Способ классификации объектов оптико-электронными системами разведки на основе обработки многоспектрального кубоида изображений
Автор: Ищук И.Н., Степанов Е.А., Бeбенин А.А., Дмитриев Д.Д., Филимонов А.М.
Журнал: Журнал Сибирского федерального университета. Серия: Техника и технологии @technologies-sfu
Статья в выпуске: 2 т.10, 2017 года.
Бесплатный доступ
В статье рассматривается классификация объектов оптико-электронными системами разведки на основе обработки многоспектрального кубоида изображений, технология формирования и обработки кубоида многоспектральных изображений техногенных объектов в ходе суточных наблюдений. Представлена общая постановка задачи классификации по данным динамических изображений в инфракрасном и видимом диапазонах длин волн. Приведены результаты реализации предложенного способа классификации в ходе натурного эксперимента.
Многоспектральные изображения, тепловая томограмма, тепловое излучение, тепловой контраст, динамические ик-сигнатуры, теплопроводность материалов, кубоид ик-изображения, скрытые объекты
Короткий адрес: https://sciup.org/146115189
IDR: 146115189 | DOI: 10.17516/1999-494X-2017-10-2-183-190
Текст научной статьи Способ классификации объектов оптико-электронными системами разведки на основе обработки многоспектрального кубоида изображений
Современные оптико-электронные системы (ОЭС) разведки наземных техногенных объектов, установленные на беспилотных летательных аппаратах (БЛА) и работающие в различных диапазонах электромагнитного спектра, осуществляют поиск объектов путем анализа возникающих яркостных контрастов. На эти системы воздействуют различные факторы, такие как параметры съемки (высота, скорость и эволюции полета БЛА, освещенность сцены), погодные, антропогенные и другие воздействия. ОЭС инфракрасного (ИК) диапазона длин волн характеризуются способностью обнаружения по тепловым контрастам малозаметных объектов, менее подвержены погодным воздействиям и не зависят от присутствия внешних источников излучения [1]. При этом современные ОЭС как в видимом, так и в ИК-диапазонах характеризуются возможностью получения видеоизображения качества FullHD (разрешением 1920x1080 пиксель) и выше [2].
Применение различных методов обзора поверхности Земли при однократной съемке не всегда позволяет обнаружить малозаметный техногенный объект. Известны различные способы решения задач обнаружения и распознавания малозаметных объектов в ИК-диапазоне длин волн в ходе дистанционного мониторинга Земли с применением БЛА, однако они не используют свойства информационной избыточности динамических изображений.
Современные БЛА большой продолжительности полета позволяют вести поиск малозаметных техногенных объектов в течение длительного времени с переходом от светлого времени суток к темному, фиксируя изображения местности с определенным интервалом. В результате получается набор динамических изображений, обладающий информационной избыточностью.
Использование операторного метода дешифрирования динамических изображений больших участков местности характеризуется большими психофизическими нагрузками и низкой эффективностью обнаружения малозаметных объектов. Для решения задачи снижения нагрузки на дешифровщика при обнаружении малозаметных объектов следует использовать алгоритмы автоматизации процесса обработки набора динамических многоспектральных изображений (кубоида многоспектральных изображений), содержащего избыточную информацию об изменении поля яркости наблюдаемой местности. В процессе обработки динамических ИК-изображений можно получить тепловую томограмму местности [3], отражающую распределение теплофизических параметров объектов. В видимом диапазоне длин волн достаточно отобрать наиболее контрастное изображение, поскольку малозаметные техногенные объекты в данной области электромагнитного спектра не меняют свои отражательные свойства при условии постоянства погоды.
Постановка задачи
При периодическом дистанционном измерении тепловых полей тепловизионным приемником получают детерминированные значения радиационных температур T 1, T r 2,..., Т , там радиационная температура каждой области поверхности на изображении - пикселе - представ_ ляется фиксированным значением Т r [ m , n : k ], где m , n - пространственные отсчеты, m е 0, M ; т ; 77
n е 0, N ; к е 1, K - отсчеты по времени.
Математическая задача классификации формулируется с помощью дискриминантной функции. Пусть ю 1 , <в 2,..., Ю обозначают Z классов (образов), подлежащих распознаванию и обра-
?
зующих полную группу событий { to } таких, что V P( to ) > 0 , V j * i , to n to * 0 , / to = Q [4].
~ T
Допустим, что кубоид ИК-изображений описывается вектором т = ! т > , тД..., T k J . Так как Т является стохастической функцией времени и зависит от большого числа внешних факторов, снижение неопределенности в получении оценки принадлежности образа к классу ωi может быть достигнуто путем редукции кубоида ИК-изображения и получения изображения пространственного распределения теплопроводности Л [m , n ]: X = A - 1( T ), где
A
-
- обратный оператор, реализующий решение КОЗТ. Оператор A - 1 можно реализовать
~ путем численного решения оптимизационной задачи X = argmin T - T , где T - кубоид тер-AeR модинамических температур, рассчитанных в соответствии с численным решением ПЗТ Tk—1 тк
= A • 1 , где A - матрица-определитель разностной схемы. Представим функцию правдоподобия L ( X | to ): Q ^ R, где X е R. Тогда точечная оценка принадлежности пикселя на изображении тепловой томограммы к классу ю будет определяться оценкой максимального правдоподобия параметра ω на основе редукции кубоида ИК-изображений [4].
Повышение вероятности обнаружения малозаметных техногенных объектов достигается использованием на БЛА многоспектральных оптико-электронных систем (МОЭС), обеспечивающих совместную обработку полей яркостей в различных диапазонах длин волн. Оценка принадлежности пикселя изображения в МОЭС в ИК- и видимом диапазонах длин волн к классу ωi реализуется путем минимизации соответствующей целевой функции U , основанной на вычислении эвклидовой метрики. На основании теоретических и экспериментальных исследований, представленных в работе [4], рассматриваемая задача классификации объектов в МОЭС
Алгоритм классификации
Этапы реализации способа классификации объектов МОЭС на основе обработки многоспектрального кубоида изображений в соответствии с (1) представляются в виде набора конечных операций, выполняемых в такой последовательности:
Шаг 1. С установленной на борту БЛА МОЭС с определенной периодичностью в течение суток производится съемка исследуемого участка местности.
Шаг 2. По данным полученных динамических ИК-сигнатур строится кубоид ИК-изображений и производится перерасчет значений радиационных температур в значения избыточных температур [5].
Шаг 3. По данным кубоида ИК-изображений с использованием эталонных материалов решается прямая задача теплопроводности (ПЗТ) на основе анизатропного представления приповерхностного слоя Земли.
Шаг 4. С использованием методов многопараметрической оптимизации решается коэффициентная обратная задача теплопроводности (КОЗТ) с составлением и минимизацией функционала невязки по рассчитанным и экспериментально измеренным значениям температур для каждого эталонного материала и получаются оцененные значения параметров, аппроксимирующих функцию источника тепла и коэффициентов зависимости ТФП от температуры [5, 6].
Шаг 5. С использованием матрицы приближенности областей изображения к эталонным материалам решается КОЗТ путем минимизации квадратичного функционала невязки по рассчитанным и экспериментально измеренным значениям избыточных температур попиксельно для всего растра изображений, по результатам решения КОЗТ строят пространственное распределение ТФП – тепловую томограмму [5].
Шаг 6. Из динамического набора изображений видимого диапазона длин волн выделяется наиболее контрастное изображение.
Шаг 7. Производится кластеризация тепловой томограммы и изображения, полученного в видимом диапазоне длин волн [7].
Шаг 8. По данным кластеризованных изображений выделяются зоны подповерхностных неоднородностей, обусловленных несоответствием модели ПЗТ (шаг 3) данным дистанционных измерений.
Шаг 9. В выделенных зонах подповерхностных неоднородностей производится перерасчёт оценённых значений поля яркостей (шаг 3 – шаг 5) с учетом изотропного представления слоя Земли.
Экспериментальная апробация способа классификации
Для экспериментальной апробации способа классификации МОЭС разведки объектов с учетом фона и эталонных материалов в естественных условиях была рассчитана томограмма на основе набора многоспектральных изображений одного участка местности, полученных в ходе периодической съемки МОЭС разведки с БЛА квадрокоптерного типа (рис. 1). В качестве эталонных материалов были использованы дерево (сосна) (Х= 0.18 Вт/м-К, с=2300 Дж/кгК - теплопроводность, удельная теплоемкость), сталь (Х= 58 Вт/м-К, c= 482 Дж/кг∙К), пенопласт (λ= 0.04 Вт/м∙К, c= 1400 Дж/кг∙К), пенобетон (λ= 0.18 Вт/м∙К, с=840 Дж/кгК) и гранит (Х= 3.5 Вт/мК с= 880 Дж/кгК), плита из красного полнотелого кирпича (λ= 0.67 Вт/м∙К, c= 860 Дж/кг∙К). Съемка велась оптическим сенсором Sony

Рис. 1. Модельная обстановка проведения натурного эксперимента: 1 – БЛА на позиции; 2 – минное поле; 3 - объекты, скрытые маскировочной сетью; 4 - пенобетон; 5 - дерево (сосна); 6 - гранит; 7 - сталь; 8 – пенопласт; 9 – красный полнотелый кирпич

16:00 30.09.2016
21:00 30.09.2016
02:00 01.10.2(>16
Рис. 2. Ряд ИК-изображений, полученных в течение суток

а
б
Рис. 3. Кластеризованные изображения: а – тепловой томограммы, полученной по данным динамических ИК-изображений для классов материалов: 1 – пенобетон; 2 – дерево; 3 – гранит; 4 – железо; 5 – пенопласт;
6 – красный полнотелый кирпич; 7 – грунт; б – видимого изображения с распределением классов по значению яркости равномерно в пяти диапазонах от 0 до 255
EXMOR 1/2.3” и тепловизионным приемником Flir Tau2 с высоты 20 м в течение суток с интервалом 1 ч. В результате съемки всего было получено 24 ИК-изображения. Ряд из них представлен на рис. 2.
Результатом обработки полученного кубоида ИК-изображений является тепловая томограмма, кластеризованный вид которой представлен на рис. 3а. Кластеризованное изображение наблюдаемой модельной сцены в видимом диапазоне длин волн дано на рис. 3б. В результате анализа полученных кластеризованных изображений выделе- – 188 –

Рис. 4. Зоны изотропных (ортотропных) объектов: 1 – зона многослойной структуры «эталонные объекты 2
– зона анизотропных «подповерхностных объектов»; 3 – зона многослойных ортотропных объектов БЛА

Рис. 5. Совмещенное изображение видимого диапазона длин волн и выделенных зон ортотропных объектов ны зоны изотропных (ортотропных) объектов [8] (рис. 4). Совмещенное изображение видимого диапазона длин волн и выделенных зон ортотропных объектов приведено на рис. 5.
Вывод
Использование предложенного способа классификации объектов МОЭС разведки на основе обработки многоспектрального кубоида изображений позволило в ходе натурного эксперимента определить зоны несоответствия математической модели ПЗТ данным дистанционных измерений МОЭС на БЛА. Таким образом, для более эффективного решения задачи классификации объектов по данным динамических изображений с построением тепловых томограмм [4] при решении КОЗТ необходимо применять изотропную модель подповерхностных объектов, находящихся в грунте, с учетом априорных данных о геометрических параметрах объектов, расположенных на поверхности, получаемых путем анализа изображений в видимом диапазоне длин волн.
Работа выполнена при финансовой поддержке РФФИ (грант № 15-08-02611 А).
Список литературы Способ классификации объектов оптико-электронными системами разведки на основе обработки многоспектрального кубоида изображений
- Jiayi Ma, Chen Chen, Chang L, Jun Huang. Infrared and visible image fusion via gradient transfer and total variation minimization. Information Fusion, 2016, 31, 100-109
- Dhaval Shingala, Rashmi Agrawal. Super-Resolution of Multispectral Images. International Journal for Scientific Research & Development, 2013, 1(3), 770-774
- Ищук И.Н., Обухов В.В., Парфирьев А.В., Филимонов А.М. Методика дистанционного контроля изотропных материалов путем редукции кубоида ИК-изображений. Измерительная техника, 2014, 9, 41-45
- Ищук И.Н., Филимонов А.М., Степанов Е.А., Постнов К.В. Способ классификации стационарных и квазистационарных объектов по данным динамических инфракрасных изображений, получаемых комплексами с беспилотными летательными аппаратами. Радиотехника, 2016, 10, 145-153
- щук И.Н., Парфирьев А.В. Реконструкция кубоида ИК изображений для обнаружения скрытых объектов Ч. 1. Решение на основе коэффициентной обратной задачи теплопроводности. Измерительная техника, 2013, 10, 47-50
- Chulkov A.O., Vavilov V.P. Hardware and software for thermal nondestructive testing of metallic and composite materials. Journal of Physics: Conference Series, 2016, 671, 1-8
- Demidova L.A., Sokolova Yu.S., Nikulchev E.V. Use of Fuzzy Clustering Algorithms Ensemble for SVM Classifier Development. International Review on Modelling and Simulations, 2015, 8(4), 446-457
- Glenn Healey, David Slater. Models and Methods for Automated Material Identification in Hyperspectral Imagery Acquired Under Unknown Illumination and Atmospheric Conditions. Transactions On Geoscience And Remote Sensing, 1999, 37(6), 2706-2717