29 января 2017г.
При дистанционном зондировании морских акваторий данные представляют собой монохромные радиолокационные изображения (РЛИ), которые используются для обнаружения и классификации выделенных аномалий. Эти данные отправляются на хранение в банк данных, либо претерпевают в системе некоторую обработку и затем передаются потребителю в виде, удобном для принятия решений. Для автоматизации решения задачи распознавания нефтяного пятна на морской поверхности, и отличения его от ветрового слика необходимо иметь банк данных РЛИ, по которым производится оценка их параметров.
Задача исследования состоит в определении минимального количества изображений каждого объекта (нефтяного пятна или ветрового слика), достаточного для работы автоматизированного классификатора объектов, если для работы классификатора используются: а) ряды параметров распределений, аппроксимирующих гистограммы изображений; б) ряды интенсивности пикселей изображений.
В работе [1] обсуждалось применение для целей распознавания образов нефтяного пятна и ветрового слика построенных гистограмм оттенков серого цвета на выделенном фрагменте РЛИ. Считаем, что на РЛИ проведена фрагментация выделенных участков и построены гистограммы распределений яркости. В дальнейшем предполагалась аппроксимация этих гистограмм законами распределения вероятностей с определением параметров этих распределений. Однако исследования показали, что, поскольку изображения являются двумерными, законы распределения вероятностей интенсивности пикселей на изображениях нефтяного пятна и ветрового слика могут, как отличаться друг от друга по параметрам, так и быть похожими друг на друга. Поскольку реальные ПРВ не известны, то представляется наиболее целесообразным создание непараметрического автоматизированного классификатора рассматриваемых образов.
Задача исследования состоит в определении минимального количества изображений каждого объекта (нефтяного пятна или ветрового слика), достаточного для работы автоматизированного классификатора объектов, если для работы классификатора используются: а) ряды параметров распределений, аппроксимирующих гистограммы изображений; б) ряды интенсивности пикселей изображений.
В задачах непараметрического оценивания часто делается предположение альтернатив Лемана. В данном исследовании применяется оценка Ходжеса-Лемана, относительно которой было установлено, что она мало отличается от широко распространенной для решения подобных задач статистики Вилкоксона, но уменьшает количество необходимых вычислительных затрат [2].
Оценка сдвига распределений Ходжеса-Лемана. представляет собой медиану всех возможных пар разностей элементов одной и другой групп:
С целью проверки выдвинутых предположений был выполнен компьютерный эксперимент по моделированию описанного выше пошагового последовательного алгоритма. Определялось необходимое количество образцов РЛИ при двух видах исходных параметров: а) по параметрам аппроксимирующих распределений; б) по интенсивности пикселей изображений по вертикали и горизонтали.
Для решения рассматриваемой задачи в эксперименте было принято e10 = e01 = 0,1. При этом пороги п.к.о.в. Вальда равны А=9,0 и В=0,11.
Моделирование показало, что использование для работы автоматического классификатора образов нефтяного пятна и ветрового
слика на изображении морской
поверхности в качестве параметра интенсивности пикселей позволит снизить требования к объему банка данных по сравнению с использованием для той же целей аппроксимации гистограмм оттенков серого известными законами распределения вероятностей.
Список литературы
1.Чернецова Е.А. Дистанционный мониторинг нефтяных загрязнений в водной среде. Монография. - LapLambertAcademicPublishing GmbH&Co.KG, 2011, - 123 p.
2. Роенко А.А., Лукин В.В., Зеленский А.А. Определение параметра сдвига выборки данных с симметричным негауссовым распределением на основе использования методов адаптивного робастного оценивания/Радiоелектроннi i комп’ютернiсистеми, 2005, № 2(10), с.78-87
3. Шеломовский В.В. Электронный учебник по дисциплине "Математическая статистика"/ Мурманский федеральный государственный педагогический университет – [Электронный ресурс] – Режим доступа:
http://www.exponenta.ru/educat/systemat/shelomovsky/lab/lab07.asp
4. Шишкин А.Д., Чернецова Е.А. Последовательное решающее
правило классификации аномалий на морской поверхности/ Журнал "Системы управления и информационные технологии", №2(52), 2013.– с. 94-97
5. Фу К. Последовательные методы в распознавания образов и обучении машин. / Пер. с англ.-Изд. «Наука».-М.:1971.-256 с.
