Поступила в редакцию

Математическая морфология.

Электронный математический и медико-биологический журнал. - Т. 11. -

Вып. 4. - 2012. - URL:

http://www.smolensk.ru/user/sgma/MMORPH/TITL.HTM

http://www.smolensk.ru/user/sgma/MMORPH/N-36-html/TITL-36.htm

http://www.smolensk.ru/user/sgma/MMORPH/N-36-html/cont.htm

УДК 621.391.161

СПОСОБ ОБНАРУЖЕНИЯ МАЛОРАЗМЕРНЫХ ТЕПЛОВЫХ ОБЪЕКТОВ НА АТМОСФЕРНОМ ФОНЕ

Ó 2012 г. Набатчиков А. С., Якименко И. В.

(nabatchikov.doc)

В работе изложен способ обнаружения малоразмерных тепловых объектов на атмосферном фоне с помощью инфракрасных ОЭУ с широким полем зрения. Предлагаемый способ основан на использовании отличий пространственных спектров излучения точечного теплового объекта и протяженного, более холодного, атмосферного фона. На основе данного способа обнаружения тепловых объектов разработан алгоритм двумерного пространственного фильтра, который может быть реализован программно в видеопроцессоре теплопеленгатора.

Ключевые слова: оптико-электронные устройства, обнаружение, точечный тепловой объект.

В настоящее время «беспилотные летательные аппараты» (БПЛА) (Unmanned Aerial Vehicles (UAV)) приобретают все большую популярность в качестве легких и недорогих инструментов для исследований, разведки, воздушных съемок. В случае катастроф, аварий, пожаров, разливов нефти и стихийных бедствий группа спасателей, сотрудников спецслужб прибывает на место, запускает БПЛА и имеет возможность оперативно оценить масштабы происшествия в любое время суток, в то время как с земли не всегда возможно получить достаточно полную картину происшествия в кратчайший срок.

Беспилотные летательные аппараты обладают рядом преимуществ:

Во-первых, они в среднем на порядок дешевле пилотируемых самолетов, для которых нужно готовить пилотов, оснащать самолеты системами жизнеобеспечения, защиты, кондиционирования. В итоге получается, что отсутствие экипажа на борту существенно снижает затраты на выполнение того или иного задания.

Во-вторых, легкие (по сравнению с пилотируемыми самолетами) беспилотные летательные аппараты потребляют меньше топлива. Представляется, что для них открывается более реальная перспектива при возможном переходе на криогенное топливо.

В-третьих, в отличие от пилотируемых самолетов, машинам без пилота не нужны аэродромы с бетонным покрытием. Достаточно построить грунтовую взлетно-посадочную полосу длиной всего 600 метров (рисунок 1).

Предпосылками применения беспилотных летательных аппаратов (БПЛА) в качестве нового фотограмметрического инструмента являются недостатки двух традиционных способов получения данных с помощью космических спутников (космическая съемка) и воздушных пилотируемых аппаратов (аэрофотосъемка) (рисунок 2).

Беспилотные летательные аппараты, как правило, летают по заданной траектории, которую человек-оператор задает программой в ходе подготовки полета. Основной проблемой обеспечения полетов БПЛА является поиск их после завершения полета или по причине сбоев в программе, а также в результате иных форс-мажорных ситуаций. Поэтому необходимы устройства, способные обнаруживать и следить за БПЛА особенно ночью. С такой задачей могут справится инфракрасные (ИК) оптико-электронные устройства (ОЭУ).

Рисунок 1 – Внешний вид БПЛА на взлетной полосе

$C:\WINDOWS\TEMP\7zED8.tmp\Рис.6.jpg$

Рисунок 2 – Вид местности, наблюдаемый с БПЛА

По характеру решаемых задач существующие ИК ОЭУ можно разделить на два класса. К первому можно отнести устройства тепловидения, основными задачами которых являются обнаружение и распознавание различных теплоизлучающих (тепловых) объектов по их изображениям. Используя этот класс приборов, можно решить задачи сопровождения. Их называют тепловизорами. Размеры изображений объектов в таких приборах сопоставимы с размерами фокальной плоскости (или с размерами регистрирующего матричного приемника излучения (МПИ)). Достижение большой дальности в этих устройствах связано с использованием светосильных и узкопольных объективов и высококачественных матричных ИК-приборов.

Второй класс – это устройства обнаружения. Их называют обзорными ОЭУ (теплопеленгаторами). Теплопеленгаторы имеют оптическую систему с широким полем зрения (>25^о), коротким фокусным расстоянием около 50 мм и матричным приёмником ИК-излучения. Угловой размер наблюдаемого точечного объекта в них меньше или равен элементарному угловому полю матричных инфракрасных (ИК) приемников [1]. Основная задача таких устройств – обнаружение точечных тепловых объектов на атмосферном фоне, попавших в поле зрения оптической системы, на максимальной дальности. Под точечным объектом (целью) понимается малоразмерный тепловой объект (МТО), изображение которого умещается в элементарном поле зрения (пиксель изображения) пеленгатора или одновременно попадает в несколько соседних пикселей (по вертикали или горизонтали) [2].

Для таких теплопеленгаторов в настоящее время применяется способ обнаружения точечных тепловых объектов на фоноцелевом изображении (ФЦИ), основанный на зрительном разделении яркости отметок точечного теплового объекта и флюктуаций атмосферного фона. Получение ФЦИ на мониторе видеоконтрольного устройства (ВКУ) проводится в соответствии с видеосигналом, полученным с выхода МПИ. Каждому пикселю ФЦИ в соответствие ставят ограниченное число дискретных уровней яркости – квантов, пропорциональных энергетической яркости собственного излучения атмосферы и цели. Чем больше уровней квантования, тем выше качество изображения.

Особенностью работы оптико-электронных приборов с широким полем зрения, работающих в диапазоне 8-13 мкм, является высокие перепады яркости одновременно наблюдаемых фрагментов изображения. К примеру, радиационный контраст кучевого облака на фоне чистого неба как днём, так и ночью, может достигать 60 К [3]. Аналогичная ситуация возникает при визировании цели вблизи линии горизонта, когда в угловом поле прицела наблюдается часть небесной полусферы и наземный ландшафт, который обычно «теплее» небесного. При чувствительности матрицы <0,1 К и наличии ограничения в выходном видеосигнале «уровнем белого» осуществляется компрессия сигналов с МПИ. Это, в свою очередь, приводит к уменьшению сигнала цели на входе ВКУ [4]. На рисунке 3, представлено ФЦИ, полученное на мониторе ВКУ.

Проблемы видения возникают вследствие потенциально слабой контрастности ФЦИ, низкой заметности целей. Кроме перечисленных факторов, значительную роль в снижении обнаружительных характеристик играют шумовые компоненты сигнала, образующиеся из-за особенностей применяемых датчиков и неидеальности канала передачи данных. Имея в качестве главной цели улучшение качества изображений и анализируя причины ее ухудшения, были созданы различные способы цифровой фильтрации и обработки двухмерного изображения. Обработка изображений проводится в реальном масштабе времени, без прореживания пиксельного потока видеоданных и без пропуска кадров. К ней можно отнести: алгоритмы цифровой коррекции неоднородностей, сглаживание шумов, повышение контрастов, подчеркивание границ, высокочастотная коррекция, коррекция дефектных пикселей и т. д., реализованных программно в видеопроцессоре теплопеленгатора. Но названные способы обработки изображений косвенно улучшают характеристики теплопеленгаторов за счет улучшения визуального восприятия изображения оператором. Окончательной оценкой эффективности улучшения качества видеоизображений должно служить субъективно оцениваемое качество изображения, поскольку конечным потребителем воспроизводимого изображения является человек-оператор. Зрительные возможности у разных операторов различны, и на неравномерном изображении облачного атмосферного фона трудно выделить точечную отметку теплового объекта. Ещё сложнее селектировать несколько отметок, поэтому при использовании зрительного обнаружения повышается вероятность ошибок принятия решений.

Рисунок 3 – ФЦИ, полученное на мониторе ВКУпри наблюдении БПЛА

Самым важным фактором, оказывающим влияние на результат процесса обнаружения, является выбор признаков, обнаруживаемых объектов. В устройствах технического зрения признаки получают различными методами обработки изображений. Наиболее часто используемыми являются два признака – яркость и градиент яркости фоноцелевого изображения. Вопрос выбора иного признака на сегодняшний день остается открытым [6].

Таким образом, необходимы новые способы обнаружения воздушных целей, которые способны выделять отметки точечных тепловых объектов на изображении атмосферного фона без участия оператора. На конечном этапе обнаружения оператор на мониторе ВКУ должен увидеть изображение, для которого характерно максимально контрастное представление отметок тепловых объектов на скомпенсированном равномерном фоне. Для получения такого изображения достаточно двух уровней квантования. Полученные на экране монитора бинарные изображения тепловых объектов позволяют определять их угловые координаты и количественный состав (рисунок 4).

Рисунок 4 – Полученные на экране монитора бинарные изображения тепловых объектов

Предлагаемый способ заключается в обнаружение МТО в соответствии с фоновым принципом извлечения информации о его присутствии в составе фоноцелевого изображения (ФЦИ), формируемого ИК пассивными ОЭС. Он позволяет обнаруживать МТО в случаях, когда объект находится на таком удалении, при котором существует малый контраст излучения цели по отношению к излучению атмосферного фона, а размер ее изображения не превышает размера элемента массива ФЦИ.

Способ состоит из трех этапов.

Первый этап заключается в определении сложности ФЦО на основе анализа пространственно-корреляционных свойствах излучения атмосферного фона (АФ), которая оценивалась по величине радиусов пространственной корреляции рассчитываемых для ФЦИ. Такой подход был предложен на основе анализа пространственно-корреляционных и дисперсионных свойствах излучения АФ, полученных входе экспериментальных исследований закономерностей пространственной структуры излучения неоднородностей АФ. Предлагается считать уровень r_пор=2–3^о для радиуса пространственной корреляции пороговым значением для определения характера сложности ФЦО и разделения ее на простую (r> r_пор) и сложную (r< r_пор). Оценку сложности ФЦО необходимо проводить при обработке каждого ФЦИ [5].

Фоноцелевые изображения как правило в нижней трети кадра содержат изображения не только АФ но и земных объектов особенно вдоль линии горизонта. Такая область изображения имеет радиусы корреляции, отличающиеся от характеристик АФ. Для устранения ошибок принятия решения о сложности ФЦО целесообразно проводить пространственно-корреляционный анализ более высоких областей изображений, соответствующих излучению АФ. Предлагается для каждого обрабатываемого ФЦИ производить расчет коэффициентов пространственной корреляции между контрольными строками. Контрольные строки определяются исходя из размера обрабатываемого массива ФЦИ, т.е. массив ФЦИ сегментируется на три области по горизонтали и строки массива, определяющие центральную область ФЦИ, берутся контрольными (рисунок 5).

Исходя из этого разработан алгоритм подпрограммы первого этапа способа – оценки сложности ФЦО. Блок-схема алгоритма подпрограммы показана на рисунке 6.

Рисунок 5 – Сегментация массива ФЦИ

Алгоритм предусматривает выполнение следующих операций:

1. Получение массива изображения из аналогово-цифрового преобразователя (АЦП) видеопроцессора размером , где N - число строк, а M - число столбцов массива.

2. Определение контрольных строк массива ФЦИ (номер первой конторольной строки определяется как k₁=N/3 и k_i=N-N/3 – номер конечной контрольной строки).

3. Расчет коэффициентов пространственной корреляции по углу места:

где x_i_,_k – i элемент k строки;

x_i_,_p – i элемент p строки.

, - математическое ожидание энергетических яркостей в k-й и p-й строках;

, - среднеквадратические отклонения энергетических яркостей в k-й и

p-й строках;

4. Пороговая обработка, в процессе которой происходит сравнение величин коэффициентов корреляции , рассчитанных между контрольными строками со сдвигом 3^о. Если принимается решение о том, что ФЦО содержит «сложный фон», в противном случае – «простой фон».

Если ФЦО признана «простой» то следующим этапом будет применение алгоритма пространственной фильтрации [11].

Рисунок 6 – Блок-схема алгоритм подпрограммы первого этапа способа

Второй этап заключается в предварительной обработке ФЦИ только сложного атмосферного фона. В процессе экспериментальных исследований пространственно-временной структуры излучения атмосферного фона, было установлено, что для сложных типов облачности с радиусом корреляции составляющим 2–3^о по углу места, следовательно, в областях пространства ограниченных этими угловыми величинами, процесс собственного излучения атмосферы можно считать стационарным.

Таким образом, предварительной обработке ФЦИ сложного атмосферного фона включает разделения ФЦИ на сегменты размером 2×3^о.

Из теории обработки изображений известны методы использующие разбиение изображений на области, однородные в смысле заранее выбранных критериев. Наиболее распространенным является представление исходного изображения в областях, каждая из которых удовлетворяет некоторому критерию схожести. Критерий схожести диктует разделение методов и алгоритмов сегментации на две большие группы: по критерию однородности и по критерию неоднородности [6]. Критерием однородности для ФЦИ сложного атмосферного фона является величина радиус корреляции.

После того, как выполнена сегментация ФЦИ на области, полученные совокупности пикселей обычно описываются и представляются в форме удобной для дальнейшей обработки. При выборе способа представления областей возможны два пути – это представление области ее внешними характеристиками (т.е. границей), или представление области внутренними характеристиками (т.е. совокупностью элементов изображения, составляющих эту область) [7, 8, 9]. Так как границы сегментов определены радиусами корреляции возникает необходимость в определении подхода к описанию совокупности элементов ФЦИ внутри каждого сегмента.

В цифровой обработке изображений для описания области применяются три основных подхода: статистический, структурный и спектральный [7, 8, 9]. Статистические методы позволяют охарактеризовать внутреннее состояние области или ее текстуру. Структурные методы занимаются изучением взаимного положения простейших составляющих изображения, как например описание параллельных линий, проходящих с постоянным шагом. Спектральные методы основаны на свойствах Фурье-спектра и используются, прежде всего, для обнаружения глобальной периодичности в изображении по имеющим большую энергию узким выбросам на спектре [7, 8, 9].

В предположении того, что излучение атмосферного фона каждого сегмента ФЦИ стационарно, но оно может изменяться в случае появления в сегменте объектов с излучением отличным от атмосферного. Возникает необходимость в статистическом подходе к обработке сегмента, который способен фиксировать изменение внутреннего состояния излучения в каждом сегменте ФЦИ. Подход заключается в использовании статистических характеристик, определяемых яркостным контрастом сегмента ФЦИ. Так, как мерой яркостного контраста является дисперсия [7, 8, 9], то для способа обработки частично воспользуемся методикой дисперсионного анализа.

Дисперсионный анализ является статистическим методом анализа результатов наблюдений, зависящих от различных одновременно действующих факторов, с целью выбора наиболее значимых факторов и оценки их влияния на исследуемый процесс [10]. Используя оценку яркостного контраста в сегментах ФЦИ, можно определить в каком из сегментов наблюдается изменение ФЦО.

Суть дальнейших действий заключается в вычислении отношения общей дисперсии характеризующей изменение средних значений яркости сегмента ФЦИ к выборочной дисперсии характеризующей рассеяние значений яркости по строкам и определении сегмента, в котором это отношение уменьшается за период обработки пачки ФЦИ. Уменьшение величины отношения дисперсий в сегменте свидетельствует о локальном увеличении яркостного контраста излучения и следовательно о наличии в сегменте объекта с излучением отличным от атмосферного.

Блок-схема алгоритма подпрограммы реализующего второй этап способа показана на рисунке 7.

Алгоритм предусматривает выполнение следующих операций:

1. Сегментация массива ФЦИ, т.е. определение областей (номеров строк, столбцов массива ФЦИ) излучения атмосферного фона ограниченных радиусами корреляции, составляющими 2–3^о по углу места.

2. Расчет дисперсии характеризующей изменение яркости элементов в каждой строке сегмента массива ФЦИ:

(1)

где n – количество строк сегмента ФЦИ;

u_i_,_j – яркостный элемент сегмента ФЦИ.

3. Расчет дисперсии характеризующей рассеяние значений u_i_,_j по строкам сегмента ФЦИ:

(2)

где m – количество столбцов сегмента ФЦИ;

– среднее значение яркости элементов по строкам сегмента ФЦИ.

4. Расчет общей дисперсии яркостного контраста сегмента ФЦИ:

(3)

где – среднее значение яркости элементов по всему сегменту ФЦИ.

5. Вычисление отношения общей дисперсии яркостного контраста сегмента к дисперсии, характеризующей рассеяние значений яркости по строкам сегмента ФЦИ. Изменение величины яркости одного из элементов сегмента приводит к изменению результирующей величины h_i_,_j.

(4)

6. После расчета отношений дисперсий в каждом сегменте представим массив ФЦИ в виде матрицы состоящей из численных значений h_i_,_j для каждого сегмента в момент времени t.

(5)

7. Из теории обработки изображений известно, что одним из подходов к обнаружению изменений в последовательности изображений, произошедших между кадрами, является их поэлементное сравнение. Одним из способов такого сравнения является построение разностного изображения. Построение разностного изображения заключается в вычитании из опорного изображения последующих изображений, что приводит к взаимному уничтожению одинаковых составляющих, а ненулевые значения остаются только в местах, соответствующих изменяющимся компонентам изображения. [7, 8]

Матрица H в момент времени t является опорной за период обработки Т в пачки ФЦИ. Вычитание из опорной матрицы Н матриц пачки ФЦИ за период обработки сформирует конечную разностную матрицу

(6)

где – конечное разностное значение отношения дисперсий для каждого сегмента.

Рисунок 7 – Блок-схема алгоритма подпрограммы второго этапа способа

8. В конечной разностной матрице определяются ненулевые значения по которым определяются сегменты для последующей обработки.

При обработке сегментов могут возникнуть ситуации, когда яркостный контраст МТО может совпадать с яркостным контрастом атмосферного фона. В таких ситуациях могут быть сформированы ложные яркостные сигналы на конечном этапе обработки сегмента ФЦИ. Чтобы уменьшить вероятность формирования ложных отметок на ВКУ необходимо определить дополнительные условия для определения сегмента, в котором предположительно находится МТО. Дополнительным условием является расчет нормированного коэффициента отношения дисперсий и определение значения отношения «цель-АФ» необходимого для дальнейшей обработки сегментов.

(7)

В ходе предварительного имитационного моделирования было определено, что нормированный коэффициент отношения дисперсий должен быть не более 0,95.

Третий этап заключается в окончательной обработке ФЦИ, которое сводится к обработке тех сегментов в которых предположительно обнаружено излучение МТО (ненулевое значение ). Окончательная обработка сегментов производиться с помощью алгоритма пространственной фильтрации [11].

Таким образом, способ позволяет производить разделение множества элементов цифрового массива ФЦИ на два подмножества, соответствующих излучению фона и объекта. В результате деления и присвоения элементам одного подмножества нулевых значений, а другому единичных формируют бинарный массив изображения.

Бинарный массив изображения применим не только для обеспечения визуального обнаружения, но и для использования его в качестве машинного зрения автоматических систем. В этом случае анализ бинарного массива обеспечит определение угловых координат объекта. Точность измерения которых сравнима с шагом пространственной дискретизации ФЦИ.

С целью определения вероятности обнаружения, реализуемой при использовании предложенного способа, проведено моделирование процесса обнаружения теплового объектов на исследуемых фоновых массивах. Были взяты по 100 массивов изображения для ясного неба, кучевой, слоистой и перистой облачностей, размером пикселей. На выбранный массив фона «накладывался» сигнал от теплового объекта в выбранный элемент массива изображения . Вероятности обнаружения теплового объекта на атмосферном фоне при отношении сигнал/шум, равном 6, представлены в таблице 1.

Таблица 1 – Вероятности обнаружения малоразмерного теплового объекта на атмосферном фоне при отношении сигнал/шум, равном 6

Тип облачности	Ясно	Кучевая	Слоистая	Перистая
Вероятность	0,81	0,79	0,84	0,84

Анализ результатов математического моделирования подтвердил работоспособность предлагаемого способа обнаружения малоразмерных тепловых объектов.

ЛИТЕРАТУРА

1. Якушенков Ю. Г., Тарасов В. В. Инфракрасные системы «смотрящего» типа. – М.: «Логос», 2004. 430 с.

2. Приходько В. Н., Хисамов Р. Ш. Обнаружение «точечных» объектов теплопеленгатором на основе матричного фотоприёмного устройства // Оборонная техника. // Вып. 1–2, 2007. С. 64-66.

3. Алленов М. И. и др. Стохастическая структура излучения облачности. СПб.: Гидрометеоиздат, 2000. 175 с.

4. Чупраков А. М., Хитрик А. С. Тепловизионный прицел на основе матричного болометрического приемника // Оптико–электронные системы визуализации и обработки оптических изображений. // Вып. 2. – М.: ЦНИИ «Циклон», 2007. С. 60-71.

5. Якименко И. В. Методы, модели и средства обнаружения воздушных целей на атмосферном фоне широкоугольными оптико-электронными системами. Монография. Смоленск, ВА ВПВО ВС РФ, 2010. 163 с.

6. Бакут П. А., Колмогоров Г.С., Ворновицкий И. Э. Сегментация изображений: методы пороговой обработки. // Зарубежная радиоэлектроника. № 10, 1987. С. 6–24.

7. Гансалес Р., Вудс Р. Цифровая обработка изображений. М., Техносфера, 2005.1012 с.

8. Гансалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB. М., Техносфера, 2006. 615 с.

9. Яншин В. В. Анализ и обработка изображений принципы и алгоритмы. М.; Машиностроение, 1995. 111 с.

10. Кобзарь А. И. Прикладная математическая статистика. Для инженеров и научных работников. М., ФИЗМАТЛИТ, 2006. 816 с.

11. С 2 2407028 RU G 01 S 3/78, G 02 B23/12. Способ обнаружения тепловых объектов на фоне небесной полусферы. Патент РФ / Якименко И. В., Митрофанов Д.Г. и др. (Государственное образовательное учреждение высшего профессионального образования «Военная академия войсковой ПВО ВС РФ). - № 2009101597/28; Заявл. 19.01.2009; Дата публикации заявки 27.07.2010; Опубликовано 20.12.2010.

WAY OF DETECTION OF SMALL-SIZED THERMAL OBJECTS ON THE ATMOSPHERIC BACKGROUND

Nabatchikov A. C., Jakimenko I. V.

In this abstract is stated the way of the thermal objects detection on the correlated atmospheric background by means of infra-red heat direction finders with a wide field of vision. The way is based on use of differences of spatial spectra of dot thermal object radiation and extensional colder atmospheric background. On the basis of this way is developed the algorithm of the bidimentional spatial filter which can be realized programmatically in the video processor of the heat direction finder.

Key words: optoelectronic devices, detection, dot thermal object.

Филиал ФГБОУВПО «Национальный исследовательский университет МЭИ»

в г. Смоленске

Поступила в редакцию 16.12.2012.