Анализ методов обработки спектрозональных изображений

Процесс обработки спектрозональных изображений включает несколько этапов: обработка изображения, сегментация, нормализация выделенных на изображении объектов, распознавание.

В ходе обработки спектрозональных изображений возникает ряд трудностей:

- изображения представлены на сложном фоне;

- входные изображения отличаются от эталонных изображений;

- различная степень освещенности;

- наличие помех и искажений и др.

На рисунке 1.1 представлены этапы обработки спектрозональных изображений, начиная от первого этапа (восприятия изображения) и заканчивая этапом распознавания [6-8].

Рисунок 1.1 - Основные этапы обработки спектрозональных изображений

Первым этапом является этап восприятия изображений. На данном этапе происходит считывание изображений со всех датчиков, работающих в различных спектральных диапазонах, и последующая передача их для начала процесса обработки.

Этап предварительной обработки является обязательным и направлен на уменьшение количества помех и подавление внешних шумов [9-13].

Следующий этап - это сегментация, под которым понимают процесс поиска однородных частей на изображении [14-16]. В настоящий момент не существует единого способа сегментации, поэтому применение нашли различные варианты, у которых существуют свои преимущества и недостатки. Пороговый метод применяется в случае стабильных различий яркостей отдельных областей поля зрения. Метод наращивания эффективен при наличии связи внутри отдельных сегментов. Метод выделения границ используется при наличии четких границ на изображении.

Этап фильтрации направлен на очищение изображения от шумов, возникших на предыдущих этапах. Задачей является максимальное приближение «очищенного изображения» к исходному «незашумленному» изображению.

Этап распознавания является конечным этапом. Входным сигналом являются выделенные в результате сегментации изображения.

Рассмотрим ниже существующие методы распознавания спектрозональных изображений [17-23].

Метод контурного анализа

Данный метод основан на работе с границами распознаваемого объекта. Подразумевается, что контуры объекта содержат всю необходимую информацию, требуемую для распознавания. Метод контурного анализа позволяет снизить алгоритмическую и вычислительную сложности задачи и позволяет хорошо

справляться с задачами поворота, переноса и изменения масштаба распознаваемого объекта.

Контур - это совокупность точек на изображении, которая отделяет важную информацию объекта от фона.

Общая схема контурного анализа изображения предполагает выполнение ряда процедур:

- предварительное преобразование данных в формат бинарного изображения;

- повышение контрастности;

- сглаживание объекта;

- удаление помех и шумов на изображении;

- выделение и фильтрация контуров распознаваемого объекта;

- поиск наиболее близкого к выделенному контуру шаблона путем перебора всех найденных контуров.

Достоинствами данного метода являются работа в режиме реального времени и возможность определения объекта на спектрозональном изображении, не дожидаясь окончательной обработки всего входящего изображения. Недостаток - это невозможность использования метода в случае нечетких границ распознаваемого объекта, а также наложение нескольких объектов один на другой.

Метод распознавания, основанный на морфологических преобразованиях

В основе данного метода лежит принцип суперпозиции сигналов, теория множеств и класс морфологических систем. Главной целью данного метода является нахождение некоторого класса, определяющего только те свойства, которые относятся к объекту, и в то же время не зависящего от условий, в которых происходит формирование спектрозонального изображения.

первом этапе строится результирующая нулевая поверхность определенного размера. Далее входящее изображение обрабатывается попиксельно. В процессе обработки изображения используются морфологические операторы, которые производят морфологический анализ бинарного изображения.

В случае работы с полутоновыми изображениями работу данного метода можно представить следующим образом.

1 этап. Инициализация массива входящего изображения.

2 этап. Прохождение окном элемента по всему входящему изображению.

3 этап. Выбор максимума и минимума интенсивности пикселя для каждого состояния.

Данный метод имеет ряд недостатков: неопределенность выбора размеров структурирующего элемента, сложность в работе со сложными структурированными изображениями.

Метод главных компонент

Работа с изображениями большой размерности доставляет большое количество трудностей, для этого используют метод главных компонент, позволяющий преобразовать размерность пространства признаков без потерь информативности.

Метод главных компонент заключается в следующем. Все векторное пространство разбивается на новое, включающее в себя главные и второстепенные компоненты. Все второстепенные компоненты можно отбросить, что позволит перейти в пространство существенно меньшей размерности.

Недостатками данного метода являются высокие требования к качеству входящего изображения, невозможность достичь максимальной информативности в ряде случаев.

Метод распознавания, основанный на линейном дискриминантном анализе

Данный метод заключается в выборе такой проекции пространства объектов на пространство признаков, при котором внутриклассовое различие объектов будет минимальным, а межклассовое максимальным. Данное условие позволяет значительно упростить задачу классификации.

Задача метода заключается в построении модели, способной прогнозировать обнаружение объекта на основе наблюдений вне зависимости от факта, входит объект в выборку или нет.

Недостатком данного метода является тот факт, что адекватный результат возможен лишь в случае, когда есть нормальное распределение исходных данных.

Метод распознавания, основанный на скрытых Марковских моделях

Использование скрытых Марковских моделей при распознавании спектрозональных изображений позволяет учитывать пространственно­временные параметры изображения. Данный метод широко применяется при распознавании визуальной графической информации. Метод использует статистические данные о процессе или объекте.

Недостатками данного метода являются невозможность учета различия между классами, а также приведение к отклику отдельной модели на конкретный класс в связи с использованием скрытых Марковских моделей.

Метод распознавания объектов по цвету

Одним из самых простых методов распознавания спектрозональных изображений является метод распознавания по цвету. При этом признаками объекта считаются количественные характеристики цвета в одном из пространств. В большинстве случаев при использовании данного метода изображение переводится в пространство HSV (от англ. Hue, Saturation, Value —

тон, насыщенность, значение), т.к. это позволяет обеспечить высокую точность и однозначность поиска распознаваемого объекта по цвету.

Недостатками данного метода являются невозможность его использования в случаях, когда границы объекта являются нечеткими, либо когда объект состоит из нескольких цветов.

Метод распознавания объектов, основанный на шаблонном поиске

Данный метод позволяет находить такие участки на входящем изображении, которые наиболее похожи на объект-ориентир. Шаблон накладывается на различные части входящего изображения, после чего вычисляется корреляция между двумя областями изображения. Те участки изображения, на которых различие минимальны, помечаются как искомые.

Недостатками данного метода являются большое количество вычислительных затрат и большое количество времени, требуемое на обработку.

Метод окончательного принятия решения

На финальном этапе распознавания спектрозональных изображений важно принять окончательное решение об обнаружении того или иного объекта. Не всегда полученные и обработанные спектрозональные изображения будут более информативны, чем изображения одного спектрального диапазона. Возможна ситуация, когда использование одного спектрального диапазона достаточно для принятия окончательного решения. Например, при слиянии изображений, полученных в различных спектральных диапазонах, возможна частичная потеря информации: при слиянии контрастного изображения с большим количеством мелких деталей на нем и изображения с хорошо видимыми крупными деталями. Работа лишь со вторым изображением привела бы к более качественному результату, т.к. не пришлось работать с большим количеством контуров объектов с первого изображения. То есть этапу принятия решения об обнаружении объекта

на спектрозональном изображении должен предшествовать этап предварительной оценки исходных изображений.

Таким образом, с учетом особенностей спектрозональной обработки изображений возникает необходимость реализации сложной многоэтапной процедуры оценки качества полученных изображений и принятия последующего решения.

Алгоритм принятия решения может иметь следующую последовательность:

1. Процедура предварительной оценки входящих изображений, полученных в различных спектральных диапазонах, с целью принятия решения о годности или негодности их использования.

2. Предварительная обработка входящих спектрозональных изображений.

3. Процедура распознавания входящих изображений с целью принятия решения о качестве полученного изображения.

4. Комплексирование спектрозональных изображений с целью

получения улучшенного изображения.

5. Предварительная обработка комплексированного изображения.

6. Процедура распознавания комплексированного изображения.

7. Принятие окончательного решения об использовании одного из трех

изображений (двух входящих изображений и одного скомплексированного изображения).

1.1.2.