Авторефераты по всем темам >>
Авторефераты по техническим специальностям
На правах рукописи
СЕЛИВАНОВ Павел Юрьевич
СПЕЦИАЛЬНОЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ РАСПРЕДЕЛЕННОЙ АДАПТИВНОЙ ОБРАБОТКИ ВРЕМЕННЫХ СЕРИЙ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ
Специальность: 05.13.11 - Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей
АВТОРЕФЕРАТ
диссертации на соискание ученой степени кандидата технических наук
Воронеж - 2012
Работа выполнена в ФГБОУ ВПО Воронежский государственный технический университет.
Научный руководитель Подвальный Семен Леонидович, доктор технических наук, профессор, ФГБОУ ВПО Воронежский государственный технический университет, заведующий кафедрой автоматизированных и вычислительных систем
Официальные оппоненты: Сирота Александр Анатольевич, доктор технических наук, профессор, ФГБОУ ВПО Воронежский государственный университет, профессор кафедры информационных систем Богословский Евгений Андреевич, кандидат технических наук, доцент, ФГКВОУ ВПО Военный учебно-научный центр Военно-воздушных сил Военновоздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина (г. Воронеж), докторант
Ведущая организация: ФГБОУ ВПО Воронежская государственная лесотехническая академия
Защита состоится л01 ноября 2012 г. в 1300 часов в конференц-зале на заседании диссертационного совета Д 212.037.01 ФГБОУ ВПО Воронежский государственный технический университет по адресу: 394026, г. Воронеж, Московский просп., 14.
С диссертацией можно ознакомиться в научно-технической библиотеке ФГБОУ ВПО Воронежский государственный технический университет.
Автореферат разослан л01 октября 2012 г.
Ученый секретарь диссертационного совета Барабанов Владимир Федорович
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы. В настоящее время для автоматизации пространственного мониторинга применяются постоянно развивающиеся интерактивные средства и человеко-машинные интерфейсы, обеспечивающие процессы моделирования объектов по разновременным сериям данных дистанционного зондирования (ДДЗ). Для построения трехмерных моделей местности (ТММ) и выявления пространственных изменений по сравнению с предшествующими моментами времени могут использоваться данные аэрокосмической съемки и лазерного сканирования.
Существенный вклад в исследование возможностей по обработке изображений внесли как отечественные, так и зарубежные ученые. Базовые результаты теории распознавания образов были получены У. Преттом, Р. Дудой, П. Хартом, а также отечественными учеными Ю.И. Журавлевым, А.Л. Гореликом и др. Разработкой методов обработки данных лазерного сканирования занимались как отдельные ученые (Е.М. Медведев, И.М. Данилин, И.Г. Журкин), так и целые организации (Оптен, Terrasolid, Inpho).
В рамках использования данных аэрокосмической съемки представляет интерес разработка методов распределенной адаптивной обработки изображений для выделения полей облачности, позволяющих оценивать различимость объектов на снимках сквозь полупрозрачную дымку. При этом распределенный характер обработки позволит ускорить проведение вычислений для большого объема разновременных данных.
Другой важной задачей анализа серий разновременных ДДЗ является автоматизация обработки данных лазерного сканирования. Представляет интерес разработка методов, позволяющих получать цифровые модели местности (ЦММ) с использованием, в том числе, человеко-машинных интерфейсов. При этом необходимо ускорить обработку данных, сохраняя требуемую точность моделирования.
Таким образом, актуальность темы диссертационного исследования продиктована необходимостью построения системы распределенной обработки данных дистанционного зондирования, применяемой для пространственного мониторинга по сериям разновременных данных.
Тематика диссертационной работы соответствует научному направлению ФГБОУ ВПО Воронежский государственный технический университет Вычислительные комплексы и проблемно-ориентированные системы управления.
Цель работы состоит в создании специальных методов распределенной обработки временных серий данных дистанционного зондирования для их оперативной визуализации в рамках человеко-машинных интерфейсов адаптивной распределенной программной инфраструктуры.
Для достижения цели поставлены следующие задачи:
1. Провести анализ математического и программного обеспечения систем распределенной обработки данных, получаемых в результате накопления аэрокосмических снимков и точек лазерного сканирования.
2. Разработать распределенные методы обработки аэрокосмических снимков сверхвысокого разрешения на основе модифицированных методов определения полей облачности.
3. Разработать метод и технологию автоматизированной ускоренной обработки данных дистанционного зондирования для построения цифровых моделей местности.
4. Разработать специальное программное обеспечение распределенной адаптивной обработки временных серий данных дистанционного зондирования.
Методы исследования. В работе использовались методы теории распознавания образов, обработки изображений, теории вероятностей, математической статистики, а также методы пространственного моделирования и объектно-ориентированного программирования.
Тематика работы соответствует следующим пунктам паспорта специальности 05.13.11: п. 7 Человеко-машинные интерфейсы; модели, методы, алгоритмы и программные средства машинной графики, визуализации, обработки изображений, систем виртуальной реальности, мультимедийного общения и п. 9 Модели, методы, алгоритмы и программная инфраструктура для организации глобально распределенной обработки данных.
Научная новизна работы. В работе получены следующие результаты, отличающиеся научной новизной:
1. Решение задачи пространственного мониторинга на основе визуализации серий разновременных данных дистанционного зондирования, отличающееся использованием априорной информации об объектах на снимках, что позволяет повысить точность определения полей облачности на изображениях.
2. Метод повышения скорости распределенной обработки данных дистанционного зондирования, отличающийся дополнительным использованием номера отражения и интенсивности отраженного импульса для классификации точек лазерного сканирования, сохраняющий требуемую точность обработки.
3. Специальное математическое обеспечение реализации необходимой точности визуализации, отличающееся учетом отклонений от средней плотности лазерного зондирования при планировании и проведении активного вычислительного эксперимента.
4. Программная инфраструктура адаптивной распределенной обработки изображений, отличающаяся принятием решения о выполнении вычислений на клиентской стороне по признаку наличия пересечения бинарных масок статических объектов и поля облачности, полученного методом К.Т. Протасова, позволяющая снизить нагрузку на сервер и повысить скорость обработки.
Практическая значимость. Практическая значимость диссертации заключается в реализации на базе предложенных методов программного обеспечения, позволяющего ускорить проведение пространственного мониторинга в ситуационных центрах.
Реализованный адаптивный механизм планирования распределенных вычислений, использующий признак наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода К.Т. Протасова, позволяет автоматически принимать решение о переносе обработки данных дистанционного зондирования на сторону клиента, что снижает нагрузку на сервер обработки пространственных данных.
Реализация и внедрение результатов работы. Основные теоретические и практические результаты внедрены в практическую деятельность ЮгоВосточной железной дороги (филиал ОАО РЖД), реализованы в рамках НИР Федерального автономного учреждения Государственный научноисследовательский испытательный институт проблем технической защиты информации Федеральной службы по техническому и экспортному контролю (ФАУ ГНИИИПТЗИ ФСТЭК России) и использованы в ходе выполнения ОКР Таганрогского технологического института Южного федерального университета (ТТИ ЮФУ).
Апробация работы. Основные результаты диссертационного исследования докладывались и обсуждались на следующих конференциях:
II Всероссийской научной конференции ученых, специалистов и профессорскопреподавательского состава Территориально распределенные системы охраны (Калининград, 2009); IX Всероссийской школе-конференции молодых ученых Управление большими системами (Липецк, 2012); X Международной научно-технической конференции Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2012 (Курск, 2012); Всероссийской научнопрактической конференции Актуальные вопросы эксплуатации систем охраны и защищенных телекоммуникационных систем (Воронеж, 2012).
Публикации. По результатам диссертационного исследования опубликовано 13 научных работ, в том числе 6 - в изданиях, рекомендованных ВАК РФ.
В работе [11], выполненной в соавторстве, лично автором получен следующий результат: предложена параметрическая модель имитации облачности на изображениях.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 157 наименований и двух приложений.
Основная часть работы изложена на 137 страницах, содержит 12 таблиц и рисунка.
ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность диссертационного исследования, сформулированы цель и задачи, представлены научная новизна и практическая значимость работы, приведены сведения об апробации и внедрении основных результатов, а также о публикациях.
В первой главе анализируются методы сбора и обработки данных дистанционного зондирования, позволяющие проводить пространственный мониторинг.
Приводятся задачи, которые могут быть решены с применением разновременных серий данных аэрокосмической съемки. Рассматривается одна из основных проблем использования этого метода сбора данных - невозможность съемки при облачности. Далее анализируется математическое и программное обеспечение методов атмосферной коррекции и определения полей облачности на изображениях. По итогам обзора делаются следующие выводы:
Х методы атмосферной коррекции полностью не решают задач восстановления изображений, в том числе и в случае полупрозрачной облачности;
Х методы определения полей облачности к маске облаков относят участки с полупрозрачными аэрозольными образованиями. Однако обнаружение некоторых объектов на поверхности Земли сквозь такую дымку возможно, и эти участки должны быть изучены дополнительно.
Кроме того, в первой главе рассматривается лазерное сканирование как один из мощнейших дистанционных способов сбора данных для построения трехмерных моделей. Приводится анализ существующего математического и программного обеспечения обработки результатов лазерного зондирования.
Делается вывод о том, что на настоящий момент реализовано только автоматическое выделение точек, принадлежащих поверхности Земли, а для классификации используется только расположение точек.
Анализируются ситуационные задачи, решаемые при использовании временных серий данных дистанционного зондирования, получаемых при помощи лазерного сканирования и аэрокосмической съемки.
В заключении главы приводятся особенности применения геоинформационных систем (ГИС) в ситуационных центрах в целях пространственного мониторинга. Сделан вывод о необходимости применения методов распределенной обработки; приводится структура системы распределенной обработки временных серий данных дистанционного зондирования, в рамках которой разработано математическое и программное обеспечение (см. рис. 1). Сформулированы цель и задачи диссертационного исследования.
Вторая глава посвящена распределенной обработке временных серий аэрокосмических снимков сверхвысокого пространственного разрешения. Рассматривается одна из основных проблем этого способа сбора пространственных данных - невозможность проведения зондирования в условиях, когда объект закрыт облаками.
Данные дистанционного зондирования Система планирования задач Клиент Клиент Система обработки данных Клиент i П1:
З11 З ЗJ5 ЗJ6 ЗJ7 ЗJКлиент S ПJ:
ЗJ1 ЗJ2 ЗJ3 ЗJМножество тонких клиентов ПN:
ЗN1 ЗN2 ЗNКлиент M Сервер обработки и планирования Система распределенной обработки данных Рис. 1. Структура распределенной обработки данных дистанционного зондирования Предлагается параметрическая модель имитации облачности, отличающаяся возможностью получать искаженные изображения, имеющие пространственное разрешение более 1 м; она позволяет:
1) задавать плотность облаков на снимках;
2) выбирать область изображения, которая будет искажена.
При моделировании облачности предполагается, что искажение, которому подвергается функция изображения (x, y), вызвано только наложением шума, что может быть записано в виде 0...0 J, '(x, y) =(x, y) + 0... 0 (I ( j))m( j) k( j) 0... (1) j =1 0...0X Y где j 1, J - номер изображения в сумме; J - количество изображений, использованных при построении функции шума.
m( j), k ( j) - равномерные дискретные случайные величины, принимающие значения из множеств 1, X и 1,Y соответственно; показывают координаты ненулевого пикселя функции шума с номером j.
I ( j) - нормально распределенная случайная величина, принимающая значения из множества [0,]; показывает интенсивность пикселя функции шума с номером j. - максимальное значение яркости пикселя изображения (x, y).
Таким образом, функция шума будет состоять из суммы изображений, каждое из которых содержит нулевые пиксели, кроме одного. Плотность облаков моделируется кратностью наложения различных шумовых матриц.
Далее предлагается алгоритм построения растровой карты минимальной облачности на основе проанализированных в первой главе методов определения полей облачности. Описываемая процедура использует разновременную серию изображений, обладающих следующими свойствами:
Х все снимки содержат данные об интересующей территории;
Х снимки имеют пространственную привязку;
Х снимки имеют различное пространственное разрешение;
Х каждому снимку соответствует временная метка.
Предлагаемый алгоритм можно представить в виде четырех последовательных шагов:
Шаг 1. Для каждого из обрабатываемых растров строится булева маска облачности с использованием метода, предложенного К.Т. Протасовым.
Шаг 2. Для каждого снимка получаем изображение с нулевыми пикселями на месте облаков. Для этого умножаем поэлементно матрицы изображения и инвертированную маску облачности, полученную на предыдущем шаге.
Шаг 3. Строим нулевой растр с пространственным разрешением самого крупномасштабного снимка из множества изображений, полученных на предыдущем шаге и не равных нулю.
Шаг 4. Получаем итоговое изображение. Значение пикселя искомого растра вычисляется следующим образом:
1. Выбирается такой снимок из множества изображений, полученных на шаге 2, который имеет непустое пересечение с пространственной областью, описывающей искомый пиксель и обладающий наибольшим пространственным разрешением. Если таких растров несколько, выбирается тот, который имеет наиболее позднюю временную метку.
2. Значение искомого пикселя принимается равным среднему между значениями тех пикселей выбранного растра, которые имеют непустое пересечение с пространственной областью, описывающей искомый пиксель.
Таким образом, результатом преобразований является синтезированное изображение, мозаично составленное из областей, свободных от облаков, принадлежащих различным разновременным снимкам.
Далее во второй главе предлагается распределенный метод адаптивного определения полей облачности для серий разновременных снимков X = {1,...,n,...,N}, n1, N. Его отличительной особенностью является использование априорной информации об объектах на снимке, которые для этого разделяются на статические и динамические.
Статические объекты описываются при помощи растровой карты. Каждому статическому элементу сопоставляются следующие дескрипторы:
1. Привязанное бинарное изображение Statk, k 1, K (K - количество статических объектов), единичные значения которого соответствуют пикселям объекта.
k k 2. Трехмерный вектор xk = (2, 3,ek ), k 1, K, где 2, 3 - второй и третий e центральные моменты яркостей пикселей области объекта, - энтропия.
Эталоны классов динамических объектов предлагается описывать при помощи остовов областей изображений Ostm, m1,M, M - количество выделенных классов динамических элементов.
Предлагаемый метод может быть представлен в виде пятиступенчатой процедуры (см. рис. 2), в результате выполнения которой будут найдены все элементы Falsen - множества, на котором функция Cloudn (x, y) принимает нулевые значения:
1, если (x, y) Falsen;
Cloudn(x, y) = (2) 0, если (x, y) Falsen.
Шаг X = {1,2,...,n,...,N }, n 1, N Шаг Априорная инф.
' U, n 1,N Растровая карта n об объектах Вычисления выполняются на стороне сервера Шаг ' Statk, Ostm, m1, M On = (AOI \Un) Statk, n1, N k k k1,K xk = (2, 3,ek ), M - количество Принятие решения о переносе вычисле- k 1, K классов динаний на сторону клиента К - количество мических объВычисления выполняются на стороне сервера статических ектов объектов Шаг Сегментация Вычисления выполняются на стороне клиента Вычисления выполняются на стороне клиента Шаг Распознавание Распознавание динамистатических объектов ческих объектов с испо вектору пользованием остова x = (2, 3,e) Вычисления выполняются на стороне клиента Рис. 2. Распределенный метод выделения полей облачности Шаг 1. Построение растровой карты минимальной облачности.
Построение изображения минимальной облачности по серии разновременных снимков согласно предложенному алгоритму. В результате выполнения ' этого шага будут получены области нулевой облачности Un, n1, N ; все эле' менты множества Un добавляются в Falsen. Вычисления проводятся на стороне сервера.
Шаг 2. Описание области интересов.
Построение бинарных изображений Statk, k 1,K и остовов Ostm, m1,M для описания статических и динамических объектов проводится на стороне клиента.
Шаг 3. Выделение анализируемых областей изображений и принятие решения о переносе вычислений на сторону клиента.
' On = (AOI \Un) Statk, n1, N.
(3) k1,K Рассмотрение только этой части снимка объясняется следующими соображениями: во-первых, пиксели, свободные от облаков, выявлены ранее; вовторых, статические элементы определяют все возможные места нахождения динамических элементов.
On = Если, то Falsen определена полностью и выполнение метода прекращается. Иначе дальнейшие вычисления выполняются на стороне клиента согласно структуре распределенной обработке данных (см. рис. 1).
On Шаг 4. Сегментация изображений n, n1, N в выбранной области.
Шаг 5. Принятия решения об отнесении областей к полю облачности.
Если в результате сегментирования была получена единственная область, то благодаря имеющейся априорной информации о месте расположения статических элементов может быть сделан однозначный вывод о возможности их распознавания сквозь полупрозрачную облачность.
Если в результате сегментирования было получено несколько областей, то каждая из них будет проверяться на принадлежность классам динамических m объектов. Пусть область распознана как динамический объект класса, тогда все ее точки должны быть включены в множество Falsen.
Области, не отнесенные к динамическим объектам, необходимо проверить на принадлежность к соответствующим статическим элементам. Если в результате сравнения статистических параметров с эталоном область будет распознана как статический объект, то все ее точки следует включить в множество Falsen.
Распределенный характер вычислений, представлен двумя свойствами предложенного метода:
1. Возможностью выполнения шагов 2 и 3 независимо и параллельно на сторонах клиента и сервера соответственно.
2. Принятие решения на шаге 3 о переносе всех оставшихся вычислений на сторону клиента, используя признак наличия пересечения бинарных масок статических объектов и поля облачности, построенного на шаге 1.
Далее описывается исследование, позволяющее оценить эффективность алгоритмов обработки изображений, используемых в предложенном методе.
Проанализированы результаты работы следующих алгоритмов:
1. Методы фильтрации: на основе контргармонического среднего; на основе минимума; итерационный алгоритм Люси-Ричардсона.
2. Методы сегментации: метод сегментации по водоразделам с применением маркеров; метод k-среднего; метод выращивания областей.
Эффективность пар алгоритмов оценивалась, используя подсчет ошибок первого и второго рода при выделении области изображения, описывающей динамический объект. Испытания проводились с использованием имитации облаков при помощи предложенной в этой главе модели. Была исследована эффективность работы выбранных методов на 50 000 изображений. Результаты исследования приведены в табл. 1.
Таблица Результаты исследования эффективности методов фильтрации и сегментации для снимков искаженных облачностью Кол-во шумовых Приоритетный Приоритетный точек, х 105 метод фильтрации метод сегментации Без облаков 0 - 0,27 без фильтрации любой метод 0,27 - 0,4 фильтр контргармоническое любой метод среднее Небольшая 0,4 - 0,65 фильтр минимизации любой метод плотность 0,65 - 0,95 фильтр контргармоническое любой метод среднее 0,95 - 1,15 фильтр минимизации или k - среднее Средняя Люси-Ричардсона плотность 1,15 - 1,25 фильтр минимизации k - среднее Высокая 1,25 - 2 фильтр k - среднее плотность Люси-Ричардсона Далее во второй главе описывается сравнение эффективности предложенного метода со следующими известными:
1) методом, основанным на многомодальности гистограмм.
2) методом, предложенным К.Т. Протасовым.
3) методом, предложенным Ю.В. Гридневым.
Испытания проводились на 3 500 изображений, искаженных облаками различной плотности.
Анализ результатов проведенного исследования эффективности показал, что разработанный метод маскирует область изображения в качестве облака при более сильном искажении по сравнению с другими известными методами, что показывает его большую эффективность для решения задач пространственного мониторинга и обусловлено использованием априорной информации об объектах на снимках.
Таким образом, разработанный распределенный метод определения полей облачности совместно с алгоритмом построения растровой карты минимальной облачности позволяют решить задачу пространственного мониторинга на основе визуализации серий разновременных данных дистанционного зондирования. Предложенное решение отличается использованием априорной информации об объектах на снимках, что позволяет повысить точность определения полей облачности на изображениях.
Третья глава посвящена разработке автоматического ускоренного метода обработки данных, полученных в результате проведения лазерного зондирования. В начале главы проводится анализ особенностей данных лазерной съемки. Выделяются свойства, детектируемые при проведении зондирования, которые можно использовать в качестве классификационных признаков: координаты точек; номер отражения лазерного импульса;
интенсивность отражения лазерного импульса.
Далее приведен анализ особенностей данных, полученных при съемке сканерами воздушного и наземного базирования. Обоснован подход совместной обработки данных, полученных различными типами оборудования, приводятся ограничения, позволяющие сделать это.
Далее приводится описание автоматического метода обработки данных лазерного зондирования для построения ЦММ.
Шаг 1. Классификация точек лазерного сканирования (см. рис.3).
Шаг 2. Построение тематического растра и преобразование его в векторный формат, что можно описать в виде следующей процедуры:
1. Построение географически привязанного изображения (m,n) :
max z, если точки (x, y, z): (x, y) пикселю(mn) ;
, { } ( x, y,z):повсемточкам, (x,y )пикселю(mn) (mn) =, (4) 0, если точки (x, y, z): (x, y) пикселю(mn) =.
, { } 2. Преобразование (m,n) к бинарному виду:
1, если (mn) 0;
, 0(mn) =, 0, если (mn) = 0. (5), 3. Преобразование изображения 0(m, n) в векторный формат.
Необработанные точки ЛС Фильтрация ошибочных (шумовых) точек Выделение точек, принадлежащих Земле Точки, не отнесенные к классу Точки класса Земля Земля Построение модели поверхности Земли Да Нет Z < echo = промежуточный Да Нет или первый из многих Анализ интенсивности отраженных импульсов Класс точек Низкая Точки растительности растительность Фильтрация точек по интенсивности Точки, не отнесенные к растительности Неклассифицир.
точки Да Нет Фильтрация Z > изолированных точек Класс точек Высокая растительность Анализ интенсивности отраженных импульсов Точки класса Здания Класс точек Средняя растительность Рис. 3. Алгоритм классификации точек ЛС Эффективность метода оценивалась по следующим параметрам:
1. Площадь территории, которая была ошибочно отнесена к одному из слоев.
2. Площадь территории, которая ошибочно не была отнесена ни к одному из слоев.
3. Отношение площади территории, которая должна быть отнесена к одному из целевых слоев, к общей площади участка.
4. Время работы приложения, реализующего метод.
Анализ полученных экспериментальных данных (см. табл. 2) позволяет сделать вывод, что предложенный метод ускоряет обработку данных лазерного сканирования, сохраняя требуемую точность.
Таблица Оценка эффективности метода автоматизированного построения ЦММ Среднее отношеСредняя полноние площади не- Среднее отношение Средняя длита покрытия верно распознан- площади территории, тельность выВид местности территории ценой территории, к которая была ошибоч- полнения для левыми слоями общей площади но не распознана, к об- 1 кв. км.
метода участка щей площади участка 0,9 0,017 0,15 10 мин 12 сек территория с рекой территория, покры0,9 0,015 0,001 10 мин 36 сек тая лесом территория, занятая низкой раститель0,55 0,015 0,001 7 мин 23 сек ностью и свободная от растительности Далее описывается распределенная ускоренная технология применения предложенного метода обработки данных лазерного зондирования (см. рис. 4).
При выполнении вычислений автоматическая обработка данных дистанционного зондирования проводится на стороне сервера, а ручная корректировка - на стороне клиента.
Аэрофотоснимки JPG Точки ЛС Построение ОРТОФОТО Выделение точек ЗЕМЛИ автоматическая обработка автоматическая обработка Оцифровка дорог, Оцифровка Точки ЗЕМЛИ Точки НЕ ЗЕМЛИ ограждений и т.д. гидрографии Построение Классификация горизонталей точек ЛС Построение Векторизация отметок высот автоматическая обработка автоматическая обработка Корректировка слоев растительности, зданий Корректировка изометрической модели рельефа Слои гидрографии, дорог, Изометрическая Слои растительности ограждений и т.д. модель рельефа и зданий Цифровая модель местности Рис. 4. Технология получения ЦММ Применение распределенной технологии обработки серий данных лазерной съемки открывает возможность получения ЦММ территории в 20 кв. км., за один рабочий день (8 часов) коллективом сотрудников из 10 человек. Таким образом, предложен метод повышения скорости распределенной обработки данных дистанционного зондирования, отличающийся дополнительным использованием номера отражения и интенсивности отраженного импульса для классификации точек лазерного сканирования, сохраняющий требуемую точность.
В завершении главы приводится описание исследований точности построения трехмерных моделей. В результате исследования сделан вывод, что построение взаимно однозначного соответствия между средней плотностью проведения лазерной съемки и точностью трехмерных моделей провести невозможно. Однако экспериментально получена зависимость точности трехмерных моделей и количества отражений лазерного импульса от поверхности объекта (см. табл. 3). Используя эти данные, необходимо осуществлять планирование съемки местности с целью получения ее трехмерной модели.
Таким образом, предложено специальное математическое обеспечение реализации необходимой точности визуализации, отличающееся учетом отклонений от средней плотности лазерного зондирования при планировании и проведении активного вычислительного эксперимента.
Таблица Зависимость точности модели плоскости от количества точек, отраженных от нее Количества отражений лазерного импульса Точности трехмерной модели до 50 0,15 м до 150 0,1 м до 200 0,08 м более 200 0,05 м Четвертая глава посвящена разработке специального программного обеспечения распределенной обработки временных серий данных дистанционного зондирования. Рассматривается структура программного комплекса, в рамках которого предполагается использовать разработанное ПО (см. рис. 5) Предлагается автоматическая система планирования, использующая признак наличия пересечения бинарных масок статических объектов и поля облачности, полученного методом К.Т. Протасова. То есть, если при выполнении шага 3 предложенного метода определения полей облачности (см. главу 2) O , то дальнейшие вычисления проводятся на стороне клиента. Кроме тоn го, система планирования обладает свойством адаптивности, а именно: позволяет проводить перераспределение вычислений на сторону клиента в зависимости от загрузки сервера.
Клиент Клиент Браузер Браузер Ethernet Сервер планирования и обработки Настольная Аэрокосмич.
Система планирования съемка система Подсистема обраПодсистема ботки данных обработки Лазерная аэрокосмич. съемки съемка Настольная данных ЛС система Сбор Множество да выделенных клиентов СУБД Сервер Рис. 5. Структура программного комплекса распределенной адаптивной обработки пространственных данных Приводится описание реализации клиентской и серверной частей ПО.
Разработанная серверная часть состоит из двух подсистем, в работе приводится набор их основных функций, рассматриваются некоторые части исходного кода.
Подсистема обработки данных лазерного сканирования состоит из следующих компонентов (см. рис. 6): основной модуль; модуль классификации;
модуль векторизации; модуль работы с базой данных.
Основной модуль Модуль работы с БД TopoFromPoint>
модуль обработки изображений.
Модуль построения растровой карОсновной модуль ты maskByTask CloudsGen BuildRastrMap GetData SaveData maskProtasov maskGridnev Модуль работы Модуль работы со статическими с динамическими объектами объектами CmpOstov GetOstov GetStatDesc CmpStatObj Модуль обработки изображений BuildStatArea segGrow segKMEAN FiltrMIN FiltrLR FiltrCHMEAN Рис. 7. Структура подсистемы обработки данных аэрокосмической съемки Для основных модулей обеих подсистем был разработан графический интерфейс (см. рис. 8).
Рис. 8. Графический интерфейс разработанного программного обеспечения Таким образом, предложена программная инфраструктура адаптивной распределенной обработки изображений, отличающаяся принятием решения о выполнении вычислений на клиентской стороне по признаку наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода К.Т. Протасова, позволяющая снизить нагрузку на сервер и повысить скорость обработки.
ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ 1. Предложено решение задачи пространственного мониторинга на основе визуализации серий разновременных данных дистанционного зондирования, отличающееся использованием априорной информации об объектах на снимках, что позволяет повысить точность определения полей облачности на изображениях.
2. Разработан метод повышения скорости распределенной обработки данных дистанционного зондирования, отличающийся дополнительным использованием номера отражения и интенсивности отраженного импульса для классификации точек лазерного сканирования, сохраняющий необходимую точность обработки.
3. Предложено специальное математическое обеспечение реализации необходимой точности визуализации, отличающиеся учетом отклонений от средней плотности лазерного зондирования при планировании и проведении активного вычислительного эксперимента.
4. Разработана программная инфраструктура адаптивной распределенной обработки изображений, отличающаяся принятием решения о выполнении вычислений на клиентской стороне по признаку наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода К.Т. Протасова, позволяющая снизить нагрузку на сервер и повысить скорость обработки.
5. Реализован адаптивный механизм планирования распределенных вычислений, использующий признак наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода Протасова, позволяющий автоматически принимать решение о переносе обработки данных дистанционного зондирования на сторону клиента.
6. Разработано специальное программное обеспечение распределенной адаптивной обработки временных серий данных дистанционного зондирования, позволяющее ускорить проведение пространственного мониторинга.
Основные результаты диссертации опубликованы в следующих работах:
Публикации в изданиях, рекомендованных ВАК РФ 1. Селиванов П.Ю. Адаптивный метод выделения полей облачности на космических снимках высокого разрешения / П.Ю. Селиванов // Вестник Воронежского государственного технического университета. 2011. Т.7. №6. - С. 188-193.
2. Селиванов П.Ю. Цифровая модель местности на основе данных лазерной съемки / П.Ю. Селиванов // Вестник Воронежского государственного технического университета. 2011. Т.7. №6. - С. 202-208.
3. Селиванов П.Ю. Анализ известных методов определения полей облачности. Автоматизированная технология построения растровой карты нулевой облачности / П.Ю. Селиванов // Вестник Воронежского государственного технического университета. 2012. Т.8. №4. - С. 44-49.
4. Селиванов П.Ю. Анализ эффективности методов сегментации для снимков сверхвысокого пространственного разрешения, полученных при полупрозрачной облачности / П.Ю. Селиванов // Вестник Воронежского государственного технического университета. 2012. Т.8. №4. - С. 61-65.
5. Селиванов П.Ю. Параметрическая модель искажения цифрового изображения для имитации полупрозрачной облачности на аэрокосмических снимках / П.Ю. Селиванов // Системы управления и информационные технологии. - Москва-Воронеж: Научная книга, 2012. №2.1 (48). - С. 179-183.
6. Селиванов П.Ю. Автоматическая классификация точек лазерного сканирования для пространственного моделирования / П.Ю. Селиванов // Системы управления и информационные технологии. - Москва-Воронеж: Научная книга, 2012. №2(48). - С. 74-78.
Статьи и материалы конференций 7. Селиванов П.Ю. Применение лазерного сканирования для построения трехмерных моделей охраняемых объектов / П.Ю. Селиванов // Территориально распределенные системы охраны: науч. сб.Ц Калининград, 2009. № 2. Ч. 1. - С. 23-25.
8. Селиванов П.Ю. Моделирование полей облачности на аэрокосмических снимках сверхвысокого пространственного разрешения / П.Ю. Селиванов// Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание2012: сб. материалов X Междунар. научн.-техн. конф.Ц Курск: Юго-Зап. гос. унт, 2012. - С. 58-59.
9. Селиванов П.Ю. Эффективность сегментации космических снимков, полученных при полупрозрачной облачности / П.Ю. Селиванов // Оптикоэлектронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание-2012: сб. материалов X Междунар. научн.-техн. конф.Ц Курск: Юго-Зап. гос. ун-т, 2012. - С.61-63.
10. Селиванов П.Ю. Построения растровой карты нулевой облачности по серии разновременных снимков / П.Ю. Селиванов // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание-2012: сб. материалов X Междунар.
научн.-техн. конф.Ц Курск: Юго-Зап. гос. ун-т, 2012. - С. 59-61.
11. Подвальный С.Л. Имитация полупрозрачной облачности на аэрокосмических снимках. / С.Л. Подвальный, П.Ю. Селиванов // Управление большими системами: материалы IX Всерос. школы-семинара молодых ученых. - Тамбов-Липецк: Издательство Першина Р.В., 2012. - С. 227-228.
12. Селиванов П.Ю. Исследование эффективности методов фильтрации и сегментации аэрокосмических снимков / П.Ю. Селиванов // Управление большими системами: материалы IX Всерос. школы-семинара молодых ученых. - Тамбов-Липецк: Издательство Першина Р.В., 2012. - С. 232-234.
13. Селиванов П.Ю. Опыт применения технологии лазерного сканирования для анализа состояния железнодорожной природно-технической системы / П.Ю. Селиванов // Актуальные вопросы эксплуатации систем охраны и защищенных телекоммуникационных систем: материалы Всерос. науч.-практ. конф.
Ц Воронеж: Воронежский институт МВД России, 2012. - С. 164-165.
Подписано в печать 28.09.2012.
Формат 60х84/16. Усл. печ. л. 1,0.
Заказ № 64. Тираж 85 экз.
Типография ООО УГенезисФ 119571 Москва, пр-т Вернадского, д. тел. 8 (495) 434-83-
Авторефераты по всем темам >>
Авторефераты по техническим специальностям