Теория и практика распознавания инженерных сооружений, промышленных предприятий и объектов железнодорожного транспорта при дешифрировании аэроснимков
Шрифт:
Основной задачей дешифрирования является повышение дешифровочных характеристик полученных изображений путем применения к ним программных инструментов для обработки изображений и включает в себя выполнение следующих задач:
– управление видимостью изображений в интерфейсе программного комплекса, включая фильтрацию списка загруженных изображений по различным критериям и настройку прозрачности изображений;
– фильтрация шумов различной природы на изображениях;
– обрезка (кадрирование) изображений;
– уточнение навигационных
– корректировка координатной привязки изображений по опорным точкам на местности с использованием опорной геопространственной информации.
Задачей детального дешифрирования являются обнаружение и классификация объектов на полученных изображениях и сохранение объектов в базе данных (БД). Детальное дешифрирование изображений, прошедших этап обзорного дешифрирования, включает в себя выполнение следующих задач:
– автоматизированное обнаружение и классификация на изображениях объектов, для которых в базе данных имеются эталонные вектора признаков;
– визуальное обнаружение и классификация объектов;
– сохранение результатов дешифрирования в БД.
При выполнении задачи визуального обнаружения объектов предоставляется визуальная поддержка дешифрирования для классов объектов, по которым в БД присутствует эталонная информация. По результатам детального дешифрирования формируется донесение.
Традиционные подходы при разработке алгоритмов классификации сводятся к выбору формального описания объектов, построению БД с наиболее характерными описаниями (эталонными векторами признаков) для каждого класса и дальнейшим сопоставлением векторов признаков объектов с БД эталонов, представляющих портрет объекта в различном диапазоне длин волн: оптическом, радиолокационном. Формирование БД портретов (эталонов) объектов является самой трудоемкой частью такого подхода и требует экспертных знаний по разработке системы распознавания.
Одним из наиболее активно развивающихся подходов в области распознавания в последнее время является применение нейронных сетей, в частности различных моделей нейронных сетей. По сравнению с традиционными подходами для нейронных сетей не требуется экспертное построение формальных описаний объектов – используются непосредственно изображения объектов, и для распознавания не нужна БД эталонных векторов признаков – знание о классах находится непосредственно в параметрах обученной нейронных сетей. Кроме этого, нейронные сети достаточно устойчивы к зашумлению обрабатываемых изображений. Для обучения нейронных сетей требуется значительный набор изображений объектов каждого класса.
Одной из основных задач применения классификаторов, основанных на нейросетевых методах, является создание обучающего набора данных достаточного объема, который может составлять десятки тысяч объектов, разбитых на классы.
Классификатор в части накопления и систематизации данных должен обеспечивать:
– формирование обучающего набора данных для классификации по условиям съемки, типам и количества выбранных классов объектов;
– обобщение и анализ обработанной информации сведением базы данных типовых объектов;
– хранение в БД цифровой картографической и опорной геопространственной информации на зону ответственности, радиолокационных и оптико-электронных изображений, формализованных и неформализованных донесений.
Должна обеспечиваться возможность выполнения поиска объектов в БД по различным критериям и возможность обучения пользователей путем формирования учебной обстановки и сохранения результатов контрольно-тестовых полетов. Программные комплексы должны иметь тренажный режим, который поддерживают все функции, применяемые в штатном режиме работы.
Как показывают эксперименты, и занятия по полевому дешифрированию, а также упражнения со специальными макетами, заменяющими реальные объекты, вполне обеспечивают переход от восприятия необычных изображений к объектам в натуре и резко повышают эффективность камерального дешифрирования. Так, в одном из экспериментов специально организованное кратковременное полевое обучение повысило результаты последующего камерального дешифрирования топографических объектов у обучаемых не менее чем на 20 % по сравнению с контрольной группой, не имеющей полевой практики. В качестве специальной задачи по развитию способностей структурного анализа можно производить дешифрирование аэроснимков, на которых постепенно закрывать 30, 50 или 70 % простых объектов, оставляя косвенные и комплексные признаки, способствующие распознаванию сложного объекта, выявлению его состояния и характера деятельности. В заключение определенного курса тренировок целесообразно проводить соревнования между специалистами по решению зачетных задач.
Рациональное использование различных эталонных снимков в процессе обучения требует большого мастерства от преподавателя. Так, например, для формирования гибких «дешифровочных» образов весьма важна вариация снимков на один и тот же объект.
В этих же целях полезно проведение упражнений на мысленное «восстановление» различных проекций объектов на основе планового изображения. Для формирования «чувства масштаба», «масштабных» эталонных образов необходимо использование «шкаловых» масштабных пособий.
Методика обучения дешифрированию в процессе использования эталонов и других учебных пособий должна предусматривать специальное развитие у обучаемых приемов дифференцированного структурного и индикационного анализа с использованием различных признаков в зависимости от поставленной задачи, требующей различной степени категоричности извлекаемой информации, формирование эталонных программ распознавания на основе применения «алгоритмических предписаний».
В целях интенсификации и ускорения подготовки операторов-дешифровщиков перспективным является использование способов и средств программированного (управляемого) обучения.