Способ обнаружения аномалий подстилающей поверхности

Способ обнаружения аномалий подстилающей поверхности

Реферат

 

Использование: космоведение, в дистанционном мониторинге природных сред при оперативном отслеживании аномальных явлений. Сущность изобретения: в качестве числовой характеристики топологической структуры используют показатель фрактальной размерности. Для вычисления фрактальной размерности матрицы изображения предлагается алгоритм расчета методом вариаций. Алгоритм обнаружения изменений на изображении заключается в последовательном сравнении числовых характеристик фрактальной размерности текущего изображения с предельными эталонными значениями. Аномалия фиксируется при отклонении текущего значения коэффициента фрактальной размерности от его эталонного значения на пороговую величину. Величина порогового уровня должна устанавливаться в зависимости от требуемой достоверности обнаружения аномалий. Технический результат: повышение устойчивости и достоверности обнаружений аномалий. 4 ил., 1 табл.

Предлагаемое изобретение относится к космоведению, в частности, к дистанционному мониторингу природных сред и может найти применение при оперативном отслеживании аномальных явлений.

Аномалия, как правило, является результатом одновременного воздействия разнородных, независимых физических факторов. Аномалиями, отслеживаемыми из космоса, могут быть разливы нефти на морской поверхности, скопления планктона и косяки рыб, лесные пожары, инвазии массового размножения насекомых-вредителей леса, антропогенные загрязнения атмосферы, скрытые плантации наркотических растений среди других посевов.

В полном объеме масштабные задачи обнаружения перечисленных аномалий могут быть решены путем получения космических изображений подстилающей поверхности и их тематической обработкой. Визуальное восприятие образа человеком-оператором происходит на уровне контурного рисунка. Поэтому тематическая обработка изображений включает, в первую очередь, выделение контуров.

Известен метод выделения контурного рисунка на изображении путем вычисления градиента скалярной функции яркости в каждой точке на основе расчета оператора Робертса или производных от него операторов Лапласа, Собела (см., например, Дуда Р.О., Харт П.Е. Распознавание образов и анализ сцен". Пер. с англ. - М.: Мир, 1976, 7-3, Пространственное дифференцирование, с. 287-268, рис. 7-3 - аналог).

Недостатками известного аналога являются: - появление недопустимо большого числа ложных линий, многоконтурность, потеря существенной информации при поэлементном апертурном анализе; - необходимость обработки всего массива кадра информации в каждом цикле анализа.

Ближайшим аналогом по технической сущности к заявляемому является "Способ обнаружения инвазии насаждений" (патент РФ N 2.105.465, A 01 G, 23/00, G 01 Y 8/00 - ближайший аналог).

В способе ближайшего аналога оцифрованные значения функции яркости изображения I (x, y) в виде матрицы дискретных отсчетов из |mn| элементов сжимают в матрицу интенсивностей переходов яркости, размерностью |кк| элементов, получают образ объекта в виде "кристаллической решетки", вычитают "кристаллическую решетку" текущего изображения из "кристаллической решетки" эталона и по смещению узлов решетки и диагональному элементу судят о наличии инвазии.

Недостатком ближайшего аналога является потеря привязки обнаруженной аномалии на изображении к пространственным координатам. Метод обнаружения ближайшего аналога носит чисто сигнальный характер, ведущий к потере сопутствующей информации.

Задача, решаемая данным изобретением, заключается в повышении устойчивости и достоверности обнаружения аномалий путем расчета топологических характеристик изображения и выделения участков с их отклонениями.

Поставленная задача решается тем, что в способе обнаружения аномалий подстилающей поверхности, включающем получение ее изображения в виде цифровой матрицы функции яркости I (x, y) от пространственных координат, обработку матрицы, дополнительно разбивают изображение на сравнительно однородные участки на основе априорных данных, вычисляют функции фрактальной размерности каждого участка, составляют матрицу эталонов из коэффициентов функций фрактальной размерности каждого участка, а аномалию фиксируют по выходу разницы между текущим и эталонным значением фрактальной размерности за пороговый уровень для анализируемого участка.

Сопоставительный анализ заявляемого решения с ближайшим аналогом показывает, что заявляемый способ отличается от известного введением новых технологических операций, обеспечивающих достижение таких качественных свойств, как: - устойчивость алгоритма обнаружения к изменению внешних условий съемки: высоты солнца, угла визирования, времени суток и масштабу изображения; - достоверность обнаружения из-за использования структурных, топологических признаков; - локализация аномалий на изображении с их координатной привязкой.

Это позволяет утверждать, что заявляемый способ удовлетворяет критерию "изобретательский уровень".

Техническая сущность изобретения заключается в следующем. В настоящее время основными информационными параметрами при тематической обработке аэрокосмических снимков являются цвет, тон (яркость) и текстура (шероховатость) изображения. Наряду с перечисленными существенная информация об объектах подстилающей поверхности содержит топологическая структура изображения. В качестве числовой характеристики топологической структуры предлагается использовать показатель фрактальной размерности. Как оказалось, большое число природных образований: земной рельеф, русла рек, океанические течения, береговая линия материков, островов, растительный покров формируются под воздействием сильно нелинейных процессов. В результате этого большинство природных образований является объектами фрактальными (см., например, Mandelbrot B. Fractals, Forms. Chance and Demension. Freeman, San-Francisco, 1997 г.). Структура фрактального множества такова, что любое, сколь угодно малое подмножество данного множества имеет внутри этого подмножества еще меньшее подмножество, которое полностью повторяет структуру "большего" подмножества, т. е. обладает свойством самоподобия. Например, растительные сообщества можно рассматривать как фрактальные образования. Характерной единицей самоподобия на изображении лесопокрытого участка является изрезанный контур кроны отдельного дерева с линейным размером диаметра кроны порядка 3-5 м. Далее по возрастающей, на уровне совокупности деревьев это локус (фация) с линейным размером 25-100 м, на уровне совокупности фаций (в рамках ландшафтной иерархии) урочище с линейными размерами 300-500 м и т.д..

В математике для определения размерности фрактальных образований используют так называемую размерность Хаусдорфа (см., например, P.A.Burrough. Fractal dimensions of landscapes and other environmental data. Nature 294, 1981, p. 240). По определению размерность Хаусдорфа вычисляется где - размер элементов измерения, которыми покрывается объект (например, длина отрезка, площадь квадратика, объем кубика и т.п.); - число элементов измерения размером , содержащих хотя бы одну точку объекта.

Аномальные процессы изменяют структуру природного образования на земной поверхности, и соответственно, его изображение на снимке. Вследствие этого фрактальные размерности двух видов изображений - эталонного и измененного - будут отличаться.

Для вычисления фрактальной размерности матрицы изображения предлагается алгоритм расчета методом вариаций. Пусть (x₁y₁) и (x₂y₂) - двумерные координаты точек, а I(x,y) - значение третьей координаты (высоты, яркости) в данной точке, которое задано в виде непрерывной функции координат. Тогда -осцилляцией значения I будет разность наибольшего и наименьшего значения I в () окрестности точки (x,y) v_f(x,y,) = |I(x₁,y₁) - I(x₂,y₂)|; После этого вариация значений I вычисляется как где a, b - пределы, в которых изменяется переменная x; c, d - пределы, в которых изменяется переменная y.

Фрактальная размерность матрицы вычисляется как Практически при применении данного алгоритма для вычисления фрактальной размерности матрицы производится вычисление V_f для последовательно уменьшающихся элементов измерения - в данном случае квадратиков со стороной . Поверхность Земли состоит из разнообразных ландшафтов и объектов: леса, гари, пашни, барханы, степи. С фрактальной точки зрения перечисленные объекты существенно неоднородны. Вся поверхность представляется комбинацией фрактальных объектов. При использовании фрактальной размерности как топологического признака более достоверная идентификация аномалий возможна, если изображение предварительно разбивать на ряд фрагментов с однородной структурой. Поскольку, априорно, объекты наблюдений обычно известны, разбиение изображения на мозаику участков осуществляют по априорным данным. На фиг.1 представлены вычисленные функции фрактальной размерности различных природных образований, путем обработки изображения фотоснимков космического аппарата типа "Ресурс": a) ельник Пироговского лесопарка. Московская область; б) горный участок, плато, где обычно скрывают плантации наркотического мака, Таджикистан; в) плантации наркотического мака; Таджикистан; г) лесная гарь, Томская область.

Вычисление фрактальных функций осуществлялось программным методом по выше приведенному алгоритму с использованием специализированного программного обеспечения (см., например, МАТН САД; 6,0. PLVS, изд. 2-е, стереотипное, информ. издат. , дом Филинъ, 1997 г.). Алгоритм расчета реализуется следующей программой 1 (см. в конце описания). Алгоритм обнаружения изменений на изображении заключается в последовательном сравнении числовых характеристик фрактальной размерности текущего изображения с предельными эталонными значениями. Для этого предварительно создают матрицу эталонных значений фрактальных размерностей объектов, содержащихся на изображении подстилающей поверхности. На основании априорной информации, все изображение разбивается на сравнительно однородные участки и вычисляют фрактальные размерности участков. Как правило, функция фрактальной размерности имеет нелинейности при ---> 0 и при . Поэтому за эталонное значение принимают коэффициент среднего наклона функции фрактальной размерности. Аномалия фиксируется при отклонении текущего значения коэффициента фрактальной размерности от его эталонного значения на пороговую величину. Величина порогового уровня должна устанавливаться в зависимости от требуемой достоверности обнаружения аномалий. Программа, реализующая алгоритм обнаружения аномалий, приведена в примере реализации способа.

Пример реализации способа Заявляемый способ может быть реализован на базе устройства по схеме фиг. 2. Функциональная схема устройства (фиг.2) содержит систему космической видовой разведки 1, в составе космического аппарата 2 (типа "Ресурс"), систему сканерной съемки 3 (типа МСУ-Э) подстилающей поверхности 4, включаемой бортовым комплексом управления (БКУ) 5 по программам, закладываемым из Центра управления полетом (ЦУП) 6 посредством радиолинии 7. Последовательность снимков отслеживаемых территорий 4 в виде кадров информации сбрасывается по совмещенной радиолинии 7 в сеансах связи на наземные пункты приема информации 8, где регистрируется в виде цифрового потока информации на наземный магнитофон 9 типа "Арктур". По запросам потребителей информация в виде изображений контролируемых природных образований передается по высокочастотным кабелям 10 на региональные пункты обработки 11, где записывается в постоянное запоминающее устройство 12, организуемое на базе страммеров типа FT-120. Тематическая обработка изображений в региональных пунктах обработки организуется на базе ПЭВМ-13 типа IBM PC 486/487 в комплекте процеcсора-вычислителя 14, оперативного ЗУ 15, винчестера 16, клавиатуры 17, средств отображения дисплея 18, принтера 19. Оцифрованная информация текущих кадров изображений подстилающей поверхности вводится в ОЗУ 15 с устройства-ввода 12. Каждая матрица цифрового изображения подвергается обработке по программам, записанным на винчестер 16. Эталонные значения фрактальных размерностей различных природных образований записывают на магнитные диски 20.

Процедуру оперативного обнаружения аномалий подстилающей поверхности по операциям заявляемого способа с помощью средств фиг.2 проиллюстрируем на примере изображения территории со скрытыми посевами наркотической растительности (горный район республики Таджикистан).

На рисунке (фиг. 3) воспроизведена распечатка изображения подстилающей поверхности данного региона. Исходное изображение представлялось цифровой матрицей 512х512 элементов и было разбито на 16 градаций по каждой из сторон а, б.

Для каждого элементарного участка вычислялись фрактальные размерности программным методом с использованием специализированного программного обеспечения МАТН CAD. Алгоритм расчета реализован программой 2 (см. в конце описания).

Матрица фрактальных размерностей участков представлена таблицей (см. в конце описания).

Значения коэффициентов фрактальной размерности фоновых участков находились в интервале 2,1-2,4.

Поливные участки наркотических растений, в характерный вегетационный период, характеризуются функцией фрактальной размерности (фиг. 1г), располагающейся ниже графика функции фоновой поверхности. На фиг. 4 представлен результат логической сортировки участков. Аномальные участки выделены более светлым тоном.

Эффективность заявляемого способа определяется достоверностью обнаружения аномалий и устойчивостью алгоритма при широком варьировании условий съемки и вида средств для получения изображения. Топологический признак обнаружения аномалий заявляемого способа инвариантен к любым видам изображений.

Формула изобретения

Способ обнаружения аномалий подстилающей поверхности, включающий получение ее изображения в виде цифровой матрицы функции яркости I (x, y) от пространственных координат, обработку матрицы, отличающийся тем, что изображение разбивают на сравнительно однородные участки на основе априорных данных, вычисляют функции фрактальной размерности каждого участка, составляют матрицу эталонов из коэффициентов функций фрактальной размерности каждого участка, а аномалию фиксируют по выходу разницы между текущим и эталонным значением фрактальной размерности за пороговый уровень для анализируемого участка.

РИСУНКИ

Рисунок 1, Рисунок 2, Рисунок 3, Рисунок 4, Рисунок 5, Рисунок 6, Рисунок 7