Модели и алгоритмы моделирования интеллектуальной системы автоматического совмещения данных дистанционного зондирования Земли и цифровых карт местности тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Акинин, Максим Викторович

  • Акинин, Максим Викторович
  • кандидат науккандидат наук
  • 2014, Рязань
  • Специальность ВАК РФ05.13.18
  • Количество страниц 166
Акинин, Максим Викторович. Модели и алгоритмы моделирования интеллектуальной системы автоматического совмещения данных дистанционного зондирования Земли и цифровых карт местности: дис. кандидат наук: 05.13.18 - Математическое моделирование, численные методы и комплексы программ. Рязань. 2014. 166 с.

Оглавление диссертации кандидат наук Акинин, Максим Викторович

Оглавление

Обозначения и сокращения

Введение

1 Разработка и анализ математической модели процесса совмещения данных ДЗЗ и ЦКМ

1.1 Математическая модель процесса совмещения цифровых карт местности с данными дистанционного зондирования Земли

1.2 Анализ требований к источникам исходных данных

1.2.1 Анализ требований к данным дистанционного зондирования Земли, получаемых от сенсоров космических аппаратов

1.3 Методы и алгоритмы совмещения цифровых карт местности с данными дистанционного зондирования Земли

1.3.1 Краткая характеристика существующих методов и алгоритмов совмещения

1.3.2 Методы и алгоритмы совмещения, основанные на использовании искусственных нейронных сетей и нейро-подобных концепций

1.4 Постановка задачи

1.5 Основные результаты

2 Разработка алгоритма моделирования системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ путем поиска образов объектов, присутствующих на ЦКМ, на спутниковом снимке

2.1 Алгоритм моделирования системы искусственного интеллекта

2.2 Выделение образов на спутниковом снимке

2.2.1 Структура, принципы обучения и функционирования

2.2.2 Инициализация весов нейронов карты с помощью датчика псевдослучайных чисел. Выбор датчика псевдослучайных чисел

2.2.3 Обучение

2.3 Классификатор

2.3.1 Структура, принципы обучения и функционирования классификатора

2.3.2 Алгоритм построения векторного пространства признаков образов

2.3.3 Машина опорных векторов

2.3.4 Искусственная нейронная сеть прямого распространения

без обратных связей

2.4 Поиск соответствий между образами, выделенными на спутниковом снимке, и объектами, присутствующими на ЦКМ

2.5 Основные результаты

3 Разработка алгоритма моделирования системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ с помощью контурного корреляционного совмещения, основанного на использовании нейросетевой ассоциативной памяти

3.1 Алгоритм моделирования системы искусственного интеллекта

3.2 Предварительная обработка спутникового снимка

3.2.1 Описание алгоритма

3.2.2 Алгоритм устранения слабых и прерывистых контуров

3.3 Выделение контуров на спутниковом снимке

3.3.1 Описание алгоритма

3.3.2 Алгоритмы выделения контуров на спутниковом снимке

3.4 Описание контуров

3.5 Поиск совпадений контуров образов на спутниковом снимке с границами объектов на ЦКМ

3.5.1 Структура коррелятора, принципы его обучения и функционирования

3.5.2 Формирование множества пар совпадающих точек

3.6 Основные результаты

4 Экспериментальные исследования возможности использования систем искусственного интеллекта, выполняющих совмещение спутниковых снимков и ЦКМ

4.1 Описание программного стенда

4.2 Порядок проведения экспериментального исследования

4.2.1 Цели экспериментального исследования

4.2.2 Условия проведения экспериментального исследования

4.2.3 Входные и выходные параметры экспериментального исследования

4.2.4 План проведения экспериментальных исследований

4.3 Результаты экспериментального исследования

4.3.1 Методика анализа результатов экспериментального исследования

«м'

у Г

4.3.2 Результаты экспериментального исследования

4.4 Основные результаты

Заключение

Литература

А Свидетельства о государственной регистрации программ для ЭВМ163

Обозначения и сокращения

• В - (англ.) blue, синий спектральный канал (длина волны около 450 - 515 нм.);

• DSP - (англ.) digital signal processor, цифровой сигнальный процессор;

• ЕТМ + - (англ.) enhanced thematic mapper plus, расширенный тематический картограф плюс (камера КА «LandSat - 7»);

• G - (англ.) green, зеленый спектральный канал (длина волны около 525 -605 нм.);

• GPGPU - (англ.) general-purpose graphics processing units, GPU общего назначения - технология использования графического процессора видеокарты для выполнения общих вычислений (вычислений, не предназначенных для решения задач вывода компьютерной графики);

• ICA - (англ.) independent component analysis, анализ независимых компонент;

• ISRO - (англ.) Indian Space Research Organisation, Космическое агентство Индии;

• JAXA - (англ.) Japan Aerospace Exploration Agency, Японское аэрокосмическое агентство;

• KARI - (англ.) Korea Aerospace Research Institute, Корейский авиационно-космический научно-исследовательский институт;

• MLP - (англ.) multilayer perceptron, многослойный перцептрон;

• NASA - (англ.) National Aeronautics and Space Administration, Национальное управление по аэронавтике и исследованию космического пространства (США);

• NIR - (англ.) near-infrared, «ближний» инфракрасный спектральный канал (длина волны около 750 - 1400 нм.);

• NLCNN - (англ.) поп linear cellular neural network, нелинейная ячеистая нейронная сеть;

• NOAA - (англ.) National Oceanic and Atmospheric Administration, Национальное управление океанических и атмосферных исследований (США);

• РСА - (англ.) principal component analysis, метод главных компонент;

• R - (англ.) red, красный спектральный канал (длина волны около 630 -690 нм.);

• RBM - (англ.) restricted Boltzmann machine, ограниченная стохастическая машина Больцмана;

• RMLP - (англ.) recurrent multilayer perceptron, многослойный перцеп-трон с обратными связями;

• SMO - (англ.) sequential minimal optimization, последовательная минимальная оптимизация;

• SVM - (англ.) support vector machine, машина опорных векторов;

• SWIR - (англ.) short-wavelength infrared, коротковолновый инфракрасный спектральный канал (длина волны около 1400 - 3000 нм.);

• USGS - (англ.) United States Geological Survey, Геологическая служба США;

• WGS-84 - (англ.) world geodetic system 1984, всемирная геодезическая система, мировой референц-эллипсоид;

• WTA - (англ.) winner takes all, принцип «победитель получает все»;

• UTM - (англ.) universal transverse Mercator, универсальная поперечная проекция Меркатора;

• ГИС - геоинформационная система;

• ГПСЧ - генератор псевдослучайных чисел;

• ДЗЗ - дистанционное зондирование Земли;

• ИНС - искусственная нейронная сеть;

• КА - космический аппарат;

• JIA - летательный аппарат;

• НЖМД - накопитель на жестких магнитных дисках;

• ОС - операционная система;

ПО - программное обеспечение;

СКО - среднеквадратичное отклонение;

ТВ - телевизионное (изображение);

ТПВ - тепловизионное (изображение);

ФНЧ - фильтр низких частот;

ЦКМ - цифровая карта местности;

ЭВМ - электронная вычислительная машина.

Рекомендованный список диссертаций по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Введение диссертации (часть автореферата) на тему «Модели и алгоритмы моделирования интеллектуальной системы автоматического совмещения данных дистанционного зондирования Земли и цифровых карт местности»

Введение

Актуальность темы

Совмещение данных дистанционного зондирования Земли (данных ДЗЗ) и цифровых карт местности (ЦКМ) в настоящее время является актуальной задачей, что подтверждается востребованностью совмещения при решении следующих задач обработки данных ДЗЗ:

• задачи автоматического и полуавтоматического уточнения топографических карт по актуальным спутниковым снимкам;

• задачи оцифровки картографического материала, имеющегося в бумажном виде, поскольку, как правило, привязка данного картографического материала к той или иной системе координат требует дополнительного уточнения;

• задачи первичной привязки спутниковых снимков по данным о положении и ориентации космического аппарата (КА), сделавшего снимок.

Разработка методов и алгоритмов автоматического совмещения данных ДЗЗ и ЦКМ позволит повысить оперативность и уровень автоматизма решения перечисленных задач.

Исследованию научных вопросов, связанных с обработкой изображений (в частности, с совмещением разнородных изображений), посвящены работы известных отечественных и зарубежных ученых. Большой вклад в развитие научных исследований в этой области внесли: Алпатов Б.А., Визильтер Ю.В., Джанджгава Г.И., Евтушенко Ю.Г., Еремеев В.В., Желтов С.Ю., Злобин В.К., Сергеев В.В., Сойфер В.А. и другие. Значительное внимание этой проблеме уделяют и зарубежные ученые: Башков Е., Блейхут Р., Понс Ж., Прэтт У., Форсайт Д., Фукунага К.

Большой вклад в развитие научных исследований в области исследования научных вопросов, связанных с теорией искусственного интеллекта, теорией машинного обучения и теорией оптимизации, внесли: Вапник В.Н., Демидова J1.A., Каширин И.Ю., Кохонен Т., Корячко В.П., ЛеКун Я., Локтюхин В.Н., Осовский С., Платт Д., Розенблатт Ф., Ручкин В.Н., Скворцов C.B., Фукушима К., Хайкин С., Харалик P.M., Червоненкис А.Я., и другие.

Анализ публикаций в области теории и практики совмещения данных ДЗЗ и ЦКМ позволяет говорить о существовании ряда проблем в данной области, к которым относятся:

• отсутствие полностью автоматического подхода к решению задачи совмещения, основанного исключительно на анализе данных ДЗЗ и ЦКМ без использования дополнительной информации о положении КА, о существовании реперных точек, выделенных экспертом на спутниковом снимке и ЦКМ и других данных.

Таким образом, существующие методы являются либо полуавтоматическими с существенным (и, в ряде случаев, ключевым участием эксперта), либо требуют дополнительную информацию, часто отсутствующую в наборах исходных данных к совмещению;

• существенные временные затраты на выполнение совмещения, обусловленные полуавтоматизмом существующих методов;

• отсутствие практических способов автоматического контроля за качеством совмещения, поскольку означенный контроль выполняется модифицированным алгоритмом совмещения, а значит перенимает от него все его недостатки, связанные с существенными временными затратами и низким уровнем автоматизации.

Сложность задачи совмещения существенно возрастает в ситуациях, требующих оперативного совмещения, поскольку в данном случае повляется четкое ограничение на время выполнения совмещения, выполнение которого не гарантируют существующие полуавтоматические методы и алгоритмы.

В данной диссертационной работе исследуются системы искусственного интеллекта и разрабатываются алгоритмы моделирования данных систем и численные методы оптимизации, решающие некоторые задачи обучения данных систем, реализующие в совокупности процесс совмещения данных ДЗЗ и ЦКМ и свободные от перечисленных недостатков.

Цель работы

Целью диссертационной работы являются исследование математической модели процесса совмещения данных ДЗЗ среднего и высокого разрешения и ЦКМ соответствующего масштаба, исследование математических моделей нейросетевых систем искусственного интеллекта, реализующих высокоточное оперативное совмещение данных ДЗЗ и ЦКМ в условиях некорректной привязки к системе координат и наличия ошибок в проецировании исходных данных, разработка алгоритмов моделирования данных систем, численных методов обучения данных систем, комплексов программ, реализующих перечисленные алгоритмы и методы.

Объект исследования

Объектами диссертационного исследования являются математическая модель процесса совмещения данных ДЗЗ и ЦКМ и методы совмещения, основанные на применении нейросетевых систем искусственного интеллекта.

4\',«• , - > ' у . >1 *1. "11

В теоретической части диссертационной работы (главы №№ 1-3) описывается математическая модель процесса совмещения, выполняется моделирование систем искусственного интеллекта, реализующих данное совмещение, а также выполняется разработка численных методов обучения данных систем.

В практической части диссертационной работы (глава № 4) выполняется разработка комплекса программ, реализующего разработанные алгоритмы моделирования и численные методы, а также приводятся результаты экспериментальных исследований разработанных алгоритмов моделирования систем искусственного интеллекта и численных методов их обучения.

Предмет исследования

Предметом исследования являются математическая модель процесса совмещения данных ДЗЗ и ЦКМ, системы искусственного интеллекта, выполняющие означенное совмещение, алгоритмы моделирования данных систем, численные методы обучения данных систем и инструментальные средства (комплексы программ), обеспечивающие повышение временной и качественной эффективности решения задачи оперативного совмещения данных ДЗЗ среднего и высокого разрешения и ЦКМ соответствующего масштаба в условиях неточностей и ошибок в привязки к системе координат и в проецировании исходных данных в составе ГИС общего и специального назначения, решающих задачи получения картографического материала по результатам обработки данных ДЗЗ.

Основные задачи исследования

Цель диссертационного исследования предопределила постановку и необходимость решения следующих задач:

1) проведение анализа проблемы высокоточного оперативного совмещения данных ДЗЗ и ЦКМ с целью оценки возможности использования существующих методов и алгоритмов для выполнения означенного совмещения, выявление недостатков существующих методов и алгоритмов совмещения и формирование набора требований к процессу совмещения, обеспечивающих достижение цели исследования;

2) исследование математической модели процесса совмещения данных ДЗЗ и ЦКМ;

3) исследование возможности использования систем искусственного интеллекта для решения задачи совмещения данных ДЗЗ и ЦКМ;

4) разработка алгоритмов моделирования и численных методов обучения систем искусственного интеллекта, удовлетворяющих требованиям, сформулированным по результатам анализа проблемы;

5) разработка комплекса программ (программного стенда), реализующего предложенные алгоритмы моделирования систем искусственного интеллекта и численные методы обучения данных1 систем; 1 ¡' '

6) проведение экспериментальных исследований возможности использования систем искусственного интеллекта для решения практических задач совмещения данных ДЗЗ и ЦКМ, обобщение и оценка результатов экспериментальных исследований.

Методы исследования

При аналитическом обзоре литературных источников использовались общепринятые методы сбора, систематизации, анализа и обобщения данных в отношении задач, связанных с совмещением данных ДЗЗ и ЦКМ, с автоматической дешифрацией ДЗЗ, с автоматическим уточнением ЦКМ по данным ДЗЗ.

Теоретические исследования и поиск решения сформулированных задач осуществлялись методами теории искусственного интеллекта, теории машинного обучения, теории оптимизации, теории компьютерного зрения.

Аппробация и корректность теоретически найденных закономерностей и решений проверялись вычислительными экспериментами и практическим применением результатов исследований в условиях реальной проектной деятельности.

Научная новизна

В диссертационной работе предложены эффективные модели, алгоритмы моделирования и численные методы решения поставленных задач, научная новизна которых состоит в следующем:

1) разработаны алгоритм моделирования и численный метод обучения системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ путем поиска образов объектов, присутствующих на ЦКМ, на спутниковом снимке с помощью древовидного классификатора, ИНС прямого распространения без обратных связей и машины опорных векторов, использованных в качестве простых классификаторов в узлах дерева, текстурных признаков Харалика, энергетических текстурных характеристик Лавса, нейронной карты Кохонена и РСА-сети;

2) разработан алгоритм моделирования системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ путем поиска корреляции между контурами образов, выделенных на спутниковом снимке, и границами объектов, присутствующих на ЦКМ с помощью ограниченной стохастической машины Больцмана, нелинейной ячеистой нейронной сети и нейронной сети, основанной на вейвлете Габора;

3) разработан комплекс программ, реализующий разработанные алгоритмы моделирования систем искусственного интеллекта и численные методы их обучения.

Соответствие паспорту специальности

Проблематика, исследованная в диссертации, соответствует специальности 05.13.18 «Математическое моделирование, численные методы и комплексы программ». Согласно формуле специальности 05.13.18 - это специальность, занимающаяся разработкой фундаментальных основ и применением математического моделирования, численных методов и комплексов программ для решения научных и технических, фундаментальных и прикладных проблем, исследованием математических моделей физических, химических, биологических и других естественно-научных, а также социальных, экономических и технических объектов. Данная диссертационная работа соответствует формуле специальности, поскольку содержит в себе разработку и исследование математической модели процесса совмещения разнородных изображений (в данном случае - спутниковых снимков и ЦКМ) в зрительной системе высокоорганизованных животных и человека, разработку алгоритмов моделирования систем искусственного интеллекта, реализующих модель процесса совмещения, разработку численных методов обучения систем искусственного интеллекта, а также разработку комплекса программ, реализующих перечисленные системы искусственного интеллекта, алгоритмы их моделирования и численные методы их обучения.

Проблематика диссертации соответствует областям исследований:

• пункт 2 формулы специальности - разработка, исследование и обоснование математических объектов, перечисленных в формуле специальности;

• пункт 4 формулы специальности - разработка, обоснование и тестирование эффективных численных методов с применением ЭВМ;

• пункт 5 формулы специальности - реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента;

• пункт 6 формулы специальности - комплексное исследование научных и технических, фундаментальных и прикладных проблем с применением современной технологии математического моделирования и вычислительного эксперимента.

Теоретическая значимость

Теоретическая значимость работы заключается в разработке:

• алгоритмов моделирования систем искусственного интеллекта, основанных на использовании ИНС прямого распространения без обратных связей, машин опорных векторов и ограниченных стохастических машин Больцмана для решения задачи совмещения данных ДЗЗ и ЦКМ;

• численных методов обучения предложенных систем искусственного интеллекта;

• алгоритмов в составе означенных систем искусственного интеллекта, в частности:

- алгоритмов автоматической классификации образов объектов на данных ДЗЗ с применением древовидного бинарного классификатора, состоящего из ИНС прямого распространения без обратных связей и машин опорных векторов;

- алгоритмов описания образов, выделенных на изображениях, с использованием текстурных признаков Харалика, энергетических характеристик Лавса и ИНС, реализующей метод анализа главных компонент для понижения размерности пространства признаков.

Практическая ценность работы

Практическая ценность диссертационной работы состоит в том, что разработанные алгоритмы моделирования систем искусственного интеллекта, численные методы обучения данных систем, комплексы программ, реализующие перечисленные алгоритмы и численные методы, позволяют в составе ГИС общего и специального назначения повысить эффективность и точность процесса совмещения данных ДЗЗ и ЦКМ путем применения интеллектуальных подходов к совмещению, что отражается в повышении эффективности и точности решения различных задач дешифрации данных ДЗЗ, к которым относятся задачи автоматического картографирования, задачи уточнения ЦКМ и некоторые другие.

Достоверность

Достоверность научных положений, теоретических выводов и практических результатов диссертационной работы подтверждается:

• корректным использованием понятий и выводов теории искусственного интеллекта, теории машинного обучения, теории оптимизации, теории обработки изображений (компьютерного зрения);

• апробацией предложенных алгоритмов моделирования, численных методов и комплексов программ на конкретных примерах и в прикладных задачах;

• разработкой действующих комплексов программ, подтвержденных свидетельствами об официальной регистрации;

• наличием актов внедрения результатов диссертационной работы.

Основные положения, выносимые на защиту ,

На защиту выносятся следующие результаты диссертационной работы:

1) алгоритм моделирования и численный метод обучения системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ путем поиска образов объектов, присутствующих на ЦКМ, на спутниковом снимке;

2) алгоритм моделирования и численный метод обучения системы искусственного интеллекта, выполняющей классификацию образов, выделенных на изображении, с применением древовидного бинарного классификатора, основанного на машинах опорных векторов и ИНС прямого распространения без обратных связей;

3) численный метод поиска наилучшей, с точки зрения минимизации функции ошибки, структуры ИНС прямого распространения без обратных связей с применением генетического алгоритма и грамматик графовой генерации Китано;

4) алгоритм моделирования системы искусственного интеллекта, выполняющей совмещение данных ДЗЗ и ЦКМ путем поиска корреляции между контурами образов, выделенных на спутниковом снимке, и границами объектов, присутствующих на ЦКМ;

5) комплекс программ, реализующий перечисленные алгоритмы моделирования и численные методы.

Апробация работы

Основные результаты работы докладывались на И научно-технических конференциях, в том числе 3rd Mediterranean Conference on Embedded Computing (MECO-2014; Черногория, Будва, 2014 г.), 11th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-11-2013; Самара, СГАУ, 2013 г.), Вторая международная научно-техническая конференция «Актуальные проблемы создания космических систем дистанционного зондирования Земли» (Москва, ВНИИЭМ, 2014 г.), 6-я международная научно-техническая конференция «Космонавтика. Радиоэлектроника. Геоинформатика» (Рязань, РГРТУ, 2013 г.), XI Международная научно-технической конференция «АВИА-2013» (Украина, Киев, НАУ, 2013 г.), Ill International research and practice conference «Science and Education» (Германия, Мюнхен, 2013 г.), XI Международная научно-технический конференция «Проблемы информатики в образовании, управлении, экономике и технике» (Пенза, 2011 г.).

Публикации

По теме диссертации опубликовано 25 печатных работ, в том числе 4 статьи в изданиях, входящих в перечень ВАК для кандидатских и докторских диссертаций, 1 статья в издании, включенном в Российский индекс научного

цитирования (РИНЦ), 8 статей в научно-технических журналах и межвузовских сборниках научных трудов, 9 докладов на международных конференциях, 3 доклада на всероссийских конферециях. Имеется 3 свидетельства о регистрации программного продукта для ЭВМ в ФГБУ «Федеральный институт промышленной собственности Федеральной службы по интеллектуальной собственности, патентам и товарным знакам» (ФГБУ «ФИПС» - РОСПАТЕНТ).

Реализация и внедрение результатов диссертационной работы

Исследования по тематике диссертационной работы проводились в рамках фундаментальных и прикладных исследований, проводимых в ФГБОУ ВПО «Рязанский государственный радиотехнический университет», совместно с отраслевыми организациями, и ОАО «Государственный Рязанский приборный завод».

Фундаментальные и прикладные научные исследования:

• «Разработка технических предложений по организации тестовых вали-дационных участков сельскохозяйственного и лесотехнического назначения» (РГРТУ; Регион В - Валидация - НЦ ОМЗ - Р; 2010 г.);

• «Разработка методов и информационных технологий обработки многоспектральных изображений для мониторинга ландшафтных образований» (РГРТУ; НИР 10-12Г; 2011 - 2014 гг.);

• «Информационная система предупреждения и прогнозирования развития чрезвычайных ситуаций на техногенных комплексах хранения горюче - смазочных материалов» (РГРТУ; НК-424П; 2009 - 2011 гг.);

• «Разработка аппаратно - программных средств совмещения графических изображений в режиме реального времени» (ГРПЗ; внутренний шифр: «Совмещение - 1»; 2011 - 2013 гг.).

Результаты диссертационной работы и разработанный программный стенд внедрены в Научно-конструкторском центре видеокомпьютерных технологий (НКЦ ВКТ) ОАО «Государственный Рязанский приборный завод» в виде программного модуля в составе программного комплекса, реализующего технологии получения и уточнения картографического материала для построения виртуальной модели местности в составе систем комбинированного видения летательных аппаратов.

Результаты диссертационной работы внедрены в учебный процесс кафедр «Космические технологии» и «Электронные вычислительные машины» ФГБОУ ВПО «Рязанский государственный радиотехнический университет».

Использование результатов диссертационной работы на практике подтверждено соответствующими актами о внедрении. Получено 3 свидетельства ФГБУ «Федеральный институт промышленной собственности Федеральной

службы по интеллектуальной собственности, патентам и товарным знакам» (ФГБУ «ФИПС» - РОСПАТЕНТ) об официальной регистрации программных продуктов для ЭВМ.

Структура и объем диссертации

Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, изложенных на 162 страницах текста (включая 28 рисунков и 13 таблиц), и 1 приложение на 4 страницах. Список литературы содержит 63 наименования.

Личный вклад автора

Все результаты диссертационной работы, в том числе постановка задач, разработка и результаты исследования защищаемых алгоритмов моделирования систем искусственного интеллекта, численных методов обучения данных систем, основные научные результаты, выводы и рекомендации, принадлежат лично автору.

Комплекс программ, реализующий предложенные алгоритмы моделирования систем искусственного интеллекта и численные методы обучения данных систем, разработан под руководством и при непосредственном участии автора.

Работы, выполненные в соавторстве, посвящены общей постановке проблемы, концепции ее решения, предложенной автором, конкретизации разработанных алгоритмов моделирования и численных методов для ряда подзадач, решаемых в процессе выполнения совмещения данных ДЗЗ и ЦКМ, разработке отдельных программных средств.

Глава 1

Разработка и анализ математической модели процесса совмещения данных ДЗЗ и ЦКМ

1.1 Математическая модель процесса совмещения цифровых карт местности с данными дистанционного зондирования Земли

Данные ДЗЗ (спутниковые снимки), получаемые от сенсоров, установленных на КА, можно представить в виде изображения (спутникового снимка) В

• - пиксель спутникового снимка В, находящийся в г-ой строке пикселей, в j-м столбце;

• Ь^к - спектральная яркость пикселя Ъг] в к-ом спектральном канале;

• I - количество строк пикселей в спутниковом снимке В;

• 3 - количество столбцов пикселей в спутниковом снимке В;

• К - количество спектральных каналов в спутниковом снимке В.

Спектральные яркости Ьцк должны быть масштабированы в диапазон [—1; 1] для удобства дальнейшей работы с ними. Для масштабирования спектральных яркостей из первоначального диапазона уровней квантования может быть использовано линейное преобразование, которое для ф-и уровней имеет

(1.1)

0.1)

г = 1,/; = 1, У; к = 1, К\

/, К е К,

где:

вид (1.2):

(1.2)

Ьцк € [0; ф); Ът Е

где bLJk - первоначальное (квантованное) значение спектральной яркости. Для Q = 256 формула (1.2) приобретает вид (1.3):

^=1^5-1- 0-3)

Пусть coord, - функция преобразования координат (г, j) пикселя Ъг] в координаты {xij,ytj) системы координат спутникового снимка В. Функция coord определяется как (1.4):

{xijiVtj) = coord((i,j))\ (1.4)

ХглУгз € R.

ЦКМ M является множеством точечных, линейных и полигональных объектов, объединенных в векторные слои в соответствии с атрибутивной информацией. Одной из форм описания ЦКМ М является ее представление в виде множества точек (х, у) таких, что (1.5):

G [Хтгп, Жтах]) У ^ [Уmim ymax\i О-^)

•^•¡Уч %mini ЗСгпах! У mini У max €

где:

• xmin, хтах - соответственно нижняя и верхняя граница диапазона координат ЦКМ по оси ОХ рамки карты;

• Утт, Утах - соответственно нижняя и верхняя граница диапазона координат ЦКМ по оси OY рамки карты.

Каждой точке (х,у) <G М ставится в соответствие некоторая атрибутивная информация (наличие или отсутствие объекта в точке, тип объекта и т.п.).

Функция comp, описывающая модель совмещения спутникового снимка В с ЦКМ М, задается как (1.6):

comp' = сотр(В, М, coord)] (1.6)

{В' = comp'{В);

coord' — comp' (coord)] {(»',/)} =comp'«i,j))]

i' = l,I>] j'=hJ',

где:

• В' - преобразованное изображение размером V строк на J' столбцов;

• coord! - функция преобразования координат пикселей изображения В' в координаты системы координат спутникового снимка В.

Множество пикселей comp'((i,j)) С В' имеет, в общем случае, мощность \comp'((i, j))| ^ 1 (то есть отображение comp' : (i,j) —> {{i',j')} не является взаимнооднозначным). Таким образом, имеет место быть зависимость (1.7):

bij ~ Ь\,у О b'Vy € comp'(i,j). (1.7)

Качество совмещения comp оценивается с помощью количественной меры ошибки совмещения Е. К мере Е предъявляются следующие требования:

• Е —» 0 при увеличении качества совмещения;

• Е —» оо при уменьшении качества совмещения;

• Е должна быть определена для V£, М, comp;

• Е ^ 0; VB, М, сотр.

Одной из мер Е, удовлетворяющей перечисленным свойствам, является среднеквадратичное отклонение (СКО) Ermse (1.8):

{х'^,,у[,г) = coord! {{i',j'))]

р = Ы; р = ((i,j)>(x,y))]

J2(i',j')ecomp'({i:j)) J(Xi'j> ХУ + (y'i>j> У)2

A{comp ,p) =-, Лч.-;

Ermse(comp', P) = ^^^ , (1.8)

где P - множество пар реперных точек р, выделенных на спутниковом снимке В и ЦКМ М вручную. Ручное составление множества Р позволяет достичь высокой (практически идеальной) точности соответствия точек, выделенных на спутниковом снимке В, точкам, выделенным на ЦКМ М.

Размерность Ermse - размерность хну, что обеспечивается, в том числе, отсутствием нормировки Е (требование Е -» со при уменьшении качества совмещения). Таким образом, физический смысл Ermse заключается в оценке вариации в конкретных величинах между идеальным смещением (математическое ожидание оцениваемой величины) и реальным результирующим смещением (оцениваемая величина) - ошибкой функции сотр.

Функция совмещения comp предполагает выполнение следующих действий:

1) поиск findequ на спутниковом снимке В и карте М пар совпадающих точек pequ (1.9):

(1.9) (1.10)

2) расчет для каждой пары реди точек вероятности совпадения

уаЫИу{ре(1и)-,

3) составление множества Реди пар совпадающих точек (1.11):

где Tequ суть есть минимально допустимая для включения в множество Pequ вероятность (порог вероятности) того, что рассматриваемая пара pequ точек совпадает друг с другом;

4) расчет eval по множеству Pequ преобразования comp' (1.12):

Этап поиска пар совпадающих точек реди является самым сложным в ходе совмещения спутникового снимка В и ЦКМ М. Под «сложностью» в данном случае понимается как временная сложность, так и сложность по памяти.

Действительно, как показано в [1], один из самых эффективных по времени алгоритмов поиска совпадающих точек (контурное корреляционное совмещение) имеет сложность 0(Ю6Аг2). В работе [1] алгоритм контурного корреляционного совмещения применяется для поиска совпадающих точек на ракурсе трехмерной модели местности и данных от камер, установленных на борту летательного аппарата (самолета или вертолета), но принципиального упрощения данный факт не дает - нет принципиальной разницы в поиске совпадающих точек на, фактически, двухмерной сцене (спутниковом снимке) и трехмерной сцене в случае, если нет необходимости в перегенерации трехмерного ракурса.

Оптимизация алгоритма контурного корреляционного совмещения приводит к существенным расходам памяти, необходимым для организации разнообразных кешей - в том числе, кешей потоков в случае, если используется параллельная версия алгоритма, описанного в [1].

Алгоритм контурного корреляционного совмещения дает низкую точность совмещения и нуждается в дополнительной настройке при изменении погодных условий, характера местности и ряда других факторов. Таким образом, актуальной является задача разработки алгоритмов совмещения, имеющих

Похожие диссертационные работы по специальности «Математическое моделирование, численные методы и комплексы программ», 05.13.18 шифр ВАК

Список литературы диссертационного исследования кандидат наук Акинин, Максим Викторович, 2014 год

Литература

1. Е.Р. Муратов. Алгоритмы предварительной обработки изображений в системах комбинированного видения летательных аппаратов // Диссертация на соискание степени кандидата технических наук. Рязань: Рязанский государственный радиотехнический университет, 2013.

2. Ю.А. Комаровский. Использование различных референц-эллипсоидов в судовождении. Владивосток: Государственный морской университет имени адмирала Г.И. Невельского, 2005.

3. L. Moore, W. Harris, Т. Kochis. Raster image warping for geometric correction of cartographic bases // US Geological Survey, Mid-Continent Mapping Center Rolla. 2003.

4. Google Maps [Электронный ресурс]. URL: http://maps.google.ru/maps, Дата обращения: 01.05.2014.

5. Earth Science Data Interface (ESDI) at the Global Land Cover Facility [Электронный ресурс]. URL: http://glcfapp.glcf.umd.edu:8080/esdi/index.jsp, Дата обращения: 01.05.2014.

6. B.K. Злобин, B.B. Еремеев. Обработка аэрокосмических изображений. М.: ФИЗМАТЛИТ, 2006.

7. P.C. Пронченко. Система обработки и анализа изображений контактной сети железнодорожного транспорта по данным сканерной съемки // Диссертация на соискание степени кандидата технических наук. Рязань: Рязанский государственный радиотехнический университет, 2009.

8. Шапиро JI. Стокман Д. Компьютерное зрение. М.: БИНОМ. Лаборатория знаний, 2006.

9. Гонсалес Р. Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005.

10. В.К. Злобин, В.В. Еремеев, А.Е. Кузнецов. Обработка изображений в геоинформационных системах: Учебное пособие. Рязань: Рязанский государственный радиотехнический университет, 2006.

11. Ю.В. Конкин. Разработка системы определения координат летательного аппарата на основе совмещения радиолокационной и картографической информации // Диссертация на соискание степени кандидата технических наук. Рязань: Рязанский государственный радиотехнический университет, 2007.

12. С.И. Елесина, В.В. Зотов, М.Б. Никифоров. Повышение эффективности методов глобальной оптимизации на основе кластеризации области поиска // Вестник РГРТУ №3 (выпуск 37). 2011. С. 38 - 42.

13. S. Elesina, О. Lomteva. Increase of Image Combination Performance in Combined Vision Systems Using Genetic Algorithm // 3rd Mediterranean Conference on Embedded Computing (MECO-2014). 2014.

14. Е.П. Козлов. Алгоритмы и технология высокоточной координатной привязки снимков от геостационарных космических систем по электронным картам // Диссертация на соискание степени кандидата технических наук. Рязань: Рязанский государственный радиотехнический университет, 2009.

15. В.Н. Лагуткин, Ю.В. Радченко. Применение вейвлет-преобразования в задаче оценки смещения объекта // Вопросы радиоэлектроники, сер. PJIT, вып. 1. 2004.

16. F. R. Principles of neurodynamics: perceptrons and the theory of brain mechanisms. USA, Michigan: Spartan Books, 1962.

17. С. Хайкин. Нейронные сети: полный курс, 2-е изд., испр.: Пер. с англ. М.: ООО «И.Д. Вильяме», 2006.

18. С. Осовский. Нейронные сети для обработки информации: Пер. с польского. М.: Финансы и статистика, 2002.

19. С.В. Аксенов, В.Б. Новосельцев. Организация и использование нейронных сетей (методы и технологии). Томск: Издательство НТЛ, 2006.

20. Л.Г. Комарцова, А.В. Максимов. Нейрокомпьютеры. М.: Издательство МГТУ имени Н.Э. Баумана, 2004.

21. M.V. Akinin, Y.V. Konkin, М.В. Nikiforov. Using Kitano's grammar encoding for finding optimal multilayer artificial neural network without feedback in image processing problems // Science and Education: Materials of the III International research and practice conference (vol. I). 2013.

22. Л.М. Червяков, М.В. Акинин. Нейросетевой алгоритм уточнения векторных топографических карт по данным дистанционного зондирования Земли // Известия Юго-Западного государственного университета № 6 (51), часть 2. 2013. С. 32-40.

23. Модуль [Электронный ресурс]. URL: http://www.module.ru, Дата обращения: 01.05.2014.

24. Т. Kohonen. Self-Organizing Maps. USA, New York: Springer-Verlag, 2001.

25. M.B. Акинин, Ю.В. Конкин. Применение искусственных нейронных сетей для решения задач уточнения топографических карт // Проблемы информатики в образовании, управлении, экономике и технике: сборник статей XI Международной научно-технический конференции. 2011.

26. Д. Форсайт, Ж. Понс. Компьютерное зрение. Современный подход. М.: Издательский дом «Вильяме», 2004.

27. М.В. Акинин, Ю.В. Конкин. Исследование подходов к обучению многослойного перцептрона. 2012.

28. К. Fukushima. Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position // Biological Cybernetics, 36. 1980. C. 193 - 202.

29. Ф. Уоссермен. Нейрокомпьютерная техника: Теория и практика. М.: Мир, 1992.

30. Gradient-based learning applied to document recognition / LeCun Y., Bottou L., Bengio Y. [и др.] // Proceedings of the IEEE, 86(11). 1998.

31. M.B. Акинин. Нейросетевой алгоритм совмещения спутниковых снимков и цифровых карт местности, основанный на использовании сверточной нейронной сети ЛеКуна // Вторая международная научно-техническая конференция «Актуальные проблемы создания космических систем дистанционного зондирования Земли». 2014.

32. М.А. Ranzato, Y.L. Boureau, Y. LeCun. Sparse feature learning for deep belief networks. 2007.

33. Д.Ф. Люгер. Искусственный интеллект: стратегии и методы решения сложных проблем. М.: Издательский дом «Вильяме», 2003.

34. М.В. Акинин, Ю.В. Конкин. Нейросетевой способ составления карт гарей лесных массивов по данным дистанционного зондирования Земли // Информатика и прикладная математика: межвузовский сборник научных трудов. 2012. С. 51-57.

35. М.В. Акинин, Ю.В. Конкин. Нейросетевой способ составления карт гарей лесных массивов по данным дистанционного зондирования Земли // Владимирский государственный университет имени А.Г. и Н.Г. Столетовых. 2012. С. 37-45.

36. K.I. Laws. Textured image segmentation. 11 Диссертация на соискание степени Ph.D. США, Лос-Анджелес: Университет Южной Калифорнии, 1980.

37. М.В. Акинин, А.А. Логинов, М.Б. Никифоров. Способы описания текстур в задачах построения топографических карт // Материалы XI Международной научно-технической конференции «АВИА — 2013» (том 4). 2013.

38. М. Haralick R., К. Shanmugam, I. Dinstein. Textural features for image classification // IEEE Transactions on systems, man and cybernetics. Vol. SMC 3, № 6. 1973. C. 610-621.

39. H.B. Акинина, М.В. Акинин, М.Б. Никифоров. Применение нейросетевых методов анализа главных компонент при решении задач обработки данных дистанционного зондирования Земли // Mezinarodni vedecka a prakticka konference «World & Science». 2014.

40. А.Я. Клочко, H.A. Бычкова, H.B. Акинина. Нейросетевые методы анализа главных компонент в задачах обработки данных дистанционного зондирования Земли // Известия Юго-Западного государственного университета № 6 (51), часть 2. 2013. С. 69 - 76.

41. М.В. Акинин, Ю.В. Конкин. Особенности обучения машины опорных векторов в задачах формирования карт лесов // Методы и средства обработки и хранения информации. 2010. С. 133 - 143.

42. М.В. Акинин, Т.И. Лапина, М.Б. Никифоров. Нейросетевой алгоритм выделения контуров на изображениях, основанный на вейвлете Табора // Известия Тульского государственного университета (технические науки). Выпуск 9 (часть 1). 2013. С. 208 - 217.

43. L.O. Chua, Т. Roska. Cellular neural networks and visual computing. Foundations and applications. United Kingdom, Cambridge: Cambridge University Press, 2004.

44. V. Cimagalli, M. Balsi. Cellular neural networks: a review // Proceedings of Sixth Italian Workshop on Parallel Architectures and Neural Networks. 1993.

45. Akinin M.V. Nikiforov M.B. Edge detection algorithm based on non linear cellular neural networks // 11th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-11-2013; vol. I). 2013.

46. M. Akinin, M. Nikiforov, A. Taganov. Automated Combining Remote Sensing Data and Digital Maps, Based on Non-linear Cellular Neural Network and Boltzmann's Restricted Stochastic Machine // 3rd Mediterranean Conference on Embedded Computing (MECO-2014). 2014.

47. М.В. Акинин, М.Б. Никифоров. Нейросетевой алгоритм совмещения векторных карт и спутниковых снимков // 6-я международная научно-техническая конференция «Космонавтика. Радиоэлектроника. Геоинформатика». 2013.

48. С.И. Елесина. Алгоритмы совмещения радиолокационных изображений в корреляционно-экстремальных системах реального времени // Диссертация на соискание степени кандидата технических наук. Рязань: Рязанский государственный радиотехнический университет, 2011.

49. В. Kosko, С. Guest. Optical bi-directional associative memories // Sosiety for Photo-optical and Instrumentation Engineers Proceedings: Image Understanding. 1987. C. 758:11-18.

50. M. Matsumoto, T. Nishimura. Mersenne twister: a 623-dimensionally equidistributed uniform pseudo-random number generator // ACM Transactions on Modeling and Computer Simulation (TOMACS; volume 8, issue 1). 1998. C. 3 - 30.

51. The Marsaglia Random Number CDROM including the Diehard Battery of Tests of Randomness [Электронный ресурс]. URL: http://www.stat.fsu.edu/pub/diehard/, Дата обращения: 12.05.2014.

52. Т. Kohonen. Self-organizing formation of topologically correct feature maps // Biol. Cyb. 1982. C. 59 - 69.

53. Oja E., H. Ogawa, J. Wangviwattana. Learning in nonlinear constrained hebbian networks // Proc. ICANN-91, Espoo, Finland. 1991. C. 385 - 390.

54. T.D. Sanger. Optimal unsupervised learning in single layer linear feedformed neural network // Neural Networks, Vol. 2. 1989. C. 459 - 473.

55. J. Mercer. Functions of positive and negative type and their connection with the theory of integral equations // Transactions of the London Philosophical Society (A, vol. 209). 1909. C. 415 - 446.

56. R. Fletcher. Practical Methods of Optimization. New York, 1987.

57. J.C. Piatt. Fast Training of Support Vector Machines using Sequential Minimal Optimization // Advances in Kernel Methods - Support Vector Learning. 1998. C. 185-208.

58. R.-E. Fan, P.-H. Chen, C.-J. Lin. Working Set Selection Using Second Order Information for Training Support Vector Machines // Journal of Machine Learning Research (6). 2005. C. 1889 - 1918.

59. D. Nguyen, В. Widrow. Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights // Proceedings of the International Joint Conference on Neural Networks, vol 3. 1990. C. 21 -26.

60. H. Kitano. Designing neural network using genetic algorithm with graph generation system // Complex Systems. Vol. 4. 1990. C. 461 - 476.

61. A.B. Соколова, M.B. Акинин, М.Б. Никифоров. Алгоритм антиалиасинга текстур виртуальной модели местности, основанный на методах деблю-ринга изображений // Mezinarodni vedecka a prakticka konference «World & Science». 2014.

62. G. Hinton. A Practical Guide to Training Restricted Boltzmann Machines. Canada, Toronto: Department of Computer Science, University of Toronto, 2010.

63. OpenStreetMap [Электронный ресурс]. URL: http://www.openstreetmap.org, Дата обращения: 01.05.2014.

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.