементов теории опознавания образов, таких как 1) алфавит, 2) признаки, 3) решающие правила, 4) ограничения, например, допущение о частичной пересекаемости или непересекаемости образов в пространстве свойств, 5) критерии, например, величина затрат или стоимость потерь. Эти задачи формулируются следующим образом.
1. Дано: алфавит S = Si,s2,...,s (имена классов), набор признаков X = 2 , х„ (признаковое пространство), представители разных классов Э = Зі, Э2, ..., Эк. Найти решающее правило D = dlt d2, ..., 4r
Эту задачу обычно понимают как задачу получения классификатора, обеспечивающего отнесения неизвестного объекта к одному из априори известных классов. Тогда при таком рассмотрении сформулированной задачи всё пространство свойств разбивается на области, число которых соответствует числу априори заданных классов, а построение соответствующего классификатора основывается на концепции «всезнайства».
В настоящей исследовании на основе рассмотренной задачи и концепции о конечности знаний формулируется задача обучения классификатора: пусть априорное знание классификатора — S,3,D . Причём Э — совокупность эталонов классов, D — определяют критерии компактности свойств элементов соответствующих классов. Тогда, если предъявленный для классификации объект не может быть отнесен ни к одному из известных системе кластеров, то обнаруживается тем самым незнание системы при решении текущей задачи, что естественно, влечёт необходимость обучения классификатора.
2. Дано: алфавит S = Si,s2,...,Sk, решающее правило D = dlf d2, ..., dm представители классов Э = Э], э2, ..., э Найти вектор признаков, обеспечивающих разделение элементов алфавита в пространстве свойств.
Эта задача обычно рассматривается как задача создания классификатора. На основе сформулированной задачи и концепции о конечности знаний в настоящем исследовании формулируется задача порождения классификатора (см. ниже).
3. Дано: набор признаков, решающее правило, множество объектов, принадлежность которых к какому-либо классу не известна. Найти разделение на классы неизвестного множества объектов.
Третья задача нередко называется задачей классификации. В данном случае получатся полное разбиение пространства свойств. Но классификатор, ориентированный на решение подобной задачи, реализован на основе концепции «всезнайства».
В настоящем исследовании задача классификации формулируется с учётом концепции о конечности знаний следующим образом: Если задан некоторый критерий компактности, задано признаковое пространство и совокупность классов своими представителями, то всякий объект относится к некоторому кластеру W„ если расстояние до представителя этого кластера текущего объекта удовлетворяет критерию компактности ЕСЛИ ( Xj - Хср є), ТО
Предъявленный для классификации объект может не попасть в один из известных системе кластеров, в этом случае он попадает в неизвестную системе область пространства признаков, которую далее будем называть фоном [165].
Непересекаемость подмножеств множества объектов в пространстве свойств, как важнейшая предпосылка решения указанных задач формулируется следующим образом [163]. "Образы называются є-непересекаемыми, если при неограниченном возрастании объёмов выборок всех образов минимальное взаимное расстояние между реализациями различных классов остаётся не менее некоторой конечной величины є".
Простота рассмотренных задач состоит в том, что вопрос при их формулировке ставился так: необходимо описать и разделить классы объектов с точностью до их отличия друг от друга. При этом раскрытие и описание содержания каждого класса объектов остаются вне указанных задач. Ограничение общей цели исследования для рассмотренных задач позволяет алфавит распознаваемых классов объектов описывать с помощью единого набора признаков, одинакового для всех классов. Отсюда и мера сходства (разделимости) образов строится на основе понятия «метрической близости» образов. Значение меры близости образов в пространстве свойств (значение критерия компактности) определяется на основе экспертного знания и является мерой правдоподобности отнесения неизвестного объекта к некоторому эталону.
Если же стоит вопрос о различении качественно разнородных объектов, когда возникает необходимость в распознавании структуры объекта, тогда-то и возникает сформулированная выше вторая задача. Вопрос о необходимости различения качественно разнородных объектов возникает в связи с исследованием внешней и внутренней гетерогенности оригинала [164].
Постановка задачи картирования космофотоснимков
Излучение с длинами волн 0.4-5.5 мкм проходит через атмосферу, и если рассеяние и поглощение энергии в ней не очень велики, то излучение отражается от поверхности Земли и может быть зарегистрировано бортовыми датчиками.
1-й канал - видимый синий диапазон. Сильно рассеивается в атмосфере, служит для идентификации дымки.
2-й канал - видимый зелёный диапазон. Максимальное отражение хлорофиллом зелёных частей растений.
3-й канал - видимый красный диапазон. Поглощение хлорофиллом листа растений.
4-й канал - ближний инфракрасный диапазон. Отражается растительностью. Интенсивность рассеяния в атмосфере незначительна. Туман, облака, наоборот, очень сильно рассеивают излучение в диапазоне 0.75-1.1мкм. Атмосфера прозрачна для теплового излучения только в двух зонах: 3.5-5.0, 8-14мкм.
5-й канал - средний ИК диапазон. Сильное отражение голых почв. Идентификация типов почвы, различающихся содержанием воды. Содержание воды в растительности зависит от влагосодержания подстилающей поверхности.
6-й канал - тепловой диапазон, собственное тепловое излучение Земли. При температуре земной поверхности (облаков), равной -50С, максимум излучения приходится на 12мкм, при + 50С - на 9мкм.
7-й канал - средний ИК диапазон. Сильное отражение голых почв. Идентификация типов почвы, различающихся содержанием воды. Содержание воды в растительности сильно зависит от влагосодержания подстилающей поверхности.
Изображения можно охарактеризовать как текстурные с наличием, практически, всех видов текстур. Для участков изображения прежде всего водных поверхностей характерно смещение в низкочастотную часть спектра пространственных частот.
В целом на изображении представлен Полярный Урал: переходная зона «лес-тундра». Северная граница леса на Полярном Урале сформирована лиственницей и представляет собой раздел двух растительных зон: леса и тундры. Снимок получен в июле 1988г.
Лиственничник представлен на изображении зонами с различной степенью сомкнутости крон: от 0.1 для лиственничных редин до 0.5 и выше для лиственничных насаждений.
Имеются также водные поверхности (в частности, озёра), каменистые россыпи, представленные крутыми склонами и каменистой речной поймой. Другие виды растительности и лишайники отсутствуют. На участках тундры лишайники покрывают более чем 50% каменистой поверхности. Имеются кустарники, которые совместно с лишайниками составляют более 50% проективного покрытия каменистых поверхностей. Кроме того, имеются области на изображении, означивающие менее 50% проективное покрытие кустарниками ольхи, ивы и карликовой берёзы. Кустарники и лишайники составляют более 50% проективного покрытия каменистых поверхностей.
Возможные цели анализа изображений состоят в следующем. 1. Выделить лиственничные насаждения различной сомкнутости крон. 2. Выделить сомкнутые лиственничные насаждения (сомкнутость крон 0.3 и выше). 3. Выделить лиственничные насаждения и тундровую растительность, определив границу между ними. 4. Представить тематическую карту территории, выделив все возможные типы поверхности: Водные поверхности. Каменистые россыпи. Участки тундры с более чем 50% покрытием камней. Кустарники и лишайники с более 50% проективным покрытием каменистых поверхностей.
Области с более чем 50% проективным покрытием кустарниками ольхи, ивы и карликовой берёзы. Лиственничные насаждения с сомкнутостью крон 0.1 -0.2. Лиственничные насаждения с сомкнутостью крон 0.3-0.4. Лиственничные насаждения с сомкнутостью крон 0.5-0.6. Лиственничные насаждения с сомкнутостью крон 0.7-1.0. 5. Определить доли, занятые проекциями крон различной сомкнутости, территории, занятой лиственничными насаждениями.
Тематическая карта для исследуемой территории должна быть сопровождена описанием анализируемых изображений (вербальное, табличное, графическое) на уровнях классов сегментов и сегментов.
