Информационно-аналитическая модель и алгоритм обучения гибридной двухуровневой системы комплексирования

Как было показано в первой главе, существует значительное количество методов комплексирования спектрозональных изображений, которые обладают различными достоинствами и недостатками и которые могут быть использованы при проектировании СОАСЗИ [164-167].

При этом, если СОАСЗИ используется для заранее известной сцены с определенной структурой анализируемых образов, целесообразно, проанализировав достоинства и недостатки известных методов комплексирования, использовать их при построении системы комплексирования как составной части СОАСЗИ.

Если проектируемая СОАСЗИ ориентирована на решение анализа сложных сцен с плохо формализуемой системой анализируемых образов, то целесообразно использовать обучаемую структуру системы комплексирования.

Проведенными исследованиями было установлено, что в условиях плохо формализуемых изображений, получаемых в различных спектральных диапазонах, наилучших результатов по качеству принимаемых решений удается достичь, используя двухуровневую схему комплексирования, в которой на первом уровне используется несколько блоков комплексирования, реализующих различные методы, каждый из которых обеспечивает улучшение «своих» параметров изображения. На втором уровне работает обучаемая схема комплексирования, агрегирующая улучшенные сцены блоков первого уровня. Анализ различных методов комплексирования показал, что на втором уровне целесообразнее использовать обучаемую нейросетевую схему, а на первом уровне удобно использовать методы комплексирования, которые выбирают эксперты, исходя из предполагаемых особенностей анализируемых изображений.

Информационно-аналитическая модель такой системы представлена на рисунке 3.9.

Рисунок 3.9 - Информационно-аналитическая модель двухуровневой системы комплексирования изображений с блоками обучения

В этой модели формирователь спектрозональных изображений (ФСЗИ) условно обозначает оптическую систему, ОЭУ, блоки формирования изображений с вейвлет-фильтрами, представленные на рисунке 5.1.

Для определенности в модели на рисунке 3.9 изображены три спектральных диапазона: видимый диапазон (ВД), инфракрасный диапазон (ИКД) и ультрафиолетовый диапазон (УФД).

«Очищенные» вейвлет-фильтрами изображения каждого спектрального диапазона комплексируются блоками комплексирования первого уровня (БКп, БК₁₂, БК₁₃), каждый из которых обучается на «наилучшее» представление выбранных экспертами структур изображений (образов). Блок комплексирования второго уровня (БК₂) формирует изображения высокого разрешения.

В режиме обучения блок обучения первого уровня (БО1) и блок обучения второго уровня (БО₂), сравнивая изображения эталонов с изображениями, получаемыми на выходах блоков комплексирования, формируют обучающие векторы настраиваемых параметров А1 и А2, обеспечивая процесс обучения на заданное качество формирования изображений.

В зависимости от целей обработки спектрозональных изображений блок комплексирования второго уровня может быть обучен на высокое качество представления выделяемых экспертами участков изображений.

Обобщенная блок-схема алгоритма обучения двухуровневой системы комплексирования спектрозональных изображений представлена на рисунке 3.10.

В соответствии с данной блок-схемой на первом этапе обучения эксперты изучают структуру анализируемых изображений (сцены и исследуемые образы) (блок 1) на основании собственного опыта и известных результатов, имеющихся в доступных публикациях, выбираются типы математических моделей для блоков комплексирования первого уровня (блок 2). При этом, исходя из имеющихся технико-экономических возможностей, каждый из блоков комплексирования должен наилучшим образом формировать изображения под конкретные сцены и образы, являющиеся частью общей сцены. В идеальном случае может быть определен такой блок комплексирования, который один способен формировать требуемое качество изображения, тогда он оставляется в качестве системы комплексирования для СОАСЗИ, приведенной на рисунке 5.1 (блок 3).

Если такой режим работы может быть использован для БК первого уровня, то осуществляется формирование эталонных изображений и выбор критериев и механизмов обучения БК первого уровня из известного их набора (блоки 5,6).

Рисунок 3.10 - Блок-схема алгоритма обучения двухуровневой системы комплексирования спектрозональных изображений

Рисунок 3.10 - Блок-схема алгоритма обучения двухуровневой системы комплексирования спектрозональных изображений (продолжение)

Далее осуществляется выбор критериев и механизмов обучения БК второго уровня (блок 7). Проведенными исследованиями было показано, что наиболее лучшим вариантом решения поставленных в работе задач является использование нейросетевых технологий [168-170]. Также возможно использование методологии синтеза гибридных нечетких моделей [171,172].

Блок комплексирования второго уровня выбирается экспертами, исходя из качественных и количественных характеристик изображений БК первого уровня.

После выбора типа БК второго уровня и алгоритма его обучения происходит формирование новых эталонов и реализация механизмов обучения (блоки 8, 9, 10).

Обучение продолжается до достижения заданного качества и (или) достижения технико-экономических ограничений (блоки 10, 11). Если заданное качество изображений в рамках существующих ограничений достичь не удается, то анализируются причины возникшей ситуации (блоки 12,13) с возможной реализацией дообучения при тех же эталонах и (или) выборе новых математических моделей для БК обоих уровней (блок 14).

Проведенными исследованиями было установлено, что приемлемых показателей качества для значительного числа предложенных задач можно достичь, используя известные модели комплексирования [173,174].

Свою эффективность показало устройство совместной обработки спектрозональных изображений, структура которого может быть использована в качестве БК первого уровня. Структурная схема данного устройства представлена на рисунке 3.11.

Рисунок 3.11 - Структурная схема устройства совместной обработки спектрозональных изображений

В данном варианте обработки спектрозональных изображений происходит одновременное суммирование или вычитание изображений, а затем деление между собой полученных ранее скомплексированных изображений.

Данные операции выполняются для всего изображения, либо для области на изображении. Это связано с тем, что одни и те же операции обработки не возможны для всего кадра изображения в связи с плохой видимостью отдельных объектов исследования на изображении.

Допустим, что число исходных изображений равно 2