Настройка параметров метода контурного анализа для распознавания самолетов на снимках местности

Информация о материале

Опубликовано: 11.09.2018, 19:50

Математический аппарат контурного анализа, предложенный Я.А. Фурманом, является эффективным подходом к решению задачи распознавания объектов на основе их формы. Контурный анализ использует представление распознаваемого объекта в виде «вектор-контура» (далее «контура»), который представляет собой последовательность векторов в относительных комплексных координатах, описывающих форму внешней границы данного объекта.

Мера схожести двух контуров, называемая «нормированное скалярное произведение» (НСП), инвариантна (нечувствительна) к переносу, вращению, масштабированию распознаваемого объекта относительно эталона.

Несмотря на столь внушительные достоинства НСП имеет ряд собственных ограничений, к которым относится необходимость выбора следующих значений: количества элементов контура и пороговой степени сходства.

Первое ограничение является следствием того, что для расчета значения НСП сравниваемые контуры должны иметь одинаковое количество элементов (при этом длины контуров – сумма длин составляющих его векторов – совпадать не обязана).
Второе ограничение относится к построению решающего правила для определения принадлежности распознаваемого объекта к одному из классов и заключается в необходимости установить пороговое значения степени сходства.

Для выбора указанных параметров оптимальным образом мы предлагаем минимизировать сумму ошибок измерения внутриклассовых и межклассовых расстояний объектов в обучающей выборке.

Данная задача рассмотрена на примере распознавания типа летательного аппарата. Обучающая выборка составлена из аэроизображений оптического диапазона разрешением 0.15м/точку стоянки списанных и законсервированных самолетов на авиабазе Девис-Монтен. Обучающая выборка включает самолеты восьми классов: B-1 – 17 снимков, B-52 – 10 снимков, C-5 – 20 снимков, C-37 – 11 снимков, C-130 – 135 снимков, C-135 – 81 снимок, P-3 – 92 снимка, S-3 – 64 снимка (изображения последнего увеличены в два раза).

Самолеты в пределах одного класса обучающей выборки имеют существенные различия, как показано на следующих сериях изображений B-1 (частично сняты предкрылки, закрылки, посадочные щитки, рули высоты, стабилизаторы, двигатели)

Или в случае, например, B-52, практически одинаковы.

Однократное измерение внутриклассового расстояния представляет собой расчет НСП для пары контуров объектов одного типа, измерение межклассового расстояния – для пары контуров объектов разных типов.
Ошибкой измерения внутриклассового расстояния (ошибкой измерения второго рода) считается значение НСП, меньшее заданного порогового значения принятия решения.
Ошибкой изменения межклассового расстояния (ошибкой измерения первого рода) является значение НСП, большее заданного порогового значения принятия решения.

График зависимости суммарного количества ошибок первого и второго рода относительно общего количества измерений для числа элементов контуров в пределах [100..1000] с шагом 10 от значения порога принятия решения типов B-1 и B-52 представлено на рисунке ниже.

Из графика видно, что минимум количества ошибочных измерений достигается при пороговых значениях принятия решения 63% для B-1 и 71% для B-52 соответственно.

Выбранные пороговые значения принятия решения использованы в процессе расчета оптимальной длины контура для каждого типа самолетов, которая позволяет достичь наилучшего разделения классов обучающей выборки.
Графики зависимости относительного количества ошибок измерения от числа элементов контура для B-1 и B-52 показаны ниже. Линиями показаны значения длины, обеспечивающие минимум общего количества ошибок.

Из графиков видно, что минимум количества ошибочных измерений достигается при значениях длины контура 640 элементов для B-1 и 910 – для B-52 соответственно.

Определенные таким образом параметры метода контурного анализа применяются для анализа обучающей выборки и определения типа летательного аппарата, наиболее близкого по форме к распознаваемому.

Наибольшие искажения контуров объектов вносит сегментация изображения, направленная на выделение самолета на фоне подстилающей поверхности и других объектов и построение его контура. Сегментацию осложняют следующие факторы:
1) наличие пестрой окраски или камуфляжа;
2) подстилающая поверхность и локализуемый объект имеют близкие значения цвета, насыщенности и яркости;
3) наличие шума и низкая резкость изображений.
Направлениями дальнейших исследований является разработка методов сегментации, позволяющих решить задачу выделения границ летательного аппарата в присутствии перечисленных выше факторов.

Полная версия статьи с формализованным описанием поставленной задачи и ее решения, рассмотрением всех типов летательных аппаратов и экспериментом на тестовой выборке будет опубликована в открытой печати в декабре 2018 г.

Ссылки

1. Фурман Я.А. Введение в контурный анализ и его приложение к обработке изображений и сигналов // Под ред. Я.А. Фурмана. М.: ФИЗМАТЛИТ, 2002. – 592с.
2. Фурман Я. А. Цифровые методы обработки и распознавания бинарных изображений/ Я. А. Фурман, А. Н. Юрьев, В. В. Яншин; Красноярск: Изд-во Краснояр. ун-та, 1992. C. 248.

КодЛикс разрабатывает программное обеспечение обработки изображений, систем технического зрения, искусственный интеллект и нейросети. Мы создаём программное обеспечение любой сложности под ключ и с гарантией.