WWW.DISUS.RU

БЕСПЛАТНАЯ НАУЧНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

 

Методика автоматизированного распознавания образов железнодорожных путей по данным дистанционного аэрокосмического зондирования

На правах рукописи

Макаров Алексей Юрьевич

Методика автоматизированного распознавания образов железнодорожных путей по данным дистанционного аэрокосмического зондирования

Специальность 25.00.35 – «Геоинформатика»

Автореферат диссертации на соискание ученой степени

кандидата технических наук

Москва – 2009

Диссертационная работа выполнена: на кафедре «Геодезии, геоинформатики и навигации» Государственного образовательного учреждения высшего профессионального образования «Московский государственный университет путей сообщения» (МИИТ)

Научный руководитель: доктор технических наук, профессор Матвеев Станислав Ильич

Официальные оппоненты:

д.т.н. Флегонтов Александр Валентинович, ведущий научный сотрудник 29 НИИ МО РФ;

к.т.н. Кужелев Павел Дмитриевич, доцент кафедры ВТиАОИ МИИГАиК.

Ведущая организация: Центральный научно-исследовательский институт геодезии, аэросъемки и картографии (ЦНИИГАиК).

Защита состоится: 26 февраля 2009 года в 15:00 на заседании диссертационного совета Д 218.005.11 в Московском государственном университете путей сообщения (МИИТ) по адресу: 127994, Москва, ул. Образцова, д. 9, стр. 9, ауд. 1235.

С диссертацией можно ознакомиться в библиотеке университета.

Отзывы на автореферат в двух экземплярах, заверенные печатью, просим направлять по адресу совета университета.

Автореферат разослан __________________.

Ученый секретарь совета

д.т.н., профессор Ю.А. Быков

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Согласно Концепции создания и развития инфраструктуры пространственных данных Российской Федерации (распоряжение Правительства РФ № 1157р от 21.08.06), а также в соответствии с принятой на «Железнодорожном съезде: Развитие 2030» «Стратегией развития железнодорожного транспорта Российской Федерации до 2030 года» приоритетным направлением научно-технической политики в железнодорожном транспорте является внедрение высоких информационных технологий, которые принципиально меняют качество и сущность управления железнодорожной инфраструктурой, реализуя объективные инструментальные методы мониторинга, оценки и контроля состояния наземных объектов.

Такие технологии мониторинга, оценки и контроля должны создаваться на основе современных систем дистанционного зондирования Земли (ДЗЗ), базирующихся на аэрокосмических системах ДЗЗ высокого (1-2 м) и сверхвысокого (меньше 1 м) разрешения в сочетании со средствами цифровой комплексной компьютеризированной наземной обработки данных ДЗЗ.

В ряде стран уже активно проводятся подобные работы по применению спутниковых системы ДЗЗ сверхвысокого разрешения на железнодорожном транспорте.

В последнее время в России такого рода работы – съёмки сверхвысокого разрешения - традиционно проводились с использованием иностранных космических аппаратов (КА), что было невыгодно экономически и, кроме того, ставило результаты работ в зависимость от воли иностранных компаний или с использованием устаревших аэросъемочных методов.

Однако на настоящий момент запущен и успешно функционирует первый отечественный спутник ДЗЗ – «Ресурс-ДК1», а также готовится к запуску второй аппарат серии – «Ресурс-ДК2». Сильно выигрывая в цене у зарубежных КА (2,52 р. за 1 кв. км новой съемки и 2,02 р. за 1 кв. км архивной), он практически не уступаем большинству зарубежных конкурентов в пространственном разрешении (до 1 метра и лучше), и существенно превосходит их по площади, захватываемой за один проход (28,35 км в ширину с высоты 350 км и до 2000 км в длину).

Подобного рода возможности открывают широкие перспективы и могут стать основой для регулярных качественных съемок земной поверхности в интересах железнодорожной отрасли (само собой различные источники данных ДЗЗ должны дополнять друг друга), а последующее автоматизированное распознавание результатов съемок позволит существенно ускорить процессы обработки получаемых данных. В рамках реализации «Программы развития скоростного и высокоскоростного движения на сети дорог ОАО «РЖД»», утвержденной распоряжением ОАО «РЖД» № 1146р от 07.06.06 проведение подобных съемок необходимо для создания единой системы оперативного мониторинга пути (ЕС ОМП), которая в свою очередь является частью единой системы координатно-временного и навигационного обеспечения (ЕС КВНО) РЖД.

Цели работы. Целью диссертационной работы является разработка методики автоматизированного распознавания образов железнодорожных путей на аэрокосмических снимках сверхвысокого разрешения для получения цифровых моделей путей.

С учетом вышеизложенного, основными задачами диссертационного исследования являются:

  • Изучение и описание современного рынка данных ДЗЗ, теории построения цифрового изображения съемочной аппаратурой средств ДЗЗ (на примере КА «Ресурс-ДК1»), теории искажений при построения цифровых изображений;
  • Разработка способа исправления и обработки цифровых изображений, способа улучшения качества цифровых изображений, способа создания тематической продукции по материалам съемок, методики автоматизированного распознавания образов железнодорожных путей по материалам съемок, программного обеспечения для автоматизированного распознавания образов железнодорожных путей по материалам съемок, технологического процесса создания тематической продукции по материалам съемок КА «Ресурс-ДК1»;
  • Экспериментальное доказательство возможности создания цифровых моделей железнодорожных путей по материалам дистанционного аэрокосмического зондирования;

Методика исследования. Для достижения поставленных целей, используя методы научного познания, был произведен анализ трудов российских и зарубежных ученых в области ДЗЗ, в области математической картографии, в области геоинформационных систем, в области небесной механики и теории движения космического аппарата, в области проектирования железнодорожного пути; используя библиотечные фонды Российской государственной библиотеки, центральной политехнической библиотеки, государственной публичной научно-технической библиотеки, ресурсы мировой информационной сети Интернет. Для подтверждения разработанных способов, алгоритмов и программ были проведены многочисленные эксперименты в процессе ЛКИ КА «Ресурс-ДК1».

Научная новизна работы состоит в том, что впервые разработана новая методика, алгоритм и программное обеспечение автоматизированного распознавания образов железнодорожных путей по данным дистанционного зондирования Земли сверхвысокого разрешения, которая позволяет на порядок повысить скорость и точность дешифрирования цифровых снимков, а также разработан технологический процесс дешифрирования, создания и обновления цифровых векторных карт по данным ДЗЗ сверхвысокого разрешения.

На защиту выносятся:

- разработанные новая методика и алгоритм автоматизированного распознавания образов железнодорожных путей по данным аэрокосмического дистанционного зондирования Земли сверхвысокого разрешения.

Практическая значимость работы состоит в следующем:

  • Разработана новая методика и алгоритм автоматизированного распознавания образов железнодорожных путей по данным аэрокосмического дистанционного зондирования Земли сверхвысокого разрешения;
  • Разработано программное обеспечение для автоматизированного распознавания образов железнодорожных путей по данным аэрокосмического дистанционного зондирования Земли сверхвысокого разрешения;
  • Разработан технологический процесс создания тематической продукции по материалам съемок «Ресурс-ДК1» в интересах железнодорожной отрасли;
  • Разработаны алгоритмы коррекции яркостных и динамических искажений цифровых изображений.

Апробация работы и научные публикации

Разработанная методика автоматизированного распознавания железнодорожных путей по данным дистанционного зондирования Земли из космоса сверхвысокого разрешения была использована в работе по научно-исследовательской и опытно-конструкторской теме ОАО «НИИАС» 19.1.006.Н «Система определения местоположения технологических объектов на путевом развитии станции на основе применения аппаратуры потребителей спутниковых радионавигационных систем ГЛОНАСС/GPS».

Результаты диссертационной работы апробировались на 59 научно-технической конференции студентов, аспирантов и молодых ученых МИИГАиК (Москва 2004 г.); на конференции «Неделя науки-2007» (г. Москва 2007 г.); на 4-ой Международной научно-практической конференции «Геопространственные технологии и сферы их применения» (Москва 2007 г.); на международной научно-практической конференции «Проблемы геоинформатики и спутниковой навигации железнодорожного транспорта»» (Москва 2007 год) и получили одобрение.

На проходившем в Ростове-на-Дону 10-14 июля 2008 года Региональном слете молодежи ОАО «РЖД», проектная группа молодых ученых, руководимая автором, получила первое место в номинации «Инновации и Инвестиции», за проект «Спутник-ЖД», в котором также были предложены к использованию принципы работы с данными ДЗЗ из космоса, изложенные в данной диссертационной работе.

Основные положения диссертационной работы и научные результаты, полученные автором, опубликованы в 9 печатных работах.

Структура и объем диссертации

Диссертация состоит из введения, трех глав, заключения и списка литературы, состоящего из 45 источников, объем диссертации составляет 177 страниц. Работа содержит 8 таблиц и 39 рисунков.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, определены цели и содержание поставленных задач, сформулирован объект и предмет исследования, указана теоретическая значимость и прикладная ценность полученных результатов, а также сообщены положения, выносящиеся на защиту.

В первой главе приведен анализ современного состояния рынка данных ДЗЗ. Изложено современное состояния рынка, его основные тенденции, даны прогнозы на будущее. Описаны пути возможной интеграции данных ДЗЗ в геоинформационные системы (ГИС) и в другие отрасли. Приведены примеры применения данных ДЗЗ для решения различных задач, в том числе и для нужд железнодорожной отрасли.

Подробны проанализированы разные типы исходных данных ДЗЗ и её возможности по использованию для нужд железнодорожной отрасли, в зависимости от пространственного разрешения данных.

Рассмотрен космический комплекс (КК) «Ресурс-ДК1». Подробно описан сам КА, его характеристики, составные части, съемочная аппаратура. Также показана структура наземной сегмента комплекса, его составные части, схемы взаимодействия, задачи и принципы функционирования.

Во второй главе рассмотрена теория построения изображения съемочной системой средств ДЗЗ (на примере КА «Ресурс-ДК1»). Подробно изложены возникающие при этом ошибки и искажения и их источники. Изложено описание методов и алгоритмов, разработанных автором, для устранения этих искажений.

Устранение возникающих искажений происходит в Комплексе цифровой обработки (КЦО). Для этого в составе КЦО функционируют 3 модуля: модуль компенсации искажений, модуль коррекции геометрического рассогласования полос и модуль геометрической трансформации.

Модуль компенсации искажений занимается компенсацией яркостных и динамических искажений.

Для проведения данных компенсаций автором были предложены алгоритмы, отвечающая двум основным условиям: максимальная оперативность в сочетании с минимальными вычислительными затратами и отсутствие эталонного исходного изображения.

Сначала происходит оценка яркостных искажений изображения. Для этого предполагается, что модель данного вида искажений имеет вид:

y(n1,n2)=a(n2) x0(n1,n2)+b(n2), (1)

где x0(n1,n2) – «идеальное» изображение, не имеющее искажений; y(n1,n2) - искаженное изображение; n1,n2 - целочисленные аргументы (номера) пикселей (n1 - по столбцам, n2 - по строкам изображения); a(n2) - коэффициент чувствительности элемента ОЭП, отвечающего за формирование n2-го пикселя в строке; b(n2) - аддитивная компонента искажения, обусловленная уровнем темновых токов этого же элемента ОЭП.

Из модели искажений (1) следует, что разброс параметров элементов ОЭП, описываемый последовательностями а(n2) и b(n2), приводит к детермини­рованным изменениям средних значений и диапазона пикселей в столбцах изображения.

Оценка яркостных искажений изображения основана на вычислении для каждого столбца двух характеристик: среднего значения и дисперсии пикселей.

Реализация алгоритма предполагает выполнение следующей последовательности шагов.

Шаг 1. Вычисление гистограмм значений пикселей в столбцах входного изображения. Сначала весь двумерный массив W(у,n2) заполняется нулевыми значениями. Далее, в цикле по строкам изображения (по переменной n1) и по столбцам (по переменной n2) прибавляются единицы к элементам массива, отвечающим за соответствующие значения пикселей:

(2)

Шаг 2. Рассчитываются значения средних и дисперсий по столбцам:

(3)

(4)

Шаг 3. Вычисляются сглаженные оценки средних и дисперсий - Ms(n2), Ds(n2), для чего осуществляется усреднение последовательностей (4) в симметричном скользящем окне размером в L пикселей (L - нечетное целое). Основные рекурсивные формулы такого усреднения имеют вид:

 (5) (6) Шаг 4. Из условия преобразования случайных величин с-3 (5)

 (6) Шаг 4. Из условия преобразования случайных величин с характеристиками-4 (6)

Шаг 4. Из условия преобразования случайных величин с характеристиками Ms(n2), Ds(n2) в величины с характеристиками M(n2), D(n2) вычисляются параметры модели искажений (1):

, (7)

Вычислительную сложность рассмотренного алгоритма можно принять на уровне трех операций на пиксель обрабатываемого изображения.

После проведения оценки яркостных искажений и получения выходных массивов информации и их параметров (а(n2) и b(n2)) применяется алгоритм компенсации яркостных искажений.

Реализация алгоритма предполагает выполнение следующей последовательности шагов.

Шаг 1. Вычисление параметров функции линейного преобразования, обратного к (1):

, (8)

Шаг 2. Реализация компенсирующего преобразования для всех пикселей изображения:

(9)

Шаг 3. Коррекция значений пикселей на случай их возможного выхода за допустимый диапазон значений:

x1(n1,n2)0, при x1(n1,n2)<0

x1(n1,n2) x1(n1,n2), при 0 x1(n1,n2)1023 (10)

x1(n1,n2) 1023, при x1(n1,n2)>1023

Вычислительная сложность алгоритма составляет 5 сложений/вычитаний и одно умножение, т.е. всего шесть операций на пиксель обрабатываемого изображения.

Далее необходимо провести оценку и компенсацию динамических искажений изображения. Сначала проводится их оценка.

Алгоритм оценки синтезирует общую гистограмму скорректированного изображения x1(n1,n2) из частных гистограмм, построенных по столбцам входного изображения у(n1,n2) с учетом параметров яркостных искажений. После синтеза общей гистограммы по ней вычисляются два квантиля, соответствующие заданной допустимой вероятности выхода пикселей за оцениваемые границы динамического диапазона.

Шаг 1. Синтез общей гистограммы изображения путем суммирования (со сдвигом) гистограмм столбцов с последующей нормировкой:

0x11023 (11)

где [...]- оператор выделения целой части числа. Значения W([...],n2), для которых целая часть числа a(n2)х1+b(n2) оказывается за пределами интервала [0,1023], принимаются равными нулю.

Шаг 2. Вычисление квантиля, соответствующего минимальному значению пикселя:

(12)

Шаг 3. Вычисление квантиля, соответствующего максимальному значению пикселя:

(13)

Вычислительная сложность алгоритма составляет менее 0,15 арифметических операций на пиксель, т.е. является пренебрежимо малой.

После оценки динамических искажений происходит их компенсация.

Алгоритм компенсации реализует линейное поэлементное преобразование изображения, обеспечивающий преобразование реального динамического диапазона к полной байтовой шкале значений (диапазону 0-255).

Шаг 1. Вычисление параметров функции линейного преобразования:

, (14)

Шаг 2. Реализация линейного преобразования для всех пикселей изображения:

x(n1,n2)=АДД x1(n1,n2)=ВДД (15)

Шаг 3. Коррекция значений пикселей на случай их возможного выхода за допустимый диапазон значений:

x(n1,n2)0, при x(n1,n2)<0

x(n1,n2) x1(n1,n2), при 0 x(n1,n2)1023 (16)

x(n1,n2) 1023, при x(n1,n2)>1023

Если пренебречь малыми затратами на первом шаге алгоритма, то его вычислительная сложность (с учетом индексации) составляет шесть операций на пиксель обрабатываемого изображения.

Далее изображение обрабатывается в модуле коррекции геометрического рассогласования полос, а затем в модуле геометрической трансформации (где происходит преобразование изображения в систему координат формируемого кадра).

После этого изображение передается в Комплекс тематической обработки (КТО) на тематическую обработку, где проводятся, в том числе, и процедуры распознавания.

В третьей главе приведены способы предлагаемые автором для повышения качества цифровых изображений. Основу этих способов составляет высокочастотная фильтрация изображений и подчёркивание контуров методом Лапласа. Изложена разработанная автором методика автоматизированного распознавания железнодорожных путей по данным ДЗЗ. Установлена точность и надежность данной методики. Дано описание результатов эксперимента по применению данной методики в рамках НИОКР ОАО «НИИАС» 19.1.006.Н. Приведен технологический процесс по созданию тематической продукции по материалам съемок «Ресурс-ДК1» для железнодорожной отрасли разработанный автором.

Для автоматизированного распознавания железнодорожных путей на снимках предлагается методика, основанная на детектировании прямолинейных объектов с исполь­зованием модифицированного преобразования Хока.

Преимуществом преобразования Хока является его нечувствительность к шумам. Отдельные шумовые точки, присутствующие на исходном изображении, практически не влияют на получаемый результат. Более того, прямолинейные объекты устойчиво детектируются даже при наличии многочисленных разрывов.

Очевидно, что участок железнодорожного пути в пределах относительно небольшого фрагмента изображения высокого разрешения может быть представлен в виде геометрической модели, состоящей из двух параллельных прямых, расположенных на заведомо известном расстоянии друг от друга (рельсы), и набора относительно коротких отрезков, перпендикулярных этим прямым (шпалы). Предлагаемая методика детектирования железнодорожного пути на снимках с использованием преобразования Хока основана на поиске объекта, соответствующего такой геометрической модели.

В преобразовании Хока заложена идея пространственного суммирования для аппроксимации множества точек на изображении прямыми линиями.

Для проведения преобразования Хока необходимо сформировать на основе исходного полутонового бинарное изображение I(x,y):

Будем называть контуром изображения совокупность его пикселей, в окрестности которых наблюдается скачкообразное изменение функции яркости. Так как при цифровой обработке изображение представлено как функция целочисленных аргументов, то контуры представляются линиями шириной, как минимум, в один пиксель.

Исходное изображение F (рис. 1) подвергается линейной или нелинейной обработке, с тем, чтобы выделить перепады яркости.

 Исходное изображение F В результате этой операции формируется-15

Рис. 1. Исходное изображение F

В результате этой операции формируется изображение D (рис. 2), функция яркости которого существенно отличается от нуля только в областях резких изменений яркости изображения F.

 Сформированное изображение D Затем в результате адаптивной пороговой-16

Рис. 2. Сформированное изображение D

Затем в результате адаптивной пороговой обработки из изображения D формируется графический (контурный) препарат I (рис. 3). Правильный выбор порога на втором этапе должен производиться из следующих соображений. При слишком высоком пороге могут появиться разрывы контуров, а слабые перепады яркости не будут обнаружены. При слишком низком - могут появиться ложные контуры.

 Графический препарат I Контурная точка (х,у), в которой значение-17

Рис. 3. Графический препарат I

Контурная точка (х,у), в которой значение I(x,y) равно 1, принадлежит контуру, который можно задать уравнением:

Где p1, p2, …, pn – N параметров функции.

Цель преобразования Хока – определение значений параметров p1, p2, …,pn. Для этого задается N – мерное пространство Н(p1, p2, …, pn), часто называемое собирающим. Далее для каждой контурной точки (х, у) проводится процедура голосования, заключающаяся в увеличении на 1 значения всех ячеек собирающего пространства H(p1, p2, …, pn), координаты которых p1, p2, …, pn удовлетворяют уравнению (18):

Где H(p1, p2, …, pn) – новое значение ячейки в собирающем пространстве; H`(p1, p2, …, pn) – старое значение ячейки в собирающем пространстве.

После проведения голосования для всех точек контура координаты ячеек в пространстве Хока, набравшие максимальные значения, будут соответствовать параметрам фигур, содержащихся на изображении.

Рассмотрим технологию распознавания линейных отрезков железнодорожных путей методом Хока для создания цифровых моделей пути.

Уравнение прямой на плоскости, проходящей через точку с координатами (х,у) можно представить в виде

Где р – расстояние от прямой до центра координат; q – угол наклона прямой.

Тогда положение точки на данной прямой

определяется параметром r:

где r – расстояние от центра прямой до точки (за центр прямой принимается точка, лежащая на прямой, Рис. 4.

расстояние от которой до центра координат имеет наименьшее значение).

Зададим трехмерное собирающее пространство Хока H(P, Q, R), каждая ячейка которого имеет координаты p, q, r. Если бы пространство не было дискретным то каждой ячейке соответствовала бы одна точка исходного изображения, координаты которой можно вывести из (20) и (21):

Пусть пространство имеет шаг квантования dP, dQ и dR по каждой из осей P, Q, R. Тогда каждой ячейке будет соответствовать не точка изображения, а сегмент прямой линии с шириной dP, длиной dR и неопределенностью направления dQ. Рис. 5

Т.к. целью метода является не аппроксимация уже имеющихся контуров (отрезков), а распознавание этих контуров, вводится процедура голосования непосредственно на полутоновом изображении, для чего в каждой точке изображения определяется величина и направление градиента яркости. Направление градиента яркости перпендикулярно к контуру, проходящему через данную точку. Поэтому наклон сегмента, совпадающего с данным участком контура, можно вычислить как:

где Arc(x,y) – направление градиента яркости в точке с координатами (х,у).

Оставшиеся параметры сегмента можно рассчитать из уравнений (20) и (21):

Чем больше изменение яркости в данной точке, тем больше оснований считать ее принадлежащей контуру. Поэтому выражение (19) принимает вид:

где H(p, q, r) – новое значение ячейки в собирающем пространстве; H’(p, q, r) – старое значение ячейки в собирающем пространстве; V(x,y) – величина изменения яркости в точке (x,y); f(x,y,p,q,r) – комбинация выражений (24), (25) и (26).

Необходимо заметить, что все получаемые параметры (p,q,r) сегмента перед процедурой голосования необходимо проквантовать в соответствии с дискретностью собирающего пространства.

После проведения голосования для всех точек изображения координаты ячеек в собирающем пространстве с максимальными значениями будут соответствовать наиболее контрастным прямолинейным сегментам контуров изображения. Т.о. критерием отбора выступает значение ячейки собирающего пространства.

Выбор максимальных значений неизбежно связан с введением порога Т: если значение ячейки H(p,q,r) больше данного порога, то сегмент контура с параметрами (p,q,r) присутствует на анализируемой сцене. Если значение порога будет слишком мало, буде выявлено много ложных сегментов. Если же значение порога будет слишком велико, сегменты, имевшиеся на изображении будут пропущены.

Для повышения достоверности выделения контуров необходимо ввести новый критерий отбора сегментов. Т.к. сегменты железнодорожного пути могут лежать на одной прямой и соприкасаться будем считать их смежными. Сегмент (p1,q1,r1) смежен с сегментом (p2,q2,r2), если выполняется следующее условие:

Где p1,q1,r1 – параметры первого, p2,q2,r2 – параметры второго сегмента; dR – шаг квантования параметра R собирающего пространства.

Рис. 6.

Новый критерий заключается в задании требования наличия смежных сегментов. Другими словами, сегмент (p,q,r) считается присутствующим на изображении только в том случае, если для него имеется смежный сегмент.

Таким образом, процедура отбора ячеек собирающего пространства должна осуществляться в два этапа. Во-первых, производится отбрасывание всех ячеек, значение которых меньше порога Т (бинаризация). Во-вторых, из оставшихся ячеек выбираются только смежные сегменты.

Данный метод выделения прямолинейных элементов контура производит суммирование перепадов яркости вдоль контура железнодорожного пути. Это приводит к устойчивому выделению даже малоконтрастных элементов контура, дающих максимумы в собирающем пространстве. Результатом применения метода являются направленные сегменты, характеризуемы параметрами (p,q,r), а также длиной dP и шириной dR. Эти характеристики позволили внести новый критерий – критерий смежности для отбора сегментов из собирающего пространства. Данный критерий делает метод устойчивым к шуму, так как случайные изменения яркости на изображении дают сегменты, направленные произвольным образом и не отвечающие требованию смежности.

Предложенная методика реализована в виде специализированного программного обеспечения (ПО) автоматизированного детектирования образов железнодорожных путей на снимках и идентификации их параметров. Ошибка определения местоположения рельса составляет 0,3-0,2 размера пикселя исходного изображения.

Предложенная автором методика автоматизированного распознавания выгодно отличается от традиционно применяемых методик распознавания. Модифицированный метод Хока, лежащий в её основе, позволяет уверенно распознавать искомые объекты при наличии на изображении отдельных шумовых точек и даже целых областей зашумления. Помехостойкость данного метода является чрезвычайно высокой, что позволяет устойчиво детектировать на изображении линии даже при уровне шума выше уровня сигнала.

По сравнению с ручными методами сбора данных по снимкам данная методика является значительно более оперативной и экономичной, т.к. не связана с задействованием большого числа операторов-дешифраторов. Кроме того, исключение из процесса распознавания человеческого труда позволяет избежать субъективных ошибок распознавания и отрисовки.

Модифицированный метод Хока позволяет проводить распознавание железнодорожных путей даже при наличии на изображении перекрывающих их объектов (подвижной состав, мосты, тени и пр.), т.к. заложенный в его основу математический алгоритм позволяет проводить автоматический поиск объектов, соответствующих заданной геометрической модели и удовлетворяющих критерию отбора и продолжать построение модели пути после его выхода из под перекрывающего объекта. Также метод позволяет не только детектировать, но и объективно выстраивать на изображении распознанные объекты (рельсы), с получением сразу двух параметров цифровой модели (угол наклона и расстояния от начала координат), что особенно важно для дальнейшей обработки результатов распознавания.

В сравнении же с корреляционными методами распознавания метод Хока позволяет строить модель всего верхнего строения пути и при этом выделять объективные продольные осевые линии головок рельсов.

В рамках работы по научно-исследовательской и опытно-конструкторской теме ОАО «НИИАС» 19.1.006.Н «Система определения местоположения технологических объектов на путевом развитии станции на основе применения аппаратуры потребителей спутниковых радионавигационных систем ГЛОНАСС/GPS» был проведен эксперимент по созданию цифровой модели путевого развития (ЦМПР) станции Красноярск-Восточный.

Цифровой космический снимок станции был загружен в среду ГИС ObjectLand, а затем трансформирован в заданную систему координат с помощью точек, координаты которых были измерены методами наземных высокоточных спутниковых измерений.

Далее в среду ГИС была импортирована цифровая модель верхнего строения пути станции, созданная методом автоматизированного распознавания, разработанным автором. После этого было произведено построение ЦМПР станции.

Общая среднеквадратическая погрешность координатного описания модели путевого развития вместе с содержащимися элементами не превысила 20 сантиметров.

Также, автором был разработан технологический процесс создания цифровых векторных карт на базе космических снимков высокого разрешения, получаемых с КА «Ресурс-ДК1», с включением в него разработанной методики автоматизированного распознавания, что позволяет создавать конечную цифровую продукцию по данным ДЗЗ, как использую всевозможные дополнительные материалы (при их наличии), так и без них.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Доказана перспективность и высокая эффективность использования автоматизированной методики распознавания образов железнодорожных путей по данным ДЗЗ.

2. Разработаны алгоритмы коррекции яркостных и динамических искажений цифровых изображений.

3. Разработана новая методика и алгоритм автоматизированного распознавания образов железнодорожных путей по данным аэрокосмического дистанционного зондирования Земли сверхвысокого разрешения;

4. Разработано программное обеспечение для автоматизированного распознавания образов железнодорожных путей по данным аэрокосмического дистанционного зондирования Земли сверхвысокого разрешения;

5. Разработан технологический процесс создания тематической продукции по материалам съемок «Ресурс-ДК1» в интересах железнодорожной отрасли.

Основные положения диссертации опубликованы в следующих работах:

1. Железнов М.М., Макаров А.Ю., Соколюк В.В. «Экспериментальная цифровая фотограмметрическая система для железнодорожного транспорта» - «Всероссийская выставка научно-технического творчества молодежи: сборник докладов», Москва, 2004 год.

2. Железнов М.М., Макаров А.Ю. «Цифровые аэросъемочные комплексы» - «Всероссийская выставка научно-технического творчества молодежи: сборник докладов», Москва, 2004 год.

3. Железнов М.М., Макаров А.Ю., Смородинский В.А. «Перспективы использования данных дистанционного зондирования Земли из космоса для железнодорожного транспорта» - «Труды МИИТ: выпуск 1001», Москва, 2004 год.

4. Железнов М.М., Макаров А.Ю., Смородинский В.А. «Инвентаризация объектов железнодорожного транспорта с использованием геоинформационных технологий» - «Труды МИИТ: выпуск 1001», Москва, 2004 год.

5. Железнов М.М., Макаров А.Ю., Смородинский В.А. «Методика создания цифровых моделей железнодорожных путей по материалам маршрутных аэрофотосъемок» - «Труды МИИТ: выпуск 1001», Москва, 2004 год.

6. Железнов М.М., Макаров А.Ю. «Методы повышения точности координатной привязки данных дистанционного зондирования Земли из космоса» - «59 юбилейная научно-техническая конференция студентов, аспирантов и молодых ученых МИИГАиК: сборник докладов», Москва, 2004 год.

7. Нехин С.С., Железнов М.М., Макаров А.Ю. «Координатное обеспечение навигации транспорта на основе данных дистанционного зондирования» - «4-я Международная научно-практическая конференция «Геопространственные технологии и сферы их применения». Материалы конференции», Москва, Информационное агентство «Гром», 2007 год.

8. Железнов М.М., Макаров А.Ю. «Координатно-временное обеспечение КА ДЗЗ «Ресурс-ДК1»» - «Труды международной научно-практической конференции «Проблемы геоинформатики и спутниковой навигации железнодорожного транспорта»», Москва, 2007 год.

9. Макаров А.Ю. «Спутниковый геопространственный мониторинг верхнего строения железнодорожного пути» - «Путь и путевое хозяйство», № 9, Москва, 2008 год.

Макаров Алексей Юрьевич

Методика автоматизированного распознавания образов железнодорожных путей по данным дистанционного аэрокосмического зондирования

Специальность 25.00.35 – «Геоинформатика»

Автореферат диссертации на соискание ученой степени

кандидата технических наук

________________________________________________________________

Подписано в печать Формат 60х84/12

Печать офсетная. Бумага для множит. апп. Объем 1,5

Тираж 80 экз. Заказ –

________________________________________________________________



 




<
 
2013 www.disus.ru - «Бесплатная научная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.