Алгоритмы предварительной обработки изображений в системах комбинированного видения летательных аппаратов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Муратов, Евгений Рашитович
- Специальность ВАК РФ05.13.01
- Количество страниц 168
Оглавление диссертации кандидат наук Муратов, Евгений Рашитович
СОДЕРЖАНИЕ
Введение
1 Исследование методов предобработки реальных изображений в задачах их совмещения с цифровыми моделями местности
1.1 Анализ возможностей построения виртуальной модели местности для последующего совмещения с изображениями от
13
сенсоров системы технического зрения
13
1.1.1 Анализ требований к цифровой карте местности
19
1.1.2 Форматы для хранения цифровых топографических карт
1.1.3 Методики построения ЗО ЦКМ - ВММ
1.1.4 Выбор совместных информативных признаков на
30
изображениях подстилающей поверхности и ВММ
1.2 Методы предварительной обработки изображений с целью выделения «сущности» для последующего совмещения с ВММ
1.2.1 Методы шумоподавления и повышения четкости телевизионного изображения
1.2.2 Обзор существующих детекторов границ объектов
48
1.2.3 Сравнение детекторов границ между собой
53
1.2.4 Обзор методов утоньшения контурных линий
1.2.5 Сравнительный анализ векторного описания контуров
58
1.2.6 Методы векторизации контурных линий
Выводы
2 Разработка методов и алгоритмов предобработки для
последующего совмещения
2.1 Методы и алгоритмы предобработки
63
2.1.1 Модификация яркостного контрастирования
67
2.1.2 Модификация градиентных методов
2.1.3 Разработка метода автоматической фильтрации
68
яркостного шума
2.1.4 Разработка метода обнаружения и формального описания фрагментов на изображении
2.1.5 Разработка метода фильтрации (удаления) неинформативных объектов на изображении
2.1.6 Разработка метода утоныпения контурных линий в реальном времени
2.1.7 Разработка метода векторизации контурных линий
2.2 Вычислительная реализуемость в реальном времени
2.2.1 Оценка сокращения объема информативных элементов на этапах предобработки
2.2.2 Оценка трудоемкости этапов предобработки
2.2.3 Повышение быстродействия алгоритмов на многопроцессорных платформах
2.2.4 Использование OpenCL для алгоритмов предобработки
Выводы
3 Применение векторного описания границ объектов для
предварительного совмещения и визуализации
3.1 Предварительное совмещение изображений на основе
выделения преобладающих углов характерных линий
3.1.1 Использование уравнения прямой, аппроксимирующей
линию горизонта, для корректировки ракурса ВММ
3.1.2 Методика совмещения по крену при отсутствии линии горизонта
3.1.3 Совмещение изображений с применением матрицы томографии
3.2 Методика визуализации совмещенных изображений в системах комбинированного видения
3.3 Применение векторного описания контуров ВММ для сокращения общей трудоемкости предварительного совмещения
Выводы
4 Программный стенд для исследования и апробации
алгоритмов предобработки и совмещения
4.1 Проектирование программного стенда
4.2 Методика экспериментальных исследований
4.3 Результаты исследований
Выводы
Заключение
Список использованных источников
ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
АГП - алгоритм глобального поиска
ББД - бортовая база данных
ВММ - виртуальная модель местности
ГА - генетический алгоритм
ГЭ - глобальный экстремум
КЭНС - корреляционно-экстремальная навигационная система
КХА - качественная характеристика алгоритма
ИНС - инерциальные навигационные системы
JIA - летательный аппарат
ЛЭ - локальный экстремум
МДМ - метод деформируемого многогранника
ММДМ - модифицированный метод деформируемого многогранника
МЭМС - микроэлектромеханические системы
ОСШ - отношение сигнал/шум
РЛИ - радиолокационное изображение
РЛС - радиолокационная станция
СКО - среднее квадратическое отклонение значений
СТЗ - системы технического зрения
ТИ - текущее изображение
ЦКМ - цифровая карта местности
ЦФ - целевая функция
ЭА - эволюционный алгоритм
ЭИ - эталонное изображение
ESVS - Enhanced synthetic vision systems (системы улучшенного и синтезированного видения)
Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК
Алгоритмы совмещения разнородных изображений в бортовых системах визуализации2014 год, кандидат наук Герман, Елена Владимировна
Модели и методы совмещения 2D и 3D изображений в системах технического зрения авиационного применения2018 год, кандидат наук Новиков, Анатолий Иванович
Геоинформационное обеспечение бортовой радиолокационной станции высокого разрешения пилотируемых летательных аппаратов2011 год, кандидат технических наук Гармаш, Виталий Николаевич
Разработка и исследование алгоритмов совмещения изображений от бортовых видеодатчиков с виртуальной моделью местности2016 год, кандидат наук Ефимов Алексей Игоревич
Принципы построения и методы автоматизации проектирования бортовых средств индикации на жидкокристаллических панелях2015 год, кандидат наук Костишин, Максим Олегович
Введение диссертации (часть автореферата) на тему «Алгоритмы предварительной обработки изображений в системах комбинированного видения летательных аппаратов»
ВВЕДЕНИЕ
Актуальность работы. Совмещение изображений в настоящее время является весьма актуальной задачей. Оно применяется во многих областях науки и техники. Это и картография и методы дистанционного зондирования земли и многоспектральные системы технического зрения летательных аппаратов (ЛА) и зрение робототехнических систем. В современной авионикс техническое зрение решает такие актуальные задачи как корреляционно-экстремальная навигация, обнаружение и сопровождение целей, визуализация изображения закабинного пространства и др.
Изначально сложная научная задача совмещения усложняется при обработке изображений различной физической природы. Это объясняется различной формой их представления, различными форматами хранения и обработки, различной природой возможных искажений. Сложность поставленной задачи существенно возрастает в связи с необходимостью ее решения в режиме реального времени на борту ЛА.
В данной работе рассматривается предварительная обработка разнородных изображений - телевизионных и виртуальной модели местности (ВММ) с целью их последующего совмещения.
Предварительная обработка - в нашем случае подготовка изображений к некорреляционному совмещению - представляет собой, по сути, конвейер последовательного выполнения процедур. Фазами, или ступенями, этого конвейера являются:
- перевод цветных изображений в градации серого;
- контрастирование яркостного диапазона;
- устранение шумовой составляющей;
- выделение границ объектов на изображениях;
- фрагментное представление с последующей пороговой фильтрацией полученных границ;
- утоньшение границ;
- аппроксимация границ прямолинейными элементами (отрезками);
- переход к векторному описанию результатов аппроксимации.
От эффективности выполнения этих процедур зависит качество последующего совмещения и сама возможность работы в реальном времени. Результативность решения поставленных задач в значительной степени определяет безопасность полетов летательных аппаратов.
Одним из средств повышения безопасности является система комбинированная видения CVS (Combined Vision Systems). Основной задачей такой системы является совмещение информации от разноспектральных датчиков, в том числе и телевизионных камер с виртуальной моделью местности, построенной по цифровой карче местности (ЦКМ) и известным навигационным данным J1A. В настоящее время нет единого, принятого всеми определения, что понимать под комбинированным видением, однако есть общий для всех определений и моделей элемент - смоделированное на основе навигационных данных изображение внешней среды, наблюдаемой пилотом из кабины.
Необходимость решения комплекса задач в режиме реального времени совместно с ограничениями по габаритам и потребляемой мощности бортовых вычислителей требует разработки эффективных алгоритмов предобработки видео данных, построению ВММ и совмещения реального и ВММ изображений.
Использование известных методов, таких как корреляционно-экстремальное совмещение или совмещение по группе парных объектов имеют ряд существенных недостатков. Для корреляционно-экстремального совмещения таким недостатком является поиск экстремума среди ракурсов изображений, подверженных преобразованиям по курсу, крену, тангажу и трем координатам положения в пространстве, что является весьма трудоемкой вычислительной процедурой. Для методов совмещения по парным объектом нет гарантированно точного метода нахождения их соответствия. Разработка некореляционных алгоритмов совмещения с устойчивым нахождением множества общих для изображений признаков и одновременным выделением из этого множества минимально необходимого подмножества, обеспечивающего надежное совмещение изображений, позволит устранить
указанные недостатки. Не менее важной задачей является разработка способа представления результатов работы на индикаторах пилота ЛА в зависимости от закабинной обстановки и ситуации полета.
Данная диссертационная работа посвящена исследованию и разработке алгоритмов для:
• предварительной обработки изображений с целью нахождения информативных признаков на телевизионных изображениях для последующего их использования в алгоритмах совмещения реальных изображений с ВММ;
• сокращения объема необходимых информативных признаков за счет выделения «сущностей»;
• определения зоны «неопределенности» расположения объекта на изображении по данным ВММ и значениям погрешностей при определении навигационных данных;
• применения обнаруженных признаков для предварительного совмещения изображений с ВММ;
• представления совмещенных изображений на индикаторах пилота J1A для повышения осведомленности об закабинной обстановке.
Основными требованиями к данным алгоритмам являются:
- возможность реализации их на боргу ЛА в реальном времени;
- обеспечение автоматического выбора параметров алгоритмов при смене условий получения телевизионных (ТВ) кадров.
Алгоритмы предварительной обработки изображений, разработанные в данной диссертационной работе, могут применяться и в системе улучшенного видения EVS (Enhanced Vision System), с целыо раннего обнаружения взлетно-посадочной полосы (ВПП) и других типовых объектов интереса в отсутствие навигационных данных и априорной информации о закабинной обстановке.
Степень разработанности темы. Большой вклад в развитие научных исследований в этой области внесли отечественные ученые Сойфер В.А., Джанджгава Г.И., Визильтер Ю.В., Желтов С.Ю., Сергеев В.В., Злобин В.К., Еремеев В.В., Алпатов Б.А., Евтушенко Ю.Г., Стронгин Р.Г., Сергеев Я.Д.,
Сухарев А.Г. и другие. Однако не существует универсального алгоритма, который мог бы обеспечить для всех областей применения требуемую эффективность. Поэтому при разработке и модификации существующих алгоритмов необходимо учитывать специфику предметной области, реальные характеристики ТВ и ВММ изображений полученных камерами ЛА в процессе полета. Главным недостатком известных методов и алгоритмов является сложность их реализации на борту ЛА в реальном времени.
В данной диссертационной работе исследуются и разрабатываются алгоритмы предобработки изображений с целью нахождения информативных признаков для последующего предварительного совмещения ТВ и ВММ изображений. Разрабатываются методы визуализации результатов предварительного совмещения па индикаторах пилота ЛА с целью повышения его осведомленности о закабинной обстановке.
Цель диссертации состоит в исследовании и разработке алгоритмов предварительной обработки изображений, выявляющих и сокращающих объем характерных признаков, использование которых позволяет совместить исходное изображение и ВММ некореляционным методом, с последующим представлением вариантов визуализации результата совмещения пилоту.
Для достижения поставленной цели решаются следующие основные задачи:
- получение информативных признаков от ТВ изображения;
-разработка методики фильтрации неинформативных объектов и
признаков на изображении;
- получение информативных признаков от ракурса ВММ построенного по навигационным данным;
-разработка процедур автоматического выбора значений ключевых параметров алгоритмов;
-разработка алгоритмов предварительного совмещения ВММ и изображения;
-сокращение вычислительной сложности предобработки за счет использования вспомогательной информации от ВММ;
-разработка программного стенда для исследования эффективности различных алгоритмов предобработки и совмещения изображений и ВММ.
Научная новизна диссертации заключается в том, что в ней разработаны оригинальные алгоритмы, позволяющие решать задачи предобработки и совмещения изображений в режиме реального времени.
На защиту выносятся следующие новые научные результаты: -алгоритмы предварительной обработки изображений и ВММ, выявляющие на них информативные признаки;
-методы фильтрации малозначимых объектов на изображениях; -алгоритмы, позволяющие сократить объем информативных признаков для последующего совмещения по ним ТВ и ВММ кадров;
-алгоритмы, выполняющие предварительное совмещение изображений и ВММ;
-алгоритм фрагментации, позволяющий существенно снизить трудоемкость алгоритмов обработки изображений;
-способы предоставления результата совмещения на индикаторе пилота. Практическая ценность работы состоит в том, что в ней: -разработаны алгоритмы выявления характерных признаков на изображении и представления их в векторном описании;
-разработаны алгоритмы сокращения их количества с целыо ускорения работы процедур последующего совмещения;
- предложены некорреляционные алгоритмы предварительного совмещения изображений с ВММ, выполняемые в реальном времени;
-предложены способы представления результата совмещения на индикаторе пилота с целью повышения его информированности о закабинной обстановке;
-разработаны инструментальные средства для экспериментального исследования и отладки алгоритмов предобработки и предварительного совмещения изображений с ВММ.
Реализация и внедрение. Диссертация выполнена в Рязанском государственном радиотехническом университете в рамках НИР № 3-12, НИР № 29-12, НИР № 3-13, НИР № 4-13.
Результаты диссертационной работы и разработанный программный стенд внедрены в Научно-конструкторском центре видеокомпьютерных технологий (НКЦ ВКТ) ОАО «Государственный Рязанский приборный завод» в виде алгоритмов, реализующих технологии предварительной обработки и предварительного совмещения изображений в CVS системах J1A.
Результаты исследований и разработанный в процессе работы над кандидатской диссертацией программный стенд «Обработка и совмещение изображений в реальном времени» внедрены в учебный процесс кафедры электронных вычислительных машин Рязанского государственного радиотехнического университета и используются студентами-магистрантами направления 230100 «Информатика и вычислительная техника» в курсе «Методы и алгоритмы обработки и анализа изображений».
Апробация работы. Основные результаты диссертации докладывались
на:
-научно-технической конференции «Техническое зрение в системах управления - 2013» (Москва, ИКИ РА11, март 2013);
-17-й Всероссийской научно-технической конференции с международным участием «Компьютерные и информационные технологии в науке, инженерии и управлении» «КомТех-2013" (Таганрог, ЮФУ, май 2013);
-6-й Международной научно-технической конференции «Космонавтика. Радиоэлектроника. Геоинформатика» (Рязань, РГРТУ, октябрь 2013).
Публикации. По теме диссертации опубликовано 11 печатных работ, из них три - в журналах, входящих в перечень ВАК РФ. Результаты диссертации
отражены также в четырех отчетах о НИР, выполненных в Рязанском государственном радиотехническом университете.
Структура и объем работы. Диссертация состоит из введения, 4-х глав, заключения, списка используемых источников и приложения. Основной текст работы содержит 184 страницы, 109 рисунков и 2 таблицы. Список используемых источников включает 79 наименований. В приложении приведены документы о внедрении и практическом использовании результатов диссертации.
1 ИССЛЕДОВАНИЕ МЕТОДОВ ПРЕДОБРАБОТКИ РЕАЛЬНЫХ ИЗОБРАЖЕНИЙ В ЗАДАЧАХ ИХ СОВМЕЩЕНИЯ С ЦИФРОВЫМИ МОДЕЛЯМИ МЕСТНОСТИ
1.1 Анализ возможностей построения виртуальной модели местности для последующего совмещения с изображениями от сенсоров системы технического зрения
1.1.1 Анализ требований к цифровой карге местности
В задачах совмещения изображений с ВММ не требуется большой детализации текстур поверхности, так как зачастую они не будут совпадать с реальным покрытием подстилающей поверхности. Это обуславливается различными погодными условиями, сезонными явлениями и суточной освещенностью. Почти всегда геометрия подстилающей поверхности остается постоянной, поэтому ее можно использовать как признаки для совмещения ВММ и изображениями в CVS . Получение правдоподобного рельефа возможно по данным цифровых карт местности (ЦКМ), которые содержат не только информацию о рельефе подстилающей поверхности, но и семантику объектов нанесенных на эту поверхность. Для авиационных систем CVS требуется строить ВММ под разными углами к поверхности земли с заданной точностью зависящей от высоты полета судна. Особенно жесткие требования по точност и изображения рельефа и возможных препятствий предъявляются к формированию ВММ на малых высотах (при заходах на посадку и полете в сложном рельефе местности). В России эти требования диктуется документами [1, 2] и обеспечивают безопасность полетов и посадки. При построении такой ВММ координаты рельефа и препятствий должны быть измерены с погрешностью до метра и менее. На данный момент существуют несколько методик создания цифровых карт местности, но в масштабах больших площадей покрытия актуальными методиками являются две: построение ЦКМ по данным дистанционного зондирования земли (ДЗЗ) и по данным полученным с помощью аэрофотосъемки. Первый способ широко применяется
для создания ЦКМ для геоинформационных систем (ГИС) и получения данных для формирования топографических карт до масштаба 1:10000. Второй - для более детализированных топографических карт с масштабами менее 1:10000. Существует множество организаций способных на коммерческой основе предоставить данные для формирования ЦКМ, в том числе, и уже готовые ЦКМ. Такие организации можно разделить на поставщиков геодезических данных и поставщиков цифровой картографии.
Оба подхода к получению данных для формирования ЦКМ имею г как недостатки, так и положительные моменты. Проанализируем их. Для CVS информация, полученная от ЦКМ должна удовлетворять следующим критериям:
1) иметь векторное описание объектов;
2) иметь возможность разделять объекты по семантическим признакам;
3) иметь компактный объем хранимых данных;
4) иметь возможность хранения трехмерных координат для элементов ЦКМ;
5) иметь адаптированность к алгоритмам построения рельефов и ландшафтов системами OpenGL графических контроллеров;
6) иметь информацию о текстурировании поверхностей объект ов.
Почти все эти требования диктуются разработчиками ГИС продукции.
Точность измерения координат для построения по ним достоверной ВММ
и объектов аэродромов регламентируются нормативными документами. Существует устаревший, но еще действующий, документ «Методика оценки соответствия нормам годности к эксплуатации в СССР гражданских аэродромов», а также поправки к ним [2], которыми установлены допустимые погрешности определения координат и высот препятствий в зависимости от зоны аэродромной территории — от 0,5 до 50 м в плане и от 0,5 до 10 м по высоте. Даная методика позволяет использовать карты масштабов 1:50 000 -1:100 000. Данные с карт 1:100 000 можно применять для визуализации
препятствий и элементов рельефа находящихся в зоне аэродрома. Существуют и международные требования к точности высотных объектов, изложенные в «Методических рекомендациях по проведению геодезической съёмки AHO на гражданских аэродромах и воздушных трассах России», «Руководство по всемирной геодезической системе — 1984 (WGS-84)» и «Приложении 15 к Конвенции. Службы аэронавигационной информации» [3J. Требование этих документов к измерению координат всех объектов, независимо от зоны приаэродромной территории: погрешность до 3 м в плане и 1 м по высоте.
Несмотря на современность «Методических рекомендаций по проведению геодезической съёмки AHO на гражданских аэродромах и воздушных трассах России», их требования отстают от международных нормативов, представленных в поправках к соответствующим приложениям и документам ICAO. На сегодняшний день ведется адаптация международных требований к российским условиям.
Данные о наиболее важных объектах на территории аэродромов, которые необходимо получить максимально точно должны иметь разрешение не хуже 0,01 секунды, т.е. до 0,25 м по высоте и 0,5 - 1 м по координатам [2]. Современные технологии позволяют получение данных с требуемой точностью, однако этих результатов нет в открытой печати.
Еще одна проблема: это разнообразие действующих систем координат, в которых выдаются данные. Это разнообразие координат должно быть приведено к одной единственной, с учетом которой будет строиться ВММ.
В настоящее время в соответствии с нормативными документами действуют следующие системы координат:
• полярные и прямоугольные координаты, привязанные к геометрическим параметрам взлётно-посадочной полосы (ВП11);
• СК-42 — географические координаты для ряда элементов аэродрома;
• СК-95 — новая система координат, принятая взамен СК-42, введённая Постановлением Правительства с 1 июля 2002 года;
• высоты представляются в Балтийской системе высот.
Координаты AHO, включая препятствия на приаэродромной территории, должны быть представлены в системах WGS-84 и ПЗ-90, высоты - в Балтийской системе и EGM-96. Применение только данных ДЗЗ для формирования ЦКМ с необходимыми требованиями недостаточно. Спутниковые технологии позиционирования позволяют определять непосредственно только высоты относительно эллипсоида WGS-84, далее для перехода к ортометрическим высотам необходимо знать высоты геоида над эллипсоидом. Для этого необходимо:
• одновременно со спутниковыми наблюдениями использовать материалы геометрического или тригонометрического нивелирования;
• или иметь модель геоида соответствующей точности для данного региона (модель геоида EGM-96 во многих программных продуктах обработки спутниковых наблюдений присутствует).
Возможен вариант проведения большого объема спутниковых наблюдений на пунктах высотной сети с последующим построением региональной модели геоида. Но даже в этих случаях большинство спутниковых систем не способно обеспечить точность, задаваемую указанными выше нормативными документами.
Космические снимки от современных спутниковых систем на текущий момент имеют пространственное разрешение до 0,5 м. Разрешение 0,41 м доступно только американским спецслужбам. Полуметровое разрешение дают системы WorldView и GeoEye, разрешение менее метра - системы KOMPSAT, IKONOS, Quick-bird, EROS-B, OrbView-3. Дистрибьюторы спутниковой информации утверждают, причем не всегда безосновательно, что по этим данным можно обновлять топографические планы вплоть до масштаба 1:5000 и 1:2000. Однако эти утверждения расходятся с мнениями специалистов топографов, которые знают, что даже такие высокодетальные и точные изображения не всегда пригодны для составления карт даже масштаба 1:10000 [18].
Если пространственное разрешения принять за ключевой фактор при
составлении ЦКМ, то первенство несомненно за аэрофотосъемкой. Максимальное разрешение при аэрофотосъемке составляет 5 см, а разрешения 15-25 см являются абсолютно обычными для большинства систем, таких как «Геосистема», DiMAC, Leica ADS. Современные навигационные комплексы, интегрирующие инерциальныс системы и прямое геопозиционирование обеспечивают получение координат центров проектирования с точностью до 10-15 см, а это «начальная» точность для ввода опорных точек. Даже данные аэрофотосъемки с больших высот, с влиянием шумов и атмосферных эффектов будут более точными и информативными. Однако организация технологического процесса аэрофотосъемки существенно дороже, чем получение данных ДЗЗ от спутника, где цена архивных снимков достигает 12 USD/km', например для спутниковой информации GeoEye, или 9,5 USD/km" -IKONOS [18].
Невозможно однозначно ответить на вопрос, какого масштаба можно создавать ЦКМ с помощью спутниковых данных высокого разрешения. Данный вопрос постоянно изучается и рассматривается на конференциях ISPRS и EARSeL. Многие поставщики спутниковых данных помимо самих данных ДЗЗ предоставляют RPC-файл (RPC - Rational Polynomial Coefficient). Среднеквадратичная ошибка определения плановых координат для систем высокого разрешения не превышает 5,8 м без использования наземных опорных точек и 3 м с опорными точками. После ректификации по опорным точкам достигающей субпиксельную точность и ортотрансформирования, точность данных на снимках будет в пределах 0,9-1,6 м для систем сверхвысокого разрешения. Данной точности достаточно для составления ортофотопланов 1:5000, согласно нормативным документам Российской Федерации. Стоит отметить, что характеристики космического снимка ухудшаются при отклонении оптической оси сенсоров от надира. Вывод, что космические снимки от систем сверхвысокого разрешения являются надежной основой для создания топопланов 1:5000 не всегда верен.
При получении спутниковых снимков критическим значением становится
высота солнца. При низком стоянии солнца растут тени от объектов загораживающие другие объекты на снимках. Плохо дешифрируется плотная городская застройка, а использование таких снимков возможно для составления ЦКМ масштаба 1:10000. Следует отметить, что на снимках с разрешением 0,5 м плохо различимы элементы малой архитектурной застройки. На аэрофотосъемке видны столбы линий электропередач, люки, особенности зданий - лестницы, мансарды и пр., на спутниковых снимках данные объекты можно дешифрировать всего примерно в объеме 10-40%.
Таким образом, для создания ЦКМ масштабов 1:1000, 1:2000 следует использовать данные аэрофотосъемки, дополнительно может применяться лидарная съемка. Для ЦКМ 1:10000 - следует использовать аэрофотосъемку, возможно применение данных ДЗЗ как вспомогательный метод. Для ЦКМ масштаба 1:25000 и выше можно применять данные ДЗЗ как основой метод.
Наиболее высокоточные спутники по состоянию на начало 2013 года
[18]:
1) TerraSAR-X, оснащен радаром с синтезированной апертурой, позволяющим выполнять радиолокационную съемку земной поверхности с беспрецедентным пространственным разрешением до 1 м;
2) GeoEye-1, разрешение 0,41 м в панхроматическом и 1,65 м в мультиспектральном режимах, высокая точность привязки снимков (3 м при съемке в надир), высокая производительность спутника.
Повысить точность получаемых данных возможно с применением аэрофотосъемки с непосредственное определение координат в системе СК-95 или WGS-84 с использованием аппаратуры систем позиционирования ГЛОНАСС или GPS. Точность определение высоты при аэрофотосъемке с беспилотных летательных аппаратов достигает 0,25 м.
На сегодняшний день возможно получение ЦКМ удовлетворяющие условиям, по которым возможно формировать ВММ зоны посадки ЛА.
1.1.2 Форматы для хранения цифровых топографических карг
Карты местности могут быть представлены как в растровом, так и в векторном представлении. Форматы векторных карт, в отличие от форматов растровых карт, единого стандарта не имеют. Есть ряд форматов векторных карт, совместимых с большим количеством графических программ для работы с векторными изображениями. Некоторые же векторные форматы могут быть использованы только для какой-то определенной программы.
Отечественные разработчики навигационных программ, в частности компании «Гис-русса» и «Навител» поставляют программное обеспечение с возможностью самостоятельной разработки карты той или иной местности. Однако другие компании, среди которых «iGo», «TomTom» «DestinatoT», «Автоспутник», работающие с картографическими данными известных поставщиков «TeleAtlas» и «NavTech», работают с эксклюзивным форматом.
Следует учесть, что на обменный формат для цифровых топографических карт существует стандарт отрасли [17] регулирующий способы хранения и представления данных цифровой картографической информации (ЦКИ). Рассмотрим возможности различных форматов для хранения векторных изображений, 3D сцен и форматов используемых в современных ГИС системах.
AI (Adobe Illustrator). Формат поддерживается практически всеми программами обработки векторной графики. Он предназначен для хранения изображений и передачи их из одной программы обработки векторной графики в другую. Формат способен хранить только данные двухмерного изображения.
CDR (CorelDraw). CorelDraw является неоспоримым лидером в классе векторных графических редакторов на платформе PC. Как и формат AI, способен хранить только данные одного или нескольких листов с двухмерным изображением. Обладает невысокой устойчивостью и имеет проблемы с совместимостью файлов разных версий формата.
WMF (Windows meta frame). Родной векторный формат Windows. Формат способен исказить цветовую схему объекта при сохранении, может потерять
некоторые данные присваиваемые объектам при сохранении файла в других форматах, сильно уступает по возможностям форматам AI и CDR, хранит только данные двухмерного изображения. Похожими недостатками обладают и другие известные форматы: СМХ, EPS, SVG.
Существуют специальные редакторы, позволяющие создавать 3D объекты, и форматы, с которыми они работают. На данный момент существует много форматов хранения 3D объектов. Часть из них представлены в таблице 1.1.
Таблица 1.1- Форматы хранения 3D объектов
Расширение файла Программный продукт
3DM Rhinoceros
DWG, DXF AutoCAD
МАХ 3D Studio Max
X DirectX
Из множества форматов для программ 3D моделирования распространение получило всего несколько из них. Многие из таких форматов, являются зарегистрированными под торговыми марками компаний разработчиков, и требуют определенных условий или договоренностей для их использования. Существует множество форматов хранения параметров 3D моделей. Наиболее распространенными являются:
Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК
Теория, методология и практика получения геоинформации на основе цифровой интегрированной системы2006 год, доктор технических наук Нехин, Сергей Степанович
Высокоэффективные алгоритмы синтеза трехмерных ландшафтов на основе семантической обработки спутниковых данных2021 год, кандидат наук Тюрин Александр Александрович
Методы и алгоритмы построения фотоплана местности посредством аэрофотосъемки с помощью беспилотного летательного аппарата2016 год, кандидат наук Власов, Виктор Викторович
Повышение точности построения ортофотоплана местности по видеоданным с беспилотного летательного аппарата2022 год, кандидат наук Захлебин Александр Сергеевич
Разработка методики оценки влияния вариаций навигационных параметров съёмочной системы беспилотного воздушного судна на точность создания цифровой модели местности2023 год, кандидат наук Акель Мохаммад Амин
Список литературы диссертационного исследования кандидат наук Муратов, Евгений Рашитович, 2013 год
СПИСОК ИСПОЛЬЗОВАННЫХ источников
1. Руководство Р-315 «По минимальным стандартам характеристик авиационных систем (MASPS) для систем улучшенного видения, систем искусственного видения, комбинированных систем искусственного видения и бортовых систем увеличения дальности видения» Авиационного Регистра Межгосударственного Авиационного Комитета (АР МАК), 2008. 86 с.
2. Методики оценки соответствия нормам годности к эксплуатации в СССР гражданских аэродромов (MOC НГЭА СССР) [Электронный ресурс] // Каталог документов NormaCS. 2004-2013. URL: http://normacs.ru/Doclist/doc/V6J5.htiTil
3. Копире i пая H'\ut [Электронный ресурс] // Геоинформационный портал ГИС-Ассоциация. 2002-2012. URL: http://\vw\v.gisa.ru/
4. Формат FlМ: БОЛЬШИЕ ДОСТОИНСТВА и маленькие недостатки [Электронный ресурс] // Ю.А. Комосов, A.B. Рогач. Петрозаводский государственный университет. URL: http://loi.sscc.ru/gis/formats/sopi 1 k.html
5. Капралов Е.Г., Кошкарев A.B., Тикуиов B.C. и др. Геоинформатика: Учеб. для студ. вузов / Под ред. B.C. Тикунова. М.: Издательский центр «Академия», 2005. 480 с.
6. Геоинформатика. Толковый словарь основных терминов. / Е1од ред. A.M. Берлянта и A.B. Кошкарева. М.: ГИС-Ассоциация, 1999. 204 с.
7. Fast 3D City Model Generation [Электронный ресурс] // Visualization MURI. 2005-2007. URL: http://www-video.eecs.berkeley.edu/-avz/3d/3d.html
8. Fast, Automated 3D Model Reconstruction for Urban Environments [Электронный ресурс] // 3D visualization. 2001-2007. URL: http://www.eecs. berkeley.edu/XRG/Summarv/01d.summaries/03abstracts/frueh. 1 ,ht
mi
9. Основные стратегии создания 3D моделей городов [Электронный ресурс] // Географические информационные системы и дистанционное зондирование. 2002-2013. URL: http://gis-lab.info/qa/3dcities.html
10. Цифровая обработка изображений в информационных системах: Учебное пособие / И.С. Грузман, B.C. Киричук, В.П. Косых, Г.И. Перетягин, A.A. Спектор. Новосибирск: Изд-во НГТУ, 2002. 351 с.
11. Михайлов А.П., Чибуничев А.Г., Курков В.М. Применение цифровых неметрических камер и лазерных сканеров для решения задач фотограмметрии (Московский государственный университет геодезии и картографии / А.П. Михайлов, А.Г. Чибуничев, В.М. Курков, Москва, Россия), Эдуардо Д. Пиатти (Государственный университет Сан Хуана, Сан Хуан, Аргентина).
12. Костяшкии J1.H., Логинов A.A., Никифоров М.Б. Проблемные аспекты системы комбинированного видения летательных аппаратов. // Известия ЮФУ №5, - Таганрог, 2013 С. 61-65.
13. Геоинформационные технологии [Электронный ресурс] // ЗАО КБ «Панорама». 2009. URL: http://www.gisinfo.ru/
14. Джанджгава Г.И., Сазонова Т.В., Сухомлинова А.Л. Методы повышения реалистичности трехмерных изображений, синтезируемых в бортовых системах отображения информации. // ОАО ФНПЦ «РПКБ» Авиакосмическое приборостроение №2, 2007, С. 35-39.
15. Джанджгава Г.И., Герасимов Г.И., Сазонова Т.В., Щербунов Г.И. Вопросы разработки и стандартизации бортовых форматов векторной электронной карты для летательных аппаратов. // «Мехатроника, Автоматизация, Управление» №3, 2009, С. 43-50.
16. Приказ об установлении применения формата SXF для обмена и хранения цифровых топографических и навигационных карт и планов [Электронный ресурс] // Геоинформационный портал ГИС-Ассоциация. 20022012. URL: www.gisa.ru/file/filel444.doc
17. ОСТ 68-3.5-99 Карты цифровые топографические. ОБМЕННЫЙ ФОРМАТ. Общие требования.
18. Технические характеристики инструментов ДЗЗ и их носителей [Электронный ресурс] // Географические информационные системы и
дистанционное зондирование. 2002-2013. URL: http://gis-lab.info/projects/ss/ss.html
19. Абламейко C.B., Боричев С.П. Оперативное обновление контурных объектов цифровых карт по аэрокосмоснимкам. // ИНФОРМАТИКА №1, 2009 январь-март, обработка изображений, сигналов и данных. С. 59-70.
20. Практикум по космическим методам экологического мониторинга: Учебное пособие / Н. И. Толмачева, J1.C. Шкляева. Пермский университет, Пермь, 2006, 132 с.
21. Ярославский Л.П. Введение в цифровую обработку изображений. М.: Сов. радио, 1979,312 с.
22. Прэтт У. Цифровая обработка изображений. Пер. с англ. М.: Мир, 1982. Кн.2. 480 с., ил.
23. Violeta Bogdanova. Image enhancement using retinex algorithms and epitomic representation // BULGARIAN ACADEMY OF SCIENCES CYBERNETICS AND INFORMATION TECITNOLOGIES Volume 10, № 3 Sofia, 2010.
24. E. Land, Recent advances in retinex theory // Vision Research, 26(1), 1986, P. 7-21.
25. Руднева В. Методы повышения цветового качества изображений и восстановления цветов в старом видео [Электронный ресурс] // Компьютерная Графика и Мультимедиа. Сетевой журнал. 2003-2010. URL: http://cgm.computergraphics.rU/content/view/l 18
26. Application Notes [Электронный ресурс] // HunterLab. 2013. URL: http://www.huntevlab.com/application-notes.html
27. Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. Пер. с англ. М.: Издательский дом «Вильяме», 2004. 928с.: ил.
28. Метод фильтрации периодических помех на изображении / Б.В. Костров, A.C. Асаев, Е.Р. Муратов // Информатика и прикладная математика. Межвузовский сборник научных трудов Рязанского государственного педагогического университета. Рязань, 2005. С.36-39.
29. Фильтрация периодических помех на изображении / Б.В. Костров, A.C. Асаев, Е.Р. Муратов // 14-я международная научно-техническая конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций». Рязань, 2005. С.205-206.
30. Обработка изображений и цифровая фильтрация. / Под ред. Т. Хуанга. М.: Мир, 1979. 318 с.
31. Блейхут Р.Э. Быстрые алгоритмы цифровой обработки сигналов. М.:Мир 1989. 448с.
32. Фукунага К. Введение в статическую теорию распознавания образов. М.:Наука 1979. 368с.
33. Дженкинс Г., Ватте Д. Спектральный анализ и его приложения. М.: Мир, 1972. Кн.1. 285 с.
34. Ричардсон Дж. М. Распознавание образов и теория групп. М.: Мир, 1981,25с.
35. Новиков А.И. Алгоритмы выделения границ полезных сигналов // Вестник РГРТУ №2 (выпуск 24), 2008. С. 11-15.
36. Самарский A.A., Гулин A.B. Численные методы. М.: Наука, 1989. 430 с.
37. Volkov V., Germer R. Straight Edge Segments Localization on Noisy Images // Proc. of the 2010 Intern. Conf. on Image Processing, Computer Vision and Pattern Recognition IPCV'10. Las Vegas, Nevada. USA: С S REA Press, 2010. Vol. II. P. 512-518.
38. Применение волнового алгоритма для нахождения скелета растрового изображения [Электронный ресурс] // Обработка изображений. 2001. URL: http://ocrai.narod.ru/vectory.html
39. Муратов Е.Р. Выделение характерных особенностей на аэрофотоснимках. // Технические науки: материалы VIII Международной научно-практической конференции «Теория и практика современной науки». В Зт.: т.1. М.: Изд-во «Спецкнига», 2012. С 306-309.
40. Муратов Е.Р. Скелетизация контуров изображений в авиационных системах комбинированного видения. // Техническое зрение в системах управления-2013: научно-техническая конференция, Россия, Москва, 12-14 марта 2013.
41. A.A. Loginov A.A., E.R. Muratov Е. R., Nikiforov М.В., Novikov A.I. Векторизация в реальном времени (Image vectorization in real time). // European Science and Technology. Materials of the IV international research and practice conference. Munich Germany: 2013. Vol. I. P. 274 - 280.
42. Герман E.B., Никифоров М.Б. Два подхода к выделению и векторизации контурных линий объектов подстилающей поверхности. // Компьютерные и информационные технологии в науке, инженерии и управлении. Таганрог: Изд-во ТТИ ЮФУ. Технические науки. №5 (142), 2013.
43. Муратов Е.Р. Совмещение телевизионных изображений и виртуальной модели местности в плоскости крена. // Известия ТулГУ. Технические науки. Вып. 9. 4.1. Тула: Изд-во ТулГУ, 2013. С 253-260.
44. Fred George/Phoenix. Double vision: combined synthetic/enhanced vision displays show potential for landing credit for five years. // Aviation Week & Space Technology, Oct. 25, 2010, P. 55-56.
45. Авиационные системы улучшенного и синтезированного видения. Аналитический обзор по материалам зарубежных информационных источников. / Под ред. академика РАН Е.А. Федосова. Научно-информационный центр ФГУП «ГосНИИАС», 2011.
46. Герман Е.В., Муратов Е.Р., Логинов A.A., Никифоров М.Б. Сравнение подходов к векторизации границ объектов, выделенных на изображениях подстилающей поверхности в системах комбинированного видения // 6-я MIITK «Космонавтика. Радиоэлектроника. Геоинформатика», Рязань, 1-3 октября 2013.
47. Герман Е.В., Муратов Е.Р., Никифоров М.Б. Два подхода к выделению и векторизации контурных линий объектов подстилающей поверхности // Известия ЮФУ №5, - Таганрог, 2013 С. 56-61.
48. Грищенко A.A. Обработка изображений, цифровая обработка сигналов, распознавание образов. // Сектор археологической теории и информатики ИАЭТ СО РАН, 2003.
49. Лобазов В., Мещеряков А. Успехи и тернии российских сборников аэронавигационной информации. // «Новости аэронавигации», № 6 (38), 2004.
50. Гостев И.М. Методы идентификации графических объектов на основе геометрической корреляции. // Физика элементарных частиц и атомного ядра. Объединенный институт ядерных исследований. Т.41. Вып. 1. 2010.
51. Мельник А.-В.В., Мышко C.B., Шевцов Д.В. Проблема скелетизации при проектировании систем распознавания цифровых изображений. // Вюник донецького нап'юналыюго утпверситету, Сер. А: Природнич1 науки, вип. 2. 2008. С. 502-509.
52. Дудкин A.A., Вершок Д.А., Селиханович A.M. Выделение контуров на полутоновых изображениях топологических слоев интегральных схем. // Объединенный институт проблем информатики HAH Беларуси, г. Минск, Беларусь «Штучный штеллект», выпуск 3. 2004. С. 453-458.
53. Суясов Д.И. Утончение изображений символов на основе клеточных автоматов. // Информационно-управляющие системы №4 (выпуск 47). С.-Петербург: Изд-во «Политехника» 2010. С. 169-174.
54. Ларкин Е.В., Рудианов H.A., By Зуй Нгхиа. Поле зрения ТВ модуля при наличии эффекта «загораживания» // Интеллектуальные информационные системы. Материалы всероссийской научно-технической конференции «Интеллект - 2011 ». - Тула: Изд-во ТулГУ, 2011. - С 66-69.
55. Костюк Ю.Л., Новиков Ю.Л. Векторизация растровых изображений с использованием триангуляции // «Геоинформатика-2000»: Труды Международной научно-практической конференции. Томск: Изд-во Том. ун-та, 2000, с. 55-58.
56. Абламейко C.B., Недзьведь A.M. Обработка оптических изображений клеточных структур в медицине. Мн.: ОИПИ HAH Беларуси, 2005. 156с.
57. Гаганов В. Инвариантные алгоритмы сопоставления точечных особенностей на изображениях. // Компьютерная Графика и Мультимедиа. Сетевой журнал выпуск №1(17). 2009. С. 1-12.
58. Фильтрация изображений [Электронный ресурс] // Курс лекций по обработке изображений. 2000-2013. URL: http://lih.podelisc.ru/docs/1807/index-1187-3.html
59. Johannes Kopf Microsoft Research Dani Lischinski Depixelizing Pixel Art, Microsoft Research and The Hebrew University. 2010. 8 p.
60. Edoardo Provenzi, Luca De Carli, and Alessandro Rizzi. Mathematical definition and analysis of the Retinex algorithm. // Provenzi et al. Vol. 22, No. 12. December 2005.
61. Соловьев H.В., Сергеев A.M. Улучшение качества растровых изображений: Учеб. пособие. СПб.: СПбГУ ИТМО, 2010. 158 с.
62. Фурман Я.А., Кревецкий A.B., Передреев Л.К. Введение в контурный анализ. Приложения к обработке изображений и сигналов. / Под ред. Я. А. Фурмана. Издание второе исправленное. М.: ФИЗМАТЛИТ, 2003. 592с.
63. Вежневец А. Выделение связных областей в цветных и полутоновых изображениях. // Компьютерная графика и мультимедиа. Сетевой журнал. Выпуск №1(5). 2003. URL: http://cgm.computergraphics.ru/content/view/53
64. Детектор границ Канни [Электронный ресурс] // Сборник технических статей. 2006-2013. URL: http://habraliabr.ru/post/1 14589/
65. Конушин В., Вежневец В. Методы сегментации изображений: интерактивная сегментация. // Компьютерная графика и мультимедиа. Сетевой журнал. Выпуск №5(1). 2007. URL: http://cgm.computergraphics.rU/content/vievv/l 72
66. Вежневец А., Баринова О. Методы сегментации изображений: автоматическая сегментация. // Компьютерная графика и мультимедиа. Сетевой
журнал. Выпуск №4(4). 2006. URL:
http://cgm.computergraphics.ru/content/view/147
67. Краснобаев A.A. Обзор алгоритмов детектирования простых элементов изображения и анализ возможности их аппаратной реализации. // ИПМ им. М.В.Келдыша РАН. Москва, 2005.
68. Методы автоматического обнаружения и сопровождения объектов. Обработка изображений и управление / Б.А. Алпатов, П.В. Бабаян, O.E. Балашов, А.И. Степашкин. М.: Радиотехника, 2008. 176 с.
69. Волегов Д.Б., Юрин Д.В. Грубое совмещение изображений по найденным на них прямым линиям. // International Conference Graphicon 2006, Novosibirsk Akademgorodok, Russia. 2006.
70. Калинкина Д., Ватолин Д. Проблема подавления шума на изображениях и видео и различные подходы к ее решению. // Компьютерная графика и мультимедиа. Сетевой журнал. Выпуск №3(2). 2005. URL: http://cgm.computergraphics.ru/content/view/74
71. Распознавание объектов изображений [Электронный ресурс] // Курс лекций по цифровой обработке изображений. 2008. URL: http://gendocs.ru/vl605/лекция - распознавание объектов изображений
72. Сегментация изображения Канни [Электронный ресурс] // Сборник технических статей. 2006-2013. URL: http://liabrahahr.ru/post/128768/
73. Конушин А. Слежение за точечными особенностями сцены (Point feature tracking). // Компьютерная графика и мультимедиа. Сетевой журнал. Выпуск №1(5). 2003. URL: http.7/cgm.computergraphics.ru/content/view/54
74. Эль-Хатиб С.А., Скобцов Ю.А. Сравнительный анализ алгоритмов выделения контуров медицинских изображений. II Донецкий Национальный Технический Университет кафедра АСУ.
75. Новиков IO.JI. Эффективные алгоритмы векторизации растровых изображений и их реализация в геоинформационной системе: диссертация кандидата технических наук: 05.13.18. Томск, 2002.- 184 е.: ил. РГБ ОД, 61 035/433-9.
76. Колодникова H.B. Обзор текстурных признаков для задач распознавания образов. // Доклады ТУСУРа. Автоматизированные системы обработки информации, управления и проектирования. Томский государственный университет систем управления и радиоэлектроники, 2004. С. 113-124.
77. Hongzhao Yuan, Zhisheng Gao, Jun Yang, Xiuqiong Zhang, Xiaofeng Li. An adaptive infrared image enhancement algorithm for enhanced vision system. // Journal of Computational Information Systems 7: 11 (2011). P. 4090-4097.
78. Спектральные методы обработки изображений/ Б.В. Костров, Асаев А. С.,Злобин В.К.. Муратов Е. Р. // Вестник Рязанского государственного радиотехнического университета (Вып. 21). - Рязань, 2007. - С. 3-8.
79. Сравнение трудоемкости вычислений спектров изображений Фурье и Уолша /Б.В. Костров, A.C. Асаев, Е.Р. Муратов // 3-я межвузовская научно-техническая конференция студентов,молодых ученых и специалистов «Новые технологии в учебном процессе и производстве». - Рязань: МГОУ РИ, 2005. -С.ЗЗ.
80. Особенности распознавания изображений в базисе Уолша / Б.В. Костров, Е.Р. Муратов // Материалы Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и в образовании». -Рязань, 2007.-С.81-82.
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.