Содержание к диссертации
Введение
1. Анализ проблемы геометрической обработки скановых изображений .10
1.1. Геометрические модели формирования и коррекции сканерных изображений 10
1.2. Анализ технологий геометрической обработки скановых изображений 19
1.3. Направления исследований 25
Основные результаты 28
2. Математические модели формирования и структурного восстановления скановых изображений 31
2.1. Модель формирования структурно восстановленного изображения .31
2.2. Характерные структурные искажения изображений от датчиков сканового принципа действия 39
2.3. Математическая модель структурного восстановления скановых изображений 42
2.4. Аппроксимация функций структурного восстановления 47
2.5. Структурное восстановление скановых изображений с учетом рельефа местности 54
Основные результаты 57
3. Алгоритмы и технологии уточнения параметров структурного восстановления скановых изображений на основе их корреляционного анализа 59
3.1. Анализ методов идентификации изображений земной поверхности .59
3.2. Аналитико-регрессионная технология оценки параметров структурного восстановления 72
3.3. Уточнение установочных параметров оптоэлектронных преобразователей в датчиках сканового типа 79
3.4. Полиномиальная модель остаточных геометрических искажений...83
3.5. Кусочно-полиномиальные модели остаточных геометрических искажений 87
3.6. Структурное восстановление изображений, содержащих межстрочные смещения 93
Основные результаты 99
4. Реализация системы и технологий структурного восстановления и геометрической обработки скановых изображений 101
4.1. Выделение связных контуров на плохо идентифицируемых областях скановых изображений 101
4.2. Алгоритмы кусочно-билинейной и кусочно-линейной геометрической обработки скановых изображений 107
4.3. Организация вычислительного процесса кусочно-линейной геометрической обработки скановых изображений 116
4.4. Принципы построения системы структурного восстановления и геометрической обработки скановых изображений 119
Основные результаты 125
Заключение 127
Список литературы 130
Приложение 143
- Геометрические модели формирования и коррекции сканерных изображений
- Модель формирования структурно восстановленного изображения
- Анализ методов идентификации изображений земной поверхности
- Выделение связных контуров на плохо идентифицируемых областях скановых изображений
Введение к работе
Актуальность работы. Системы дистанционного зондирования Земли (ДЗЗ) находят эффективное применение во многих отраслях народного хозяйства: гидрометеорологии, контроле окружающей среды, геологии, сельском и лесном хозяйствах, военной разведке и др. [1 - 8] Однако в исходном виде изображения, формируемые с помощью различных систем ДЗЗ, не могут быть использованы по назначению, поскольку имеют значительные геометрические искажения по отношению к объектам наблюдаемой сцены. Первоочередной задачей при наземной обработке видеоданных является их геометрическая коррекция с целью получения изображений, по которым становится возможным с высокой точностью измерять геометрические характеристики объектов земной поверхности - геодезические координаты, длины, углы, площади и др. [5, 9 -11].
Основными характеристиками систем ДЗЗ являются их разрешающая способность и полоса обзора [1,3, 12, 13, 14]. Традиционно улучшение этих характеристик осуществлялось путем разработки видеодатчиков с повышенным числом фотоприемных элементов. Такие датчики, как правило, конструировались на основе приборов с зарядовой связью (ПЗС-линеек) с максимально возможным числом светочувствительных элементов [15]. Это очень длительный и трудоемкий технологический путь, следуя по которому нельзя удовлетворить растущие требования потребителей к разрешающей способности и полосе обзора съемки. Поэтому в последние годы в практику дистанционного зондирования стали активно внедряться видеодатчики сканоеого типа (системы ДЗЗ Аркон, Terra, LandSat, Монитор-Э, Ресурс-ДК и др.). Такие датчики строятся с использованием двух подходов.
При первом подходе [16, 17] в фокальной плоскости датчика в поперечном направлении относительно траектории полета спутника устанавливаются несколько ПЗС-линеек с небольшим перекрытием полей обзора. В результате периодического опроса в процессе движения спутника каждая ПЗС-линейка
формирует изображение в виде так называемого скана. Соседние сканы имеют различные смещения в кадровом (вдоль полета спутника) и небольшое перекрытие в строчном направлениях (вдоль направления размещения ПЗС-линеек). В данном случае достигается многократное повышение эффективной полосы обзора датчика.
При втором подходе [18, 19] изображение формируется ПЗС-линейкой, установленной вдоль направления полета спутника, путем периодического перемещения сканирующих лучей фотоприемников в поперечном направлении. В данном случае изображение состоит из горизонтальных перекрывающихся полос (сканов).
Характерной особенностью скановых изображений, формируемых в процессе полета спутника, является изменение по сложным законам степени перекрытия сканов, которая зависит от многих факторов: параметров орбиты и углов ориентации спутника; режимов работы сканера (маневры спутника и программное отклонение поля зрения датчика); рельефа местности и др. Действие этих факторов приводит к нарушению структуры изображения в виде геометрических разрывов объектов наблюдаемой сцены вдоль линии соприкасания сканов. В связи с этим остро стоит проблема получения из отдельных перекрывающихся сканов единого непрерывного изображения в заданной картографической проекции. Решению этой задачи посвящена настоящая диссертационная работа.
Степень разработанности темы. Вопросы геометрической коррекции структурно непрерывных (не скановых) изображений достаточно широко освещены в трудах Арманда Н.А., Асмуса В.В., Журкина И.Г., Злобина В.К., Лу-кьященко В.И., Лупяна Е.А., Полищука Г.М., Чернявского Г.М., Kronberg Р., Pratt W., Rosenfeld А. и других отечественных и зарубежных ученых. Работы этих авторов [1, 13, 20 - 27] составляют научно-методическую основу для решения задач, поставленных в диссертации.
Впервые попытка сформулировать и решить задачу геометрической коррекции скановых изображений сделана разработчиками аппаратуры ЕТМ, уста-
новленной на космической системе LandSat (США). В печати имеются сообщения [3, 5], что наземными центрами осуществляется геометрическая обработка изображений от этого датчика. Однако алгоритмы и технология решения этой задачи не представлены ни в технической документации, ни в публикациях.
В нашей стране датчик сканового типа, включающий 64 ПЗС-линейки с перекрывающимися полями обзора, впервые реализован в рамках системы ДЗЗ «Аркон». Технология, разработанная для обработки изображений от этого датчика, предполагает участие оператора при совмещении изображений отдельных сканов, и поэтому характеризуется низкими производительностью и уровнем автоматизации.
В настоящее время в России спроектированы системы ДЗЗ «Монитор-Э», «Ресурс-ДК» и др. [28, 29], в которых используются датчики сканового типа, основанные на различных принципах действия. Возникла необходимость создания технологии обработки скановых изображений, не зависящей от конкретных реализаций датчиков и условий их эксплуатации. В рамках космических проектов «Океан-О», «Монитор-Э» и «Ресурс-ДК» Рязанским государственным радиотехническим университетом при участии автора разработаны методы и технологии обработки изображений от этих систем [17, 19,30, 31]. В настоящей диссертации представлены результаты исследований в части решения задачи геометрической коррекции скановых изображений.
Цель диссертации состоит в разработке алгоритмов, информационных технологий и программной системы высокоскоростной прецизионной геометрической обработки скановых изображений, получаемых от датчиков различного принципа действия.
Задачи. Для достижения поставленной цели решаются следующие основные задачи:
- аналитическое описание процессов формирования скановых изображений, максимально ориентированное на последующую прецизионную коррекцию видеоданных;
разработка математической модели, технологии и алгоритмов пространственно-временного восстановления скановых изображений от датчиков различного принципа действия;
разработка алгоритмов и технологии получения из отдельных сканов единого непрерывного изображения в заданной картографической проекции;
проектирование программной системы геометрической обработки скановых изображений.
Научная новизна работы предопределяется тем, что в практику ДЗЗ в последние годы активно стали внедряться принципиально новые видеодатчики сканового принципа действия. Процесс формирования скановых изображений сопровождается действием специфичных детерминированных и случайных искажающих факторов. Это требует адекватного аналитического описания процесса скановой съемки, проектирования алгоритмов и технологий обработки видеоданных.
Конкретно, на защиту выносятся следующие новые научные результаты:
математическая модель пространственно-временного восстановления скановых изображений, основанная на аналитическом описании функционирования виртуального датчика не сканового принципа действия;
математическая модель геометрического соответствия элементов исходных сканов и структурно восстановленного изображения, позволяющая организовать высокоскоростную технологию геометрической коррекции видеоданных;
алгоритмы компенсации случайных остаточных искажений, основанные на корреляционном анализе соседних сканов;
алгоритмы и информационная технология преобразования скановых изображений в картографическую проекцию, основанные на использовании преимуществ прямого и обратного законов координатного соответствия;
результаты анализа влияния различных искажающих факторов на точность структурного восстановления скановых изображений.
Практическая ценность работы состоит в том, что на базе предложенных моделей, алгоритмов и технологий разработан ряд программных систем структурного восстановления и геометрической обработки скановых изображений - системы OrthoScan, PlanetaMeteo, NormScan, OrthoNormScan и др. Эти системы использованы для обработки данных от космических аппаратов «Ар-кон», «Terra», «Монитор-Э» и «Ресурс-ДК» [17, 30 - 33].
Достоверность полученных результатов подтверждена математическим и имитационным моделированием, сопоставлением альтернативных подходов, данными приемо-сдаточных испытаний и эксплуатацией систем PlanetaMeteo, OrthoScan, NormScan, OrthoNormScan при обработке информации от датчиков сканового принципа действия, установленных на отечественных и зарубежных системах ДЗЗ.
Реализация и внедрение. Диссертационная работа выполнена в Рязанском государственном радиотехническом университете в рамках гранта Российского Фонда фундаментальных исследований (проект № 05-01-08004), НИР № 2-ОЗГ, НИР № 13-ОЗГ, ОКР 4-00, ОКР № 20-03 [34, 35]. Результаты диссертационной работы в виде математического и программного обеспечения внедрены в ФГУП «НИИ точных приборов» и Научно-исследовательском Центре космической гидрометеорологии «Планета», что подтверждается актами.
Апробация работы. Основные положения диссертации докладывались и обсуждались на 7 международных и 8 всероссийских научных конференциях:
международных конференциях «Космонавтика. Радиоэлектроника. Геоинформатика» (Рязань-2000, 2003 - 2 доклада, 2007 - 3 доклада);
международных конференциях «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань-1999, 2001 - 2 доклада, 2002 - 2 доклада, 2005);
всероссийских конференциях «Новые информационные технологии в
научных исследованиях и в образовании» (Рязань-1999, 2001, 2002, 2003, 2004,
2005, 2007);
всероссийской конференции «Современные проблемы дистанционного
зондирования Земли из космоса» (Москва-2003).
Публикации. По теме диссертации опубликованы 26 работ: 4 статьи, 20 тезисов докладов на международных и всероссийских конференциях, разделы в двух отчетах по НИР, прошедших госрегистрацию.
Личный вклад автора по опубликованным работам состоит в следующем:
в работах [17, 30] соискателем разработаны математические модели структурного восстановления скановых изображений;
в работах [34, 35, 36, 37] соискателем разработаны информационные технологии геометрической коррекции скановых изображений;
в работах [38, 39] соискателем разработаны модели геометрического соответствия совмещаемых изображений;
в работах [40, 41, 42, 43, 44] соискателем выполнено аналитическое описание влияния различных искажающих факторов на перекрытие сканов;
в работах [31, 45] соискателем предложен алгоритм оценки параметров геометрического размещения ПЗС-линеек в фокальной плоскости датчика;
в работах [46, 47, 48] соискателем разработан алгоритм объединения изображений с субпиксельной точностью;
в работе [49] соискателем выполнена разработка архитектуры системы обработки скановых изображений;
работы [32, 33, 50, 51, 52, 53, 54] выполнены соискателем без соавторов.
Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения, списка литературы и приложения. Основной текст работы содержит 126 стр., 43 рисунка и 8 таблиц. Список литературы на 13 стр. включает 121 наименование. В приложении на 2 стр. приведены акты внедрения результатов.
1. АНАЛИЗ ПРОБЛЕМЫ ГЕОМЕТРИЧЕСКОЙ ОБРАБОТКИ СКАНОВЫХ ИЗОБРАЖЕНИЙ
Геометрические модели формирования и коррекции сканерных изображений
Геометрическое преобразование изображений, получаемых с помощью различных систем дистанционного зондирования Земли (ДЗЗ), является одной из самых массовых и трудоемких операций при обработке аэрокосмических снимков. Конечная цель этой операции состоит в том, чтобы получить такое изображение земной поверхности, которое бы с максимально возможной точностью позволяло определять геометрические характеристики объектов наблюдаемой сцены: координаты, длины, углы, площади и др. Таким требованиям удовлетворяют топографические карты. Поэтому задача геометрической обработки состоит в формировании изображения, которое по своей геометрии соответствует топографической карте соответствующего масштаба.
Опишем исходное изображение, сформированное некоторым сканирующим устройством, в виде двумерной таблицы отсчетов яркости В(т,п), т = \,М, n = \,N, где (т,п) - соответственно номера столбцов и строк таблицы. Отдельный элемент этого изображения с координатами (т,п) будем далее обозначать как bmn.
Процесс формирования изображения В(т,п) традиционными сканирующими устройствами [55] в общем случае может быть описан функциями Xa=Fx(m,n), Y2=FY(m,n), Z2=Fz(m,n), (1.1) которые для каждой точки (т,п) изображения ставят в соответствие геоцентрические координаты (XZ,YZ,Z2) одноименной точки на земной поверхности (рис. 1.1). Рис. 1.1. Получение сканерных изображений Геометрическая структура изображения В[т,п) зависит от многих детерминированных и случайных факторов, которые определяют конкретный вид функций Fx, FY, Fz. Детерминированные факторы могут быть описаны аналитически, они, главным образом, определяют вид функций Fx, FY, F2. Действие случайных факторов можно учесть, лишь привлекая опорную координатную информацию, например, сопоставляя координаты одноименных точек на электронной карте К(х,у) и снимке В\т,п). Задача геометрической обработки состоит в получении изображения D(x,y), х = \,Х, у = \,У, которое в максимальной степени совпадало бы по геометрии с картой К(х,у), зарегистрированной в некоторой системе координат (х,у). В данном случае карта рассматривается как наиболее точная геометрическая модель отображения точек земной поверхности на плоскость. Процесс геометрической коррекции можно описать в виде прямого закона обработки x = Fx(m,n), y = Fy{m,n), m = \J4, n = lN, (1-2) который каждой точке (т,п) исходного изображения В(т,п) указывает одноименную точку (х,у) скорректированного изображения D{x,y).
Этот процесс может быть также описан с помощью обратного закона Ш = /т{х У) " = /«( ) х = ГТ, y = U (1.3) II который каждой точке (х,у) скорректированного изображения D(x,y) ставит в соответствие одноименную точку (т,п) исходного изображения В(т,п).
Прямые функции Fx, Fy и обратные функции fm, fn полностью определяются процессом формирования изображения (1.1) и типом используемой картографической проекции.
Определение функций геометрического соответствия (1.2) осуществляется по следующей схеме: (m,n) t- {X0,Y0,Z0)- (X2,Ye,Z2)- (x,y), (1.4) где t - время формирования датчиком элемента изображения Ьтп\ (Xo,Y0,Zo) -положение спутника в геоцентрической системе координат.
Время t определяется механизмом опроса фоточувствительных элементов датчика. Координаты (X0,Y0,Z0) спутника в момент времени t измеряются при помощи навигационных систем. Пересчет координат (X0,Y0,Z0) (Xe,Y2,Ze) определяется формулами сферической геодезии и углами ориентации спутника в момент времени /, а пересчет {Xz,Yz,Zz)- {x,y) -формулами математической картографии.
Координаты точки земной поверхности R(t) = (Xz,Yz,Ze), соответствующей точке (т,п) исходного изображения В(т,п), определяются из векторного уравнения (рис. 1.2) [25]: R(t) = 4(t) + r(t), (1.5) где r\(t) = (X0 Y0,Z0) -радиус-вектор положения спутника, r(t) - вектор сканирующего луча датчика. Компоненты вектора R(t) = (Xz,Yz,Zz) определяются в результате решения задачи пересечения вектора сканирующего луча r(t) с поверхностью земного эллипсоида при известном положении спутника 4(t) = {X0,Y0,Z0).
Модель формирования структурно восстановленного изображения
В ходе пространственно-временного восстановления видеоданных ставится задача оперативно получить непрерывное изображение из перекрывающихся сканов. С минимальными затратами это можно выполнить, трансформируя сканы в плоскость изображения некоторого виртуального датчика, регистрационная система координат которого близка к системам координат сканов.
Для датчиков с электронной разверткой для получения модели такого процесса набор ПЗС-линеек заменяется одной линейкой, перекрывающей совокупную полосу обзора (рис. 2.1, а). Позиция линейки в фокальной плоскости выбирается таким образом, чтобы ее участок совпадал с одной из ПЗС-линеек, формирующих сканы, либо чтобы центральный элемент линейки находился в точке пересечения оптической оси датчика с фокальной плоскостью.
При оптико-механической развертке в качестве модели виртуального датчика удобно использовать датчик, ведущий сканирование одним фотоприемником (рис. 2.1, б), когда строчная развертка осуществляется при помощи отклоняющей системы, а кадровая - за счет орбитального движения летатель ного аппарата. Позиция фотоприемника совпадает с позицией центрального фотоприемника реального датчика.
Рассмотрим процесс формирования структурно восстановленного изображения, используя в качестве основы датчик сканового типа MODIS, описание которого приведено в документе теоретического обоснования алгоритма «Algorithm Theoretical Basis Document, Version 3.0».
Введем следующие системы координат (СК), связанные с датчиком, его конструктивными элементами, космическим аппаратом и Землей (рис. 2.2): - СК фокальной плоскости; - СК объектива (телескопа); - СК отклоняющего зеркала; - СК датчика; - СК космического аппарата; - орбитальная СК; - геоцентрическая инерциальная СК; - геоцентрическая Гринвичская (вращающаяся) СК; - геодезическая система координат.
Системы координат перечислены в том порядке, в котором соответствующие им элементы проходит сканирующий луч, начиная с фотоприемника и заканчивая пересечением с Землей.
Система координат фокальной плоскости используется в модели формирования изображений датчиками с оптико-механической строчной разверткой. Так как в процессе получения одного скана КА успевает переместиться на некоторое расстояние, то для компенсации смещения подспутниковой точки фокальная плоскость поворачивается за это время на угол 6S. Ось z системы координат фокальной плоскости совпадает с осью z телескопа. Для датчиков первого типа система координат фокальной плоскости совпадает с системой координат телескопа.
Начало системы координат телескопа находится в месте пересечения идеальной оптической оси и фокальной плоскости.
Начало орбитальной системы координат находится в центре масс космического аппарата, ось Z направлена от центра масс аппарата к центру масс Земли. Ось Y является нормализованным векторным произведением оси ZH вектора мгновенной (инерциальной) скорости. Она противоположна направлению вектора мгновенного углового момента. Ось X дополняет систему координат до правой.
Начало геоцентрической инерциальной системы координат находится в центре масс Земли. Ось Z соответствует среднему северному звездному полюсу эпохи 2000. Ось X направлена на точку среднего весеннего равноденствия эпохи 2000. Ось Y дополняет систему координат до правой.
Начало геоцентрической Гринвичской (вращающейся) системы координат также находится в центре Земли. Ось X направлена в точку пересечения Гринвичского меридиана с экватором, ось Z совпадает с осью вращения Земли и направлена на Северный полюс, ось Y дополняет систему координат до правой.
Анализ методов идентификации изображений земной поверхности
Рассматриваемые ниже методы и алгоритмы прецизионной геометрической обработки скановых изображений в значительной мере основаны на процессе автоматической идентификации одноименных точек в перекрывающихся частях соседних сканов. Точность и надежность решения этой задачи полностью определяет качество совмещения сканов для формирования единого непрерывного изображения. Поэтому выполним вначале анализ различных методов идентификации изображений.
Известные на сегодняшний день методы идентификации спутниковых изображений земной поверхности основаны на вычислении некоторой меры сходства [74] или критериальной функции [75]. Мерой вероятностной связи случайных величин является, как известно, коэффициент корреляции, поэтому подход, основанный на вычислении функции сходства изображений с последующим поиском максимума этой функции, получил название корреляционного или корреляционно-экстремального [76, 77]. В рамках этого подхода существует множество алгоритмов, различающихся по виду критериальной функции и способу ее вычисления. Одна из возможных классификаций, построенная на основе работ [27, 77, 78], приведена на рис. 3.1.
В ряде алгоритмов в качестве меры сходства используется взаимная корреляционная функция изображений, поэтому эти алгоритмы получили название корреляционных. Термины «корреляционный алгоритм», «корреляционная мера сходства», «корреляционная функция» ниже будем относить только к алгоритмам, основанным на использовании взаимной корреляционной функции изображений, а не ко всему подходу в целом.
При анализе методов идентификации спутниковых изображений поверхности Земли обычно учитывают их стохастическую природу. Предсказать по лучаемое на борту спутника изображение с точностью до мельчайших деталей невозможно, так как оно зависит от множества неизвестных факторов, в том числе от метеорологических условий (облачность, туман, дождь), солнечной активности, внутренней структуры объектов на поверхности Земли [78] и др. Однако некоторые характеристики геофизических полей Земли являются достаточно стабильными и могут быть предсказаны с большой степенью достоверности [79].
В табл. 3.1 приведены различные уровни предсказуемости изображений и соответствующие им алгоритмы идентификации [78, 79]. При заданном уровне прогнозируемости изображений возможно использование любого алгоритма, относящегося к этому или более низкому уровню. Приведенная в табл.3 Л классификация не исчерпывает всех подходов к анализу взаимных искажений сравниваемых снимков и к выбору алгоритмов их идентификации. Разработке и ис следованию алгоритмов идентификации изображений в условиях разнообразных искажений посвящено большое число работ. Однако не все полученные в них результаты можно напрямую использовать в задаче совмещения изображений. Связано это, прежде всего, с тем, что в большинстве работ модели взаимных искажений изображений далеко не соответствуют тому многообразию искажающих воздействий, которые претерпевают реальные спутниковые изображения земной поверхности.
Так, наиболее «популярной» моделью искажений является аддитивный яркостный шум с нормальным либо равномерным законом распределения [80 -83]. В работе [84] случайный аддитивный шум дополнен детерминированным преобразованием амплитуд. В работе [85] фотометрические искажения сведены к изменению контраста изображений, а в работах [85 - 89] фотометрические искажения предполагаются отсутствующими. Геометрические искажения обычно моделируются в виде плоскопараллельного смещения [80, 81, 84], либо в виде аффинных преобразований [82, 83, 86]. Работы [88 - 90] посвящены проектированию алгоритмов идентификации, инвариантных к повороту изображений в широких пределах, но в них не учитывается возможность сложных фотометрических искажений.
Основной вывод, который можно сделать в результате обобщения этих работ, в целом совпадает с рекомендациями табл. 3.1. В условиях пренебрежимо малых фотометрических и геометрических искажений лучшую точность показывают модификации разностных алгоритмов. При значительных взаимных различиях изображений, в том числе при блочных фоновых наложениях, моделирующих облачность [92, 93], оптимальным с точки зрения точности и надежности идентификации являются корреляционный алгоритм и его различные модификации.
Однако указанные модели искажений являются упрощенными по отношению к задаче совмещения изображений, что позволяет говорить о том, что вопрос применения известных алгоритмов идентификации к реальным спутниковым изображениям земной поверхности остается в значительной степени неисследованным.
Как показал анализ искажений спутниковой видеоинформации, совмещение изображений относится к четвертому уровню предсказуемости (см. табл. 3.1), для которого в настоящее время не существует стандартных процедур идентификации и предварительной обработки. Задачу обеспечения работоспособности алгоритмов в условиях неопределенности (малой прогнозируемо-сти) необходимо решать индивидуально для конкретного класса изображений с учетом возможных видов искажений: геометрических, фотометрических и содержательных.
Выделение связных контуров на плохо идентифицируемых областях скановых изображений
В главе 3 рассмотрен ряд информационных технологий уточнения параметров структурного восстановления скановых изображений, которые основаны на корреляционном анализе одноименных участков. В процессе решения этой задачи сильное мешающее воздействие могут оказывать облака, тени от них и ряд других объектов. Основная масса облаков сосредоточена на высоте до 6 км и поэтому смещение, полученное при корреляционно-экстремальной идентификации одноименных участков облачных образований, сильно отличается от смещений на поверхности Земли (см. п. 2.2.3). Кроме того, облака движутся. Задача их отделения от других объектов сцены является плохо формализуемой. Поэтому наиболее эффективным является способ, основанный на автоматическом выделении на первом шаге объектов с помощью простого решающего правила с последующей коррекцией результатов на следующем шаге оператором. Для геометрического описания объектов на больших и сверхбольших изображениях лучше всего подходит векторное описание, так как растровое представление занимает значительный объем памяти [44,45].
Формирование решающего правила связано с визуальным определением оператором на изображении одной или нескольких эталонных областей, принадлежащих объектам заданного класса, на основе которых рассчитываются пороги для распознавания искомых объектов. Выделенные объекты сохраняются в векторном формате, который позволяет организовать их компактное хранение и создание специальных тематических карт.
Рассмотрим решение задачи, связанной с получением векторных описаний объектов G; =(тд,нд), к=\,К:,где К, - число узлов в ломаной линии, описывающей _/-й объект (рис. 4.1).
Для получения искомых описаний объектов будем использовать алгоритм «жучка» [92]. В этом случае для векторизации всех объектов исходное изображение просматривается сверху вниз и слева направо в поиске затравочной точки многозонального изображения bnm = \b\mn,bimn,...,b\mn\, для которой выполняются условия: \/i{\,2,..J\- bimnE[bim[n,bimax] , С4Д) где / = 1,/ - номера спектральных каналов, Ьіт-іп и fymax - минимальное и максимальное значения яркости для изображения /-го спектрального канала.
Как только эта точка находится, то векторизуется объект, которому она принадлежит. Затем начинается поиск следующей затравочной точки, и так до тех пор, пока не будут векторизованы все объекты G..
Данный алгоритм достаточно эффективно работает при обработке изображений небольших объемов. Если изображение многократно превосходит размеры оперативной памяти, быстродействие алгоритма резко падает. Это связано, во-первых, с тем, что в процессе векторизации происходит многократное считывание в память одних и тех же участков изображения, необходимых для получения описаний различных объектов. Во-вторых, становится трудоемкой операция выбора затравочных точек, поскольку каждый раз приходится выполнять проверку на ее принадлежность ранее выделенным объектам. Поэтому для повышения быстродействия базового алгоритма предлагается следующий подход.
Сформируем для изображения D его битовый образ (маску) А = [а(т, в)], tn = \,M,n = \,N: Ґ1, если выполняется условие(4.1), а{т,п)-\ [О, в противоположном случае.
Тогда векторизация объектов Gj будет выполняться не по изображению D, а по его битовой маске А, которая по объему намного меньше исходного изображения (рис. 4.2). Для сокращения числа операций по определению текущей затравочной точки из маски удаляются ранее выделенные объекты.
Когда маска А не может быть размещена в оперативной памяти компьютера, быстродействие алгоритма остается по-прежнему низким. В этом случае процесс векторизации можно организовать с использованием нескольких масок Av, v = 1,2,..., каждая из которых размещается в оперативной памяти
Если получившийся при векторизации объект содержится в нескольких масках, то для формирования единого описания выполняется процедура «сшивки» его отдельных частей.
Проиллюстрируем работу алгоритма «сшивки» на примере объединения контуров, векторизованных по маске Av, со всеми ранее выделенными контурами по маскам А\ ...Ау__[. Будем считать, что все контура, выделенные по маскам Aj ,..Av-j, хранятся в общем списке под номерами 1 у-\, а все контура, выделенные по маске Av - под номерами Jv ...J. Будем также считать, что все выделенные контура - четырехсвязные, т.е. для двух любых соседних точек контура справедливо соотношение:
