Журнал научных публикаций
«Наука через призму времени»

Октябрь, 2017 / Международный научный журнал
«Наука через призму времени» №7 2017

Автор: Минаков Евгений Иванович, доктор технических наук, профессор
Рубрика: Физико-математические науки
Название статьи: Применение дискретных фильтров к спектральным характеристикам цифровых видеоизображений очагов возгорания лесных массивов

УДК 621. 397. 13

ПРИМЕНЕНИЕ ДИСКРЕТНЫХ ФИЛЬТРОВ К СПЕКТРАЛЬНЫМ ХАРАКТЕРИСТИКАМ ЦИФРОВЫХ ВИДЕОИЗОБРАЖЕНИЙ

ОЧАГОВ ВОЗГОРАНИЯ ЛЕСНЫХ МАССИВОВ

Минаков Евгений Иванович

доктор технических наук, профессор

Калистратов Дмитрий Сергеевич

кандидат технических наук, докторант

Мирчук Сергей Геннадьевич

аспирант

Тульский государственный университет, гула

 

Аннотация. Рассматривается актуальная проблема частых возгораний лесных массивов, ставится задача обнаружения в произвольном цифровом видеоизображении проекций очагов возгорания, предлагается метод решения данной задачи, основанный на применении спектрального анализа, показывается целесообразность введения дополнительных дискретных фильтров в целях ускорения процесса идентификации очагов с целью построения информационно-измерительных систем реального времени, имеющих значимую практическую ценность.

Ключевые слова: очаг возгорания, цифровое видеоизображение, измерительная система, спектральное представление, дискретный фильтр.

 

В последнее время, в связи с экстремально высокими температурными показателями, в летнее время года особенно обострилась проблема возгорания лесных массивов [1,2]. Лесные пожары наносят ощутимый вред лесному хозяйству, представляют угрозу флоре и фауне, мешают рациональному использованию природных ресурсов.

            Один из возможных путей решения данной проблемы состоит в разработке быстродействующих информационно-измерительных систем, а также систем пожаротушения, способных в режиме реального времени нейтрализовать очаг возгорания, пока он не распространился на значительную по площади территорию.

Первоочередной задачей является обнаружение очагов возгорания. Неплохой результат в этом плане даёт метод видеосканирования произвольного изображения по заранее подготовленной опорной базе изображений огня и дыма. Программный алгоритм метода в этом случае сравнивает небольшие по размеру изображения опорной базы с фрагментами произвольного изображения и по заранее заданному критерию сходства находит проекции очагов возгорания. 

В предлагаемом методе сравниваются не сами фрагменты изображений, а их «частотные портреты», полученные посредством двумерного дискретного преобразования Фурье [3]. В качестве критерия сходства выступает среднее абсолютное отклонение комплексных коэффициентов дискретного преобразования Фурье. Следует отметить, что аналогичный подход нашёл широкое применение в устройствах распознавания речи (но там используется одномерный математический аппарат).

Принятый подход позволил с высокой степенью точности идентифицировать проекции очагов возгорания по опорным изображениям огня и дыма. К примеру, в спутниковых изображениях (рисунок 1), согласно результатам моделирования, удаётся выделять до 90 % блоков с очагами, при доле ложных (ошибочно выделенных) блоков менее 10 %. Эту информацию можно использовать впоследствии для уточнения координат очагов возгорания воздушными и наземными средствами мониторинга при использовании изображений меньшего масштаба.

Рисунок 1. Спутниковое изображение пожаров Сибири

с автоматически выделенными проекциями очагов

Однако, с другой стороны, двумерное преобразование Фурье требует значительных затрат машинного времени. К примеру, изображение форматом 320×240 точек даже современным персональным компьютером с тактовой частотой 2 ГГц может обрабатываться более 10 с.

По этой причине, следующим шагом в формировании математической модели метода стало введение программно перестраиваемого частотного фильтра, позволяющего ускорить процесс поиска проекций очагов возгорания. Данный шаг обусловлен тем, что в ряде случаев полосы коэффициентов преобразования в плоскостной области определения имеют значения, близкие к нулевой отметке. Ярким примером здесь является комплексная часть коэффициентов преобразования для матриц белого сплошного дыма (рисунок 2). В левой верхней  части данного рисунка показано само опорное изображение дыма, которому принадлежит указанный «частотный портрет».

        

Рисунок 2. Мнимая часть коэффициентов комплексного преобразования Фурье

для красной матрицы изображения белого сплошного дыма 

С точки зрения экономии затрат машинного времени, выгодно не учитывать малые значения коэффициентов преобразования, поскольку они вносят малый вклад в формирование численного значения критерия сходства сравниваемых фрагментов изображений. Таким образом, в рассмотренном случае выгодно применить связку фильтров высоких и низких частот, чтобы исключить средние частоты.

Иными словами, речь идёт о совмещённом дискретном фильтре низких и высоких частот. Такой фильтр предполагает обнуление коэффициентов в средних полосах абсциссы и ординаты. Для этого он использует всего два параметра m1 и m2, c помощью которых алгоритм «вырезает» (то есть принудительно обнуляет и не учитывает) определённую часть коэффициентов Фурье (рисунок 3). На указанном рисунке «вырезаемая» часть заштрихована.

Рисунок 3. Схема совмещённого дискретного фильтра

низких и высоких частот

 Как показали результаты исследований, именно такой фильтр наиболее выгодно применять, когда необходимо ускорить процесс поиска очагов возгорания по опорным изображениям дыма. Следует отметить, однако, что при использовании принципа поиска по огню, такой подход неприемлем, поскольку частотный портрет огня имеет весомые абсолютные значения коэффициентов преобразования в средней части спектра.

            В целом же, крайне желательно иметь возможность реализовывать сразу все три основных типа фильтров (низких, средних и высоких частот). Введённый дискретный фильтр, добавленный к основному математическому аппарату метода, позволяет реализовывать перечисленные фильтры (рисунок 4). Для этого необходимо всего лишь корректировать программную логику и перезадавать значения m1 и m2. На последнем указанном рисунке через параметры s1 и s2 обозначены  количества коэффициентов двумерного преобразования Фурье по абсциссе и ординате.

Таким образом, при увеличении количества вовлекаемых в обработку коэффициентов преобразования Фурье, качество идентификации проекций очагов возгорания увеличивается, но, вместе с тем, увеличиваются и временные затраты на проведение поиска. При уменьшении количества обрабатываемых коэффициентов, наоборот, временные вычислительные затраты снижаются, но, вместе с ними, снижается и достоверность поиска проекций очагов.

           

 

а)                                       б)                                   в)

Рисунок 4. Схемы реализация введённого дискретного частотного фильтра

в трёх вариантах  а) – фильтр нижних частот;

б) – фильтр средних частот; в) – фильтр высоких частот

Впрочем, согласно результатам моделирования, при применении к изображению белого сплошного дыма описанного совмещённого фильтра низких и высоких частот, качество идентификации блоков с проекциями очагов возгорания уменьшается с 90 % до 80 % (то есть, всего на 10 %) при использовании блоков размером 8×8 точек и «удалении» фильтром центральных полос шириной в 4 точки (с 3-го пиксела по 6-ой включительно) по абсциссе и ординате.

Отсюда можно заключить, что имеет смысл исследование и выявление других типов опорных изображений огня и дыма, к которым в целях ускорения процесса идентификации проекций очагов возгорания можно применить дискретный полосовой фильтра с определённой конфигурацией параметров.

 

Список литературы:

  1. Кашкин В.Б., Сухинин А.И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: учебное пособие. – М.: Логос, 2001. – 264 с.
  2. Назаров А.С. Фотограмметрия. – Мн.: ТетраСистемс, 2006. – 368 с.
  3. Даджион Д., Марсеро Р. Цифровая обработка многомерных сигналов. – М.: Мир, 1988. – 488 с.