ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Вступ

    

Спектр геоекологічних проблем великих міст і промислових зон, які потребують своєчасного вирішення, досить широкий. До числа таких проблем можна віднести: забруднення повітряного басейну викидами промислових підприємств та автотранспорту, забруднення поверхневих і підземних вод за рахунок скидання забруднюючих речовину і змиву їх з урбанізованих територій, забруднення грунтів, накопичення виробничих і побутових відходів та їх утилізація [1]. Однією з найважливіших екологічних завдань було і залишається раціональне використання і охорона водних ресурсів від забруднення та виснаження. Якість поверхневих вод на урбанізованої території слід розглядати як результат складного спільного дії різноспрямованих процесів забруднення і самоочищения.Экологическое стан водних об'єктів в значній мірі визначається сукупним впливом багатьох техногенних факторів. Найбільш значні з них: скидання у водні системи недостатньо очищених стічних вод від комунальних і промислових об'єктів через каналізаційні системи; надходження забруднених талих і дощових вод; побутові та виробничі звалища в межах водозбірної площі; викиди від промислових підприємств та автомобільного транспорту; рекреаційне навантаження в місцях організованого і неорганізованого відпочинку. При цьому основними забруднювачами поверхневих вод до останнього часу вважалися промислові та комунальні стоки.

Система контролю за навколишнім середовищем включає три основних види діяльності: 1)спостереження і контроль - систематичні спостереження за станом навколишнього середовища; 2) прогноз - визначення можливих змін природи під впливом природних і антропогенних факторів; 3) управління - заходи щодо регулювання стану навколишнього середовища [2].

Можливість контролю за навколишнім середовищем відкрили засоби дистанційного зондування, що встановлюються на літаках і орбітальних супутниках Землі. Зображення земної поверхні, отримані з різних висот, безмежно розширюють поле зору дослідника. Аерокосмічні методи дали такий же мощний поштовх розвитку наук про Землю, як свого часу винахід мікроскопа в біології.
         Можно відмітити наступні особливості космічного моніторингу:

- спостерігаються і реєструються відомості про великі простори, аж до всієї видимої на час зйомки частини Земної кулі; завдяки великій оглядовості на знімках видно великі регіональні особливості господарського впливу на природні ландшафти;

- космоснімки дають однотипну і детальну інформацію про важкодоступні райони з такою ж точністю, як і для добре вивчених регіонів, що дозволяє ефективно застосовувати метод екстраполяції дешіфровочних ознак на основі виділення ландшафтів-аналогів;

- миттєвість зображення великих площ зводить до мінімуму вплив змінних погодних та сезонних факторів; можливість регулярного проведення повторних зйомок дозволяє вибрати кращі зображення; за матеріалами повторних зйомок вивчається динаміка природних процесів;

- комплексний характер інформації, що міститься на космознімку, дозволяє використовувати їх для вивчення складних процесів взаємодії суспільства і природи;

- на знімках з високим дозволом можна розпізнати особливості морфологічної структури ландшафтів і техногенних утворень. 

Разом з тим, завдяки природній генералізації зображення, на космічних знімках відображаються найбільш великі й істотні елементи географічної оболонки і сліди антропогенного впливу.

1. Актуальність теми

Проблема охорони навколишнього середовища є однією з важливих задач науки, інтерес до якої зростає у зв'язку з темпами технічного прогресу в усьому світі. На даному етапі розвитку цивілізації неможливо уникнути викидів забруднюючих речовин в атмосферу і воду, проте у разі розумного використання природних ресурсів можна забезпечити безпечний рівень впливу на атмосферу [3]. В даний час спостереження за якістю вод ведуться в недостатньому обсязі. Підвищення екологічної напруженості у великих містах і промислових зонах вимагає більш ретельних та більш масових спостережень за станом навколишнього середовища. Основними факторами антропогенного забруднення моря є: річковий стік; берегової стік; абразія берегів; розливи нафти і нафтопродуктів різного походження. У першу чергу, інтенсивного забруднення піддаються прибережні води. Для підвищення ефективності моніторингу їх екологічного стану необхідно швидко і ефективно визначати тип забруднень, а також їх генезис і наслідки [4]. Космічні засоби дистанційного зондування Землі, при контролі стану водних об'єктів, дозволяють виявити джерела та склад забруднюючих речовин, визначити ступінь забруднення різних ділянок об'єкта і динаміку забруднення в часі (рисунок 1.1). 

                                                             

                                                         Рисунок 1.1 – Дешефрування забруднень з судів на радіолпкаціонном зображенні ENVISAT

( анімація: 10 кадрів, 5 циклів повторення, 267 кілобайт)

(ENVISAT-супутникове зображення видимого діапазону)

Магістерська робота присвячена актуальному науковому завданню застосування одного з існуючих методів дослідження інформативності тестових фігур, який грунтується на способі зіставлення з еталоном, в ході якого обчислюється коефіцієнт взаємної кореляції.



2. Мета і задачі дослідження та заплановані результати

    Метою дослідження є розробка методу дослідження інформативності тестових фігур, який грунтується на способі зіставлення з еталоном.

Основні завдання дослідження:

   1. Аналіз існуючих методів дослідження інформативності тестових фігур;

   2. Розробка штучних дешіфровочних ознак, сформованих в процесі обробки космічних знімків;

   3. Виділення контура ділянки;

   4. Перетворення досліджуваних контурів;

   5. Нормування отриманих даних [5];

   6. Визначення взаємної кореляційної функції між контурами досліджуваної і тестової фігури;

   7. Розрахунок коефіцієнтів кореляції тестових фігур для кожного типу забруднення;

   8. Формування таблиць коефіцієнтів кореляції для всіх типів забруднень по кожній тестовій фігурі;

   9. Аналіз отриманих результатів.

Об'єкт дослідження: космічні знімки забруднених ділянок водного басейну.

Предмет дослідження: метод дослідження інформативності тестових фігур, який грунтується на способі зіставлення з еталоном, в ході якого обчислюється коефіцієнт взаємної кореляції.

У рамках магістерської роботи планується отримання актуальних наукових результатів за наступними напрямками:

   1. Розробка штучних дешіфровочних ознак, сформованих в процесі обробки космічних знімків;

   2. Розробка алгоритму виділення контуру ділянки;

   3. Реалізація методу дослідження інформативності тестових фігур, який грунтується на способі зіставлення з еталоном.

3. Огляд досліджень та розробок

На даний час існує велика кількість різних методик і технологій виявлення змін по різночасних аерокосмоснімкам, які були широко досліджені як американськими, європейськими, японськими вченими, так і вітчизняними спеціалістами.

3.1 Огляд міжнародних джерел

Один з основних способів виявлення об'єктів на зображенні полягає в зіставленні з еталоном. При цьому еталон даного об'єкта порівнюється з усіма невідомими об'єктами, що знаходяться на зображенні. Дані способи докладно викладені в книгах Duda R. О., Hart P. Е., Highleyman W. Н., Kanal L. N., Randall N. C., Munson J. H. [6-11]. Питанням використання обчислювальних машин для обробки зображень посвячені роботи Thomas J. В., Andrews H. C., Cutrona L. J., Leith Е. N.. Palermo С. J., Porcello L. J. [12-14].

Основний етап при формуванні символічного опису зображення по масиву елементів або набору найпростіших ознак полягає у визначенні геометричних співвідношень і зв'язності між елементами, щодо яких передбачається, що вони відносяться до одного класу [15-23].

    Розробка методики використання вейвлет-перетворення для обробки космічних знімків високого і середнього дозволу при моніторингу лісових масивів розглянуті в роботах Бєлова В.В, Скудіна В.М., Манович В.Н., Топчієва О.Г., Сухих В.І. [16 - 27].

    Розробці методики геоекологічного дешифрування космічних зображень присвячені роботи Chain-I Chang, Davison L., Dan Bosence, Aawah M.H [28-32].

Обробка зображень з метою їх розпізнавання є однією з центральних і практично важливих задач при створенні систем штучного інтелекту. Проблема носить явно виражений комплексний ієрархічний характер і включає ряд основних етапів: сприйняття поля зору, сегментація, нормалізація виділених об'єктів, розпізнавання [33 - 35].

3.2 Огляд національних джерел

У Національному аерокосмічному університеті ім.М.Є.Жуковського «ХАІ» В.В. Радчук, В.А. Слободян, А.Н. Брашеван активно займалися питаннями автоматизованої класифікації структурних ознак забруднення моря, дослідження інформативності тестових фігур із застосуванням кореляційного аналізу, розробкою алгоритму розпізнавання забруднення Чорного та Азовського морів [36, 37].

 Методи кореляційного виявлення об'єктів були розглянуті в роботах Гіренко А.В., Ляшенко В.В., Машталір В.П., Путятін Є.П. Було розглянуто порівняльний аналіз методів обробки і розпізнавання зображень стосовно до систем технічного зору. Запропоновано класифікацію методів. Проаналізовано їх переваги, недоліки і переважні області застосування. Особливо виділяються невирішені завдання. Більш ретельно розглянуті завдання нормалізації образів в умовах афінних і проективних перетворень, що відповідають умовам роботи органу зору людини [38-39].

 Був запропонований метод виділення ознак по взаємній кореляції досліджуваного контуру і контурів набору тестових фігур. Такий підхід використовувався, наприклад, в розпізнаванні рукописного тексту [40, 41]. На основі отриманих в [42] результатів розроблений алгоритм автоматичного виявлення типу забруднення. Для виділення аномальної ділянки на поверхні морських акваторій використовується метод, описаний в [43].

3.3 Огляд локальних джерел

 У Донецькому національному технічному університеті (кафедра обчислювальної техніки та інформатики) широко розробляються методи розпізнавання зображень.

 Статті Г.Ю. Костецької, О.І. Федяєва присвячені розпізнаванню зображень людських осіб за допомогою сверточної нейронної мережі [44]. У статті розглядається розпізнавання зображень людських осіб за допомогою сверточної нейронної мережі, яку реалізовано у вигляді програмної моделі.

 Даній темі присвячені роботи Афанасенко А.В. на тему: «Розробка гібридної спеціалізованої системи розпізнавання образів на базі нечітких нейронних мереж» [45], Скляренка М.І. «Аналіз нестаціонарних сигналів за допомогою вейвлет перетворення» [46], Махно Ю.С. «Розпізнавання графічних образів за допомогою нейронної мережі типу неокогнітрон при наявності спотворень» [47].


4. Дослідження інформативності тестових фігур із застосуванням методу зіставлення з еталоном



Рисунок 4.1 - Алгоритм выде­ления контура интересующего участка

Один з основних способів виявлення об'єктів на зображенні полягає в зіставленні з еталоном. При цьому еталон даного об'єкта порівнюється з усіма невідомими об'єктами, що знаходяться на зображенні. Якщо подібність між невідомим об'єктом і еталоном досить велике, то цей об'єкт позначається як відповідний еталонному об'єкту. Повний збіг еталона з якою-небудь частиною зображення буває рідко через дії шумів і спотворень, викликаних просторової дискретизацією і квантуванням яскравості, а також внаслідок відсутності апріорної інформації щодо точної форми і структури об'єкта, який потрібно виявити. Тому зазвичай за допомогою деякої конкретної міри разлічія между еталоном і зображенням в точці вказують на наявність виділеного об'єкта там, де ця різниця менше деякого встановленого порога . Зазвичай в якості міри відмінності береться середнеквадратична помилка, обумовлена ​ ​як

                                                               

де - елемент масиву зображення, на якому проводиться пошук, а - елемент еталонного масиву. Вважається, що є схожість з еталоном в точці з координатами, якщо

                                                                                           

Тепер уявімо дану рівність в наступному вигляді:

                                                                             

Доданок  - це енергія еталона, яка постійна і не залежить від координат. Другий доданок - взаємна кореляція зображення і еталона. При збігу зображення і еталона взаємна кореляція повинна бути велика, що призводить до малих значень середньоквадратичної помилки.

                                                                   

Вважається, що схожість з еталоном має місце, якщо

                                                                                     

Нормована взаємна кореляція має максимальну величину, рівну одиниці, тоді і тільки тоді, коли зображення у вікні точно збігається з еталоном [51].

Висновки

Отримані в результаті кореляційного аналізу дані показали, що застосування запропонованого методу виділення ознак по взаємній кореляції контурів досліджуваної плями і тестових фігур дозволяє визначити найбільш інформативні тестові фігури.
        Представлені результати використовуються для подальшої розробки алгоритму автоматизованої ідентифікації типів забруднень, що дасть можливість підвищити ефективність космічного моніторингу морських акваторій Чорного та Азовського морів.
     Магістерська робота присвячена актуальному науковому завданню застосування одного з існуючих методів дослідження інформативності тестових фігур, який грунтується на способі зіставлення з еталоном, в ході якого обчислюється коефіцієнт взаємної кореляції.
       У рамках проведених досліджень виконано:
   1. Аналіз існуючих методів дослідження інформативності тестових фігур;
   2. Розробка штучних дешіфровочних ознак, сформованих в процесі обробки космічних знімків;
   3. Виділення контура ділянки;
   4. Перетворення досліджуваних контурів;
   5. Нормування отриманих даних;
   6. Визначення взаємної кореляційної функції між контурами досліджуваної і тестової фігури;
Подальші дослідження спрямовані на наступні аспекти:
   1. Розрахунок коефіцієнтів кореляції тестових фігур для кожного типу забруднення;
   2. Формування таблиць коефіцієнтів кореляції для всіх типів забруднень по кожній тестовій фігурі;
   3. Аналіз отриманих результатів.
    При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: грудень 2012 року. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.

Перелік посилань

  1.    Луканин В.Н., Трофименко Ю.В. Промышленно-транспортная эколо­гия: Учебник для вузов. - М.: Высшая школа., 2001. - 273 с.
  2.  Проблемы создания региональных геоинформационных комплексов и опыт решения прикладных задач на основе аорокосмичсской информации / отв. ред. В.В. Лебедев. - М.: Наука, 2002. - 239 с.
  3. Марчук Г. И. Математическое моделирование в проблеме окружающей    среды – М.: Наука, 1982–315 с.
  4. Красовский Г.Я., Петросов В.А. Інформаційні технології космічного моніторингу водних екосистем і прогнозу водоспоживання міст. – К.: Наукова думка, 2003. – 224 с.
  5.      Математические модели электронных аппара­тов и систем / М.Ф. Бабаков, А.В. Попов, М.И. Луханин: Учебн. пособие. - X.: Нац. аэрокосмический ун-т «Харьк. авиа. ин-т», 2003. - 109 с.
  6. Duda R. О., Hart P. Е., Pattern Classification and Scene Analysis, Wiley-lnterscience, New York, 1973, pp. 276—284. (Имеется перевод: Дуда P., Xapt П., Распознавание образов и анализ сцеп. — М.: Мир, I97G.J
    Ito M. Algebraic theory of automata and languages / M. Ito. – World Scientific Publishing, 2004. – 199 pp.
  7. Highleyman W. Н., An Analog Method for Character Recognition, IRE Trans. Electronic Computers, EC-10, 3, 502—510 (September 1961) - 446 pp..
  8. Kanal L. N.. Randall N. C., Recognition System Design by Statistical Ana-lysis, Proceedings ACM National Conference, 1964.- pp. 107—120.
  9.  Munson J. H., Experiments in the Recognition of Hand-Printed Text: Part I— Character Recognition, Proceedings Fall Joint Computer Conference, December 1968, pp. 1125—1138.
  10. Turin G. L., An Introduction to Matched Filters, IRE Trans. Inf. Theory, IT-6, 3. 311—329 (June 1960).
  11. Cook С. E., Bernfeld M., Radar Signals, Academic Press, New York, 1965. [Имеется перевод: Кук Ч., Берифельд М., Радиолокационные сигналы. Теория и применение. — М.: Советское радио, 1971.] - pp. 16—20.
  12. Thomas J. В., An Introduction to Statistical Communication Theory, Wiley, New York, 1965, pp. 187—218.
  13. Andrews H. C., Computer Techniques in Image Processing, Academic Press, New York, 1970, pp. 55—71. [Имеется перевод: Эидрюс Г., Применение вычислительных машин для обработки изображений.—М.: Энергия, 1977.]
  14. Cutrona L. J., Leith Е. N.. Palermo С. J., Porcello L. J., Optical Data pp. 187—218.
  15. Rosenfeld A., Connectivity in Digital Pictures, J ACM, 17, 1, 146—160 (January 1970).    
  16.  Rosenfeld A., Picture Processing by Computer, Academic Press, New York 1969. [Имеется перевод: Розеифельд А., Распознавание и обработка изображений. — М.: Мир, 1972). - pp. 157—160.
  17.  Концептуальный подход к созданию системы мониторинга состояния земель лесного фонда РФ Текст. / В.Н. Манович // Материалы X международной научно-практической конференции «Геоинфо-кад», Китай. -2006. - С. 18-21.
  18.   Скудин, В.М. Проблема незаконных рубок в России и пути ее решения Текст. / В.М. Скудин // Материалы Всерос. совещания-семинара с между-нар. участием, Красноярск: Ин-т леса им. В.Н. Сукачева СО РАН, 2005. — С. 9 — 14. 
  19. Белов, В.В. Мониторинг лесных пожаров по данным дистанционного зондирования Текст. / В.В. Белов, С.В. Афонин, Ю.В. Гриднев // Геоинформатика 2000: Тр. Междунар. научно-практ. конф., Томск: ТГУ, 2000. -С.17-22.
  20. Биосфера и другие результаты дистанционного зондирования Текст. / А.Г. Топчиев и др. М.: Наука, 1999. - 224 с.
  21.  Манович, В.Н. Лесоустройство и экологический мониторинг Текст. / В.Н. Манович // Материалы 7-ой международной научно-практической конференции «Геоинфокад», Австрия. 2003. - с. 16-20.
  22.  Манович, В.Н. Лесоустройство и экологический мониторинг Текст. / В.Н. Манович // Материалы 8-ой международной научно-практической конференции «Геоинфокад», Франция. — 2004. — с.55-58.   
  23.  Манович, В.Н. Экологический мониторинг и аудит земель лесного фонда с использованием данных дистанционного зондирования Земли Текст. / В.Н. Манович // Материалы 9-ой международной научно-практической конференции «Геоинфокад», Италия. 2005. - с.50-54.
  24. Манович, В.Н. Использование геоинформационных систем лесного хозяйства для организации государственной инвентаризации лесов Текст. / В.Н. Манович // Геодезия и картография. 2009. - №1. - С. 45 — 47.
  25. Сухих, В.И. Аэрокосмические методы в лесном хозяйстве и ландшафтном строительстве Текст.: учебник. / В.И. Сухих. Йошкар-Ола: МарГТУ, 2005.-392 с.
  26. Сухих, В.И. Аэрометоды в лесоустройстве. Текст. / В.И. Сухих, Н.Н. Гусев, Е.П. Данюлис. М.: Лесная промышленность, 1977. — 192 с.
  27. Chain-I Chang and oth. Least Squares Subspace Projection Approach to Mixed Pixel Classification for Hiperspectral Images. IEEE Transaction of Geoscience & Remote Sensing, 1998, V. 36, № 3, p. 899-912. 
  28. Davison L., Dan Bosence, G. Lan Alsop & Mohammed H. Al-Aawah (1996); Deformation and sedimentation around active Miocene salt diapirs on the Tihama Plain, northwest Yemen; Geo. Soci. Special publication No. 100, 23-39. 
  29. El-Anbaawy, M. I. H., Aawah, M. A. H. Al- Thour, K. A. and Tucker, M. (1992): Miocene evaporates of the Red Sea rift, Yemen Republic; Sedimentlogy of the Salif halite. Sed. Geo. V. 81; 61-77. 
  30.  Elsagheer, A.A.A (2004) Geology of the coastal area of Wadi Mwar Red Sea Republic of Yemen; thesis Msc. Faculty of science Cairo Uni. Pp: 183. 
  31. ERDAS Imagine Field Guide. Atlanta, USA, 1999-2001. Учебник Field Guide выложен на сайте компаний Leica Geosystems (http://gi.leica-geosystems.com/LGISub2x514x0.aspx). 
  32. M. Taraclioti, M. Petrov. IllUmination Invariant Unmixing of set of Mixed Pixel IEEE Transaction of Geoscience & Remote Sensing, 1998, V. 39, № 10, p. 2227-2234. Аэрокосмические средства и методы исследования лесных ресурсов на базе ГИС технологий Текст.: учеб. пособие для студентов лес. фак. / В.И. Сухих и др. М.: МГУЛ, ЦЭПЛ РАН, 1999. - 304 с.
  33.    Handbook of pattern recognition and computer vision / Chen C.H., Rau L.F. and Wang P.S.P.(eds.). – Singapore-New Jersey-London-Hong Kong: World Scientific Publishing Co. Pte. Ltd., 1995. - 984 p.
  34.    Shalkoff R.J. Digital image processing and computer vision. – New York-Chichester-Brisbane-Toronto-Singapore: John Wiley & Sons, Inc., 1989. - 489 p.
  35.   Путятин Е.П., Аверин С.И. Обработка изображений в робототехнике. М: Машиностроение, 1990. 320 с.
  36. В.А.Слободян Исследование информативности тестовых фигур с применением корреляционного анализа / А. Слободян  // Авиационно - космическая техника и технология №2. – Х.:Нац. аэрокосмический ун-т «Харьк. авиа. ин-т», 2008. – с. 89-92.
  37. В.В. Радчук, В.А. Слободян Автоматизированная классификация структурных признаков загрязнения моря / В.В. Радчук, В.А. Слободян  // Авиационно - космическая техника и технология . – Х.:Нац. аэрокосмический ун-т «Харьк. авиа. ин-т», 2008

  38. Гиренко А.В., Ляшенко В.В., Машталир В.П., Путятин Е.П. Методы корреляционного обнаружения объектов. Харьков: АО “БизнесИнформ”,1996. 112 с.

  39. Вестник Национального Технического Университета “Харьковский политехнический институт” Выпуск 114.- Харьков: НТУ “ХПИ”, 2001. – 128с. 7. Прблемы бионики. Всеукраинский межведомственный сборник. Выпуск 50.- Харьков: “ХГТУРЭ”, 1999. – 217с. 
  40. Гонсалес Р., Дж. Ту. Принципы распознавания образов: Пер. с англ. – М.: Мир, 1978. – 416 с. 
  41.  Прэтт У. Цифровая обработка изображений: Пер. с англ. – М.: Мир, 1982. – Кн. 2. – 480 с.
  42. Слободян В.А. Исследование информативности тестовых фигур с применением корреляционного анализа // Авиационная и космическая техника и технология. – 2008. – №2 (49). – С. 89 – 92.
  43.  Гелецян Д. Векторизация растровых изображений.
  44. Г.Ю. Костецкая, О.И. Федяева Распознавание изображений человеческих лиц с помощью сверточной нейронной сети[Электронный ресурс]. – Режим доступа: http://masters.donntu.ru/2010/fknt/kostetskaya/library/art06/index.html
  45.  Афанасенко А.В. «Разработка гибридной специализированной системы распознавания образов на базе нечетких нейронных сетей»[Электронный ресурс]. – Режим доступа: http://www.uran.donetsk.ua/~masters/2003/kita/afanasenko/diss/index.htm 
  46. Скляренко М.И. «Анализ нестационарных сигналов при помощи вейвлет преобразования»[Электронный ресурс]. – Режим доступа: http://www.masters.donntu.ru/2006/kita/sklyarenko/index.htm 
  47. Махно Ю.С. «Распознавание графических образов с помощью нейронной сети типа неокогнитрон при наличии искажений»[Электронный ресурс]. – Режим доступа: http://masters.donntu.ru/2008/fvti/makhno/diss/index.htm 
  48. Брук В.В. Исследование загрязнения водных объектов взвешенными веществами но материалам космических съемок: Дис.  канд. техн. наук. - X., 1991.- 181 с. 
  49.   Красовский Г.Я. Аэрокосмический монито­ринг поверхностных вод. - Л.:ВНИИКАМ, 1992. - 231 с. 
  50.  Мацокин Л.В. Метод районирования вод Чер­ного моря но комплексу параметров. Проблемы Черного моря. - Севастополь. МГИ Академии Наук Украины, 1992. - С.69-70. 
  51. Прэтт У. Цифровая обработка изображений: Пер. с англ. – М.: Мир, 1982. – Кн. 2. – 480 с.