§ 18. ПУТИ АВТОМАТИЗАЦИИ ДЕШИФРИРОВАНИЯ

Автоматизирование опознавания объектов находит применение при дешифрировании аэрофотоснимков в сельскохозяйственном производстве, в лесном хозяйстве, при обработке космических материалов и при получении метеорологической информации. Уже сейчас автоматически определяют ряд таксационных характеристик лесных наделов, число крон данной лесной породы, общую ширину и протяженность размещения участка этой породы леса, средний диаметр ствола для каждой породы и объем древесины пород на площади подвергнутого обследованиям лесного участка.

В автоматизированных системах используются фотометрический и спектрофотометрический методы опознавания объектов, а также распознавание по прямым признакам дешифрирования на основе фильтрации избыточной информации с выделением нескольких видов определяемых объектов или каких-либо одних видов участков местности. Уже создан ряд распознающих систем, использующих прямые признаки дешифрирования.

В одной из них разработана классификация дешифровочных признаков по статистическим характеристикам возможных оптических параметров, отражающихся на фотографическом изображении. В такой классификации установлено 18 признаков

особенности структуры. Вместе с указанными прямыми признаками дешифрирования в классификации используется еще ряд дополнительных сведений, связанных с приуроченностью, расположением, изменением свойств, динамичностью и стационарностью объектов. Сбор таких данных пока ведется с участием человека, а оценка их — на ЭВМ. В соответствии со всеми указанными признаками выявляют объект дешифрирования.

В другой системе автоматизированное распознавание объектов ведется фотометрическим способом, основанным на статистическом анализе на ЭВМ микрофотометрических регистрограмм исследуемого и эталонного фотоизображения объекта. Распознавание спектрофотометрическим способом предусматривает использование не только геометрических и фотометрических свойств объектов, но и их спектрофотометрических изображений. Автоматическое сопоставление изображений, полученных в разных зонах спектра, позволяет распознавать некоторые объекты с достаточной степенью надежности.

Автоматизированное распознавание объектов обычно основано на имитации методики распознавания человеком различных объектов, предметов, природных явлений и условий.

Автоматизация опознавания предполагает создание самообучающихся и самоадаптирующихся систем. Ряд из них предусматривает использование электронно-оптического скани-

52

рования изображения с целью его преобразования в электрические сигналы, которые в дальнейшем анализируются на ЭВМ. В состав таких устройств входит коррелятор, сравнивающий два изображения и формирующий сигнал ошибки.

В настоящее время разрабатывается несколько специальных методов автоматизированного опознавания объектов местности. Среди них — метод опознавательных признаков, в котором основными признаками опознавания объектов являются количественные соотношения соответствующих оптических плотностей внутри контуров. Для автоматического установления границ между участками с различными характеристиками и объектами при дешифрировании используют сканирование аэроснимка в одном направлении, в процессе которого фиксируют границы изменений плотностей фотоизображений. Эти системы работают в видимом участке спектра. Появление нефотографических видов аэросъемки открыло новые возможности определения топографических, геологических и гидрогеологических объектов. Дешифрирование материалов таких съемок основано на определении суммы признаков, принадлежащих объектам и отличающих их от окружающего фона. Наиболее важной является отражательная способность объектов и фона, создающая тон, структуру изображения и выделяющая все прямые и косвенные признаки их дешифрирования. Величина отражательной способности подстилающей поверхности имеет важное значение не только в фотографических, но и в нефотографических видах съемок (радиолокационной, инфракрасной, телевизионной и лазерной), выполняемых в различное время суток и года.

Сочетание элементов изображений таких съемок характеризует особенности почвенно-растительного покрова, условия увлажнения поверхности и формы рельефа, их взаимное расположение, геометрические и диэлектрические свойства, отражательную способность подстилающей поверхности, ее энергетические особенности. Косвенные признаки также важны при автоматическом дешифрировании снимков.

Для получения фотометрических характеристик используют микроденситометры, сопряженные с ЭВМ. Автоматическое распознавание ведут методом детерминантных процедур с помощью устройств, распознающих изображение по заранее определенным признакам, и корреляционным методом с помощью самообучающихся устройств, вырабатывающих оптимальные признаки распознавания. ЭВМ вырабатывает дешифровочные признаки, подбирает правильные варианты и распознает объекты местности.

Перцентронный метод характеризуется выбором перцентрона с оптимальными параметрами, надежностью распознавания и высоким быстродействием. Вначале автоматически находят кадр с изображением объекта. Затем отделяют объект от фона и сканирующими устройствами, оптическими фильтра-

53

ми, фильтрами-галог оаммами и матрицами фотоприемников регистрируют изобра жение.

Выявление информации о мелких объектах достигается уменьшением площади измерительной щели (апертуры) микрофотометра. Цифровая обработка целесообразна при сопряжении ЭВМ с микрофотометром при регистрации оптических плотностей в автоматическом режиме.

Микрофотометрическое дешифрирование предусматривает: микрофотометрирование изображений, статистическую обработку полученных данных и определение класса дешифрируемого объекта. Цветоделение фотоизображений приводит к необходимости применять машинные способы анализа данных. Наиболее существенным признаком выявления объектов является спектрофотометрическая характеристика изображения. Описанием спектрофотометрических свойств фотоизображений может служить математическое ожидание и дисперсия этой величины. Последняя позволяет судить о пространстве данного класса и его описания.

Для успешного распознавания и анализа признаков в ходе обучения распознающей системы определяют число участков спектра, необходимых для распознавания.

Для стандартизации результатов микрофотометрирования производят калибровку АФА по спектрораспределению в плоскости прикладной рамки. При обработке многозональных снимков ряд операций можно также возложить на ЭВМ, например, преобразование многозональных снимков к виду, удобному для обработки на ЭВМ, представление яркостей в цифровом виде, запись на магнитную ленту, получение совмещенной цифровой записи в различных спектральных диапазонах и преобразование структуры записи из одного вида в другой. Для учета яркости ближайшего окружения объекта выполняют фильтрацию и генерализацию информации. Цифровая техника позволяет черно-белый снимок представлять в условных цветах. Комбинированный метод оптико-аналоговой и цифровой обработки позволяет представить 256 градаций черно-белой шкалы в виде 64 цветных полутонов. Один черно-белый снимок цифровыми методами преобразуется в три черно-белых изображения, которые обрабатываются с тремя разными фильтрами и служат для распознавания новых структур и поверхностей.

Система автоматизации дешифрирования строится по принципу от общего к частному: от общей оценки фотоизображения, его фона и тона объектов к последующему выделению в них отдельных деталей.

При разделении могут участвовать как прямые признаки дешифрирования, так и косвенные, тесно связанные с микрофотометрическими и спектрофотометрическими свойствами и особенностями, характеризующими природные объекты и явления.

Автоматизация дешифрирования невозможна без применения ЭВМ последнего поколения, имеющих высокое быстро-

54