Содержание к диссертации
Введение
1. Аналитический обзор методов и средств автоматизированной обработки (дешифрирования) радиолокационных изображений
1.1. Основные направления и методы автоматизации процесса обработки радиолокационных изображений 15
1.2. Задачи обнаружения и распознавания наземных объектов и классификация методов их решения 25
1.3. Анализ состояния проблемы обнаружения-распознавания-объектов на радиолокационных и оптических изображениях 32
1.4. Краткий обзор современных РСА 39
1.5. Краткий обзор работ, посвященных совмещению радиолокационных и эталонных изображений земной поверхности 43
1.6. Выводы- 47
2. Особенности применения процедур совмещения радиолокационных и эталонных изображений
2.1. Задачи радиолокационного наблюдения земной поверхности, для решения которых необходимо автоматизировать процедуру совмещения изображений 50
2.2. Основные геометрические отличия, возникающие между совмещаемыми изображениями 60
2.3. Яркостные отличия между совмещаемыми изображениями 68
2.4. Выводы 69
3. Применение теории статистических решений для распознавания изображений
3.1. Разработка структур распознавателей при наличии геометрических отличий между эталонными и распознаваемыми изображениями 71
3.2. Статистические показатели качества распознавания 87
3.3. Выводы 89
4. Сравнительный анализ эффективности алгоритмов поиска и распознавания 92
4.1. Методика последовательного поиска и распознавания изображения объекта в пространственной области 92
4.1.1. Алгоритм распознавания на основе вычисления корреляционной функции 96
4.1.2. Модифицированный корреляционный алгоритм 102
4.1.3. Алгоритм распознавания на основе вычисления коэффициента корреляции 109
4.2. Исследование частотных методов 113
4.2.1. Общие сведения 113
4.2.2. Алгоритм распознавания на основе согласованной фильтрации 115
4.2.3. Алгоритм распознавания на основе согласованной фильтрации с нормировкой в частотной области 118
4.3. Применение нейронной сети для решения задачи поиска и распознавания объектов 120
4.4. Применение методов инвариантных к аффинным преобразованиям изображений 133
4.4.1. Геометрические моменты 134
4.4.2. Моменты Лежандра 138
4.5. Сравнительный анализ методов и их особенности 141
4.5.1. Сравнительный анализ вычислительных затрат 141
4.5.2. Сравнительный анализ качества распознавания 145
4.6. Выводы 148
5. Алгоритмы и анализ эффективности процесса совмещения изображений
5.1. Выбор характерных малоразмерных эталонных участков земной поверхности 150
5.2. Алгоритм совмещения, основанный на автоматическом выборе эталонов на радиолокационном изображении с выделением контуров радиоконтрастных объектов 162
5.2.1. Предварительная обработка ЦКМ и устранение геометрических искажений 163
5.2.2. Обработка РЛИ и выбор эталонов 165
5.3. Трёхэтапный алгоритм совмещения с выбором эталонных участков на оптических изображениях 172
5.4. Оценка точностных характеристик совмещения и быстродействия 183
5.5. Выводы 189
Заключение 191
Список литературы 193
- Задачи обнаружения и распознавания наземных объектов и классификация методов их решения
- Основные геометрические отличия, возникающие между совмещаемыми изображениями
- Алгоритм распознавания на основе вычисления коэффициента корреляции
- Трёхэтапный алгоритм совмещения с выбором эталонных участков на оптических изображениях
Введение к работе
Актуальность темы.
Современные радиолокационные системы с синтезированием апертуры (РСА) позволяют получить высокодетальные радиолокационные изображения (РЛИ) земной поверхности независимо от погодных условий и времени суток. Содержащаяся на РЛИ информация может быть использована для решения чрезвычайно большого числа задач в различных сферах деятельности человека.
На сегодняшний момент технологии получения РЛИ высокого качества существенно опережают технологии дешифрирования (обработки РЛИ с целью получения необходимой информации) получаемых изображений. Большинство этапов обработки выполняет человек, а только некоторые этапы проводятся автоматически и то под контролем человека-оператора, который задаёт очередность выполнения операций, жёстко контролирует операции и субъективно определяет качество обработки.
В целом состояние проблемы дешифрирования характеризуется следующими фактами. Во-первых, существенный прогресс РСА позволяет получать изображения с высокой разрешающей способностью. Во-вторых, развитие электронно-вычислительной техники способствует проведению сложных и трудоёмких операций дешифрирования изображений. В-третьих, решаемая задача характеризуется значительным уровнем априорной неопределённости, большим разнообразием покровов земной поверхности, трудоёмкими вычислительными операциями и, несмотря на прогресс развития РСА, всё равно недостаточностью разрешающей способности для решения определённых и наиболее важных задач дешифрирования. Перечисленные особенности приводят к разработке эвристических алгоритмов, а также к попыткам решить определённые задачи не на прямую, а применяя обходные пути и используя косвенные данные. Это подтверждается множеством публикаций, число которых вновь возросло в последнее время, так как, несмотря на сложность и существующие проблемы, стала очевидна важность и польза, которую можно получить, автоматизировав и решив пусть даже частные задачи дешифрирования.
Анализ существующих методов совмещения РЛИ показал, что данное направление является мало изученным по сравнению с другими направлениями обработки РЛИ (обнаружение и распознавание объектов, обработка РЛИ с целью уменьшения помех). В большинстве разработанных алгоритмов совмещения предполагаются априорно известными геометрические отличия между совмещаемыми изображениями (угол поворота и масштаб) или же предлагается их устранять, применяя различные методы моментов, что приводит к потере информации о начальном взаимном расположении совмещаемых изображений. Большую часть обработки в существующих алгоритмах (предварительная обработка изображений, отбор точек совмещения, проверка правильности совмещения и т. п.) осуществляет человек-оператор, что ограничивает возможность применения этих алгоритмов.
Разработка алгоритмов автоматического совмещения РЛИ с эталонными изображениями (ЭИ) при наличии между изображениями яркостных и геометрических отличий, определение численных характеристик этих отличий и оценка эффективности разработанных алгоритмов позволит не только решить множество самостоятельных задач (обнаружение и распознавание целей, повышение информативности получаемых данных, определение местоположения целей), но и выделить дополнительную информацию, которая является ключевой для последующей обработки РЛИ. Эталонными именуем такие изображения, координаты объектов на которых известны - зафиксированы в какой-либо системе координат. В качестве ЭИ могут выступать оптические изображения (ОИ), РЛИ, цифровые карты местности (ЦКМ), а также изображения, полученные в инфракрасном диапазоне. В связи с этим задача автоматического совмещения РЛИ с ЭИ является актуальной.
Цель работы.
Разработка и исследование алгоритмов автоматического совмещения радиолокационных изображений с эталонными изображениями земной поверхности; при этом в качестве эталонных используются радиолокационные и оптические изображения, а также цифровые карты местности.
Задачи работы.
Разработка и анализ алгоритмов поиска и обнаружения-распознавания двумерных изображений объектов на радиолокационных и оптических изображениях.
Оценка возможности распознавания различных классов объектов с учётом разрешающей способности современных РСА.
Разработка алгоритмов автоматического совмещения РЛИ с ОИ и ЦКМ при наличии геометрических и яркостных отличий между ними с целью уточнения местоположения летательного аппарата (ЛА) в автономном режиме полёта и получения дополнительной информации о наземных целях.
Анализ возможности реализации процедуры совмещения в реальном масштабе времени в зависимости от точности инерциальной навигационной системы.
Оценка точности результатов совмещения в зависимости от разрешения РЛИ и параметров поиска изображения объекта.
Методы исследования.
В работе использовались методы математической статистики и теории вероятностей, общие методы статистической радиотехники, методы обработки цифровых изображений, спектральный анализ и теория оптимальной фильтрации сигналов и изображений, математическое моделирование.
Научная новизна.
Научная новизна диссертационной работы заключается в следующем.
Разработана методика расчёта показателей качества распознавания изображений объектов на РЛИ - вероятности правильного распознавания и вероятности ошибочного распознавания, основанная на обработке экспериментальных данных.
Проведён сравнительный анализ методов поиска и распознавания изображений объектов, основанных на модификациях корреляционного алгоритма, на использовании нейронной сети и методов моментов,
инвариантных к аффинным преобразованиям. Разработан алгоритм распознавания на основе применения преобразования Фурье и согласованной фильтрации, позволяющий существенно сократить время обработки.
Исследована возможность создания параллельных и последовательных алгоритмов распознавания изображений объектов на РЛИ.
На основе анализа зависимостей вероятности правильного распознавания и вычислительных затрат определены значения параметров грубого поиска распознаваемого объекта на изображении.
Разработаны и исследованы алгоритмы совмещения РЛИ с ЭИ, позволяющие выбирать характерные изображения участков земной поверхности, по которым проводится привязка (совмещение), как на формируемом РЛИ, так и на сформированных и обработанных заранее ЭИ.
Практические результаты.
К результатам, имеющим практическую ценность, относятся.
Экспериментально получены зависимости вероятности правильного распознавания от угла поворота, масштаба и пространственного сдвига распознаваемых изображений объектов относительно эталонных изображений.
Определён состав объектов (участков земной поверхности), которые целесообразно использовать в качестве эталонов для эффективного совмещения. С учётом разрешающей способности РСА определён размер эталонного участка в метрах или в точках (пикселах) на изображении. Минимальный размер эталонного изображения (стороны квадратного строба) может составлять 40-60 пикселей, максимальный -нецелесообразно делать более 200 пикселей.
Разработан алгоритм автоматического определения эталонов на РЛИ, позволяющий полностью автоматизировать процесс совмещения РЛИ с ЭИ.
Разработан трёхэтапный алгоритм совмещения РЛИ с ОИ при наличии между ними геометрических и яркостных отличий, позволяющий осуществлять совмещение с высокой точностью в квазиреальном масштабе времени (с небольшой задержкой) на персональных электронно-вычислительных средствах. Определены параметры грубого поиска объектов на изображениях: дискретность изменения угла поворота Аа=3 (максимально допустимое значение Аа=5); дискретность изменения масштаба Ат=0.03 (максимально допустимое значение Ат=0.1); дискретность изменения пространственного сдвига AX=AY=5 точек (максимально допустимое значение AX=AY=8 точек). Удалось достигнуть максимальной точности совмещения с ошибками, не превышающими: 0,8 по углу; 0.04 (4%) по масштабу; 2 точки по пространственному сдвигу.
Разработана процедура проверки правильности совмещения, основанная на сравнении пространственного соответствия между расположением эталонов и положением максимумов коэффициентов корреляции.
Экспериментально подтверждено, что при разрешающей способности PC А в 5-10 м и лучше получаемые РЛИ по качеству становятся близкими к ОИ. Это даёт возможность сначала провести автоматическое совмещение РЛИ с ОИ, а затем с учётом того, что на данный момент существуют ОИ практически всего земного шара, и они жёстко синхронизированы с ЦКМ, провести совмещение РЛИ и ЦКМ. Непосредственное совмещение РЛИ С ЦКМ нецелесообразно из-за больших яркостных отличий между изображениями.
Теоретические и практические результаты работы внедрены: в ФГУП «Государственный научно-исследовательский институт авиационных систем», ЗАО Научно-технический Центр Системного Моделирования (НТЦСМ), ЗАО ОКБ «Траверз», а также в учебный процесс на кафедре «Радиолокации и радионавигации» Московского авиационного института (Национального
исследовательского университета) для специальности 210302 «Радиотехника». Положения, выносимые на защиту.
Автоматическое обнаружение-распознавание объектов на РЛИ целесообразно осуществлять с использованием алгоритмов, реализующих вычисление коэффициента корреляции и согласованную фильтрацию.
Совмещение изображений целесообразно проводить, используя характерные и малоразмерные эталонные участки, что существенно повышает скорость обработки и увеличивает вероятность правильного распознавания (совмещения).
Разработанный трёхэтапный алгоритм, основанный на выборе эталонных участков на ОИ до начала полёта, позволяет реализовать совмещение радиолокационного и оптического изображений с высокой точностью.
Разработанный алгоритм автоматического выбора эталонов на РЛИ, основанный на выделении контуров радиоконтрастных объектов, позволяет автоматизировать процедуру совмещения.
Проверку правильности совмещения необходимо проводить путём сравнения пространственного соответствия между расположением эталонов и положением максимумов дискриминантной функции, а пороговая обработка дискриминантной функции нецелесообразна.
Апробация работы.
Материалы диссертационной работы обсуждались на: научно-практической конференции студентов и молодых учёных МАИ «Инновации в авиации и космонавтике-2010», Москва, МАИ, 26-30.04.2010; 9-ой Международной конференции «Авиация и космонавтика-2010», Москва, МАИ, 16-18.11.2010.
Публикации по теме работы.
По результатам исследования опубликовано 4 работы, из них 2 статьи в журналах, рекомендованных ВАК РФ, и тезисы докладов на 2-х научных конференциях.
Объём и структура работы.
Диссертационная работа состоит из введения, пяти глав и заключения,
списка литературы из 101 наименования, включая работы автора. Общий объём диссертации - 202 станицы, 132 рисунка, 8 таблиц.
Задачи обнаружения и распознавания наземных объектов и классификация методов их решения
Задача обнаружения объекта (объектов) на изображении (радиолокационном или оптическом) имеет много общего с задачей обнаружения радиосигналов на фоне различного рода помех и шумов, однако имеются и особенности, связанные со специфическими свойствами изображений. Проблема автоматического обнаружения, сигналов, получаемых от воздушных объектов, хорошо исследована в теоретическом и» методическом плане; имеется множество статей, монографий; учебных пособий, см. например, [12-18]. Можно провести аналогию между цифровым РЛИ и цифровым сигналом и применить ряд методов обработки цифрового сигнала к цифровым РЛИ с учётом двухмерности изображения [19-22].
Однако, проблема обнаружения изображений объектов на фоне изображений подстилающей поверхности, хотя и имеет много общего с классической проблемой обнаружения сигналов на фоне помех, оказалась значительно более сложной. Это связано с тем, что разнообразие типов и отдельных участков подстилающих поверхностей определяет сложность пассивных помех, возникающих при переотражении зондирующих сигналов.
Следует подчеркнуть особенность и отличие задачи обнаружения наземных целей от задачи обнаружения воздушных объектов; Последние, как правило, являются движущимися целями. Наземные же цели являются как движущимися, так и неподвижными. Кроме того, на земной поверхности наряду с теми или иными объектами (целями), как правило, и в достаточно большом количестве, расположены отражающие объекты, не являющиеся целями. Однако, РЛИ этих объектов могут мало отличаться от изображений целей. Обнаружение сигналов, отраженных от таких объектов, приводит к ложным тревогам. В результате уровень ложных тревог резко возрастает. Для снижения этого уровня приходится фильтровать ложные цели с использованием выбранного набора признаков. Фактически, для эффективного решения задачи обнаружения наземных целей необходимо решать задачу их распознавания, в том числе среди "целеподобных" объектов. Таким образом, задачу обнаружения наземных целей необходимо рассматривать и решать как задачу совместного обнаружения и распознавания изображений, иначе говоря, как задачу обнаружения-распознавания.
Распознавание объектов (образов) (РО) на изображении» (радиолокационных или оптических)- состоит в установлении принадлежности объектов к определённым классам; Принадлежность. устанавливается по ряду выявленных опознавательных признаков распознаваемого объекта и их близости (по ряду критериев) к эталону. Проблема автоматического распознавания изображений объектов - одна из наиболее сложных в области обработки информации [23-32].
Важно отметить, что выбор набора признаков - наиболее сложная и важная задача проектирования систем РО. Общей теории по выбору признаков не существует. Этот процесс является творческим и весьма трудоёмким. Главное требование, предъявляемое к тому или иному признаку - возможность по его значению судить о предпочтении отнесения объекта к какому-либо классу или совокупности классов.
Все опознавательные признаки объектов разделяют на две основные группы: прямые и косвенные.
Прямые опознавательные признаки присущи самим объектам и воспринимаются по их РЛИ благодаря геометрическим и электрическим характеристикам объектов, которые, в, свою очередь, можно разделить на первичные и вторичные. К первичным опознавательным признакам обычно относят размер, форму, тон и текстуру, взаимное расположение составляющих объект элементов. В качестве вторичных опознавательных признаков в РСА могут использоваться характеристики спектра доплеровских частот сигналов, отраженных от движзшщхся объектов или их элементов, поляризационные характеристики сигналов, изменение характеристик объектов при изменении несущей частоты РСА (в многочастотных РСА) и др. Вторичные опознавательные признаки становятся доступными для визуального восприятия обычно только после дополнительной, как правило, машинной обработки сигналов и изображений. Наиболее информативными признаками являются форма и размеры объектов. Однако, "радиолокационное изображение хотя и подобно фотографическому, но имеет ряд особенностей, обусловленных свойствами функции отражения. Следствие различия коэффициентов отражения в радио и оптическомі диапазонах волн контраст различных участков местности в РСА не всегдаг соответствует контрасту на фотоснимке" [1]. По этой причине существенно снижается информативность текстурных признаков (распределение яркости по РЛИ объектов), определяемых структурой и характеристиками элементов поверхностей объектов.
Косвенные опознавательные признаки не связаны непосредственно с объектами, но они несут в себе информацию об объектах и их функциональном состоянии. К косвенным признакам можно отнести тень от объекта, взаимное расположение объектов, расположение объектов на местности, следы деятельности и т. п.
Тень от объекта является важным опознавательным признаком в особенности при обзоре местности и объектов под малыми углами визирования. Тень дает информацию о высоте и форме объекта, она всегда отбрасывается в сторону, противоположную от направления наРСА. По тени можно обнаруживать сосредоточенные и распределенные слабоконтрастные объекты, определять их высоту. В тени от объектов на РЛИ-часто передается больше информации об их форме, чем« самим РЛИ объекта подверженным дифракционным искажениям.
Важным косвенным признаком объектов является их расположение по отношению к другим объектам и элементам местности. Дело в том, что различные объекты, располагаясь на местности, находятся во взаимодействии друг с другом в соответствии с их назначением и характером функционирования. Следовательно, наличие одних объектов обусловливает обязательное присутствие других, а вполне определенное расположение элементов сложного группового объекта на местности является его важным опознавательным признаком.
Основные геометрические отличия, возникающие между совмещаемыми изображениями
Существенной проблемой при совмещении является отличие цифровых форматов ЩСМ, ОИ и РЛИ. ЦКМ содержит в себе информацию о расположении неподвижных объектов5 и их координатах. Часто на этих картах указывают названия улиц, географических объектов; номера домов. Цветовая гамма ЦКМ разнообразная (рис. 2.3, 2.5, 2.7, 2.13). Большинство радиоконтрастных объектов, отображаются на ЦКМ и РЛИ по-разному. Например, сооружения, железнодорожные переезды, дороги, лесные массивы отображены, на ЦКМ схематично и. существенно отличаются от этих же объектов представленных на РЛИ и ОИ.
Яркостные искажения оптических и радиолокационных изображений обусловлены отсутствием контроля над сезонными колебаниями отражающих свойств подстилающей поверхности при формировании РЛИ ОИ. При формировании. ОИ большую роль играет освещённость, в то время как ЦКМ обладает постоянной яркостью и контрастностью.
Еще одним отличием может служить наличие объектов на одном изображении, отсутствующих на другом. К таким объектам, например, можно отнести корабли, машины, другие транспортные средства, которые часто имеются на РЛИ и не присутствуют на ЩСМ. Так же некоторые строения, обозначенные на ЦКМ, могут приобрести иную конфигурацию или быть разрушены. Или, наоборот, на РЛИ могут присутствовать здания или мосты, возведенные уже после составления ЦКМ.
Перечисленные отличия, как правило, присутствуют в комплексе, что существенно осложняет процесс объединения изображений. 1. Автоматизация процесса совмещения РЛИ с ЭИ позволят в автоматическом режиме выделять дополнительную информацию об объектах расположенных как на РЛИ, так и на ЭИ; обнаруживать и распознавать замаскированные объекты; решать целый ряд навигационных задач; а также повышать информативность ш наглядность результатов при предоставлении их человеку-оператору. 2. Положение РЛИ участка- земной или водной поверхности относительно ЛА, с борта1 которого оно формируется, известно - с большой точностью (как правило, погрешность не превышает величины элемента разрешения по соответствующей координате). Однако, положение РЛИ относительно земных систем координат, в которых сформированы эталонные изображения неизвестно или известно с недопустимо большой погрешностью 3. Между совмещаемыми изображениями имеются геометрические и яркостные отличия, которые необходимо учитывать и устранять (компенсировать) в автоматическом режиме. 4. Из-за неопределённости положения РЛИ относительно эталонного изображения (рис. 2.10) необходимым этапом процедуры автоматического совмещения является предварительный поиск и распознавание РЛИ на ЭИ с учётом отличия этих изображений по геометрическим и яркостным параметрам, т. е. необходимо решить задачу поиска и распознавания изображения объекта на другом изображении. 5. Необходимо провести разработку методов и структурных схем распознавателей двумерных изображений объектов, выявить наиболее подходящие методы распознавания, определить количественные меры показателей качества распознавания или разработать методики их вычисления. Критериями качества методов распознавания являются: наибольшая скорость вычисления; инвариантность методов распознавания к яркостным отличиям; работоспособность методов распознавания при наличии геометрических отличий между эталонным и распознаваемым изображениями (объектами). 6. В отличие от решения общей задачи распознавания объекта на изображении, задача распознавания, как составная часть задачи совмещения, имеет ряд особенностей: обеспечение высокой автоматизация процесса; относительно низкая корреляция совмещаемых изображений, полученных различными способами (РЛИ, ЦКМ, ОН); обнаружение-распознавание относительно узкого класса целей (неподвижных объектов, достаточно крупных по сравнению с элементом разрешения); ограниченный диапазон поиска по пространственному положению (сдвигу), углу, масштабу, в зависимости от точности инерциальнои навигационной системы и априорно полученных данных.
Цифровой, сигнал представляет собой последовательность чисел и является дискретным рядом (рис. З.Ь). Числа S(tk), составляющие последовательность, являются значениями сигнала в отдельные (дискретные) моменты времени tk и называются отсчётами сигнала. Дискретный сигнал квантован только по времени. Цифровой сигнал квантован по времени и по уровню и представляет собой некоторое число на определённой позиции S(k) n), где т=1,...,М и n=l5...,N координаты на плоскости (позиции). Значение данной двумерной функции S в любой точке, задаваемой парой координат (m,n), называется интенсивностью (яркостью) изображения в этой точке (или яркостью пиксела изображения). Если величины m, п и S принимают конечное число дискретных значений, то говорят о цифровом изображении, т. е. цифровое изображение состоит из конечного числа точек (пикселей) [23]. М - размер изображения в пикселах (точках) по горизонтальной оси, в дальнейшем это размер будем называть шириной изображения. N - размер изображения в пикселах по вертикальной оси или высота изображения;
Чем больше точек М и N в площади изображения, тем больше разрешение. Значения яркости точки изображения есть аналог квантования сигнала по уровню. При бинарном квантовании; на 0 и 1 изображение становится чёрно-белым без оттенков серого цвета. Дискретная яркость содержит, как правило r=2v элемента. При v=l имеем г=2, при v=8 (8-ми битное изображение) число градаций яркости (оттенков серого) г=256. О -абсолютно чёрное изображение, 255 - абсолютно белое изображение. Величина "v" определяет число бит и такие- изображения называются "v-битными". Таким образом, можно провести- аналогию между временной областью сигнала и пространственной областью изображения и считать, что цифровое изображение является двумерным цифровым сигналом и к нему можно применить методы обнаружения и распознавания цифровых сигналов, основанные на теории статистических решений [12,13]:
Алгоритм распознавания на основе вычисления коэффициента корреляции
Рассмотрим альтернативный метод распознавания, не следующий непосредственно из теории статистических решений. Как отмечалось в главе 3, на практике статистические свойства наблюдаемых изображений могут быть неизвестны частично или полностью. В этом случае, при распознавании могут оказаться более эффективными методы, в которых необходимые дискриминантные функции строятся непосредственно в ходе обучения, что устраняет необходимость использовать предположения о вероятностных характеристиках распознаваемых объектов [23] . На данный момент разработано огромное число различных методов построения нейронных сетей (НС), главной их особенностью является использование большого числа нелинейных вычислительных элементов, называемых нейронами, которые объединены в сети. Режим функционирования НС можно разделить на две части. Первый - режим обучения, в этом режиме происходит настройка весовых коэффициентов, связывающих нейроны. Целью этого режима является получить на эталонные входные воздействия желаемые оклики (желаемый выходной сигнала) НС. Второй - рабочий режим или режим непосредственного распознавания. Подробно ознакомится о классификации, методах построения и принципах работы НС можно, например, в [95-97].
В качестве модели для исследования взята НС, обучаемая по методу обратного распространения ошибки [97], как относительно простая, но хорошо зарекомендовавшая себя при решении ряда практических задач [27, 34].
Структура искусственной НС показана на рис. 4.27. Сеть состоит из входного слоя, содержащего P = L-K элементов (число элементов входного слоя НС совпадает с числом пикселей распознаваемого изображения): Скрытый слой состоит из J элементов, (число скрытых элементов выбирается, как правило;; эмпирически); Число выходных нейронов выбирается равным числу распознаваемых классов Ъ При» поступлении на-вход НС изображения объекта,д-го класса»; необходимо что бы. на і-ом выходном нейроне был сигнал, больший, чем на всех остальных 1-1 выходных нейронах. Нейроны связаны между собой весовыми коэффициентами WPjq (Wpjq - весовой коэффициент, связывающий р-ый нейрон q-1 слоя с j-ьім нейроном q-ro слоя).
Поиск и распознавание изображения объекта можно реализовать последовательно, аналогично методу, представленному в пункте 4.1 и проиллюстрированному на рис. 4.2. Упрощённо алгоритм поиска и распознавания Изображения 2 на Изображении 1 (см. рис. 4.1) показан на рис. 4.28. Рабочий режим искусственной НС заключается в вычислении значений выходных нейронов, используя весовые коэффициенты, полученные на этапе обучения.
Анализ выходных данных заключается в выборе максимального выходного значения (максимального нейрона). Номер выходного нейрона, имеющего максимальное значение, определят номер класса распознаваемого объекта.
Достоинством нейросетевого метода, по сравнению с рассмотренными выше, заключается в том, что если необходимо распознать несколько объектов, относящихся к разным классам, то нет необходимости последовательно сравнивать эти объекты с эталонными. НС уже была «познакомлена» с эталонами на этапе обучения. Кроме того, на этапе обучения НС предъявляются эталонные изображения, имеющие различные углы поворота и масштаб, что позволяет в рабочем режиме распознавать объекты независимо от их углового положении и масштаба. Т. е. обученная НС инвариантна к геометрическим отличиям эталонного и распознаваемого изображений.1
При поиске и распознавании изображения объекта размером. K L пикселей на изображении МхМ пикселей при помощи НС, имеющей K L входных нейронов, J нейронов скрытого слоя и I выходных нейронов, приблизительно затрачивается следующее число математических операций:
Формула 4.15 учитывает возможные отличий изображений» по углу поворота, масштабу и пространственному сдвигу, но зависит от числа распознаваемых классов, т. к. при увеличении числа распознаваемых классов увеличивается величина I. Однако, как правило, 1 Г« KxL. Поэтому при увеличении числа распознаваемых классов вычислительная сложность возрастает несущественно.
Следует отметить, что в формулу 4.15 не входит число математических операций, необходимых выполнить на этапе обучения. Обучение НС процесс итерационный, количество итераций и вычислительная сложность зависят от начальных условий, метода оптимизации, вида и числа обучающих изображений объектов, ряда случайных факторов (например, начальные весовые коэффициенты- связывающие нейроны могут задаваться случайным образом). Поэтому оценить число математических операций достаточно сложно. В этом случае приходиться оперировать временем обучения, зависящим от мощности вычислительных средств. Однако между моментом обучения и моментов необходимости включения НС в работу по распознаванию, как правило, имеется достаточно большой промежуток времени, что позволяет успешно обучить НС, несмотря на большое затрачиваемое на этот этап время.
Трёхэтапный алгоритм совмещения с выбором эталонных участков на оптических изображениях
Попавшее в строб изображение (рис. 4.38.6) подаётся на НС, т. е. в строб попадают отдельные фрагменты изображений объекта, которым НС не была обучена. Перечисленные факторы (разнообразие изображений участков земной поверхности, попадание в строб отдельных частей изображения объекта) делает число классов неограниченно большим. Кроме того, при совмещении изображения, как это будут показано в главе 5, в ряде случаев эталонные изображения формируются непосредственно в рабочем режиме, что не оставляет времени на обучение искусственной НС. В целом можно сделать следующие выводы о применимости НС для поиска, распознавания и оценки положения изображения объекта на РЛИ или ОИ. 1. НС можно обучить распознавать объекты независимо от их масштаба и углового положения и она в ряде обстоятельств (при большом числе распознаваемых объектов см. формулы 4.6, 4.14, 4.15) будет выигрывать в скорости по сравнению с распознаванием, основанном на применении коэффициента корреляции и ПБПФ (подробный сравнительный график будет приведён в пункте 4.5). 2. Достижение инвариантности приводит к невозможности без существенного усложнения НС оценивать угол поворота и масштаб объекта. 3. НС неработоспособна если ей предъявляются объекты, которые не входили в обучающую последовательность. 4. Наличие на земной поверхности участков местности с различным "сюжетом" и необходимость поиска объекта, учитывая постановку тактической задачи, приводит к неограниченному числу классов изображений объектов. При полностью автоматическом совмещении изображений потребуется провести обучение НС в реальном масштабе времени, что затруднительно. Учитывая проведенные результаты можно сделать вывод о не эффективности НЄ для поиска и обнаружения-распознавания объектов на радиолокационных и оптических изображениях с целью их привязки друг к другу.
Как уже говорилось ранее, решение задачи распознавания состоит в нахождении меры близости между признаками, которыми описывается распознаваемое изображение и признаками, которыми описывается эталонное изображение. Признаком может быть, например, матрица величин яркости точек изображения на определённой позиции, что представляет собой описание цифрового изображения в пространственной области. Взяв от цифрового изображения прямое преобразование Фурье, мы переходим к описанию изображения в частотной области, признаком является матрица значений величины спектра на определённой позиции. Кроме этого существует большое число методов получения различных признаков, которыми возможно описать одно и тоже изображение [23]. Полученные различными способами признаки обладают различными свойствами. Некоторые признаки меняются при изменении яркости объектов на изображении или от их перемещения, разворота или изменения масштаба объектов, а некоторые признаки нечувствительны к ряду преобразований. Например, модуль от спектра, изображения объекта инвариантен к сдвигу этого объекта на общем изображении, т.е. всегда одинаков, независимо от того, в какой области общего изображения находится объект. Ещё ряд. признаков, которые будут рассмотрены, в данном пункте, обладают инвариантностью к аффинным преобразованиям изображения (не зависят от геометрического изменения изображения, его масштаба и поворота).
Надёжность распознавания существенно зависит от качества признаков, они должны быть информативны, т. е. содержать как можно больше полезной информации об описываемом изображении и быть оригинальными, т. е. содержать особенности конкретного изображения. В связи с этим возникает противоречие, с одной стороны признаки, инвариантные к геометрическим преобразованиям; ускоряют процедуру распознавания, т. к. не приходится перебирать, все возможные положения распознаваемого объекта относительно эталона; но с другой стороны эти признаки теряют свою индивидуальность и могут совпадать с признаками, полученными от другого изображения. Это, в свою очередь, может ухудшить качество распознавания. Рассмотрим методы вычисления некоторых признаков (моментов); инвариантных к аффинным преобразованиям и их применимость к решению задачи.распознавания и совмещения изображений.
На рис. 4.39.а представлено изображение объекта (визуальная интерпретация). На рис. 4.39.6 цифровое описание этого изображение (представлено не полностью из-за большого размера), т. е. численные значения яркости на определённой позиции; которые и являются признаками, описывающее данное изображение. Размер изображения составляет 50x50 точек и это означает, что данное изображение описывается 2500 признаками, т. е. матрицей (SO), состоящей из 2500 элементов (рис. 4.29:6).
Взяв от матрицы S0 некоторые преобразования, мы можем перейти к новым признакам, которые также будут описывать изображение объекта. В данном пункте такими преобразованиями будут геометрические моменты. С целью экономии объёма диссертации приводить формулы вычисления геометрических моментов не будем (наиболее подробно их вычисление для цифровых изображений изложено в [23] стр. 957-961). Кратко вычисление моментов будем обозначать как:
