Например, Бобцов

Обработка данных ледовой разведки при условии низкого качества исходных изображений

Аннотация:

Предмет исследования. Предложено практически эффективное решение задачи автоматизированной обработки данных ледовой разведки в высоких широтах. Промежуточный результат ледовой разведки — большой массив данных аэрофотосъемки, состоящий из изображений низкого качества. Такой результат является следствием сложных условий аэрофотосъемки в высоких широтах. Цель работы — создание высокоэффективного метода, который при минимальных требованиях к вычислительным ресурсам способен или эффективно обработать предварительно собранный массив данных, или выполнить обработку подобных изображений в реальном масштабе времени. Метод должен обеспечить высокую надежность решения задачи по распознаванию класса распределения льдин на водной поверхности. Решена задача автоматической классификации типа распределения льдин по размерам для трехклассовой модели на основе данных аэрофотосъемки. Рассмотрен практически важный случай низкокачественных снимков, что является обычной ситуацией для метеорологических условий Крайнего Севера. Метод. Предложенный подход основан на использования методов машинного обучения, в частности на мультиклассовой машине опорных векторов, который является крайне нетребовательным к вычислительным ресурсам и поэтому может быть реализован даже бортовым вычислителем беспилотного летательного аппарата ледовой разведки. По входным изображениям низкого качества вычисляются многомерные числовые характеристики входного изображения, которые его информативно характеризуют. Характеристики (признаки) данного типа инвариантны к масштабу, повороту и освещению, а также имеют значительно меньшую размерность, чем исходное изображение. Основная идея, лежащая в основе предлагаемого метода, заключается в формировании оригинальной совокупности признаков. Признаки реализуются в оригинальном пространстве признаков, эффективно характеризуют крупные фрагменты анализируемого изображения и являются «устойчивыми», в отличие от признаков, характеризующих мелкие детали. Основные результаты. Предложен новый метод классификации типа распределения льдин на водной поверхности на основе обработки данных аэрофотосъемки с использованием методов машинного обучения, который эффективен для обработки низкокачественных изображений бортовым вычислителем беспилотного летательного аппарата ледовой разведки. Предложено оригинальное пространство признаков классификации, которое обеспечивает высокую практическую эффективность данного метода. Метод показал высокую эффективность при тестировании на наборе данных, составленном из реальных изображений низкого качества (высокая размытость, нечеткость, наличие метеорологических помех). Практическая значимость. Разработанный алгоритм может быть использован для экспресс-анализа данных ледовой разведки, в том числе и как компонент программного обеспечения бортовых вычислителей беспилотных летательных аппаратов ледовой разведки.

Ключевые слова:

Статьи в номере