Сайт Информационных Технологий

Распознавание в системах экологического мониторинга с применением нечетких геометрических признаков

А.Н. Каркищенко, С.А. Бутенков., В.В. Кривша

Таганрогский Государственный радиотехнический университет

Abstract – The automated detection for emergency conditions in environmental monitoring is rather actual for many relevant applications. The given problem is subdivided into the following subtasks: correct forecast for catastrophic effects and detection through measurements. In this paper, fuzzy features method with the aim of visual ecology situations is considered.

1. Введение

В настоящее время весьма актуальной является задача автоматизации наблюдений и распознавания ситуаций при мониторинге геоэкологических ситуаций, например, контроль загрязняющих выбросов в атмосфере и водной среде, различных видов фито– и зоо–популяций и т.д.

При этом исходным материалом для распознавания служат, как правило, оцифрованные полутоновые изображения, получаемые с помощью аэрофотосъемки, спутников и т.д.

Часто анализ ситуации можно свести к распознаванию заранее спрогнозированных путем математического моделирования изображений перечисленных объектов на различного вида двумерных сетках.

Процесс моделирования сложных распределенных систем является весьма трудоемкой задачей, поэтому качество образцов для распознавания в основном является весьма низким.

Отметим также, что распознаваемые объекты имеют весьма сложную форму, не имеющую точного геометрического описания [1], к тому же изменяющуюся с течением времени.

Распознаваемые изображения, как правило, имеют малую площадь на картинной плоскости. Благодаря съемке в естественных условиях, четкость распознаваемых изображений является, как правило, низкой, а форма объектов может искажаться облаками, растительностью и т.д.

Для решения задачи распознавания в указанных сложных условиях необходимы устойчивые к геометрическим искажениям формы методы распознавания маломерных изображений объектов.

В работе [2] для подобной задачи распознавания радиолокационных изображений предложен метод классификации изображений по нечетким признакам, использующий разбиение распознаваемого контура на ряд коротких отрезков и выделении нечетких признаков для каждого отрезка.

Однако в условиях поставленной задачи этот подход имеет ряд недостатков. Например, при выделении углов между смежными отрезками подразумевается достаточно большая площадь изображения, в противном случае понятие углов для коротких отрезков дискретизированного изображения теряет смысл. Для малых дискретных отрезков также теряется смысл понятий вогнутости и выпуклости. Наконец, подобные цепные описания контуров как последовательности отрезков чувствительны к осевым и центральным отражениям изображений (особенно малоразмерных).

Для решения указанных задач предлагается новый метод. Он основывается на известной идее хеширования по геометрическим признакам или обобщенного преобразования Хау [3], однако для построения хеш-таблиц, описывающих распознаваемые изображения, предлагается использовать нечеткие признаки взаимных характеристик отрезков, описывающих сложный контур. Это позволяет получить описания, инвариантные по отношению к геометрическим преобразованиям всего контура на плоскости.

2. Описание метода хеширования по нечетким признакам

Введем нечеткие признаки, основанные на представлении контуров изображений в виде элементарных плоских множеств, представляющих собой объединение конечного числа попарно непересекающихся прямоугольников:

,

Будем считать, что контур изображения уже разделен на отрезков с помощью выбранных по какому-либо критерию точек (оптимальный метод выделения "контрольных" точек на контурных изображениях предложен, например, в [4]). Тогда нечетким представлением дискретного изображения отрезка любой линии является прямоугольник , полностью содержащий этот отрезок. В условиях малоразмерных зашумленных изображений данная аппроксимация представляется достаточно устойчивой к искажениям.

В качестве геометрических характеристик аппроксимаций отрезков введем ширину и длину . На основании этих характеристик введем нечеткие признаки расположения отрезков

=

(1)

,

где – функция принадлежности;

= , (2)

где – функция принадлежности.

Выбор вида функции принадлежности для каждого признака во многом определяется условиями конкретной задачи.

Для расстояния можно выбрать функцию вида

, (3)

где вычисляется согласно (1), и – нормирующие параметры. После нормировки получим следующую лингвистическую шкалу взаимных расстояний:

Табл. 1

Величина

Значение

1

близкие отрезки

2

удаленные отрезки

3

значительно удаленные отрезки

Для взаимного расположения отрезков можно ввести функцию вида

, (4)

где определяется выражением (2), а параметры и предназначены для нормировки. После нормировки определим следующую лингвистическую шкалу взаимных положений:

Табл. 2

Величина

Значение

1

параллельные

отрезки

2

почти параллельные отрезки

3

наклонные отрезки

4

почти перпендикулярные отрезки

5

перпендикулярные отрезки

В результате разбиения контуров на отрезки и нечеткой аппроксимации последних с помощью (3) и (4), как распознаваемый, так и эталонный контуры представляются в виде симметрических матриц значений нечетких признаков для каждой пары отрезков данного контура:

, , (5)

где , а – число отрезков данного контура.

К преимуществам представления (5) можно отнести инвариантность по отношению к повороту, масштабированию и сдвигу изображений. В результате становится возможным распознавание контурных изображений без предварительной нормализации по указанным выше преобразованиям. Для задач выбранного класса проблема нормализации может быть весьма серьезной из-за сложной геометрической формы и отсутствия выраженных осей изображения.

Далее для нечетких признаков (1) и (2) производится построчное сравнение матриц описаний изображения и эталона:

, (6)

где ., а операция – по Zadeh.

Теперь мы можем ввести меру сходства между изображениями, представленными матрицами признаков (5):

. (7)

Поскольку выбор начального отрезка произволен, то необходимо определять начальные отрезки сравниваемых изображений. Для этого достаточно проделать сравнений и выбрать то, для которого мера (7) будет максимальной.

3.Результаты экспериментального исследования

Предлагаемый метод распознавания был испытан на большом числе искусственно полученных изображений, типичных для изменений концентрации популяций фито– и зоо–планктона в водной среде мелководных водоемов (или заливов морей), а также на изображениях пятен различных видов загрязнений, диффундирующих в условиях мелководных водоемов под действием ветра, течений и т.д.

Для обработки данных использовался стандартный математический пакет MathCAD, который имеет весьма низкую производительность вычислений с плавающей точкой, а также является интерпретатором входного языка. С помощью функций, составленных для MathCAD, производилась предварительная обработка исходных маломерных полутоновых изображений, оптимальное выделение контрольных точек на изображениях по методу [4], при этом сразу решалась задача выбора одинакового числа отрезков в аппроксимируемых контурах, что допускается выбранным методом.

Была составлена также база эталонных изображений, полученных путем математического моделирования аварийных ситуаций экологического состояния различных регионов, которая служила в качестве базы для распознавания исходных изображений катастрофических ситуаций.

Пример малоразмерного изображения контура популяции фитопланктона приведен на рис. 1. На рис. 2 – эталон, полученный путем моделирования на сетке с большим шагом.

На приведенных рисунках можно выделить 7 элементарных отрезков, разделяющихся "контрольными" точками. После построения матриц нечетких признаков (1) и (2) для изображения и образца, вычисляются меры (6) для каждой пары строк сравниваемых матриц.

На рис. 3 и 4 приведены результаты сравнения матриц признаков.

Рисунки наглядно показывают, что наибольшее соответствие контурных описаний вида (5) достигается при сравнении, начинающемся с первого отрезка (соответствующая строка выделена темным) и мера сходства для этого случая может быть найдена по (7).

К особенностям предложенного метода можно отнести то, что меры для симметричных изображений получаются равными. В результате, при применении предлагаемого метода распознавания можно значительно уменьшить число эталонов для распознавания, исключив из базы изображения одного и того же объекта, имеющие различные виды симметрии (ср. рис. 1 и 2). Это свойство позволяет также значительно ускорить процесс распознавания за счет соответствующего исключения значительного количества сравнений нечеткого представления исходного изображения с симметричными изображениями одного и того же объекта.

 

4. Заключение

Проведенное экспериментальное исследование предложенного метода показало корректность и высокую надежность разработанного метода. Скорость вычислений для основных рабочих формул метода оказалась вполне удовлетворительной даже для интерпретирующей вычислительной системы.

В дальнейшем полученные результаты будут использованы при построении программного обеспечения для разрабатываемой системы геоэкологической безопасности Юга России по проекту с участием ТРТУ, Ростовского и Кубанского Государственных университетов при участии Civilian Research and Development Foundation и Мичиганского Государственного университета (США).

Литература

  1. А.Н. Каркищенко, С.А. Бутенков , J. M. Jimenez Аналитические модели в параллельных системах распознавания. – В сб. трудов Международной конференции “Интеллектуальные микропроцессроные системы – 99” Таганрог: ТРТУ, 1999, с. 45-49.
  2. В.В. Геппенер, М.А. Соколов Классификация подповерхностных объектов в задачах геолокации на основе использования нечетких признаков. – В сб. трудов Международной конференции SCM-99, С.-Пб: 1999, с. 198-200.
  3. Thomas T. Dufresne, Atam P. Dhawan Chord–tangent transformation for object recognition. – Patterm Recognition. Vol. 28, No 9, pp. 1321, 1332. 1995.
  4. А.Н. Каркищенко, А.Е. Лепский, А.В.Безуглов Об одном способе векторного и аналитического представления контура. – Известия ТРТУ, тематический выпуск "Интеллектуальные САПР". Таганрог: ТРТУ, 1998, с. 107–112.

Site of Information Technologies
Designed by  inftech@webservis.ru.