Мультиспектралды бейнелерді өңдеуде кластеризация алгоритмін зерттеу және өңдеу, параллелизация технологиясын қолдану арқылы бағдарламаның тиімділігін арттыру
КІРІСПЕ
1.ЖЕРДІ ҚАШЫҚТЫҚТАН ЗЕРТТЕУДЕГІ БЕЙНЕЛЕРДІ ӨҢДЕУ
1.1 МУЛЬТИСПЕКТАРЛДЫ МӘЛІМЕТТЕРДІ АЛДЫН АЛА ӨҢДЕУ
1.2 МУЛЬТИСПЕКТРАЛДЫ СУРЕТТЕРДІ ТЕМАТИКАЛЫҚ ӨҢДЕУ
1.3 КЛАССИФИКАЦИЯ
1.4 ЖЕРДІ ҚАШЫҚТЫҚТАН ЗЕРТТЕУДЕГІ БЕЙНЕЛЕРДІ СЫҒУ
2.ҮЛКЕН КӨЛЕМДІ АҚПАРАТТЫ ӨҢДЕУ КЕЗІНДЕ ӨНІМДІЛІКТІ АРТТЫРУ
2.1 Параллельді өңдеудің ідістері мен технологиясы
2.2 Java тілі параллельді есептеу тілі ретінде
3.КЛАССТЕРИЗАЦИЯ ЕСЕБІ
3.1 Тізбектелген кластеризация есебінің алгоритмі
3.2 Паралельді кластеризация есебінің алгоритмі
4. БАҒДАРЛАМАНЫ ӘРТҮРЛІ ЖҮЙЕЛЕРДЕ ЖҮЗЕГЕ АСЫРУ
4.1 C# тілінде ISODATA алгоритімінің параллельді орындалуы
4.2 Java тілінде алгоритімінің параллельді орындалуы
5. НӘТИЖЕЛЕР АНАЛИЗІ
ҚОРЫТЫНДЫ
ҚОЛДАНЫЛҒАН ӘДЕБИЕТ
1.ЖЕРДІ ҚАШЫҚТЫҚТАН ЗЕРТТЕУДЕГІ БЕЙНЕЛЕРДІ ӨҢДЕУ
1.1 МУЛЬТИСПЕКТАРЛДЫ МӘЛІМЕТТЕРДІ АЛДЫН АЛА ӨҢДЕУ
1.2 МУЛЬТИСПЕКТРАЛДЫ СУРЕТТЕРДІ ТЕМАТИКАЛЫҚ ӨҢДЕУ
1.3 КЛАССИФИКАЦИЯ
1.4 ЖЕРДІ ҚАШЫҚТЫҚТАН ЗЕРТТЕУДЕГІ БЕЙНЕЛЕРДІ СЫҒУ
2.ҮЛКЕН КӨЛЕМДІ АҚПАРАТТЫ ӨҢДЕУ КЕЗІНДЕ ӨНІМДІЛІКТІ АРТТЫРУ
2.1 Параллельді өңдеудің ідістері мен технологиясы
2.2 Java тілі параллельді есептеу тілі ретінде
3.КЛАССТЕРИЗАЦИЯ ЕСЕБІ
3.1 Тізбектелген кластеризация есебінің алгоритмі
3.2 Паралельді кластеризация есебінің алгоритмі
4. БАҒДАРЛАМАНЫ ӘРТҮРЛІ ЖҮЙЕЛЕРДЕ ЖҮЗЕГЕ АСЫРУ
4.1 C# тілінде ISODATA алгоритімінің параллельді орындалуы
4.2 Java тілінде алгоритімінің параллельді орындалуы
5. НӘТИЖЕЛЕР АНАЛИЗІ
ҚОРЫТЫНДЫ
ҚОЛДАНЫЛҒАН ӘДЕБИЕТ
Казіргі таңда жерді қашықтықтан зерттеу (ЖҚЗ) космостық жүйелер кең таралымға ие болып отыр. Жерді қашықтықтан бақылау дегеніміз - ол белгілі бір территория, немесе оған қатысты обьект туралы ақпарат жинау. Жерді қашықтықтан бақылау әдістері үлкен көлемді спектралды диапазондағы жердің бетін электромагиниттік сәулелер және сандық немесе аналогтық тіркеуде негізделген.
Жерді қашықтықтан басқарудың өнімі ретінде пиксельдердің мәні кандай да бір қасиетке сәйкес келетін бейне бөлігінің жер беті бөлігінің сандық бейнесі. Сол алынған жер бетінің көлемі алынған спутниктік бейнеге байланысты болады, жалпы алғанда осы алынған жиынның бәрін берілген аймақ қасиетін сақтайтын көпөлшемді матрица түрінде қарастыруға болады.
Белгілі бір табиғи ресурс есептерін шешетін әр түрлі спектралды диапазонды мыңдаған спутниктік жүйелер секунд сайын жер үсті өзгерістерін бақылап отыр. Жерді қашықтықтан зерттеу мәліметтерін өңдеу өте үлкен жұмыс, ол бір неше этаптан тұрады: алдын ала, алғашқы және салдарлық (тематикалық) өңдеу. Әр түрлі тематикалық өңдеу жүргізу үшін космостық түсірілімдер материалдары бойынша аймақ туралы ақпаратты алу дешифирлеу этапында жүзеге асады. Картография және мониторинг есептері спутниктік бейнелерді тематикалық дешифрирлеу кезінде визуалды аспапты және автоматтандырылған әдістерге жүгінеді. Визуалды аспапты өңдеу процессі өте күрделі жұмыс және субьективті болып келеді. Сондықтан өңдеуден алынған ақпараттың сапасы мен орындалу уақыты ең алдымен маманның кәсіптілігі мен біліктілігіне байланысты. Сол себепті спутниктік бейнелерді өңдеу процессін максималды түрде автоматизациялау ұмтылысы әбден түсінікті.
Соңғы жылдары мултиспектралды жүйелер (10 спектралды диапазонға дейін) мен гиперспектралды жүйелер (300 диапазонға дейін) үлкен таралымға ие болып отыр. Көпөлшемді анализ және сегментация жерді қашықтықтан зерттеу спутниктерінен алатын мультиспектралды суреттерді тематикалық өңдеу барысында қолданылатын негізгі процедураларының бірі болып табылады. Бір территория бойынша спутниктерден қабылданатын ақпараттар көлемі бір сеанс ішінде гигабайтқа және одан да асады, сондықтан осындай ақпаратты өңдеу күрделі есептеулер мен ресурстарды қажет етеді. ЖҚЗ мәліметтерін тематикалық өңдеу кезінде, осындай жоғарғы есептеу қүрделігі бар алгоритмдердің мәселелерін принципиалды түрде шешу үшін геоинформациялық жүйелер ортасын параллельді есептеуіш ресурстарына қол жеткізу мүмкіндігін ұйымдастыру керек. Қазіргі таңда сандық бейнелерді (мультиспектралды) анализдеу және автоматты өңдеу үлкен тәжірбиеге ие.
Автоматтандырылған әдістердің көпшілігі игеріліп, спутниктік ақпаратты өңдеу де қолданылып жатыр. Осы бағыттағы ғалымдардың спутниктік бейнелерді өңдеу автоматтандырылған жүйелерге салатын басты талаптарының бірі болып, қазіргі таңда өнімдердің сапасы мен ақпаратты өңдеу уақытты тиімділеу яғни тездету әдістерді табу болып отыр. Осыған қарамастан спутниктік бейнелерді автоматты түрде өңдейтін есептерге арналған жұмыстар аз. Сонымен қатар, қарапайым бейнелерді өңдейтін алгоритмдердің өздері де көпзонды бейнелер жағынан қарағанда бірнеше кемшілікке ие:
Жерді қашықтықтан басқарудың өнімі ретінде пиксельдердің мәні кандай да бір қасиетке сәйкес келетін бейне бөлігінің жер беті бөлігінің сандық бейнесі. Сол алынған жер бетінің көлемі алынған спутниктік бейнеге байланысты болады, жалпы алғанда осы алынған жиынның бәрін берілген аймақ қасиетін сақтайтын көпөлшемді матрица түрінде қарастыруға болады.
Белгілі бір табиғи ресурс есептерін шешетін әр түрлі спектралды диапазонды мыңдаған спутниктік жүйелер секунд сайын жер үсті өзгерістерін бақылап отыр. Жерді қашықтықтан зерттеу мәліметтерін өңдеу өте үлкен жұмыс, ол бір неше этаптан тұрады: алдын ала, алғашқы және салдарлық (тематикалық) өңдеу. Әр түрлі тематикалық өңдеу жүргізу үшін космостық түсірілімдер материалдары бойынша аймақ туралы ақпаратты алу дешифирлеу этапында жүзеге асады. Картография және мониторинг есептері спутниктік бейнелерді тематикалық дешифрирлеу кезінде визуалды аспапты және автоматтандырылған әдістерге жүгінеді. Визуалды аспапты өңдеу процессі өте күрделі жұмыс және субьективті болып келеді. Сондықтан өңдеуден алынған ақпараттың сапасы мен орындалу уақыты ең алдымен маманның кәсіптілігі мен біліктілігіне байланысты. Сол себепті спутниктік бейнелерді өңдеу процессін максималды түрде автоматизациялау ұмтылысы әбден түсінікті.
Соңғы жылдары мултиспектралды жүйелер (10 спектралды диапазонға дейін) мен гиперспектралды жүйелер (300 диапазонға дейін) үлкен таралымға ие болып отыр. Көпөлшемді анализ және сегментация жерді қашықтықтан зерттеу спутниктерінен алатын мультиспектралды суреттерді тематикалық өңдеу барысында қолданылатын негізгі процедураларының бірі болып табылады. Бір территория бойынша спутниктерден қабылданатын ақпараттар көлемі бір сеанс ішінде гигабайтқа және одан да асады, сондықтан осындай ақпаратты өңдеу күрделі есептеулер мен ресурстарды қажет етеді. ЖҚЗ мәліметтерін тематикалық өңдеу кезінде, осындай жоғарғы есептеу қүрделігі бар алгоритмдердің мәселелерін принципиалды түрде шешу үшін геоинформациялық жүйелер ортасын параллельді есептеуіш ресурстарына қол жеткізу мүмкіндігін ұйымдастыру керек. Қазіргі таңда сандық бейнелерді (мультиспектралды) анализдеу және автоматты өңдеу үлкен тәжірбиеге ие.
Автоматтандырылған әдістердің көпшілігі игеріліп, спутниктік ақпаратты өңдеу де қолданылып жатыр. Осы бағыттағы ғалымдардың спутниктік бейнелерді өңдеу автоматтандырылған жүйелерге салатын басты талаптарының бірі болып, қазіргі таңда өнімдердің сапасы мен ақпаратты өңдеу уақытты тиімділеу яғни тездету әдістерді табу болып отыр. Осыған қарамастан спутниктік бейнелерді автоматты түрде өңдейтін есептерге арналған жұмыстар аз. Сонымен қатар, қарапайым бейнелерді өңдейтін алгоритмдердің өздері де көпзонды бейнелер жағынан қарағанда бірнеше кемшілікке ие:
1. Аэрокосмические методы географических исследований: Учеб. для студ. высш. учеб. заведений / Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В. - М.: Издательский центр "Акадкмия", 2004. - 336 с.
2. Кашкин В.Б., Сухинин А.И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие. – М.: Логос, 2001. – 264 с.
3. Геоинформационные системы: Обработка и анализ растровых изображений / Ю.Ю. Герасимов, С.А. Кильпеляйнен, А.П. Соколов; ООО "Дата+". Москва, 2002. 118с.
4. Применение алгоритмов неконтролируемой классификации при обработке данных ДЗЗ / И.А. Зубков, В.О. Скрипачев, 59-62 c.
5. Лурье И.К., Косиков А.Г. Теория и практика цифровой обработки изображений // М.: Научный мир, 2003. 166 с.
6. Parallel Algorithm Evaluation in the Image and Clustering Processing / C. Pughineanu, I. Balan, 2011. 89-91 c.
7. Commodity cluster and hardware-based massively parallel implementations of hyperspectral imaging algorithms / Antonio Plaza, Chein-I Chang, Javier Plaza , David Valencia 3-4 с.
8. Parallel techniques for information extraction from hyperspectral imagery using heterogeneous networks of workstations / Antonio J. Plaza, 2007.
9.Параллельная реализация алгоритма кластеризации обработки мультиспектральных изображений /Атейбекова Ш.Е, 2012.
2. Кашкин В.Б., Сухинин А.И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие. – М.: Логос, 2001. – 264 с.
3. Геоинформационные системы: Обработка и анализ растровых изображений / Ю.Ю. Герасимов, С.А. Кильпеляйнен, А.П. Соколов; ООО "Дата+". Москва, 2002. 118с.
4. Применение алгоритмов неконтролируемой классификации при обработке данных ДЗЗ / И.А. Зубков, В.О. Скрипачев, 59-62 c.
5. Лурье И.К., Косиков А.Г. Теория и практика цифровой обработки изображений // М.: Научный мир, 2003. 166 с.
6. Parallel Algorithm Evaluation in the Image and Clustering Processing / C. Pughineanu, I. Balan, 2011. 89-91 c.
7. Commodity cluster and hardware-based massively parallel implementations of hyperspectral imaging algorithms / Antonio Plaza, Chein-I Chang, Javier Plaza , David Valencia 3-4 с.
8. Parallel techniques for information extraction from hyperspectral imagery using heterogeneous networks of workstations / Antonio J. Plaza, 2007.
9.Параллельная реализация алгоритма кластеризации обработки мультиспектральных изображений /Атейбекова Ш.Е, 2012.
КІРІСПЕ
Казіргі таңда жерді қашықтықтан зерттеу (ЖҚЗ) космостық жүйелер кең
таралымға ие болып отыр. Жерді қашықтықтан бақылау дегеніміз - ол белгілі
бір территория, немесе оған қатысты обьект туралы ақпарат жинау. Жерді
қашықтықтан бақылау әдістері үлкен көлемді спектралды диапазондағы жердің
бетін электромагиниттік сәулелер және сандық немесе аналогтық тіркеуде
негізделген.
Жерді қашықтықтан басқарудың өнімі ретінде пиксельдердің мәні кандай да бір
қасиетке сәйкес келетін бейне бөлігінің жер беті бөлігінің сандық бейнесі.
Сол алынған жер бетінің көлемі алынған спутниктік бейнеге байланысты
болады, жалпы алғанда осы алынған жиынның бәрін берілген аймақ қасиетін
сақтайтын көпөлшемді матрица түрінде қарастыруға болады.
Белгілі бір табиғи ресурс есептерін шешетін әр түрлі спектралды
диапазонды мыңдаған спутниктік жүйелер секунд сайын жер үсті өзгерістерін
бақылап отыр. Жерді қашықтықтан зерттеу мәліметтерін өңдеу өте үлкен
жұмыс, ол бір неше этаптан тұрады: алдын ала, алғашқы және салдарлық
(тематикалық) өңдеу. Әр түрлі тематикалық өңдеу жүргізу үшін космостық
түсірілімдер материалдары бойынша аймақ туралы ақпаратты алу дешифирлеу
этапында жүзеге асады. Картография және мониторинг есептері спутниктік
бейнелерді тематикалық дешифрирлеу кезінде визуалды аспапты және
автоматтандырылған әдістерге жүгінеді. Визуалды аспапты өңдеу процессі өте
күрделі жұмыс және субьективті болып келеді. Сондықтан өңдеуден алынған
ақпараттың сапасы мен орындалу уақыты ең алдымен маманның кәсіптілігі мен
біліктілігіне байланысты. Сол себепті спутниктік бейнелерді өңдеу
процессін максималды түрде автоматизациялау ұмтылысы әбден түсінікті.
Соңғы жылдары мултиспектралды жүйелер (10 спектралды диапазонға
дейін) мен гиперспектралды жүйелер (300 диапазонға дейін) үлкен таралымға
ие болып отыр. Көпөлшемді анализ және сегментация жерді қашықтықтан зерттеу
спутниктерінен алатын мультиспектралды суреттерді тематикалық өңдеу
барысында қолданылатын негізгі процедураларының бірі болып табылады. Бір
территория бойынша спутниктерден қабылданатын ақпараттар көлемі бір сеанс
ішінде гигабайтқа және одан да асады, сондықтан осындай ақпаратты өңдеу
күрделі есептеулер мен ресурстарды қажет етеді. ЖҚЗ мәліметтерін
тематикалық өңдеу кезінде, осындай жоғарғы есептеу қүрделігі бар
алгоритмдердің мәселелерін принципиалды түрде шешу үшін геоинформациялық
жүйелер ортасын параллельді есептеуіш ресурстарына қол жеткізу мүмкіндігін
ұйымдастыру керек. Қазіргі таңда сандық бейнелерді (мультиспектралды)
анализдеу және автоматты өңдеу үлкен тәжірбиеге ие.
Автоматтандырылған әдістердің көпшілігі игеріліп, спутниктік ақпаратты
өңдеу де қолданылып жатыр. Осы бағыттағы ғалымдардың спутниктік бейнелерді
өңдеу автоматтандырылған жүйелерге салатын басты талаптарының бірі болып,
қазіргі таңда өнімдердің сапасы мен ақпаратты өңдеу уақытты тиімділеу яғни
тездету әдістерді табу болып отыр. Осыған қарамастан спутниктік бейнелерді
автоматты түрде өңдейтін есептерге арналған жұмыстар аз. Сонымен қатар,
қарапайым бейнелерді өңдейтін алгоритмдердің өздері де көпзонды бейнелер
жағынан қарағанда бірнеше кемшілікке ие:
Біріншіден, белгілі шешімдер, космостан алынған бейне тек бір ғана
емес бірнеше суреттен тұруы мүмкін деген болжамды сонымен қатар әр түрлі
спектралды зоналарда түсірілген бір бірімен корреляцияланған суреттерден
тұруы мүмкін деген болжамды ескермейді.
Екіншіден, бейнелерді өңдеудің ортақ принциптеріне негізделгендіктен,
реалды уақытта яғни ақпараттың түскен сәтінде бейнелерді өңдеуге арналған
алгоритмдер тым ақырын болып шықты.
Үшіншіден, осыған қоса алғанда, қолданылатын шешімдер әрқашан
қанағаттырарлық нәтиже (сапалы) бермейді, сондықтан сапалы өнімге жету үшін
жаңа әдістерді, мүмкін бар әдістерді комбинирлі түрде қолдану да керек.
Осынын бәрі аэрокосмостық бақылаулардың сапасы мен сапалы анализі үшін жаңа
әдістердің өңдеуін қажет етеді. Осының бәрін ескере отырып бейнелерді
өңдеудің тез әрі тиімді алгоритмдерін өңдеу және зерттеу актуалды
мәселелердің бірі болып табылады.
Жұмыстың мақсаты
Мультиспектралды бейнелерді өңдеуде кластеризация алгоритмін зерттеу
және өңдеу, параллелизация технологиясын қолдану арқылы бағдарламаның
тиімділігін арттыру.
Жұмыстың өзектілігі
Космостық спутниктердің мультиспектралды түсірілім құрылғылары
көмегімен алынған, жерді қашықтықтан зерттеу мультиспектралды суреттері,
жер беті обьектілерінің панхроматты режимде көрінбейтін көптеген
қасиеттерін зерттеуге мүмкіндік береді. Жерді қашықтықтан зерттеу
мультиспекталды ақпарат көптеген салаларда орнын табады, ең алдымен ол -
орман және ауылшаруашылығы; энергетика; мұнай газ комплекстерінде;
телекоммуникация; арнайы және тематикалық картография; қоршаған ортаны
қорғау және экология; төтенше жағдайларды басқару. Сондықтан
мультиспектралды ақпаратты өңдеу мен космостық суреттерді дешифрлеу
күнделікті адам өмірінде көптеген салаларда маңызды және актуалды болып
келеді.
Мультиспектралды ақпараттың көлемі үлкен болу себебінен осындай
ақпаратты өңдеу өте үлкен есептеуіш процесстерді және көп уақытты талап
етеді. Сол себепті мультспектралды ақпаратты өңдеудің тиімді алгоритімін
тауып, өңдеу уақытын тездету мультиспектарды ақпараттпен жұмыс істейтін
салалар үшін маңызды мәселелерінің бірі болып табылады.
Жұмыстың жаңалығы
Мультиспектралды бейнелерді өңдеу үшін класстеризация алгоритімдерін
қолданып, алгоритмдердің анализін жасап, есептеу процессін тиімділеу үшін
параллелизация технологияларын қолданып бағдарлама комплексін орындау.
Зерттеу әдістері
Алдыға қойылған есептерді шешу үшін қолданылған әдістер: ықтималдық
теорияға, математикалық статистикаға және сандық әдістерге; есептеуіш
техника құрылғыларына; бағдарламалау тілдері мен графикалық бейнелермен
жұмыс істейтін бағдарламалық құрылғыларына; параллельизациялау
технологияларына негізделген.
Жұмыс нәтижелерін жариялау.
Тақырып бойынша нәтижелер 2 республикалық және 1 халықаралық
конференцияларда талқыланып конференция баяндамалар жинақтарында жарыққа
шыққан.
1.ЖЕРДІ ҚАШЫҚТЫҚТАН ЗЕРТТЕУДЕГІ БЕЙНЕЛЕРДІ ӨҢДЕУ
Қашықтықтан зерттеу мәліметтері (ҚЗМ) (remote sensing data, aerospace
data) -син. Контакты емес яғни дистанционды әдіспен алынған жер беті және
жер бетінде орналасқан обьектілер туралы аэрокосмостық зондтау мәліметтер.
ЖҚЗ (Жерді қашықтықтан зерттеу мәліметтері) мәліметтерін өңдеу (image
processing) – аэрокосмостық суреттерге орындалатын коррекциялау, түрлендіру
және жақсарту, дешифрлеу, визуализациялау процесстері.
Космостық суреттер мәліметтерін өңдеу негізгі деңгейлері:
─ Алдын ала өңдеу;
─ Тематикалық өңдеу.
1.1 МУЛЬТИСПЕКТАРЛДЫ МӘЛІМЕТТЕРДІ АЛДЫН АЛА ӨҢДЕУ
Алдын ала өңдеу – бұл спутниктік суреттерді түзету және жақсарту.
Алдын ала өңдеудің түрлері:
─ Спутниктік суреттерді геометриялық түзету ;
─ Суртеттердің радиометриялық калибровкасы;
─ Атмосфера ықпалының радиометриялық калибровкасы;
─ Қалып кеткен пиксельдерді қалпына келтіру;
─ Контрастілеу;
─ Фильтрация.
Спутниктік суреттерді геометриялық түзету
─ Суреттегі геометриялық бұрмалауларды түзету (орторектификация),
─ Географиялық байланыстарды түзету.
Геометриялық бұрмалаудың бірнеше себептері бар, брақ бұл себептер
бірлесе жүреді. Және де космостық суреттердің типіне байланысты осы
себептер комбинациясы әрқалай болуы мүмкін.
1) Жер бетінің кыйсықтығы. Жер бетінің қыйсықтығы себебінен
суреттердің геометриялық бұрмалауы сканерленген аймақтар бiр
кеңістікте жатпағандықтан болады. 1-суретте әр түрлі кеңістікте
жатқан жер бетін сканерлеу мысалы көрсетілген.
1-сурет. Жер бетін сканерлеу.
Жер бетінің қыйсықтығы түрлері: обьектілер пішіндерінің бұрмалауы,
масштабтың бұрмалануы
2) Рельефтің қыйсықтығы. Рельефтің қыйсықтығы жер бетінің қыйсықтығы
сияқты өрескел бұрмалауға әкеледі, бірақ оларды жою-түзету әлде қайта
қыйындау келеді. Себебі рельефтің пішіні жер пішініне қарағанда
күрделілек, сфераға жақын келеді. 2-суретте жер бетін сканеленгендегі
релефтің қыйсықтығы мысалы.
2-сурет. Жер беті рельефінің қыйсықтығы.
3) Жердің айналуы. Жерді космостан түсіру бір мезеттік жұмыс
болмағандықтан, жердің айналуы түсірілім шарттарын өзгертеді (1 мин жер
0.25айналады).
4) Суреттің құрылу процессіндегі космостық аппараттың қозғалуы. Суреттердің
қасиеті мен сапасына спутник орбитасының биіктігі және пішіні ықпал
тигізеді.
Суртеттердің радиометриялық калибровкасы
Спутниктерден алынған алғашқы суреттер DN ашықтықтың шикі
мәндер түрінде болады. Осындай форматтағы мәліметтерді басқа сурет
мәліметтерінмен салыстыруға біріктіруге болмайды. Радиометриялық калибровка
осы мәндерді физикалық бірліктерге айналдырды. Оптикалық диапозондағы
многозоналды суреттердің калибровкасының формуласы:
B*λ=K λ DN+C λ (1)
мұндағы: B* λ - λ спектралды зонасы үшін энергетикалық ашықтық;
DN – ашықтықтың шикі (алғашқы) мәндері;
K λ - калибровтік коэффициент;
C λ - тіркелген ашықтықтың минималды мәніне сәйкес келетін, калибровтік
тұрақты.
Атмосфера ықпалының радиометриялық калибровкасы
Жұту және шашу. Электромагниттік толқындар атмосферадан өткенде
жұтылады және шашырайды, оның себебі: озон, су буы, көмірқышқыл газ,
оттегі, метан, шаң, түтін.
Бұлттылық. Оптикалық диапазонда түсірілім кезінде бұлттылық
кезергілердің бірі болып табылады.
Атмосфералық коррекция әдістері:
─ Бұлттар мен тұмандар су фонында жақсы көрінеді, себебі қызыл және ИҚ
аймақтарда судың спектірлік беті өзінің оптикалық қасиеті бойынша
қара денеге жақын болады.Сондықтан атмосферадағы су буының және
аэрозольдерінің бар болуын теңіз және мұхит аймақтары бар
суреттерден бағалауға болады.
─ Атмосферадағы шашырылмды, жыл маусымдарын, метеорологиялық
мәліметтерді ескере отырып атмосфера қалып күй моделін құратын
математикалық моделдер бар. Осынай модельдерді анықтау спутниктің
ұшуы кезінде обьектілердің шағылыстыру мүмкіндігін өлшеу арқылы
жүзеге асады.
Қалып кеткен пиксельдерді қалпына келтіру
Қалып кекен пиксельдер түсірілім кезінде немесе тасымалдау кезінде,
және де ашықтық мәндерін көршілес тұрған мәндермен ауыстырған жағдайда
пайда болады. Осындай құбылыстар суретті тематикалық өңдеу кезінде қыйындық
тудыруы мүмкін. Қалып кеткен пикельдерді белгілі бір кемшілікпен
интерполяция жолымен қалпына келтіруге болады. Мысалы 3-суретте
көрсетілген.
3-сурет. Қалып кекен пиксельдер қалпына келтіру.
Контрастілеу
Сурет контрастісі – бұл ашықтықтың максималды және минималды
мәндерінің айырмасы.
Әлсіз контраст – ең көп тараған сурет ақауы.
Сандық өңдеу арқылы контрастіні жоғарлатудың бірнеше әдісі бар. Сурет
конрастісін жоғарлату суреттерді визуалды дешифрлеу кезінде қолдануы
мүмкін. (мысалы, обьект шекараларын көрсету кезінде). Контрастілмеген және
контарстіленген сурет мысалы 4-суретте көрсетілген.
Контрастіні жоғарлату әдістері:
─ Гистограмманы сызықты созу.
─ Гистограмманы нормализацилау.
─ Гистограмманы тегістеу
Контрастілмеген сурет. Контрастілген сурет
4-сурет. Контрастілеуден өткен сурет.
Фильтрация
Фильтрация – берілген бір обьектілердің оқылуын жоғарлататын,
жағымсыз күңгірттеулерді бассып, кездейсоқ бөгеулерді жоюға мүмкіндік
беретін түрлендіру. Фильтрацияның ең қарапайым түрлерінің бірі – жылжымалы
терезеде түрлендіру. Осындай түрлендіру кезінде суреттегі пиксельдердің
ашықтық мәні есептеледі. Есептеу әрбір пиксель үшін болады: сурет бойымен
қозғалып кележатқан терезедегі пиксель орталық писель болып тағайындалады
да оған функция болып табылатын жаңа мән беріледі. Терезе көлемі мысалға,
3х3 немесе 5х5 пикселдер болуы мүмкін. Терезе бир пикелден келеси пикселге
жылжып, барлық пикселдерді өтпегенше сурет бойымен жылжыйды. Терезенің
барлық пиксельдері үшін зерттеуші дешифрлеу мақсатында салмақты
коеффиценттерді орнатады.
Егер терезедегі
пиксельдердің салмақтық
коеффициенті тең болған
жағдайда бейне
тегістеледі.
Егер терезедегі
пиксельдердің салмақтық
коеффициенті басқалардан
жоғары болған жағдайда
бейне кескіні
қаттылайды.
Егер терезедегі
вертикалды орналасқан
пиксельдердің салмақтық
коеффициенті басқалардан
жоғары болған жағдайда
бейнеде меридионалды
бағытты сызықтар пайда
болады.
1-кесте. Фильтрация түрлері.
1.2 МУЛЬТИСПЕКТРАЛДЫ СУРЕТТЕРДІ ТЕМАТИКАЛЫҚ ӨҢДЕУ
Косомостық суреттерді тематикалық өңдеу – космостық суреттердегі
құбылыстарды және обьектерді тану және дешифрлеу процессі.
Тематикалық өңдеу әдістері:
─ Түстік түрлендіру;
─ Индекстік бейнелер;
─ Бас компоненттер анализі;
─ Спектралды бөліну әдісі;
─ Классификация.
Түстік түрлендіру
Егер экран дисплейна көпспектралды суреттің бір каналын шығаратын
болсақ, онда сурет сұр түске боянады (жартылай көлеңке бейне).Түсті бейнені
алу үшін көпспектралды суреттің үш каналын қосу керек, олардың бірі қызыл
(R), келесісі жасыл (G), үшіншісі көк (B) болады. 5-суретте түстік
түрлендіру процессі көрсетілген.
5-сурет. Түстік түрлендіру.
Бейнелерді табиғи түске және жалған түстерге бояуға болады (6-7 суретте
көрсетілген). Егер R, G, B каналдарында бейне R, G, B сурет каналында
берілсе, ондай болса бейне табиғи түрде берілген. Ал егер R, G, B
каналдарында бейне басқа сурет каналында берілсе, ондай болса бейне жалған
түрде Бейненің түсін іріктеу механизмі. Егер R бейне каналына пиксельдер
ашықтығы жоғары мәнді сурет каналын қойып, ал G, B каналдарына пиксельдер
ашықтығы төмен мәнді сурет каналын қойатын болсақ, ондай болса сурет
басымырақ қызыл түсті тондарға боялады.
6-сурет.Суреттің табиғи түске боялу мысалы.
7-сурет.Суреттің жалған түске боялу мысалы
Обьектінің түр-мәнін табиғи түсті бейнелерде анықтайды, ал обьектілердің
контурларын бөлу үшін жалған түсті бейнелер қолданған дұрыс.
Индекстік бейнелер
Индекстік бейнені алу үшін, суретің әр түрлі каналдарынан алынған
пискельдердің ашықтық мәнін анықтау арифметикалық операциялар арқылы
жүзеге асады. Осындай бейнелерде бастапқы бейнелерге қарағанда обьектілер
контрасты түрде анық ерекшеленіп көрінеді.
Бас компоненттер анализі (principal components analysis)
Бас компоненетер анализі - бұл көпспектралды корреляцияланған
мәліметтердің анализі. Корреляцияланған мәліметтер дегеніміз - бұл, бір
спектралды каналда ашықтық мәндері жоғарласа, онда басқа ба спектралды
каналдардың ашықтық мәндері жоғарлайдыдеген мағына.
Спектралды бөліну әдісі (spectral unmixing)
Бір пиксель бір неше квадрат метрден мыңдаған квадрат метр жер бетін
қамтуы мүмкін, және сәйкесінше территорияда жатқан бірнеше обьектілер ия
обьектілер жиыны туралы акпаратты қамтуы мүмкін. Спектралды бөліну әдісін
бейнелерде, көлемі пиксельден кіші обьектерді анықтау-тану үшін
қолданылады. Бұл әдістің мағынасы келесі де: аралас спектрлер танымал таза
спектрлермен яғни таза спектарлды матеиалдар кітапханасымен салыстырылып,
анализ жасалады. Спектрдің әрбір пикселінің сандық-мөлшерлік бағалауы
жасалып, боялған яғни әр бір түс белгілі бір обьектіні білдіретін бейне
алынады. Спектралды бөліну әдісінің мысалы 8-суретте көрсетілген.
8-сурет. Спектралды бөліну әдісінің нәтижесі.
1.3 КЛАССИФИКАЦИЯ
Классификация – бұл суреттерді компьютерлік дешифрлеу немесе белгілі
бір обьектерге сәйкес келетін сурет приксельдерінің автоматты түрде
класстарға бөлінуі. Классификация процессі мультиспектралды суреттерді
өңдеу және алу этаптары 9-суретінде көрсетілген. Классификацияның бірнеше
түрі бар:
─ Оқытылымды классификация;
─ Оқытылымсыз классификация.
Оқытылымды классификация
Оқытылымды классификация – бұл процессте, әр бір пиксельдің ашықтығын
эталонмен салыстырып, нәтижесінде әр бір пиксель қасиеті бойынша сәйкес
классқа жатқызылады.
Оқытылымды классификация қолданылады, егер:
─ Суретте қандай обьектілер бар екені алдына ала белгілі болса;
─ Суреттегі класстар саны көп болмаса (30 дейін);
─ Класстар суретте анық түрде ажырытылытын болса.
Оқытылымды классификация бірнеше этаптан тұрады:
─ Суретті өңдеу есептерін анықтау және классификация әдісін таңдау;
─ Эталонды аймақтарды таңдау;
─ Классификацияны орындау және нәтижелерді бағалау.
9-сурет. Мультиспектралды бейнелерді өңдеу және алу этапттары.
Суретті өңдеу есептерін анықтау және классификация әдісін таңдау. Бұл
этаптағы орындалатын жұмыс:
1. Дешифрлейтін обьектілер тізімін анықтау, обьектілердің
ашықтық мәндерін орналастыру түрін бағалау:
а) суретте;
б) Спектралды белгілер кеңістігінде;
10- сурет. Спектралды кеңістіктегі классификация.
2. Суреттегі пиксельдерді класстарға үйлестіруді орындайтын классификация
әдісін таңдау:
Спектралды бұрыш әдісі
Спектралды бұрыш әдісі барлық спектралды диапозондардағы ұқсас
мәндері бар обьектілерге классификация орындауға ыңғайлы. Спектралды бұрыш
әдісі 11-суретте көрсетілген.
1) Алдын ала эталонды аймақтар таңдалады;
2) Суреттегі барлық пикселдер, эталонды пикселдерде вектор түрінде
қарастырылады;
Бастапқы сурет. Спектралды бұрыш әдісі классификация
әдісі.
11-сурет. Спектралды бұрыш әдісі нәтижесі.
Ең қысқа жол әдісі
Бұл әдіс әр түрлі класстардың спектралды белгілері ұқсас және ашықтық
диапазон мәні асып түскенде қолданылады. Ең қысқа жол әдісі нәтижесі 12-
суретте көрсетілген. Ең қысқа жол әдісінің жұмысы 13-суретте көрсетілген.
1) Алдын ала эталонды аймақтар таңдалады;
2) Пиксельдердің ашықтық мәндері спектралды белгілер кеңістігінде fij
векторы ретінде қарастырылады, i және j бұл әр түрлі спектралды
каналдардағы пиксельдердің ашықтық мәні;
Бастапқы сурет. Ең қысқа жол әдісі классификация
әдісі.
12-сурет. Ең қысқа жол әдісі нәтижесі.
Эталон векторлары арасындағы арақышықтық және суреттің бардық пиксельдері
ашықтық мәндері векторлары есептеледі, екі вектор арасындағы арақашықтық
(r) келесі формуламен есептеледі,
(2)
мұндағы, к –спектралды канал номері;
4) Пиксельдер класстар бойынша үлестіріледі, егер эталоннан векторға
дейіңгі арақышықтық қысқа болса онда бұл векторды осы классқа жатқызады, ал
егер үлкен болса онда басқа классқа жатқызады немесе еш классқа
жатқызбайды.
13-сурет. Ең қысқа жол әдісінің жұмысы.
Параллелипедтер әдісі
Параллелипедтер әдісін обьектілер ашықтығы қиылыспайтын кезде
қолданады ( 14-сурет).
Бастапқы сурет Параллелипедтер әдісі классификасия
нәтижесі
14-сурет. Параллелипедтер әдісі нәтижесі.
1.Алдын ала эталонды аймақтар таңдалады;
2.Пиксельдердің ашықтық мәндері спектралды белгілер кеңістігінде fij
векторы ретінде қарастырылады, i және j бұл әр түрлі спектралды
каналдардағы пиксельдердің ашықтық мәні;
3.Эталон векторлары арасындағы арақышықтық және суреттің бардық пиксельдері
ашықтық мәндері векторлары есептеледі, екі вектор арасындағы арақашықтық
(r) келесі формуламен есептеледі,
(3)
мұндағы, к –спектралды канал номері;
─ Ең қысқа жол есебі сияқты параллелипедтер әдісі дисперсяны
(D)қолданады, бұл әдісті әлде қайда нақтыландырады;
─ Сондықтан параллелипедтер әдісі классификациясы кезінде берілген
классқа ашықтық мәндері орташа оқытушы таңдауы 2D кем болатын
пиксельдер кіреді.
Бинарлы кодтау
Егер суретте пикселдерді екі классқа бөлу керек болса, мысалы су
құрғақ, ондай болса бинарлы кодтау әдісі қолданылады. Бинарлы кодтау
кезінде пиксельдерге эталонмен салыстыру кезінде екі мәннің бірі
тағайындалады. Классификация кезінде пиксельдердің мәндері орташа эталонды
таңдаумен салыстарылады, нәтижесінде бинарлы бейне калыптасады. Бинарлы
кодтаудың нәтижесі келесі 15-суретте көрсетілген.
15-сурет. Бинарлы кодтаудың нәтижесі
Оқытылымсыз классификация
Оқытылымсыз классификация бұл пикселдер ашықтығының статистикалық
үйлесім анализі негізінде автоматты түрде сурет пикселдерінің үйлестірілуі.
Классификация алдында суретте қанша және қандай обьектілер бар екені
белгісіз болады, классификация орындалғаннан кейін класстарды дешифрлеу
керек, қай класс қандай обьектіге жататынын анықтау үшін. Оқытылымсыз
классификация орындалады егер:
а) Алдын ала суретте қандай обьектілер бар екені белгісіз болса;
б) Суретте күрделі шекаралы обьектілер саны көп болса (30 дан аса);
в) Оқытылымды классификация алдында бастапқы этап ретінде қолдануға
болады.
Оқытылымсыз классификацияның кең таралған түрлері:
1. ISODATA;
2. K-Орташалар.
ISODATA классификация әдісі (мәлімет анализінің өздігінен
ұйымдастырылатын итерациондық әдісі- Iterative Self-Organizing Data
Analysis Technique).
ISODATA – бұл, кластерлік анализге негізделген процесс. Бір классқа
түстерінің ашықтық мәні бойынша спектралды белгілері жақын кеңістіке
жататын пикселдер жатады. ISODATA кластеризация алгоритмі белгілі бір
қасиеттермен байланысқан бейне жиынын ішкі жиындарға бөліп жұмыс істеуге
негіделген.
ISODATA алгоритмі әр бір пиксель үшін сәйкесінше кластерді анықтау
үшін минималды спектралды арақашықтықты қолданады. Кластердің кездейсоқ
ортақ мәнін тағайындау процессінен басталады және бұл процесс шығу
мәліметтерінің әр бір кластерлерінің ортақ мәні тағайындалған мәнге
жеткенше қайталана береді. Класстерлердің бастапқы ортақ мәндері
спектралды кеңістіктің орталық векторының бойымен үйлестіріледі.
.
Бастапқы сурет ISODATA классификацисы
16-сурет. ISODATA классификацисы нәтижесі
K-ОРТАШАЛАР (k-means) – кластеризация әдістерінің ішіндегі ең кең
таралған түрі. Алгоритм қарапайымдылығы және орындалу жылдамдығы жоғары
болғандықтан үлкен қолданысқа ие. K-Орташалар алгоритмі итеративті түрде
орындалады, ол берілген пикселдер жиынын олардың центрлеріне жақын келетін
k кластер нүктелеріне бөліп, осы центрлердің орнының ауысуы нәтижесінде
кластеризация орындалады. K-Орташалар алгоритмі бөгеулерге (шумы) сезімтал
келеді, олар кластеризация нәтижесін бұрмалауы мүмкін, сол себепті сапалы
нәтижеге жету үшін алдын ала бейнені фильтрациядан өткізу керек.
1.4 ЖЕРДІ ҚАШЫҚТЫҚТАН ЗЕРТТЕУДЕГІ БЕЙНЕЛЕРДІ СЫҒУ
Мультиспектралды бейнелер өте үлкен көлемді болғандықтан, оларды
тасымалдау (жіберу) үлкен қиындықтарға әкеп соқтырады, сол себепті
бейнелерді сығу қазіргі таңда өзекті мәселелердің бірі болып отыр. Бейнені
сығудың екі түрі анықталады: бейне толығымен қалпына келетін және қалпына
келмейтін. Қалпына келетін әдістің сығу коэффициенті өте аз, ол
телевидениеде, медицинада, аэрофототүсірілімдерде қолданылады. Ал қалпына
келмейтін әдістің сығу коэффициенті өте көп болады, бірнеше жүз есе болуы
мүмкін. Бейнені сығу әдістері айтарлықтай көп болғанымен үлкен көлемді
ақпараттпен жұмыс істейтін әдістер көп емес, солардың бірі вейвлет сығу
әдісі. Вейвлет сығу әдісінің қолданыста өзекті болуы жоғарыда аталған
бейнені сығудығ екі түрінде де сәтті қолданылуында.
Вейвлеттер арнайы базалық функция арқылы жасалады. Ол функциялар бір
қатар арнайы шарттарды қанағаттандыруы керек. Уақыт немесе жиіліктік
аймақта масштабталған вейвлеттер тобы арқасында кез-келген күрделі
функцияны тура немесе салыстырмалы қателікпен бейнелеуге болады. Сонымен
вейвлет дегеніміз айнымалы сигнал мен бейне функциясын өңдейтін жаңа
математикалық және практикалық аппарат. Бейнені вейвлет-түрлендіру
арқасында бейнені сығу және қайта орнына келтіру тапсырмасында керек
информацияны жоғалтпай шешеді.
Вейвлет-сығу әдісінің негізгі идеясы: алдымен бастапқы бейнеге
вейвлеттік түрлендірулер жүргізіледі, алынған бейне мәліметтерінен кейбір
коэффициенттер жойылады, қалған коэффициенттерге кодтау жүргізілуі мүмкін.
Сығылған бейне қажет болған жағдайда коэффициенттерді декодтау немесе
алынған нәтижеге кері түрлендірулер жүргізу арқылы қалпына келтіріледі.
Түрлендіру кезіндегі коэффициенттердің кейбір бөлігін жойғанда аса көп
ақпарат жоғалмайды.
Бейнелерді сығуда вейвлеттік әдістерді қолдану
Сандық бейнелер әлемдегі ақпараттың үлкен бөлігін құрайды.
Интернеттің дамуымен, қуаты мол компьютерлерінің кең таралуымен, принтер,
сканер, сандық камералар өңдеу технологиясының алға жылжуымен байланысты
сандық бейнелер кеңінен қолданысқа енді. Қазіргі кезде бейнелер ақпараттар
қорының үлкен бір бөлігін құрайды. Бұдан бейнелер беретін мәліметтерді
сығуға деген қызығушылық тұрақты түрде қарқынды дамыды. Бейнелер негізгі үш
ерекшеліктерімен сипатталатын мәліметтің өзіндік типтерінің бірі: бейнелер,
әдетте, мәтіндерге қарағанда, сақтау үшін жадының барынша көп бөлігін қажет
етеді; бейнелер адамдардың көру қабілетіне бағытталған мәліметтің ерекше
типі, себебі адам көру кезінде бейнені сараптау үшін түстердің өзгеруін
қарастырады; бейнелер текстік ақпараттарға қарағанда екі өлшемді болып
келеді.
Бейнелерді өңдеудің ішіндегі сандық алгоритмдер аналогтық жүйелер
арасында айтарлықтай дәрежеге ие болғандықтан, сандық бейнелерді өңдеу
әдістері кеңінен қолданысқа енді. Осылардың бірі вейвлеттік әдіс болып
табылады. Вейвлеттер арнайы базалық функция арқылы жасалады. Ол функциялар
бір қатар арнайы шарттарды қанағаттандыруы керек. Уақыт немесе жиіліктік
аймақта масштабталған вейвлеттер тобы арқасында кез-келген күрделі
функцияны тура немесе салыстырмалы қателікпен бейнелеуге болады. Сонымен
вейвлет дегеніміз айнымалы сигнал мен бейне функциясын өңдейтін жаңа
математикалық және практикалық аппарат. Бейнені вейвлет-түрлендіру
арқасында бейнені сығу және қайта орнына келтіру тапсырмасында керек
информацияны жоғалтпай шешеді.
Вейвлет-сығу әдісі бейнені сығудағы түрлендіру әдістерінің тобына
жатады және фрактальді әдістерден ерекшеленеді. Фрактальді әдістерде
сақталатын ақпарат көлемін азайту үшін масштабқа қарамастан өзара ұқсастық
қарастырылады. Ал вейвлеттік әдістерде осы масштабтың артықшылығы
пайдаланылады.
Вейвлет-сығу әдісінің негізгі идеясы: алдымен бастапқы бейнеге
вейвлеттік түрлендірулер жүргізіледі, алынған бейне мәліметтерінен кейбір
коэффициенттер жойылады, қалған коэффициенттерге кодтау жүргізілуі мүмкін.
Сығылған бейне қажет болған жағдайда коэффициенттерді декодтау немесе
алынған нәтижеге кері түрлендірулер жүргізу арқылы қалпына келтіріледі.
Түрлендіру кезіндегі коэффициенттердің кейбір бөлігін жойғанда аса көп
ақпарат жоғалмайды деп жорамалдаймыз.
Түрлендірулер арқылы бейнені сығып, одан ақпарат бөлігін жою
вейвлеттік талдауды түсінудің негізі. Сонымен қатар вейвлеттік әдісті
зерттеудегі басқа да көзқарастар бар. Алайда олардың барлығы түбінде
вейвлеттік түрлендірулер идеясына алып келеді.
17-сурет. Вейвлеттік талдау кезіндегі әртүрлі көзқарастар.
Алдымен орташа мән және бөлшектеу сияқты қарапайым идеядан бастайық.
Бейнені пикселдердің орта мәнімен ауыстыру арқылы сығуға болады. Ол сығудың
жоғарғы дәрежесін береді (1 сан барлық бейнені бейнелейді), бірақ бейненің
сапасы төмендейді. Бастапқы бейнені қалпына келтіру үшін біз жоғалған
бөлімдерді табуымыз керек. Екі нүктеден тұратын бейнені қарастырайық.
Оның а орта мәні және d жартылай айырмасы болсын. Сонда:
(3)
(4)
-ді арқылы өрнектейміз.
(5)
(6)
Бір жүйеден екінші жүйеге өткенде ақпарат ешқайда жоғалмайды. Егер
және бір-біріне жақын болса, онда d аз болады және
бейнесін жуықтауымен алмастыруға болады. Біздің сурет сығылды.
Қайта орнына келтірілген бейне болады, оның қателігі
(7)
d аз болғандықтан қателікте аз болады.
Бұл мысалымыз нақты суреттерге пайдалану қиын,бірақ бұл бізге вейвлет-
түрлендіруі арқасында бейнені сығу принципін түсіндіреді. Мұндай кішкентай
бөлшектер суреттің жалпы сипатына әсер етпейді. Төрт элементтен
тұратын бейнені, бірлік интервалдағы функция деп қарастырайық.
(8)
Мұндағы, {1, егер ; 0 кері жағдайда} - характеристикалық
функция.
Жоғарғы және төменгі жиілікті фильтрлер. Орталау және бөліктеу
операцияларын төменгі-жиіліктегі және жоғарғы-жиіліктегі фильтрлер түрінде
бейнелеуге болады. Төменгі-жиіліктегі фильтр - төменгі-жиіліктегі ақпаратты
өткізеді (яғни бөліктердің аз санын), сонымен қатар жоғарғы-жиіліктегі
ақпаратты өткізбейді. Ал жоғарғы-жиіліктегі фильтр керісінше.
Екіөлшемді вейвлет-түрлендіру әр жолға бірөлшемді вейвлет-
түрлендіруді орындайды, сосын әр бағанға бірөлшемді вейвлет-түрлендіру
орындайды. 7суреттегі сызбада осы процесс көрсетілген. Мұндағы - жол
мен баған жоғарғы-жиіліктегі фильтрден өткен; - жол жоғарғы-
жиіліктегі, ал баған төменгі-жиіліктегі фильтрден өткен; - жол төменгі-
жиіліктегі, ал баған жоғарғы-жиіліктегі фильтрден өткен. Сызбаның жоғарғы,
сол жақтағы бөлігі тағы кішкентай бөліктеулерге бөлінген.
18-сурет. Екі өлшемді вейвлет-түрлендіру жол мен бағандардың жоғарғы-
жиіліктегі (Н) және төменгі-жиіліктегі (L) фильтрден өту кезеңі.
Вейвлеттік түрлендірулер
Тура вейвлеттік түрлендіру. Бізде нүктеден тұратын тізбек
болсын, , n0. f элементі.
(9)
f(t) –ні және базистеріне жіктеуге болады.
(10)
содан кейін
(11)
-дің элементі, сондықтан оны және базистеріне
жіктеуге болады.
(11) теңдігіндегі коэффициентті табу. Ортогональдықты пайдаланамыз.
;
(12)
(әр-қайсысында)
;
(13)
Әр және - нормаланған (11), (12) Ортогональдықпен
нормаланғандықты пайдалану үшін (12) теңдігінің екі бөлігіне де -ді
көбейтіп, уақыт бойынша 0-ден 1-ге дейін интегралдайық.
(14)
Енді (11)-нің оң бөлігін f(t)-ның орнына (14)-ге қоямыз. Мысылы:
j=0 болғанда (12) –нің сол жағы тең болады:
(15)
Нәтижесінде:
j=0 (16)
Ал
, және (17)
Соңғы екі теңдікті бір матрицалық теңдеу түрінде көрсетуге болады.
(18)
(19)
және
(20)
және өлшемі -ге тең. х элементі бар
вектор-бағана. және элементі бар вектор-бағана. Онда
(20)-ны төмендегдей түрде жазуға болады:
(21)
Бірлік матрица , бірлік вектор 1 өлшемді.
Вейвлет-түрлендірудің әр қадамында біз (d) бөлшектейтін
коэффициентті сақтаймыз және (a) орталау коэффициентін өңдейміз.Келесі
қадам: төменгі деңгейде орташалап, -ді орталаймыз және есептейміз.
(22)
Біз , -ні сақтаймыз. Ары қарай солай жалғасады.
Ең соңғы қадамда біз -дің орта мәнін (Бір элементі бар
бір компонентті вектор) сақтаймыз.
(23)
Нәтижесіндегі вейвлет-түрлендіруін 1+1+2+...+ = элементтен
тұратын жалғыз бағана-вектор түрінде көрсетуге болады.
Кері вейвлеттік түрлендіру. Вейвлет-түрлендіруін бейнені сығуға
пайдалану үшін, біз бастапқы тізбегін арқылы қайта орнына
келтіруіміз керек. k деңгейінен k-1 деңгейіне өту төмендегідей іске асады:
(24)
Осыдан шығады:
(25)
(24) және (25) теңдеуінен төмендегідей шығады:
(26)
, (27)
(27) теңдеуінің арқасында (k-1) төменгі деңгейді біле отырып (k) жоғарғы
деңгейін табуға болады:
,
(28)
Матрица түрінде ол былай жазылады:
(29)
Кері матрица бар,өйткені біз оны (29) теңдеуінен таптық.
(30)
(31)
мұндағы, * -матрицаның транспонирленуі. (30), (31) және (18) былай
жазылады:
(32)
(-ны және -ден алу)
(20), (30) –дан шығады:
(33)
Осыдан төмендегі қатынас орындалады:
(34)
- бұл бірлік матрица х
(35)
(36)
Бейнені вейвлет көмегімен сығу. Осы уақытқа дейін біз бір өлшемді
тізбектерді қарастырдық. Компьютер сұр градациясындағы бейнені мәндері оң
сан болатын 2-өлшемді массив түрінде бейнелейді. Массивтің әр элементі – ол
бейненің пикселдері. Вейвлет-түрлендіруді көп өлшемді тізбектерге, яғни
массивтерге қолдануға да болады.Ол үшін бірінші бейненің жолы түрленеді,
содан кейін жолы түрленген бейненің бағанасы түрленеді. Бізде 4 х 4
бейнесі болсын.
(37)
Берілген бейнені бірлік квадратта берілген функция түрінде көрсетуге
болады:
(38)
(39)
(38) – (39)-ның екі өлшемді түрі,
(40)
(41)
(40)-ді (41)-ке қойсақ:
(42)
(43)
(44)
(44) теңдігі (18)-тегіндей, сондықтанда бір өлшемді түрлендіруді
қолдануға болады.Осындай түрлендіруден кейін біз вейвлет-түрлендірудің
нәтижесі болатын коэффициенттері бар теңдеулер жүйесін аламыз.
(45)
яғни,
Бұл жерде әр жолға вейвлет-түрлендіруі қолданылады. Енді (44)-ті
(45)-ға қойып және мүшелерін қайта орнына келтіре отырып:
(46)
(53)-тегі қосындының әр қайсысы, тура (51)-дегідей.Сондықтанда оларға бір
өлшемді вейвлет-түрлендіруін қолдануға болады.
Қорытынды: бейненің вейвлет-түрлендіруін алу үшін, әр
жолға содан кейін, әр бағанаға бір өлшемді вейвлет-түрлендіруін
қолдану керек.
Сонымен вейвлет әдісіне негізделген бейнені сығу алгоритмінің негізгі
бөліктері келесідей:
1. Бейнені таңдау және жүктеу;
2. Таңдалған бейнені екі өлшемді матрицалық түрге ауыстыру;
3. Декомпозиция: алынған екі өлшемді матрицаға таңдалған вейвлет
түрлендіруін жүргізу;
4. Децимация: вейвлеттік түрлендіруге ұшыраған матрицаның
коеффициенттерін қандай да бір ε мәнімен салыстырып, одан кішілерін 0-
ге теңестіру;
5. Кодтау;
6. Сығылған бейнені көру;
7. Декодтау;
8. Кері вейвлет-түрлендірулерін орындау;
9. Бастапқы бейнені алу.
19-сурет. Бейнені сығу процесінің жалпы сұлбасы.
Тура және кері вейвлеттік түрлендіру алгоритмдері
Жұмыс істеуге ыңғайлы болуы үшін нормаланған масштабты функция мен
Хаар вейвлеттерін қолданамыз. n элементтен тұратын массивке Хаар
вейвлеттік түрлендірулерін жүргізудің алгоритмі:
1. Массивтің әр жұп элементтнрінің арифметикалық ортасын табу
(арифметикалық орта саны n2 болады).
2. Осы жұптардың өзара айырымын табу (айырымдар саны n2 болады).
3. Массивтің бірінші жартысын арифметикалық орталармен, ал екінші
жартысын айырымдармен толтыру.
Осы процесті массивтің бірінші жартысындағы элементтермен қайтала.
Массив ұзындығы екінің еселігі болуы керек. Ал бейненің вейвлет-
түрлендіруін алу үшін, әр жолға содан кейін, әр бағанаға бір
өлшемді вейвлет-түрлендіруін қолдану керек. Кері вейвлеттік түрлендіруді
жүзеге асыру үшін ~A екі өлшемді синтез массивін беру керек.
Осылайша алдымен әр баған үшін, содан соң әр жол үшін кері вейвлеттік
түрлендіруін жүргіземіз.
Бейнені сығу бағдарламасын параллельдеу қажеттілігі
Қазіргі кезде вейвлет-түрлендірулер әр түрлі есептерді шешуде
әдеттегі Фурье түрлендірулердің орнын басуда. Бұл көптеген салаларда, соның
ішінде компьютерлік графика және бейнелерді сығуда, ДНК анализін өңдеуде,
сигналдарды жалпы өңдеуде, деректерді сығу мен тілді тануда да қолданылады.
Алайда, тізбекті жүзеге асу кезінде вейвлет-талдау алгоритмі қажетті
жылдамдыққа ие болмай отыр, бұл өз кезегінде олардың деректерді нақты
уақытта өңдеуде қолданылуын қиындатады. Демек, жоғарыда аталған әдістің
негізгі кемшілігі бейнені сығу кезінде есептеу ресурстарын және уақытты көп
қажет етеді. Бұл әдістің практикада кең таралуына кедергі келтіреді.
Сондықтан осы зерттеу жұмысын жүргізудің өзектілігі құрылған алгоритмдердің
жұмыс жасау жылдамдығын арттыру қажеттілігімен анықталады. Бұл мәселені
шешудің негізгі жолы алгоритмдерді параллельдеу болып табылады.
Қазіргі кезде компьютерлік технологиялар өте жылдам қарқынды дамуда.
Көптеген суперкомпьютерлер, кластерлік және GRID технологиялары пайда болуы
есептеулерді параллельді өңдеуге мүмкіндік берді. Бұлар арқылы біз
қарастырған сығу әдістерінің кемшіліктерін жойып, әдістерді тиімділей
аламыз.
Параллельді есептеу деп – компьютерлік жүйедегі бірнеше
операциялардың бір уақытта орындалуын айтады. Қазіргі уақытта параллельді
есептеудің екі негізгі әдісі бар. Олар - мәліметті паралельдеу және есепті
параллельдеу. Мәліметті параллельдеудің негізгі идеясы – мәліметтер
массивінің барлық элементтеріне бір операция орындалады. Негізгі қасиеттері
– мәліметті өңдеуді бір программа орындайды; параллельді процессорлерде
есептеу әлсіз синхронизацияланады, массив элементтеріне жасалатын
параллельді операциялар бір уақытта осы программадағы барлық мүмкін
процессорларда орындалады. Ал есепті параллельдеудің негізгі идеясы
күрделірек, өйткені ол жалпы күрделі есепті бірнеше ішкі есептерге бөлу
арылы орындалады.
Параллельді есептеу технологиясының ең кең таралған түрі - МРІ
(Message Passing Interface). Бұл жүйеде параллельді процестердің негігі
байланысу әдісі - бір-біріне хабарлама жіберу арқылы жүзеге асады. МРІ Си
және Фортран тілдерінде жұмыс істеуге мүмкіндік береді.
Суперкомпьютерлер технологиясы мен жоғарғы өнімді есептеулер параллельді
есептеудің негізін құрайды. Бір уақытта орындалатын операциялар бір есепті
шешуге арналуы керек. Параллельді есептеуді қолданатын аймақтар: ауа райын
болжауда, нанотехнологияларында, жаңалықтарда, ағымдағы космостық ұшу
туралы жедел ақпарат алу кезінде, генетика саласында, химиялық есептеулер
кезінде, жұмыс ортасының бірлесуінде, деректер қорын параллельді өңдеуде,
банктық транзакциялар орындау кезінде, аэродинамика, жану теориясында,
медициналық автоматтандырылған диагноз қою кезінде, компьютерлік ойындарда,
ядролық реакторларда, криптографияда.
Біздің есепте қарастырылатын сұр түстің градациясындағы бейнені екі
өлшемді массив түрінде беруге болады және бейненің пиксельдері массив
элементтеріне жүктеледі. Бейнені әртүрлі бөліктерге бөліп, әр бөлікке сығу
алгоритмін қолдануға болады. Бір операция барлық процессорде
орындалғандықтан, мәліметті параллельдеу әдісіне жатқызуға болады.
Бейненi өңдеудiң төменгi деңгейi сақталынған бейнеге бiрден әрекет
етедi, ол оны жақсартады, және бейненi адам және компьютер тануына
көмектеседi. Бейненi өңдеудiң төменгi деңгейi бейненi жақсарту үшiн әрбiр
пиксельдiң мәнiн қолданады. Мұндай амалдар параллельді түрде орындалады.
Мысалы, бейнелерде жиi шуылдар болады, соның нәтижесiнде пиксельдердiң
нақты мәнi өзгеруi мүмкiн. Ерекше жағдайда қажеттi бейне қалдырылып, бұл
шуылдар жойылады. Мұндай шуылдарды жою амалын шуылдарды тазалау немесе
шуылды азайту деп аталады. Төменгi деңгейдегi амалдар пиксельдердi ерекше
объектiге сәйкес деп белгiлейдi және объект белгiлi объектiмен
салыстырылатын объект араластырылады. Араластырудың қарапайым түрi – үлгi
бойынша араластыру, сондықтан бейне сақталынған үлгiмен салыстырылады.
Өңдеудiң төменгi деңгейiнiң алдында параллельді өңдеудi қолданудың
маңыздылығын атап өткен жөн. Деректерді процессорлар арасында бөлу және
оның параллельді бағдарламаның тиіділігімен байланысы параллельді
бағдарламалаудың негізгі мәселесі болып табылады. Сондықтан ең жоғары
үдеудге жету үшін ішкі есептерді дұрыс бөліп шығару қажет. Бейнені
вейвлеттік сығу алгоритмін параллельдеудің бірнеше көзқарастары, әдістері
бар. Соның бірі қарапайым матрица элементтеріне вейвлеттік түрлендіруді
жүргізу баысындағы жолдар мен бағандарды процессорларға бөлу. Сонымен қатар
осы жұмста қарастырылған блоктау әдісі. Бұл әдістің негізгі идеясы төменде
сипатталған.
Бейнені сығу бағдарламасын параллельдеу әдісі
Алдымен процессорлар саны болсын делік, мұндағы і - вейвлеттік
декомпозиция деңгейінің санына тең болатын бүтін типті мән. Сонымен қатар
бастапқыда әр процессор і деңгейінің вейвлеттік аппроксимациясына немесе
деталі жөнінде мәліметке ие деп қарастырамыз. Белгілі бір декомпозиция
деңгейінің қандай да бір төрт ішкі бейнелері өзара көршілес процессорлар
арасында бөліп алынады. Төмендегі суретте 2 деңгейлі декомпозиция кезіндегі
бейненің 16 процессор арасында өзара бөлініп, орындалуы көрсетілген.
20-сурет. Екі деңгейлі декомпозиция кезіндегі параллельді процестер
Әрбір ішкі бейнеде жазылған нөмір бастапқы бейненің сәйкес
аппроксимациясы мен деталінен тұратын процессор рангін көрсететді. Осы
идеяға байланысты ұсынылатын алгоритм келесідей:
1. Негізгісінен (рангісі 0 болатын процессор) басқа әрбір процессор
өзінің ішкі бейнесіне децимасия жасап, көптеген коэффициенттерді
нөлге теңестіреді (рангісі 0 болатын процессор бастапқы бейненің
аппроксимациясын сақтайды, ал децимация бейненің детальдеріне ғана
жүргізіледі).
2. Әр процессор кодтаудың бір түрін (Хаффман, арифметикалық және
т.б.) жүргізеді.
3. Әр процессор өзінің кодталған бейнесін негізгі процессорға
жібереді. Негізгі процессор дегеніміз рангісі int(i4)*4 болатын
процессор, мұндағы і ағындық процессордың рангісі. Негізгі
процессор өзінің көршілестерінен барлық кодталған бейнелерді алған
соң ол одан үлкенірек бейнені қайта қалпына келтіреді де, оны
екінші деңгейдегі рангісі int(i16)*16 болатын негізгі процессорға
жібереді. Бұл процесс рангісі 0 болатын негізгі процессор барлық
кодталған шағын бейнелерді жинақтағанша жүреді.
Жоғарыда сипатталған алгоритмнің жүзеге асуының жалпылама үлгісі:
Procedure Parallelization()
{
If (rank!=0) Decimate();
Kodirovanie();
For (i=1; i=; i++)
{
If ((rank mod =0) && (rank mod !=0)) Send_to_(
(rank)*);
If (rank mod ... жалғасы
Сіз бұл жұмысты біздің қосымшамыз арқылы толығымен тегін көре аласыз.
Казіргі таңда жерді қашықтықтан зерттеу (ЖҚЗ) космостық жүйелер кең
таралымға ие болып отыр. Жерді қашықтықтан бақылау дегеніміз - ол белгілі
бір территория, немесе оған қатысты обьект туралы ақпарат жинау. Жерді
қашықтықтан бақылау әдістері үлкен көлемді спектралды диапазондағы жердің
бетін электромагиниттік сәулелер және сандық немесе аналогтық тіркеуде
негізделген.
Жерді қашықтықтан басқарудың өнімі ретінде пиксельдердің мәні кандай да бір
қасиетке сәйкес келетін бейне бөлігінің жер беті бөлігінің сандық бейнесі.
Сол алынған жер бетінің көлемі алынған спутниктік бейнеге байланысты
болады, жалпы алғанда осы алынған жиынның бәрін берілген аймақ қасиетін
сақтайтын көпөлшемді матрица түрінде қарастыруға болады.
Белгілі бір табиғи ресурс есептерін шешетін әр түрлі спектралды
диапазонды мыңдаған спутниктік жүйелер секунд сайын жер үсті өзгерістерін
бақылап отыр. Жерді қашықтықтан зерттеу мәліметтерін өңдеу өте үлкен
жұмыс, ол бір неше этаптан тұрады: алдын ала, алғашқы және салдарлық
(тематикалық) өңдеу. Әр түрлі тематикалық өңдеу жүргізу үшін космостық
түсірілімдер материалдары бойынша аймақ туралы ақпаратты алу дешифирлеу
этапында жүзеге асады. Картография және мониторинг есептері спутниктік
бейнелерді тематикалық дешифрирлеу кезінде визуалды аспапты және
автоматтандырылған әдістерге жүгінеді. Визуалды аспапты өңдеу процессі өте
күрделі жұмыс және субьективті болып келеді. Сондықтан өңдеуден алынған
ақпараттың сапасы мен орындалу уақыты ең алдымен маманның кәсіптілігі мен
біліктілігіне байланысты. Сол себепті спутниктік бейнелерді өңдеу
процессін максималды түрде автоматизациялау ұмтылысы әбден түсінікті.
Соңғы жылдары мултиспектралды жүйелер (10 спектралды диапазонға
дейін) мен гиперспектралды жүйелер (300 диапазонға дейін) үлкен таралымға
ие болып отыр. Көпөлшемді анализ және сегментация жерді қашықтықтан зерттеу
спутниктерінен алатын мультиспектралды суреттерді тематикалық өңдеу
барысында қолданылатын негізгі процедураларының бірі болып табылады. Бір
территория бойынша спутниктерден қабылданатын ақпараттар көлемі бір сеанс
ішінде гигабайтқа және одан да асады, сондықтан осындай ақпаратты өңдеу
күрделі есептеулер мен ресурстарды қажет етеді. ЖҚЗ мәліметтерін
тематикалық өңдеу кезінде, осындай жоғарғы есептеу қүрделігі бар
алгоритмдердің мәселелерін принципиалды түрде шешу үшін геоинформациялық
жүйелер ортасын параллельді есептеуіш ресурстарына қол жеткізу мүмкіндігін
ұйымдастыру керек. Қазіргі таңда сандық бейнелерді (мультиспектралды)
анализдеу және автоматты өңдеу үлкен тәжірбиеге ие.
Автоматтандырылған әдістердің көпшілігі игеріліп, спутниктік ақпаратты
өңдеу де қолданылып жатыр. Осы бағыттағы ғалымдардың спутниктік бейнелерді
өңдеу автоматтандырылған жүйелерге салатын басты талаптарының бірі болып,
қазіргі таңда өнімдердің сапасы мен ақпаратты өңдеу уақытты тиімділеу яғни
тездету әдістерді табу болып отыр. Осыған қарамастан спутниктік бейнелерді
автоматты түрде өңдейтін есептерге арналған жұмыстар аз. Сонымен қатар,
қарапайым бейнелерді өңдейтін алгоритмдердің өздері де көпзонды бейнелер
жағынан қарағанда бірнеше кемшілікке ие:
Біріншіден, белгілі шешімдер, космостан алынған бейне тек бір ғана
емес бірнеше суреттен тұруы мүмкін деген болжамды сонымен қатар әр түрлі
спектралды зоналарда түсірілген бір бірімен корреляцияланған суреттерден
тұруы мүмкін деген болжамды ескермейді.
Екіншіден, бейнелерді өңдеудің ортақ принциптеріне негізделгендіктен,
реалды уақытта яғни ақпараттың түскен сәтінде бейнелерді өңдеуге арналған
алгоритмдер тым ақырын болып шықты.
Үшіншіден, осыған қоса алғанда, қолданылатын шешімдер әрқашан
қанағаттырарлық нәтиже (сапалы) бермейді, сондықтан сапалы өнімге жету үшін
жаңа әдістерді, мүмкін бар әдістерді комбинирлі түрде қолдану да керек.
Осынын бәрі аэрокосмостық бақылаулардың сапасы мен сапалы анализі үшін жаңа
әдістердің өңдеуін қажет етеді. Осының бәрін ескере отырып бейнелерді
өңдеудің тез әрі тиімді алгоритмдерін өңдеу және зерттеу актуалды
мәселелердің бірі болып табылады.
Жұмыстың мақсаты
Мультиспектралды бейнелерді өңдеуде кластеризация алгоритмін зерттеу
және өңдеу, параллелизация технологиясын қолдану арқылы бағдарламаның
тиімділігін арттыру.
Жұмыстың өзектілігі
Космостық спутниктердің мультиспектралды түсірілім құрылғылары
көмегімен алынған, жерді қашықтықтан зерттеу мультиспектралды суреттері,
жер беті обьектілерінің панхроматты режимде көрінбейтін көптеген
қасиеттерін зерттеуге мүмкіндік береді. Жерді қашықтықтан зерттеу
мультиспекталды ақпарат көптеген салаларда орнын табады, ең алдымен ол -
орман және ауылшаруашылығы; энергетика; мұнай газ комплекстерінде;
телекоммуникация; арнайы және тематикалық картография; қоршаған ортаны
қорғау және экология; төтенше жағдайларды басқару. Сондықтан
мультиспектралды ақпаратты өңдеу мен космостық суреттерді дешифрлеу
күнделікті адам өмірінде көптеген салаларда маңызды және актуалды болып
келеді.
Мультиспектралды ақпараттың көлемі үлкен болу себебінен осындай
ақпаратты өңдеу өте үлкен есептеуіш процесстерді және көп уақытты талап
етеді. Сол себепті мультспектралды ақпаратты өңдеудің тиімді алгоритімін
тауып, өңдеу уақытын тездету мультиспектарды ақпараттпен жұмыс істейтін
салалар үшін маңызды мәселелерінің бірі болып табылады.
Жұмыстың жаңалығы
Мультиспектралды бейнелерді өңдеу үшін класстеризация алгоритімдерін
қолданып, алгоритмдердің анализін жасап, есептеу процессін тиімділеу үшін
параллелизация технологияларын қолданып бағдарлама комплексін орындау.
Зерттеу әдістері
Алдыға қойылған есептерді шешу үшін қолданылған әдістер: ықтималдық
теорияға, математикалық статистикаға және сандық әдістерге; есептеуіш
техника құрылғыларына; бағдарламалау тілдері мен графикалық бейнелермен
жұмыс істейтін бағдарламалық құрылғыларына; параллельизациялау
технологияларына негізделген.
Жұмыс нәтижелерін жариялау.
Тақырып бойынша нәтижелер 2 республикалық және 1 халықаралық
конференцияларда талқыланып конференция баяндамалар жинақтарында жарыққа
шыққан.
1.ЖЕРДІ ҚАШЫҚТЫҚТАН ЗЕРТТЕУДЕГІ БЕЙНЕЛЕРДІ ӨҢДЕУ
Қашықтықтан зерттеу мәліметтері (ҚЗМ) (remote sensing data, aerospace
data) -син. Контакты емес яғни дистанционды әдіспен алынған жер беті және
жер бетінде орналасқан обьектілер туралы аэрокосмостық зондтау мәліметтер.
ЖҚЗ (Жерді қашықтықтан зерттеу мәліметтері) мәліметтерін өңдеу (image
processing) – аэрокосмостық суреттерге орындалатын коррекциялау, түрлендіру
және жақсарту, дешифрлеу, визуализациялау процесстері.
Космостық суреттер мәліметтерін өңдеу негізгі деңгейлері:
─ Алдын ала өңдеу;
─ Тематикалық өңдеу.
1.1 МУЛЬТИСПЕКТАРЛДЫ МӘЛІМЕТТЕРДІ АЛДЫН АЛА ӨҢДЕУ
Алдын ала өңдеу – бұл спутниктік суреттерді түзету және жақсарту.
Алдын ала өңдеудің түрлері:
─ Спутниктік суреттерді геометриялық түзету ;
─ Суртеттердің радиометриялық калибровкасы;
─ Атмосфера ықпалының радиометриялық калибровкасы;
─ Қалып кеткен пиксельдерді қалпына келтіру;
─ Контрастілеу;
─ Фильтрация.
Спутниктік суреттерді геометриялық түзету
─ Суреттегі геометриялық бұрмалауларды түзету (орторектификация),
─ Географиялық байланыстарды түзету.
Геометриялық бұрмалаудың бірнеше себептері бар, брақ бұл себептер
бірлесе жүреді. Және де космостық суреттердің типіне байланысты осы
себептер комбинациясы әрқалай болуы мүмкін.
1) Жер бетінің кыйсықтығы. Жер бетінің қыйсықтығы себебінен
суреттердің геометриялық бұрмалауы сканерленген аймақтар бiр
кеңістікте жатпағандықтан болады. 1-суретте әр түрлі кеңістікте
жатқан жер бетін сканерлеу мысалы көрсетілген.
1-сурет. Жер бетін сканерлеу.
Жер бетінің қыйсықтығы түрлері: обьектілер пішіндерінің бұрмалауы,
масштабтың бұрмалануы
2) Рельефтің қыйсықтығы. Рельефтің қыйсықтығы жер бетінің қыйсықтығы
сияқты өрескел бұрмалауға әкеледі, бірақ оларды жою-түзету әлде қайта
қыйындау келеді. Себебі рельефтің пішіні жер пішініне қарағанда
күрделілек, сфераға жақын келеді. 2-суретте жер бетін сканеленгендегі
релефтің қыйсықтығы мысалы.
2-сурет. Жер беті рельефінің қыйсықтығы.
3) Жердің айналуы. Жерді космостан түсіру бір мезеттік жұмыс
болмағандықтан, жердің айналуы түсірілім шарттарын өзгертеді (1 мин жер
0.25айналады).
4) Суреттің құрылу процессіндегі космостық аппараттың қозғалуы. Суреттердің
қасиеті мен сапасына спутник орбитасының биіктігі және пішіні ықпал
тигізеді.
Суртеттердің радиометриялық калибровкасы
Спутниктерден алынған алғашқы суреттер DN ашықтықтың шикі
мәндер түрінде болады. Осындай форматтағы мәліметтерді басқа сурет
мәліметтерінмен салыстыруға біріктіруге болмайды. Радиометриялық калибровка
осы мәндерді физикалық бірліктерге айналдырды. Оптикалық диапозондағы
многозоналды суреттердің калибровкасының формуласы:
B*λ=K λ DN+C λ (1)
мұндағы: B* λ - λ спектралды зонасы үшін энергетикалық ашықтық;
DN – ашықтықтың шикі (алғашқы) мәндері;
K λ - калибровтік коэффициент;
C λ - тіркелген ашықтықтың минималды мәніне сәйкес келетін, калибровтік
тұрақты.
Атмосфера ықпалының радиометриялық калибровкасы
Жұту және шашу. Электромагниттік толқындар атмосферадан өткенде
жұтылады және шашырайды, оның себебі: озон, су буы, көмірқышқыл газ,
оттегі, метан, шаң, түтін.
Бұлттылық. Оптикалық диапазонда түсірілім кезінде бұлттылық
кезергілердің бірі болып табылады.
Атмосфералық коррекция әдістері:
─ Бұлттар мен тұмандар су фонында жақсы көрінеді, себебі қызыл және ИҚ
аймақтарда судың спектірлік беті өзінің оптикалық қасиеті бойынша
қара денеге жақын болады.Сондықтан атмосферадағы су буының және
аэрозольдерінің бар болуын теңіз және мұхит аймақтары бар
суреттерден бағалауға болады.
─ Атмосферадағы шашырылмды, жыл маусымдарын, метеорологиялық
мәліметтерді ескере отырып атмосфера қалып күй моделін құратын
математикалық моделдер бар. Осынай модельдерді анықтау спутниктің
ұшуы кезінде обьектілердің шағылыстыру мүмкіндігін өлшеу арқылы
жүзеге асады.
Қалып кеткен пиксельдерді қалпына келтіру
Қалып кекен пиксельдер түсірілім кезінде немесе тасымалдау кезінде,
және де ашықтық мәндерін көршілес тұрған мәндермен ауыстырған жағдайда
пайда болады. Осындай құбылыстар суретті тематикалық өңдеу кезінде қыйындық
тудыруы мүмкін. Қалып кеткен пикельдерді белгілі бір кемшілікпен
интерполяция жолымен қалпына келтіруге болады. Мысалы 3-суретте
көрсетілген.
3-сурет. Қалып кекен пиксельдер қалпына келтіру.
Контрастілеу
Сурет контрастісі – бұл ашықтықтың максималды және минималды
мәндерінің айырмасы.
Әлсіз контраст – ең көп тараған сурет ақауы.
Сандық өңдеу арқылы контрастіні жоғарлатудың бірнеше әдісі бар. Сурет
конрастісін жоғарлату суреттерді визуалды дешифрлеу кезінде қолдануы
мүмкін. (мысалы, обьект шекараларын көрсету кезінде). Контрастілмеген және
контарстіленген сурет мысалы 4-суретте көрсетілген.
Контрастіні жоғарлату әдістері:
─ Гистограмманы сызықты созу.
─ Гистограмманы нормализацилау.
─ Гистограмманы тегістеу
Контрастілмеген сурет. Контрастілген сурет
4-сурет. Контрастілеуден өткен сурет.
Фильтрация
Фильтрация – берілген бір обьектілердің оқылуын жоғарлататын,
жағымсыз күңгірттеулерді бассып, кездейсоқ бөгеулерді жоюға мүмкіндік
беретін түрлендіру. Фильтрацияның ең қарапайым түрлерінің бірі – жылжымалы
терезеде түрлендіру. Осындай түрлендіру кезінде суреттегі пиксельдердің
ашықтық мәні есептеледі. Есептеу әрбір пиксель үшін болады: сурет бойымен
қозғалып кележатқан терезедегі пиксель орталық писель болып тағайындалады
да оған функция болып табылатын жаңа мән беріледі. Терезе көлемі мысалға,
3х3 немесе 5х5 пикселдер болуы мүмкін. Терезе бир пикелден келеси пикселге
жылжып, барлық пикселдерді өтпегенше сурет бойымен жылжыйды. Терезенің
барлық пиксельдері үшін зерттеуші дешифрлеу мақсатында салмақты
коеффиценттерді орнатады.
Егер терезедегі
пиксельдердің салмақтық
коеффициенті тең болған
жағдайда бейне
тегістеледі.
Егер терезедегі
пиксельдердің салмақтық
коеффициенті басқалардан
жоғары болған жағдайда
бейне кескіні
қаттылайды.
Егер терезедегі
вертикалды орналасқан
пиксельдердің салмақтық
коеффициенті басқалардан
жоғары болған жағдайда
бейнеде меридионалды
бағытты сызықтар пайда
болады.
1-кесте. Фильтрация түрлері.
1.2 МУЛЬТИСПЕКТРАЛДЫ СУРЕТТЕРДІ ТЕМАТИКАЛЫҚ ӨҢДЕУ
Косомостық суреттерді тематикалық өңдеу – космостық суреттердегі
құбылыстарды және обьектерді тану және дешифрлеу процессі.
Тематикалық өңдеу әдістері:
─ Түстік түрлендіру;
─ Индекстік бейнелер;
─ Бас компоненттер анализі;
─ Спектралды бөліну әдісі;
─ Классификация.
Түстік түрлендіру
Егер экран дисплейна көпспектралды суреттің бір каналын шығаратын
болсақ, онда сурет сұр түске боянады (жартылай көлеңке бейне).Түсті бейнені
алу үшін көпспектралды суреттің үш каналын қосу керек, олардың бірі қызыл
(R), келесісі жасыл (G), үшіншісі көк (B) болады. 5-суретте түстік
түрлендіру процессі көрсетілген.
5-сурет. Түстік түрлендіру.
Бейнелерді табиғи түске және жалған түстерге бояуға болады (6-7 суретте
көрсетілген). Егер R, G, B каналдарында бейне R, G, B сурет каналында
берілсе, ондай болса бейне табиғи түрде берілген. Ал егер R, G, B
каналдарында бейне басқа сурет каналында берілсе, ондай болса бейне жалған
түрде Бейненің түсін іріктеу механизмі. Егер R бейне каналына пиксельдер
ашықтығы жоғары мәнді сурет каналын қойып, ал G, B каналдарына пиксельдер
ашықтығы төмен мәнді сурет каналын қойатын болсақ, ондай болса сурет
басымырақ қызыл түсті тондарға боялады.
6-сурет.Суреттің табиғи түске боялу мысалы.
7-сурет.Суреттің жалған түске боялу мысалы
Обьектінің түр-мәнін табиғи түсті бейнелерде анықтайды, ал обьектілердің
контурларын бөлу үшін жалған түсті бейнелер қолданған дұрыс.
Индекстік бейнелер
Индекстік бейнені алу үшін, суретің әр түрлі каналдарынан алынған
пискельдердің ашықтық мәнін анықтау арифметикалық операциялар арқылы
жүзеге асады. Осындай бейнелерде бастапқы бейнелерге қарағанда обьектілер
контрасты түрде анық ерекшеленіп көрінеді.
Бас компоненттер анализі (principal components analysis)
Бас компоненетер анализі - бұл көпспектралды корреляцияланған
мәліметтердің анализі. Корреляцияланған мәліметтер дегеніміз - бұл, бір
спектралды каналда ашықтық мәндері жоғарласа, онда басқа ба спектралды
каналдардың ашықтық мәндері жоғарлайдыдеген мағына.
Спектралды бөліну әдісі (spectral unmixing)
Бір пиксель бір неше квадрат метрден мыңдаған квадрат метр жер бетін
қамтуы мүмкін, және сәйкесінше территорияда жатқан бірнеше обьектілер ия
обьектілер жиыны туралы акпаратты қамтуы мүмкін. Спектралды бөліну әдісін
бейнелерде, көлемі пиксельден кіші обьектерді анықтау-тану үшін
қолданылады. Бұл әдістің мағынасы келесі де: аралас спектрлер танымал таза
спектрлермен яғни таза спектарлды матеиалдар кітапханасымен салыстырылып,
анализ жасалады. Спектрдің әрбір пикселінің сандық-мөлшерлік бағалауы
жасалып, боялған яғни әр бір түс белгілі бір обьектіні білдіретін бейне
алынады. Спектралды бөліну әдісінің мысалы 8-суретте көрсетілген.
8-сурет. Спектралды бөліну әдісінің нәтижесі.
1.3 КЛАССИФИКАЦИЯ
Классификация – бұл суреттерді компьютерлік дешифрлеу немесе белгілі
бір обьектерге сәйкес келетін сурет приксельдерінің автоматты түрде
класстарға бөлінуі. Классификация процессі мультиспектралды суреттерді
өңдеу және алу этаптары 9-суретінде көрсетілген. Классификацияның бірнеше
түрі бар:
─ Оқытылымды классификация;
─ Оқытылымсыз классификация.
Оқытылымды классификация
Оқытылымды классификация – бұл процессте, әр бір пиксельдің ашықтығын
эталонмен салыстырып, нәтижесінде әр бір пиксель қасиеті бойынша сәйкес
классқа жатқызылады.
Оқытылымды классификация қолданылады, егер:
─ Суретте қандай обьектілер бар екені алдына ала белгілі болса;
─ Суреттегі класстар саны көп болмаса (30 дейін);
─ Класстар суретте анық түрде ажырытылытын болса.
Оқытылымды классификация бірнеше этаптан тұрады:
─ Суретті өңдеу есептерін анықтау және классификация әдісін таңдау;
─ Эталонды аймақтарды таңдау;
─ Классификацияны орындау және нәтижелерді бағалау.
9-сурет. Мультиспектралды бейнелерді өңдеу және алу этапттары.
Суретті өңдеу есептерін анықтау және классификация әдісін таңдау. Бұл
этаптағы орындалатын жұмыс:
1. Дешифрлейтін обьектілер тізімін анықтау, обьектілердің
ашықтық мәндерін орналастыру түрін бағалау:
а) суретте;
б) Спектралды белгілер кеңістігінде;
10- сурет. Спектралды кеңістіктегі классификация.
2. Суреттегі пиксельдерді класстарға үйлестіруді орындайтын классификация
әдісін таңдау:
Спектралды бұрыш әдісі
Спектралды бұрыш әдісі барлық спектралды диапозондардағы ұқсас
мәндері бар обьектілерге классификация орындауға ыңғайлы. Спектралды бұрыш
әдісі 11-суретте көрсетілген.
1) Алдын ала эталонды аймақтар таңдалады;
2) Суреттегі барлық пикселдер, эталонды пикселдерде вектор түрінде
қарастырылады;
Бастапқы сурет. Спектралды бұрыш әдісі классификация
әдісі.
11-сурет. Спектралды бұрыш әдісі нәтижесі.
Ең қысқа жол әдісі
Бұл әдіс әр түрлі класстардың спектралды белгілері ұқсас және ашықтық
диапазон мәні асып түскенде қолданылады. Ең қысқа жол әдісі нәтижесі 12-
суретте көрсетілген. Ең қысқа жол әдісінің жұмысы 13-суретте көрсетілген.
1) Алдын ала эталонды аймақтар таңдалады;
2) Пиксельдердің ашықтық мәндері спектралды белгілер кеңістігінде fij
векторы ретінде қарастырылады, i және j бұл әр түрлі спектралды
каналдардағы пиксельдердің ашықтық мәні;
Бастапқы сурет. Ең қысқа жол әдісі классификация
әдісі.
12-сурет. Ең қысқа жол әдісі нәтижесі.
Эталон векторлары арасындағы арақышықтық және суреттің бардық пиксельдері
ашықтық мәндері векторлары есептеледі, екі вектор арасындағы арақашықтық
(r) келесі формуламен есептеледі,
(2)
мұндағы, к –спектралды канал номері;
4) Пиксельдер класстар бойынша үлестіріледі, егер эталоннан векторға
дейіңгі арақышықтық қысқа болса онда бұл векторды осы классқа жатқызады, ал
егер үлкен болса онда басқа классқа жатқызады немесе еш классқа
жатқызбайды.
13-сурет. Ең қысқа жол әдісінің жұмысы.
Параллелипедтер әдісі
Параллелипедтер әдісін обьектілер ашықтығы қиылыспайтын кезде
қолданады ( 14-сурет).
Бастапқы сурет Параллелипедтер әдісі классификасия
нәтижесі
14-сурет. Параллелипедтер әдісі нәтижесі.
1.Алдын ала эталонды аймақтар таңдалады;
2.Пиксельдердің ашықтық мәндері спектралды белгілер кеңістігінде fij
векторы ретінде қарастырылады, i және j бұл әр түрлі спектралды
каналдардағы пиксельдердің ашықтық мәні;
3.Эталон векторлары арасындағы арақышықтық және суреттің бардық пиксельдері
ашықтық мәндері векторлары есептеледі, екі вектор арасындағы арақашықтық
(r) келесі формуламен есептеледі,
(3)
мұндағы, к –спектралды канал номері;
─ Ең қысқа жол есебі сияқты параллелипедтер әдісі дисперсяны
(D)қолданады, бұл әдісті әлде қайда нақтыландырады;
─ Сондықтан параллелипедтер әдісі классификациясы кезінде берілген
классқа ашықтық мәндері орташа оқытушы таңдауы 2D кем болатын
пиксельдер кіреді.
Бинарлы кодтау
Егер суретте пикселдерді екі классқа бөлу керек болса, мысалы су
құрғақ, ондай болса бинарлы кодтау әдісі қолданылады. Бинарлы кодтау
кезінде пиксельдерге эталонмен салыстыру кезінде екі мәннің бірі
тағайындалады. Классификация кезінде пиксельдердің мәндері орташа эталонды
таңдаумен салыстарылады, нәтижесінде бинарлы бейне калыптасады. Бинарлы
кодтаудың нәтижесі келесі 15-суретте көрсетілген.
15-сурет. Бинарлы кодтаудың нәтижесі
Оқытылымсыз классификация
Оқытылымсыз классификация бұл пикселдер ашықтығының статистикалық
үйлесім анализі негізінде автоматты түрде сурет пикселдерінің үйлестірілуі.
Классификация алдында суретте қанша және қандай обьектілер бар екені
белгісіз болады, классификация орындалғаннан кейін класстарды дешифрлеу
керек, қай класс қандай обьектіге жататынын анықтау үшін. Оқытылымсыз
классификация орындалады егер:
а) Алдын ала суретте қандай обьектілер бар екені белгісіз болса;
б) Суретте күрделі шекаралы обьектілер саны көп болса (30 дан аса);
в) Оқытылымды классификация алдында бастапқы этап ретінде қолдануға
болады.
Оқытылымсыз классификацияның кең таралған түрлері:
1. ISODATA;
2. K-Орташалар.
ISODATA классификация әдісі (мәлімет анализінің өздігінен
ұйымдастырылатын итерациондық әдісі- Iterative Self-Organizing Data
Analysis Technique).
ISODATA – бұл, кластерлік анализге негізделген процесс. Бір классқа
түстерінің ашықтық мәні бойынша спектралды белгілері жақын кеңістіке
жататын пикселдер жатады. ISODATA кластеризация алгоритмі белгілі бір
қасиеттермен байланысқан бейне жиынын ішкі жиындарға бөліп жұмыс істеуге
негіделген.
ISODATA алгоритмі әр бір пиксель үшін сәйкесінше кластерді анықтау
үшін минималды спектралды арақашықтықты қолданады. Кластердің кездейсоқ
ортақ мәнін тағайындау процессінен басталады және бұл процесс шығу
мәліметтерінің әр бір кластерлерінің ортақ мәні тағайындалған мәнге
жеткенше қайталана береді. Класстерлердің бастапқы ортақ мәндері
спектралды кеңістіктің орталық векторының бойымен үйлестіріледі.
.
Бастапқы сурет ISODATA классификацисы
16-сурет. ISODATA классификацисы нәтижесі
K-ОРТАШАЛАР (k-means) – кластеризация әдістерінің ішіндегі ең кең
таралған түрі. Алгоритм қарапайымдылығы және орындалу жылдамдығы жоғары
болғандықтан үлкен қолданысқа ие. K-Орташалар алгоритмі итеративті түрде
орындалады, ол берілген пикселдер жиынын олардың центрлеріне жақын келетін
k кластер нүктелеріне бөліп, осы центрлердің орнының ауысуы нәтижесінде
кластеризация орындалады. K-Орташалар алгоритмі бөгеулерге (шумы) сезімтал
келеді, олар кластеризация нәтижесін бұрмалауы мүмкін, сол себепті сапалы
нәтижеге жету үшін алдын ала бейнені фильтрациядан өткізу керек.
1.4 ЖЕРДІ ҚАШЫҚТЫҚТАН ЗЕРТТЕУДЕГІ БЕЙНЕЛЕРДІ СЫҒУ
Мультиспектралды бейнелер өте үлкен көлемді болғандықтан, оларды
тасымалдау (жіберу) үлкен қиындықтарға әкеп соқтырады, сол себепті
бейнелерді сығу қазіргі таңда өзекті мәселелердің бірі болып отыр. Бейнені
сығудың екі түрі анықталады: бейне толығымен қалпына келетін және қалпына
келмейтін. Қалпына келетін әдістің сығу коэффициенті өте аз, ол
телевидениеде, медицинада, аэрофототүсірілімдерде қолданылады. Ал қалпына
келмейтін әдістің сығу коэффициенті өте көп болады, бірнеше жүз есе болуы
мүмкін. Бейнені сығу әдістері айтарлықтай көп болғанымен үлкен көлемді
ақпараттпен жұмыс істейтін әдістер көп емес, солардың бірі вейвлет сығу
әдісі. Вейвлет сығу әдісінің қолданыста өзекті болуы жоғарыда аталған
бейнені сығудығ екі түрінде де сәтті қолданылуында.
Вейвлеттер арнайы базалық функция арқылы жасалады. Ол функциялар бір
қатар арнайы шарттарды қанағаттандыруы керек. Уақыт немесе жиіліктік
аймақта масштабталған вейвлеттер тобы арқасында кез-келген күрделі
функцияны тура немесе салыстырмалы қателікпен бейнелеуге болады. Сонымен
вейвлет дегеніміз айнымалы сигнал мен бейне функциясын өңдейтін жаңа
математикалық және практикалық аппарат. Бейнені вейвлет-түрлендіру
арқасында бейнені сығу және қайта орнына келтіру тапсырмасында керек
информацияны жоғалтпай шешеді.
Вейвлет-сығу әдісінің негізгі идеясы: алдымен бастапқы бейнеге
вейвлеттік түрлендірулер жүргізіледі, алынған бейне мәліметтерінен кейбір
коэффициенттер жойылады, қалған коэффициенттерге кодтау жүргізілуі мүмкін.
Сығылған бейне қажет болған жағдайда коэффициенттерді декодтау немесе
алынған нәтижеге кері түрлендірулер жүргізу арқылы қалпына келтіріледі.
Түрлендіру кезіндегі коэффициенттердің кейбір бөлігін жойғанда аса көп
ақпарат жоғалмайды.
Бейнелерді сығуда вейвлеттік әдістерді қолдану
Сандық бейнелер әлемдегі ақпараттың үлкен бөлігін құрайды.
Интернеттің дамуымен, қуаты мол компьютерлерінің кең таралуымен, принтер,
сканер, сандық камералар өңдеу технологиясының алға жылжуымен байланысты
сандық бейнелер кеңінен қолданысқа енді. Қазіргі кезде бейнелер ақпараттар
қорының үлкен бір бөлігін құрайды. Бұдан бейнелер беретін мәліметтерді
сығуға деген қызығушылық тұрақты түрде қарқынды дамыды. Бейнелер негізгі үш
ерекшеліктерімен сипатталатын мәліметтің өзіндік типтерінің бірі: бейнелер,
әдетте, мәтіндерге қарағанда, сақтау үшін жадының барынша көп бөлігін қажет
етеді; бейнелер адамдардың көру қабілетіне бағытталған мәліметтің ерекше
типі, себебі адам көру кезінде бейнені сараптау үшін түстердің өзгеруін
қарастырады; бейнелер текстік ақпараттарға қарағанда екі өлшемді болып
келеді.
Бейнелерді өңдеудің ішіндегі сандық алгоритмдер аналогтық жүйелер
арасында айтарлықтай дәрежеге ие болғандықтан, сандық бейнелерді өңдеу
әдістері кеңінен қолданысқа енді. Осылардың бірі вейвлеттік әдіс болып
табылады. Вейвлеттер арнайы базалық функция арқылы жасалады. Ол функциялар
бір қатар арнайы шарттарды қанағаттандыруы керек. Уақыт немесе жиіліктік
аймақта масштабталған вейвлеттер тобы арқасында кез-келген күрделі
функцияны тура немесе салыстырмалы қателікпен бейнелеуге болады. Сонымен
вейвлет дегеніміз айнымалы сигнал мен бейне функциясын өңдейтін жаңа
математикалық және практикалық аппарат. Бейнені вейвлет-түрлендіру
арқасында бейнені сығу және қайта орнына келтіру тапсырмасында керек
информацияны жоғалтпай шешеді.
Вейвлет-сығу әдісі бейнені сығудағы түрлендіру әдістерінің тобына
жатады және фрактальді әдістерден ерекшеленеді. Фрактальді әдістерде
сақталатын ақпарат көлемін азайту үшін масштабқа қарамастан өзара ұқсастық
қарастырылады. Ал вейвлеттік әдістерде осы масштабтың артықшылығы
пайдаланылады.
Вейвлет-сығу әдісінің негізгі идеясы: алдымен бастапқы бейнеге
вейвлеттік түрлендірулер жүргізіледі, алынған бейне мәліметтерінен кейбір
коэффициенттер жойылады, қалған коэффициенттерге кодтау жүргізілуі мүмкін.
Сығылған бейне қажет болған жағдайда коэффициенттерді декодтау немесе
алынған нәтижеге кері түрлендірулер жүргізу арқылы қалпына келтіріледі.
Түрлендіру кезіндегі коэффициенттердің кейбір бөлігін жойғанда аса көп
ақпарат жоғалмайды деп жорамалдаймыз.
Түрлендірулер арқылы бейнені сығып, одан ақпарат бөлігін жою
вейвлеттік талдауды түсінудің негізі. Сонымен қатар вейвлеттік әдісті
зерттеудегі басқа да көзқарастар бар. Алайда олардың барлығы түбінде
вейвлеттік түрлендірулер идеясына алып келеді.
17-сурет. Вейвлеттік талдау кезіндегі әртүрлі көзқарастар.
Алдымен орташа мән және бөлшектеу сияқты қарапайым идеядан бастайық.
Бейнені пикселдердің орта мәнімен ауыстыру арқылы сығуға болады. Ол сығудың
жоғарғы дәрежесін береді (1 сан барлық бейнені бейнелейді), бірақ бейненің
сапасы төмендейді. Бастапқы бейнені қалпына келтіру үшін біз жоғалған
бөлімдерді табуымыз керек. Екі нүктеден тұратын бейнені қарастырайық.
Оның а орта мәні және d жартылай айырмасы болсын. Сонда:
(3)
(4)
-ді арқылы өрнектейміз.
(5)
(6)
Бір жүйеден екінші жүйеге өткенде ақпарат ешқайда жоғалмайды. Егер
және бір-біріне жақын болса, онда d аз болады және
бейнесін жуықтауымен алмастыруға болады. Біздің сурет сығылды.
Қайта орнына келтірілген бейне болады, оның қателігі
(7)
d аз болғандықтан қателікте аз болады.
Бұл мысалымыз нақты суреттерге пайдалану қиын,бірақ бұл бізге вейвлет-
түрлендіруі арқасында бейнені сығу принципін түсіндіреді. Мұндай кішкентай
бөлшектер суреттің жалпы сипатына әсер етпейді. Төрт элементтен
тұратын бейнені, бірлік интервалдағы функция деп қарастырайық.
(8)
Мұндағы, {1, егер ; 0 кері жағдайда} - характеристикалық
функция.
Жоғарғы және төменгі жиілікті фильтрлер. Орталау және бөліктеу
операцияларын төменгі-жиіліктегі және жоғарғы-жиіліктегі фильтрлер түрінде
бейнелеуге болады. Төменгі-жиіліктегі фильтр - төменгі-жиіліктегі ақпаратты
өткізеді (яғни бөліктердің аз санын), сонымен қатар жоғарғы-жиіліктегі
ақпаратты өткізбейді. Ал жоғарғы-жиіліктегі фильтр керісінше.
Екіөлшемді вейвлет-түрлендіру әр жолға бірөлшемді вейвлет-
түрлендіруді орындайды, сосын әр бағанға бірөлшемді вейвлет-түрлендіру
орындайды. 7суреттегі сызбада осы процесс көрсетілген. Мұндағы - жол
мен баған жоғарғы-жиіліктегі фильтрден өткен; - жол жоғарғы-
жиіліктегі, ал баған төменгі-жиіліктегі фильтрден өткен; - жол төменгі-
жиіліктегі, ал баған жоғарғы-жиіліктегі фильтрден өткен. Сызбаның жоғарғы,
сол жақтағы бөлігі тағы кішкентай бөліктеулерге бөлінген.
18-сурет. Екі өлшемді вейвлет-түрлендіру жол мен бағандардың жоғарғы-
жиіліктегі (Н) және төменгі-жиіліктегі (L) фильтрден өту кезеңі.
Вейвлеттік түрлендірулер
Тура вейвлеттік түрлендіру. Бізде нүктеден тұратын тізбек
болсын, , n0. f элементі.
(9)
f(t) –ні және базистеріне жіктеуге болады.
(10)
содан кейін
(11)
-дің элементі, сондықтан оны және базистеріне
жіктеуге болады.
(11) теңдігіндегі коэффициентті табу. Ортогональдықты пайдаланамыз.
;
(12)
(әр-қайсысында)
;
(13)
Әр және - нормаланған (11), (12) Ортогональдықпен
нормаланғандықты пайдалану үшін (12) теңдігінің екі бөлігіне де -ді
көбейтіп, уақыт бойынша 0-ден 1-ге дейін интегралдайық.
(14)
Енді (11)-нің оң бөлігін f(t)-ның орнына (14)-ге қоямыз. Мысылы:
j=0 болғанда (12) –нің сол жағы тең болады:
(15)
Нәтижесінде:
j=0 (16)
Ал
, және (17)
Соңғы екі теңдікті бір матрицалық теңдеу түрінде көрсетуге болады.
(18)
(19)
және
(20)
және өлшемі -ге тең. х элементі бар
вектор-бағана. және элементі бар вектор-бағана. Онда
(20)-ны төмендегдей түрде жазуға болады:
(21)
Бірлік матрица , бірлік вектор 1 өлшемді.
Вейвлет-түрлендірудің әр қадамында біз (d) бөлшектейтін
коэффициентті сақтаймыз және (a) орталау коэффициентін өңдейміз.Келесі
қадам: төменгі деңгейде орташалап, -ді орталаймыз және есептейміз.
(22)
Біз , -ні сақтаймыз. Ары қарай солай жалғасады.
Ең соңғы қадамда біз -дің орта мәнін (Бір элементі бар
бір компонентті вектор) сақтаймыз.
(23)
Нәтижесіндегі вейвлет-түрлендіруін 1+1+2+...+ = элементтен
тұратын жалғыз бағана-вектор түрінде көрсетуге болады.
Кері вейвлеттік түрлендіру. Вейвлет-түрлендіруін бейнені сығуға
пайдалану үшін, біз бастапқы тізбегін арқылы қайта орнына
келтіруіміз керек. k деңгейінен k-1 деңгейіне өту төмендегідей іске асады:
(24)
Осыдан шығады:
(25)
(24) және (25) теңдеуінен төмендегідей шығады:
(26)
, (27)
(27) теңдеуінің арқасында (k-1) төменгі деңгейді біле отырып (k) жоғарғы
деңгейін табуға болады:
,
(28)
Матрица түрінде ол былай жазылады:
(29)
Кері матрица бар,өйткені біз оны (29) теңдеуінен таптық.
(30)
(31)
мұндағы, * -матрицаның транспонирленуі. (30), (31) және (18) былай
жазылады:
(32)
(-ны және -ден алу)
(20), (30) –дан шығады:
(33)
Осыдан төмендегі қатынас орындалады:
(34)
- бұл бірлік матрица х
(35)
(36)
Бейнені вейвлет көмегімен сығу. Осы уақытқа дейін біз бір өлшемді
тізбектерді қарастырдық. Компьютер сұр градациясындағы бейнені мәндері оң
сан болатын 2-өлшемді массив түрінде бейнелейді. Массивтің әр элементі – ол
бейненің пикселдері. Вейвлет-түрлендіруді көп өлшемді тізбектерге, яғни
массивтерге қолдануға да болады.Ол үшін бірінші бейненің жолы түрленеді,
содан кейін жолы түрленген бейненің бағанасы түрленеді. Бізде 4 х 4
бейнесі болсын.
(37)
Берілген бейнені бірлік квадратта берілген функция түрінде көрсетуге
болады:
(38)
(39)
(38) – (39)-ның екі өлшемді түрі,
(40)
(41)
(40)-ді (41)-ке қойсақ:
(42)
(43)
(44)
(44) теңдігі (18)-тегіндей, сондықтанда бір өлшемді түрлендіруді
қолдануға болады.Осындай түрлендіруден кейін біз вейвлет-түрлендірудің
нәтижесі болатын коэффициенттері бар теңдеулер жүйесін аламыз.
(45)
яғни,
Бұл жерде әр жолға вейвлет-түрлендіруі қолданылады. Енді (44)-ті
(45)-ға қойып және мүшелерін қайта орнына келтіре отырып:
(46)
(53)-тегі қосындының әр қайсысы, тура (51)-дегідей.Сондықтанда оларға бір
өлшемді вейвлет-түрлендіруін қолдануға болады.
Қорытынды: бейненің вейвлет-түрлендіруін алу үшін, әр
жолға содан кейін, әр бағанаға бір өлшемді вейвлет-түрлендіруін
қолдану керек.
Сонымен вейвлет әдісіне негізделген бейнені сығу алгоритмінің негізгі
бөліктері келесідей:
1. Бейнені таңдау және жүктеу;
2. Таңдалған бейнені екі өлшемді матрицалық түрге ауыстыру;
3. Декомпозиция: алынған екі өлшемді матрицаға таңдалған вейвлет
түрлендіруін жүргізу;
4. Децимация: вейвлеттік түрлендіруге ұшыраған матрицаның
коеффициенттерін қандай да бір ε мәнімен салыстырып, одан кішілерін 0-
ге теңестіру;
5. Кодтау;
6. Сығылған бейнені көру;
7. Декодтау;
8. Кері вейвлет-түрлендірулерін орындау;
9. Бастапқы бейнені алу.
19-сурет. Бейнені сығу процесінің жалпы сұлбасы.
Тура және кері вейвлеттік түрлендіру алгоритмдері
Жұмыс істеуге ыңғайлы болуы үшін нормаланған масштабты функция мен
Хаар вейвлеттерін қолданамыз. n элементтен тұратын массивке Хаар
вейвлеттік түрлендірулерін жүргізудің алгоритмі:
1. Массивтің әр жұп элементтнрінің арифметикалық ортасын табу
(арифметикалық орта саны n2 болады).
2. Осы жұптардың өзара айырымын табу (айырымдар саны n2 болады).
3. Массивтің бірінші жартысын арифметикалық орталармен, ал екінші
жартысын айырымдармен толтыру.
Осы процесті массивтің бірінші жартысындағы элементтермен қайтала.
Массив ұзындығы екінің еселігі болуы керек. Ал бейненің вейвлет-
түрлендіруін алу үшін, әр жолға содан кейін, әр бағанаға бір
өлшемді вейвлет-түрлендіруін қолдану керек. Кері вейвлеттік түрлендіруді
жүзеге асыру үшін ~A екі өлшемді синтез массивін беру керек.
Осылайша алдымен әр баған үшін, содан соң әр жол үшін кері вейвлеттік
түрлендіруін жүргіземіз.
Бейнені сығу бағдарламасын параллельдеу қажеттілігі
Қазіргі кезде вейвлет-түрлендірулер әр түрлі есептерді шешуде
әдеттегі Фурье түрлендірулердің орнын басуда. Бұл көптеген салаларда, соның
ішінде компьютерлік графика және бейнелерді сығуда, ДНК анализін өңдеуде,
сигналдарды жалпы өңдеуде, деректерді сығу мен тілді тануда да қолданылады.
Алайда, тізбекті жүзеге асу кезінде вейвлет-талдау алгоритмі қажетті
жылдамдыққа ие болмай отыр, бұл өз кезегінде олардың деректерді нақты
уақытта өңдеуде қолданылуын қиындатады. Демек, жоғарыда аталған әдістің
негізгі кемшілігі бейнені сығу кезінде есептеу ресурстарын және уақытты көп
қажет етеді. Бұл әдістің практикада кең таралуына кедергі келтіреді.
Сондықтан осы зерттеу жұмысын жүргізудің өзектілігі құрылған алгоритмдердің
жұмыс жасау жылдамдығын арттыру қажеттілігімен анықталады. Бұл мәселені
шешудің негізгі жолы алгоритмдерді параллельдеу болып табылады.
Қазіргі кезде компьютерлік технологиялар өте жылдам қарқынды дамуда.
Көптеген суперкомпьютерлер, кластерлік және GRID технологиялары пайда болуы
есептеулерді параллельді өңдеуге мүмкіндік берді. Бұлар арқылы біз
қарастырған сығу әдістерінің кемшіліктерін жойып, әдістерді тиімділей
аламыз.
Параллельді есептеу деп – компьютерлік жүйедегі бірнеше
операциялардың бір уақытта орындалуын айтады. Қазіргі уақытта параллельді
есептеудің екі негізгі әдісі бар. Олар - мәліметті паралельдеу және есепті
параллельдеу. Мәліметті параллельдеудің негізгі идеясы – мәліметтер
массивінің барлық элементтеріне бір операция орындалады. Негізгі қасиеттері
– мәліметті өңдеуді бір программа орындайды; параллельді процессорлерде
есептеу әлсіз синхронизацияланады, массив элементтеріне жасалатын
параллельді операциялар бір уақытта осы программадағы барлық мүмкін
процессорларда орындалады. Ал есепті параллельдеудің негізгі идеясы
күрделірек, өйткені ол жалпы күрделі есепті бірнеше ішкі есептерге бөлу
арылы орындалады.
Параллельді есептеу технологиясының ең кең таралған түрі - МРІ
(Message Passing Interface). Бұл жүйеде параллельді процестердің негігі
байланысу әдісі - бір-біріне хабарлама жіберу арқылы жүзеге асады. МРІ Си
және Фортран тілдерінде жұмыс істеуге мүмкіндік береді.
Суперкомпьютерлер технологиясы мен жоғарғы өнімді есептеулер параллельді
есептеудің негізін құрайды. Бір уақытта орындалатын операциялар бір есепті
шешуге арналуы керек. Параллельді есептеуді қолданатын аймақтар: ауа райын
болжауда, нанотехнологияларында, жаңалықтарда, ағымдағы космостық ұшу
туралы жедел ақпарат алу кезінде, генетика саласында, химиялық есептеулер
кезінде, жұмыс ортасының бірлесуінде, деректер қорын параллельді өңдеуде,
банктық транзакциялар орындау кезінде, аэродинамика, жану теориясында,
медициналық автоматтандырылған диагноз қою кезінде, компьютерлік ойындарда,
ядролық реакторларда, криптографияда.
Біздің есепте қарастырылатын сұр түстің градациясындағы бейнені екі
өлшемді массив түрінде беруге болады және бейненің пиксельдері массив
элементтеріне жүктеледі. Бейнені әртүрлі бөліктерге бөліп, әр бөлікке сығу
алгоритмін қолдануға болады. Бір операция барлық процессорде
орындалғандықтан, мәліметті параллельдеу әдісіне жатқызуға болады.
Бейненi өңдеудiң төменгi деңгейi сақталынған бейнеге бiрден әрекет
етедi, ол оны жақсартады, және бейненi адам және компьютер тануына
көмектеседi. Бейненi өңдеудiң төменгi деңгейi бейненi жақсарту үшiн әрбiр
пиксельдiң мәнiн қолданады. Мұндай амалдар параллельді түрде орындалады.
Мысалы, бейнелерде жиi шуылдар болады, соның нәтижесiнде пиксельдердiң
нақты мәнi өзгеруi мүмкiн. Ерекше жағдайда қажеттi бейне қалдырылып, бұл
шуылдар жойылады. Мұндай шуылдарды жою амалын шуылдарды тазалау немесе
шуылды азайту деп аталады. Төменгi деңгейдегi амалдар пиксельдердi ерекше
объектiге сәйкес деп белгiлейдi және объект белгiлi объектiмен
салыстырылатын объект араластырылады. Араластырудың қарапайым түрi – үлгi
бойынша араластыру, сондықтан бейне сақталынған үлгiмен салыстырылады.
Өңдеудiң төменгi деңгейiнiң алдында параллельді өңдеудi қолданудың
маңыздылығын атап өткен жөн. Деректерді процессорлар арасында бөлу және
оның параллельді бағдарламаның тиіділігімен байланысы параллельді
бағдарламалаудың негізгі мәселесі болып табылады. Сондықтан ең жоғары
үдеудге жету үшін ішкі есептерді дұрыс бөліп шығару қажет. Бейнені
вейвлеттік сығу алгоритмін параллельдеудің бірнеше көзқарастары, әдістері
бар. Соның бірі қарапайым матрица элементтеріне вейвлеттік түрлендіруді
жүргізу баысындағы жолдар мен бағандарды процессорларға бөлу. Сонымен қатар
осы жұмста қарастырылған блоктау әдісі. Бұл әдістің негізгі идеясы төменде
сипатталған.
Бейнені сығу бағдарламасын параллельдеу әдісі
Алдымен процессорлар саны болсын делік, мұндағы і - вейвлеттік
декомпозиция деңгейінің санына тең болатын бүтін типті мән. Сонымен қатар
бастапқыда әр процессор і деңгейінің вейвлеттік аппроксимациясына немесе
деталі жөнінде мәліметке ие деп қарастырамыз. Белгілі бір декомпозиция
деңгейінің қандай да бір төрт ішкі бейнелері өзара көршілес процессорлар
арасында бөліп алынады. Төмендегі суретте 2 деңгейлі декомпозиция кезіндегі
бейненің 16 процессор арасында өзара бөлініп, орындалуы көрсетілген.
20-сурет. Екі деңгейлі декомпозиция кезіндегі параллельді процестер
Әрбір ішкі бейнеде жазылған нөмір бастапқы бейненің сәйкес
аппроксимациясы мен деталінен тұратын процессор рангін көрсететді. Осы
идеяға байланысты ұсынылатын алгоритм келесідей:
1. Негізгісінен (рангісі 0 болатын процессор) басқа әрбір процессор
өзінің ішкі бейнесіне децимасия жасап, көптеген коэффициенттерді
нөлге теңестіреді (рангісі 0 болатын процессор бастапқы бейненің
аппроксимациясын сақтайды, ал децимация бейненің детальдеріне ғана
жүргізіледі).
2. Әр процессор кодтаудың бір түрін (Хаффман, арифметикалық және
т.б.) жүргізеді.
3. Әр процессор өзінің кодталған бейнесін негізгі процессорға
жібереді. Негізгі процессор дегеніміз рангісі int(i4)*4 болатын
процессор, мұндағы і ағындық процессордың рангісі. Негізгі
процессор өзінің көршілестерінен барлық кодталған бейнелерді алған
соң ол одан үлкенірек бейнені қайта қалпына келтіреді де, оны
екінші деңгейдегі рангісі int(i16)*16 болатын негізгі процессорға
жібереді. Бұл процесс рангісі 0 болатын негізгі процессор барлық
кодталған шағын бейнелерді жинақтағанша жүреді.
Жоғарыда сипатталған алгоритмнің жүзеге асуының жалпылама үлгісі:
Procedure Parallelization()
{
If (rank!=0) Decimate();
Kodirovanie();
For (i=1; i=; i++)
{
If ((rank mod =0) && (rank mod !=0)) Send_to_(
(rank)*);
If (rank mod ... жалғасы
Сіз бұл жұмысты біздің қосымшамыз арқылы толығымен тегін көре аласыз.
Ұқсас жұмыстар
Пәндер
- Іс жүргізу
- Автоматтандыру, Техника
- Алғашқы әскери дайындық
- Астрономия
- Ауыл шаруашылығы
- Банк ісі
- Бизнесті бағалау
- Биология
- Бухгалтерлік іс
- Валеология
- Ветеринария
- География
- Геология, Геофизика, Геодезия
- Дін
- Ет, сүт, шарап өнімдері
- Жалпы тарих
- Жер кадастрі, Жылжымайтын мүлік
- Журналистика
- Информатика
- Кеден ісі
- Маркетинг
- Математика, Геометрия
- Медицина
- Мемлекеттік басқару
- Менеджмент
- Мұнай, Газ
- Мұрағат ісі
- Мәдениеттану
- ОБЖ (Основы безопасности жизнедеятельности)
- Педагогика
- Полиграфия
- Психология
- Салық
- Саясаттану
- Сақтандыру
- Сертификаттау, стандарттау
- Социология, Демография
- Спорт
- Статистика
- Тілтану, Филология
- Тарихи тұлғалар
- Тау-кен ісі
- Транспорт
- Туризм
- Физика
- Философия
- Халықаралық қатынастар
- Химия
- Экология, Қоршаған ортаны қорғау
- Экономика
- Экономикалық география
- Электротехника
- Қазақстан тарихы
- Қаржы
- Құрылыс
- Құқық, Криминалистика
- Әдебиет
- Өнер, музыка
- Өнеркәсіп, Өндіріс
Қазақ тілінде жазылған рефераттар, курстық жұмыстар, дипломдық жұмыстар бойынша біздің қор #1 болып табылады.
Ақпарат
Қосымша
Email: info@stud.kz