Реферат: Разработка методикИ автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов

На правах рукописи

ВОЛКОВ Алексей Васильевич


РАЗРАБОТКА МетодикИ автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов


Специальность 25.00.34 - Аэрокосмические исследования

Земли, фотограмметрия


А в т о р е ф е р а т

на соискание ученой степени

кандидата технических наук


Санкт-Петербург

2006


Работа выполнена в Военном институте (топографическом) военно-космической академии им. А.Ф. Можайского


Научный руководитель –

кандидат технических наук, доцент

Хрущ Роман Михайлович


Официальные оппоненты –

доктор технических наук

Афанасьев Николай Федорович,

кандидат технических наук

Зайцев Владимир Валентинович


Ведущая организация – ФГУП «ЦНИИГАиК»


Защита диссертации состоится 21 декабря 2006 г. в 17 часов на заседании диссертационного совета Д 212.224.08 при Санкт-Петербургском государственном институте имени Г.В.Плеханова (техническом университете) по адресу: 199106 Санкт-Петербург, 21-я линия, д. 2, ауд. 1160.

С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского государственного горного института.


Автореферат разослан 21 ноября 2006 г.


^ Ученый секретарь

диссертационного совета

к.т.н., доцент Ю.Н. КОРНИЛОВ

ВВЕДЕНИЕ

Получение информации о топографических объектах по материалам космических съемок при создании и обновлении топографических цифровых и электронных карт выполняется на этапе дешифрирования снимков. Временные затраты на дешифрирование по традиционной технологии создания и обновления карт составляют от 20 до 40 % общих затрат. Это вызвано тем, что наиболее сложные и трудоемкие этапы дешифрирования (обнаружение объектов местности и их распознавание) в современном фотограмметрическом производстве выполняются визуальным или визуально - машинным способами. В связи с успешной автоматизацией других процессов входящих в технологическую схему составления и обновления карт, процент временных затрат на дешифрирование снимков растет и в ближайшей перспективе может составить 60-70%.

В настоящее время институтом математики и механики УрО РАН и сотрудниками 29 НИИ МО РФ разработана методика автоматизированного дешифрирования фотоснимков, включающая классификацию, оконтуривание и распознавание изображений топографических объектов. Эта методика учитывает особенности технологии выполнения работ в частях ТС ВС, позволяет повысить полноту содержания топографических карт и ЦКИ, увеличить производительность труда и улучшить условия выполнения работ по сравнению с традиционными неавтоматизированными методиками.

Однако существует ряд причин, сдерживающих дальнейшее повышение эффективности создания и обновления топографических цифровых и электронных карт. Основными из них являются следующие:

- наличие ряда интерактивных процессов (оконтуривание объектов, поиск эталонной информации, классификация изображений по их текстурным и яркостным признакам) существенно снижает производительность труда при дешифрировании топографических объектов;

- слабая адаптация существующих методов автоматизированного дешифрирования к изменяющимся условиям съемки и обработки изображений;

- длительность процесса подготовки высокопрофессиональных операторов-дешифровщиков для выполнения работ на комплексах автоматизированного дешифрирования (5-7 лет и более).

Одной из перспективных возможностей изменения ситуации в области автоматизированного дешифрирования является разработка и внедрение технических и программно-технологических средств, основанных на использовании нейросетевых методов. Эти методы обеспечивают:

- выполнение операций над целыми образами (например, над фрагментами изображений);

- ассоциативный поиск информации;

- возможность самообучения в процессе функционирования нейрокомпьютера;

- преимущественное использование логико-лингвистических моделей при формализации информации;

- отсутствие необходимости внешнего программирования;

- параллельный ввод и параллельная обработка информации.

В связи с изложенным, тема диссертации, посвященная автоматизации процессов дешифрирования изображений топографических объектов с использованием нейросетевых методов, является актуальной.


^ ФОРМУЛИРОВКА НАУЧНОЙ ЗАДАЧИ, МЕТОДЫ ИССЛЕДОВАНИЯ И ОСНОВНЫЕ ПОЛОЖЕНИЯ, ВЫНОСИМЫЕ НА ЗАЩИТУ

Цель диссертационной работы состоит в определении путей совершенствования методов и средств автоматизации дешифрирования материалов космических съемок для создания и обновления топографических цифровых и электронных карт.

Научная задача диссертации заключается в разработке и исследовании методики автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов.

Основные результаты получены путем выполнения теоретических и экспериментальных исследований. Исследования базируются на математическом моделировании процессов обработки снимков, математических методах анализа случайных величин и процессов. Решение экспериментальных задач выполнено методом математического моделирования с использованием макетных и реальных данных и материалов.

На защиту выносятся следующие основные положения:

Метод автоматизированной классификации изображений топографических объектов с использованием нейросети;

Метод автоматизированного распознавания изображений топографических объектов с использованием элементов экспертной системы, построенной на основе нейросети;

Метод автоматизированного распознавания изображений площадных объектов растительного покрова и грунтов с использованием нейросети;

Способ организации классификатора дешифровочных признаков топографических объектов;

Методика автоматизированного дешифрирования изображений топографических объектов с использованием нейросетевых методов.


^ ПРАКТИЧЕСКАЯ ЦЕННОСТЬ ИССЛЕДОВАНИЙ ПО ТЕМЕ

Практическая ценность работы заключается в том, что совокупность разработанных методов, способа и методики, примененных в технологии автоматизированного дешифрирования снимков с целью создания топографических цифровых и электронных карт, позволит существенно повысить эффективность дешифрирования, а следовательно, повысить эффективность создания топографических карт в целом.

^ СТЕПЕНЬ АПРОБАЦИИ И РЕАЛИЗАЦИИ НАУЧНЫХ РЕЗУЛЬТАТОВ

Апробация работы. Основные положения работы в целом и отдельные ее этапы докладывались и обсуждались на секции картографии и фотограмметрии научно-технического совета 29 НИИ МО РФ, на кафедре фототопографии и фотограмметрии СПб Военного топографического института, на юбилейной научно-технической конференции ЦНИИГАиК «Современное состояние и перспективы развития геодезии, фототопографии, картографии и геоинформационных систем», на военно-техническом форуме Российской аэрокосмической ассоциации, на VI Всероссийской конференции «Нейрокомпьютеры и их применение».

Реализация научных результатов. 1. В учебном процессе Военно-инженерного университета; 2. В учебном процессе СПб Военного топографического института; 3. В учебном процессе Военно-космической академии им. А.Ф. Можайского.

Публикации. По материалам диссертации автором опубликовано 8 работ.


^ КРАТКОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Структурно диссертация состоит из введения, трех глав и заключения, списка использованной литературы и приложения. Текст работы изложен на 159 страницах машинописного текста.

В первой главе выполнен анализ проблемы использования нейросетевых методов при автоматизированном дешифрировании изображений топографических объектов. Обоснована научная задача диссертации. Намечены пути ее решения. Сформулированы предложения по использованию нейросетевых методов.

Во второй главе научно обоснованы технические и технологические решения, составляющие основу предлагаемой методики. Выполнена оценка дешифровочных свойств космических снимков в аналоговой и цифровой формах представления. Теоретически обоснован выбор нейросетевых методов для классификации, оконтуривания и распознавания изображений топографических объектов. Обоснован способ организации классификатора дешифровочных признаков топографических объектов. Дано детальное описание предлагаемой методики.

В третьей главе описана методика выполнения экспериментальных исследований, сформулированы их результаты. Подтверждена эффективность защищаемых положений и предлагаемой методики в целом.

В заключении обобщены полученные научные и практические результаты диссертационной работы, сформулированы выводы и определены направления дальнейших исследований.


^ ОСНОВНЫЕ НАУЧНЫЕ РЕЗУЛЬТАТЫ, ИХ НОВИЗНА И ДОСТОВЕРНОСТЬ

1. Метод автоматизированной классификации изображений топографических объектов с использованием нейросети

Одной из важных задач автоматизированного дешифрирования является классификация изображений топографических объектов. Правильно выполненная классификация изображений топографических объектов значительно упрощает последующий процесс их распознавания, повышает полноту и вероятность распознавания, а следовательно, и эффективность дешифрирования в целом.

Автором предложен новый метод автоматизированной классификации изображений топографических объектов. В рамках этого метода для повышения эффективности классификации топографических объектов была использована нейросеть (НС). Разработанный метод включает следующие основные этапы:

- обучение НС по фрагментам эталонных изображений из базы ЭИ;

- подготовку данных для классификации исходного снимка;

- получение НС решения классификации;

- формирование результатов классификации.

Для эффективной работы НС необходимо ее предварительное обучение. Обучение заключается в подаче на вход сети серии примеров, составляющих обучающую выборку. Обучающая выборка формируется из фрагментов эталонных изображений (ЭИ) компактных, линейных и площадных объектов, находящихся в базе ЭИ.

В ходе обучения выполняется настройка весовых коэффициентов нейронов {wij}. При этом функция средней квадратической ошибки Е между фактическим и желательным выходом НС (целевая функция) должна принимать минимальное значение при случайных входных значениях Xij :


где ^ C – число выборок образов в обучающем множестве;

М – число образов в выборке;

yc={y1c, y2c, …, yMc} – фактический выходной вектор НС;

dc={d1c, d2c, …, dMc} – желательный выходной вектор НС.

Минимизация Е может быть выполнена, например, с помощью метода «градиентного спуска». В этом случае вычисляются частные производные Е по весам и порогам НС. Производные по весам вычисляются для каждой пары {x, d} из обучающего множества в два этапа, названных прямым и обратным прохождением (x и d соответственно входной и желательный выходной векторы НС). При прямом прохождении сначала вычисляется суммарный вход i-го нейрона l-го слоя:

(2)

где wijl– вес j-го входа i-го нейрона из l-го слоя НС;

Nl– число нейронов в l –м слое.

Выход i-го нейрона l-го промежуточного слоя равен:

(3)

где f – функция активации;

xLM – фактический выход НС.

При обратном прохождении производные Е вычисляются от выходного слоя назад к входному слою НС.

Суммированием этих производных по всем парам из обучающего множества {x, d} определяются производные общей для всех обучающих данных ошибки. Производную ошибки по wij обозначим ijl.

Корректировка весов НС выполняется по следующему правилу:

wijl(t+1)= wijl(t)- ijl+( wijl(t)- wijl(t+1)), (4)

1  i  NL; 1  j  Nl-1; 1  l  L,

где ,  - параметры, определяющие скорость обучения.

Обучение НС выполняется до тех пор, пока значения весов не стабилизируются или пока ошибка Е не уменьшится до требуемого значения.

Работа НС классификатора по принятию решения о соответствии подаваемой на вход матрицы оптических плотностей Мn (фрагмент обрабатываемого изображения), определенному классу, заключается в сравнении средней квадратической ошибки с порогом П, определяемым в процессе обучения. В случае, если Е<П, принимается решение о принадлежности Мn определенному классу и активизируется соответствующий нейрон выходного слоя. На выходе НС формируется решение о принадлежности выделенного участка изображения одному из классов объектов: компактный, линейный, растительный покров, грунты.

Новизна предложенного метода заключается в использовании НС большой размерности для принятия решения классификации.

В ходе экспериментальной проверки метода автоматизированной классификации изображений топографических объектов с использованием нейросети оценивалась полнота классификации. Получены следующие результаты: полнота классификации изображений компактных объектов – 0,7; полнота классификации изображений линейных объектов – 0,75; полнота классификации изображений площадных объектов растительного покрова – 0,86; полнота классификации изображений площадных объектов грунтов – 0,84.


2.^ Метод автоматизированного распознавания изображений топографических объектов с использованием элементов экспертной системы, построенной на основе нейросет