Обработка данных аэрофотосъемки в задачах мониторинга сельскохозяйственных полей
В данной статье описаны результаты исследования применимости некоторых подходов для решения задачи определения заболевания сельскохозяйственных полей по данным аэрофотосъемки. Использо- вались следующие подходы: пороговая сегментация по оттенку и насыщенности, нечеткая сегментация, вычисление фра...
Saved in:
| Date: | 2008 |
|---|---|
| Main Author: | |
| Format: | Article |
| Language: | Russian |
| Published: |
Інститут проблем штучного інтелекту МОН України та НАН України
2008
|
| Subjects: | |
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/6973 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Обработка данных аэрофотосъемки в задачах мониторинга сельскохозяйственных полей / В.В. Ганченко // Штучний інтелект. — 2008. — № 3. — С. 282-289. — Бібліогр.: 10 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859472391100432384 |
|---|---|
| author | Ганченко, В.В. |
| author_facet | Ганченко, В.В. |
| citation_txt | Обработка данных аэрофотосъемки в задачах мониторинга сельскохозяйственных полей / В.В. Ганченко // Штучний інтелект. — 2008. — № 3. — С. 282-289. — Бібліогр.: 10 назв. — рос. |
| collection | DSpace DC |
| description | В данной статье описаны результаты исследования применимости некоторых подходов для решения
задачи определения заболевания сельскохозяйственных полей по данным аэрофотосъемки. Использо-
вались следующие подходы: пороговая сегментация по оттенку и насыщенности, нечеткая сегментация,
вычисление фрактальных сигнатур (последний подход использован к каждому из цветовых каналов
снимков отдельно). Также использована нечеткая сегментация по шести каналам: три цветовых канала и
три канала, представляющие собой результат вычисления фрактальных сигнатур по цветовым каналам.
In the paper the results of research of applicability of some approaches for the decision of a problem of
agricultural fields disease definition are described on evidence derived from airphotography by the example
of potato fields. For definition of disease the following approaches were used: threshold segmentation on a
hue and saturations, fuzzy segmentation, fractal signatures calculation. Also indistinct segmentation on six
channels is used: three color channels and three channels representing result of fractal signatures calculation
on color channels.
|
| first_indexed | 2025-11-24T10:49:47Z |
| format | Article |
| fulltext |
«Искусственный интеллект» 3’2008 282
4Г
УДК 681.327
В.В. Ганченко
Объединенный институт проблем информатики НАН Беларуси, г. Минск, Беларусь
ganchenkov@open.by
Обработка данных аэрофотосъемки
в задачах мониторинга
сельскохозяйственных полей
В данной статье описаны результаты исследования применимости некоторых подходов для решения
задачи определения заболевания сельскохозяйственных полей по данным аэрофотосъемки. Использо-
вались следующие подходы: пороговая сегментация по оттенку и насыщенности, нечеткая сегментация,
вычисление фрактальных сигнатур (последний подход использован к каждому из цветовых каналов
снимков отдельно). Также использована нечеткая сегментация по шести каналам: три цветовых канала и
три канала, представляющие собой результат вычисления фрактальных сигнатур по цветовым каналам.
Введение
Дистанционные методы мониторинга сельскохозяйственных полей дают
возможность оперативно выявить участки полей, пораженные болезнью. Выявление
заболевания на ранних стадиях развития значительно сокращает затраты труда и
средств. Находят развитие два основных подхода к решению задачи выявления пора-
женных участков – спектрометрический и оптический [1], [2]. Спектральный подход
позволяет определять многие заболевания на ранних стадиях развития. Однако,
несмотря на это, оптические методы также существенно развиваются, так как их
использование позволяет увеличить качество идентификации.
Выделяются различные виды характеристик, которые можно использовать для
идентификации заболевания [3-5]: геометрические, морфологические и цветовые, а
также их комбинации, которые позволяют уменьшить пространство признаков, что
упрощает идентификацию.
Основной задачей при обработке изображений для идентификации пораженных
болезнью участков растения или поля является сегментация, т.е. выделение однородных
по своим цветовым или фрактальным признакам объектов изображения (группы
пикселей) и отнесение их к тому или иному заранее определенному классу.
Целью данной статьи является исследование применимости выбранных методов
обработки изображений для решения задачи определения начала развития заболевания
на поле картофеля по цветовым и фрактальным характеристикам листьев.
В качестве исходных данных использованы снимки участка картофельного
поля, выполненные с разных высот в период со 2 по 6 июля 2007 года. На рис. 1
приведены примеры исходных изображений, выполненных с высоты 100, 50, 15
метров и с близкого расстояния.
Для определения заболевания растений на полях картофеля по данным аэрофото-
съемки использовались следующие подходы: пороговая сегментация по оттенку и насы-
щенности, нечеткая сегментация, вычисление фрактальных сигнатур (последний подход
использован к каждому из цветовых каналов снимков отдельно). Также использована
нечеткая сегментация по шести каналам: три цветовых канала и три канала, пред-
ставляющие собой результат вычисления фрактальных сигнатур по цветовым каналам.
Определение заболеваний сельскохозяйственных полей по данным аэрофотосъемки
«Штучний інтелект» 3’2008 283
4Г
100 метров 50 метров
15 метров Вблизи
Рисунок 1 – Примеры исходных аэрофотоснимков, выполненных с разных высот
Описание системы
Простая обработка массива изображений может быть сопряжена с проблемой
отсутствия связи между собственно результатами обработки и реальными картами
полей. Для решения этой проблемы система обработки должна иметь связь с ГИС
для более эффективного решения задачи заболевших участков сельскохозяйствен-
ных полей и упрощения их интерпретации людьми (рис. 2).
Рисунок 2 – Схема системы обработки
Ганченко В.В.
«Искусственный интеллект» 3’2008 284
4Г
Описание подходов
Оценка визуального качества изображения
Качество изображения определяется большим количеством технических харак-
теристик системы: соотношением сигнал/шум и статистическими характеристиками
шума, градационными характеристиками, спектральными (цветовыми) характерис-
тиками, интервалами дискретизации и т.д.
Одним из параметров, которые определяют качество изображений, является
контраст. Поскольку изображение имеет сложный сюжетный характер, это поро-
ждает необходимость при определении его контрастности исходить из контраста
отдельных комбинаций элементов изображения. При этом все элементы считаются
равнозначными, и контраст каждой их пары вычисляется по формуле
ji
ji
ij LL
LL
C
+
−
= ,
где Li, Lj – яркости элементов сюжетного изображения.
Сюжетность изображения предполагает возможность его использования
человеком. Поэтому при оценке контраста, как одного из параметров качества изоб-
ражения, необходимо учитывать ряд особенностей зрительного восприятия человека.
Рассмотрим известный эмпирический подход к оценке визуального качества
изображения [6]. Для формирования этой оценки рассматриваются такие параметры
изображения, как среднеарифметическое значение яркостей L , полнота исполь-
зования градаций яркостей, резкость изображения и его обобщенный контраст.
В целом выражение для количественной оценки визуального качества полуто-
новых монохромных изображений записывают так:
Q = k·KC·LQ·KQ·RQ,
где k – нормирующий коэффициент; КС – оценка контраста изображения; LQ – оценка
уровня адаптации зрительной системы; KQ – полнота использования элементами
изображения градаций яркостей; RQ – оценка резкости.
Параметр КС дает оценку контраста изображения. Когда оценивается визуаль-
ное качество изображения независимо от его сюжетного наполнения, тогда за КС
принимают обобщенный контраст изображения Cgen.
Задача сегментации
Цель сегментации – разбиение изображения на однородные области. Однородность
рассматривается в смысле сходства интенсивности цвета [7].
Математическая формулировка задачи сегментации.
Пусть f(x,y) – дискретная функция, описывающая анализируемое изображение;
X – конечное множество точек плоскости, на котором определена функция f(x,y);
S = {S1,S2,...,Sk} – разбиение X на k непустых связных областей Si и i=1,2,...,k;
Lp – предикат, заданный на множестве S и принимающий истинные значения
тогда и только тогда, когда любая пара точек (x,y) из каждого подмножества Si удов-
летворяет некоторому критерию однородности этого подмножества.
Определение заболеваний сельскохозяйственных полей по данным аэрофотосъемки
«Штучний інтелект» 3’2008 285
4Г
Сегментацией изображения f(x,y) по предикату Lp называется разбиение
S={S1,S2,...,Sk}, удовлетворяющее условиям:
а) X;S
k
i
i =
=
∪
1
б) SS ji ∅=∩ для любых i≠j;
в) =)iLp(S «истина» для любого i;
г) =) SLp(S ji ∪ «ложно» для любых i≠j.
Отметим, что k областей, полученных в результате сегментации часто
различных классов, группируются в m классов, где 2≤ m ≤ k.
Задача нечеткой классификации
Задача нечеткой классификации ставится следующим образом: X = (xk) =
= (xk1, xk2, …, xkp) – объекты, подлежащие классификации, где k = [1, n]; n – количество
объектов ([8]). Количество классов равно c. Необходимо каждому элементу множества
X поставить в соответствие степени принадлежности к классам. Сумма степеней
принадлежности одного элемента к классам должна равняться единице.
Пороговая сегментация
При пороговой сегментации выделяются участки, цветовые характеристики кото-
рых, соответствуют пожелтевшим листьям заболевших растений, что соответствует
следующим диапазонам значений оттенка (hue) и насыщенности (saturation) [7]:
hue = [0,9; 1,4], saturation = [45; 69].
Алгоритм вычисления фрактальной сигнатуры
Суть алгоритма вычисления фрактальной сигнатуры состоит в том, что
квантованные значения интенсивности двумерного сигнала должны располагаться
между двумя функциями, называемыми верхней и нижней поверхностями [9]. Верх-
няя поверхность U содержит множество точек, значения которых всегда, по крайней
мере на один квант интенсивности, превышают интенсивность входного сигнала.
Нижняя поверхность L имеет значения точек, которые всегда ниже, по крайней мере
на один квант интенсивности, входного изображения.
Верхняя и нижняя поверхности при нулевой шкале масштабов определяется как:
где g(i,j) – входное изображение.
В общем случае:
где d – функция расстояния.
Ганченко В.В.
«Искусственный интеллект» 3’2008 286
4Г
Сконструированное покрытие, образованное двумя указанными функциями,
имеет толщину 2ε. Для двумерного сигнала площадь поверхности есть объем, занятый
покрытием и деленный на величину 2ε. Площадь «поверхности» интенсивности A(ε) в
пределах окна наблюдения R рассчитывают вычитанием точки за точкой нижней
«поверхности» из верхней с дальнейшим суммированием по всему окну:
Фрактальную размерность определяют по наклону log A(ε) как функцию log ε.
Оценка сходства изображений
Для автоматического сравнения используют меры сходства [10]. Для сравнения
исходного и сегментированного изображений необходимо представить последнее в
виде псевдоцветного изображения. Для этого каждая область сегментированного
изображения раскрашивается средним цветом соответствующей области исходного
изображения. Сегментированные изображения сравнивают с исходным изображе-
нием или с сегментируемым изображением идеального алгоритма, в результате чего
для каждого алгоритма получаем числовую оценку сходства сегментируемого и
идеального изображений.
Функция Лью и Янг. Лью и Янг (Liu, Yang) оценивали результат сегментации
цветных изображений с помощью функции:
∑
=×
=
R
1i iA
2
ie
R
M)1000(N
1F2(I) ,
где I – сегментируемое изображение размером M×N; R – количество областей на
сегментируемом изображении; Ai – площадь i-й области; ei – средняя цветовая
ошибка i-й области, которая равняется сумме евклидовых расстояний между RGB
цветовым вектором пикселей i-й области (на исходном изображении) и цветовым
вектором, соответствующим области i на сегментированном изображении.
Алгоритм, для которого значение функции F2(I) меньше, считается лучшим.
Результаты обработки
В качестве примера на рис. 3 – 6 приведены результаты обработки для снимков,
выполненных с высоты 50 метров. По оси абсцисс отложены дни развития
заболевания.
Результат оценки визуального качества изображений
0
1000
2000
1 2 3 4 5
Ряд1
Ряд2
Ряд3
Рисунок 3 – Оценка качества для цветовых каналов исходных изображений
Определение заболеваний сельскохозяйственных полей по данным аэрофотосъемки
«Штучний інтелект» 3’2008 287
4Г
0
200
400
600
1 2 3 4 5
Ряд1
Ряд2
Ряд3
Рисунок 4 – Оценка качества для фрактальных сигнатур цветовых каналов
0
200
400
600
1 2 3 4 5
Ряд1
0
200
400
600
800
1 2 3 4 5
Ряд1
Эксперимент 1 Эксперимент 2
Рисунок 5 – Оценка качества для результатов нечеткой сегментации
Эксперимент 1 – результат сегментации цветовых каналов исходных изобра-
жений на пять сегментов;
Эксперимент 2 – результат сегментации цветовых каналов исходных изображе-
ний совместно с результатами вычисления соответствующих каналам фрактальных
сигнатур на пять сегментов.
0
20
40
60
80
1 2 3 4 5
Ряд1
Рисунок 6 – Оценка качества для результатов пороговой сегментации
Результат автоматизированной оценки сходства изображений
Результаты обработки сравниваются с исходными изображениями.
0
0,02
0,04
0,06
1 2 3 4 5
Ряд1
Ряд2
Ряд3
Рисунок 7 – Оценка сходства для фрактальных сигнатур цветовых каналов
Ганченко В.В.
«Искусственный интеллект» 3’2008 288
4Г
0
0,005
0,01
1 2 3 4 5
Ряд1
0
0,01
0,02
0,03
0,04
0,05
1 2 3 4 5
Ряд1
Эксперимент 1 Эксперимент 2
Рисунок 8 – Оценка сходства для результатов нечеткой сегментации
Эксперимент 1 – результат сегментации цветовых каналов исходных изоб-
ражений на пять сегментов;
Эксперимент 2 – результат сегментации цветовых каналов исходных изображений
совместно с результатами вычисления соответствующих каналам фрактальных сиг-
натур на пять сегментов.
0
0,005
0,01
0,015
0,02
1 2 3 4 5
Ряд1
Рисунок 9 – Оценка сходства для результатов пороговой сегментации
Выводы
Исходя из приведенных графиков видно, что некоторые оценки позволяют
сделать выводы относительно развития заболевания по снимкам, выполненным с раз-
личного расстояния. Так, при оценке визуального качества исходных изображений
отмечается уменьшение численных значений оценки по мере развития заболевания.
Однако это наблюдается только на снимках, выполненных с расстояния 100 и 50
метров, и проявляется наиболее ярко для красного и зеленого каналов исходных
изображений. Схожее явление заметно и при оценке визуального качества результатов
пороговой сегментации (для высот 100, 50 и 15 метров), а также для оценки результатов
нечеткой сегментации для снимков, выполненных с 15 метров, причем результаты
сходны как при сегментации цветовых каналов изображения, так и при совместной
сегментации цветовых каналов с результатами вычисления их фрактальных сигнатур. В
других случаях использованная оценка визуального качества изображений не дает
видимых результатов.
Определение заболеваний сельскохозяйственных полей по данным аэрофотосъемки
«Штучний інтелект» 3’2008 289
4Г
При оценке сходства результатов обработки с исходными изображениями
отмечается уменьшение численных значений оценки для высот 100, 50 и 15 метров.
Оценки результатов остальных подходов к обработке изображений видимых резуль-
татов не дают.
Литература
1. Беляев Б.И., Катковский Л.В. Оптическое дистанционное зондирование. – Минск: БГУ, 2006. – 455 с.
2. Chao K., Chen Y.R. and Kim M.S. Machine vision technology for agricultural applications // Elsevier
science transactions on computers and electronics in agriculture. – 2002. – Vol. 36.– P. 173-191.
3. Kumar N., Pandey S., Bhattacharya A. and Ahuja P.S. Do leaf surface characteristics affect agrobacte-
rium infection in tea [camellia sinensis (l.) o kuntze)? // J. Biosci. – 2004. – Vol. 29, № 3. – P. 309-317.
4. Soille P. Morphological image analysis applied to crop field mapping // Image and Vision Computing. –
2000. – Vol. 18, № 13. – P. 1025-1032.
5. Panagiotis Tzionas, Stelios E. Papadakis, Dimitris Manolakis. Plant leaves classification based on
morphological features and a fuzzy surface selection technique // 5th Int. Conf. on Technology and
Automation ICTA'05, 15-16 October 2005. – Thessaloniki (Greece). – 2005. – P. 365-370.
6. Воробель Р.А., Журавель І.М., Опыр Н.В., Попов Б.О., Дереча В.Я., Равлик Я.М. Метод
количественной оценки качества рентгенографических изображений // Труды Третьей Украинской
научно-технической конференции «Неразрушающий контроль и техническая диагностика –
2000». – Днепропетровск. – С. 233-236.
7. Гонсалес Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. – М.: Техносфера, 2005. –
1072 с.
8. Fuzzy clustering [Электронный ресурс]. – Режим доступа: http://www.csc.umist.ac.uk.
9. Потапов А.А. Фракталы в радиофизике и радиолокации / А.А. Потапов. – М.: Логос, 2002. – 664 с.
10. Старовойтов В.В. Локальные геометрические методы цифровой обработки и анализа изображений //
В.В. Старовойтов – Минск: Институт Технической Кибернетики БАН, 1997. – 284 с.
V.V. Ganchenko
Identification of Agricultural Fieds Disease on Evidence Derived from Airphotography
In the paper the results of research of applicability of some approaches for the decision of a problem of
agricultural fields disease definition are described on evidence derived from airphotography by the example
of potato fields. For definition of disease the following approaches were used: threshold segmentation on a
hue and saturations, fuzzy segmentation, fractal signatures calculation. Also indistinct segmentation on six
channels is used: three color channels and three channels representing result of fractal signatures calculation
on color channels.
Статья поступила в редакцию 07.08.2008.
|
| id | nasplib_isofts_kiev_ua-123456789-6973 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-11-24T10:49:47Z |
| publishDate | 2008 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Ганченко, В.В. 2010-03-22T10:19:59Z 2010-03-22T10:19:59Z 2008 Обработка данных аэрофотосъемки в задачах мониторинга сельскохозяйственных полей / В.В. Ганченко // Штучний інтелект. — 2008. — № 3. — С. 282-289. — Бібліогр.: 10 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/6973 681.327 В данной статье описаны результаты исследования применимости некоторых подходов для решения задачи определения заболевания сельскохозяйственных полей по данным аэрофотосъемки. Использо- вались следующие подходы: пороговая сегментация по оттенку и насыщенности, нечеткая сегментация, вычисление фрактальных сигнатур (последний подход использован к каждому из цветовых каналов снимков отдельно). Также использована нечеткая сегментация по шести каналам: три цветовых канала и три канала, представляющие собой результат вычисления фрактальных сигнатур по цветовым каналам. In the paper the results of research of applicability of some approaches for the decision of a problem of agricultural fields disease definition are described on evidence derived from airphotography by the example of potato fields. For definition of disease the following approaches were used: threshold segmentation on a hue and saturations, fuzzy segmentation, fractal signatures calculation. Also indistinct segmentation on six channels is used: three color channels and three channels representing result of fractal signatures calculation on color channels. ru Інститут проблем штучного інтелекту МОН України та НАН України Распознавание образов. Системы цифровой обработки сигналов и изображений Обработка данных аэрофотосъемки в задачах мониторинга сельскохозяйственных полей Identification of Agricultural Fieds Disease on Evidence Derived from Airphotography Article published earlier |
| spellingShingle | Обработка данных аэрофотосъемки в задачах мониторинга сельскохозяйственных полей Ганченко, В.В. Распознавание образов. Системы цифровой обработки сигналов и изображений |
| title | Обработка данных аэрофотосъемки в задачах мониторинга сельскохозяйственных полей |
| title_alt | Identification of Agricultural Fieds Disease on Evidence Derived from Airphotography |
| title_full | Обработка данных аэрофотосъемки в задачах мониторинга сельскохозяйственных полей |
| title_fullStr | Обработка данных аэрофотосъемки в задачах мониторинга сельскохозяйственных полей |
| title_full_unstemmed | Обработка данных аэрофотосъемки в задачах мониторинга сельскохозяйственных полей |
| title_short | Обработка данных аэрофотосъемки в задачах мониторинга сельскохозяйственных полей |
| title_sort | обработка данных аэрофотосъемки в задачах мониторинга сельскохозяйственных полей |
| topic | Распознавание образов. Системы цифровой обработки сигналов и изображений |
| topic_facet | Распознавание образов. Системы цифровой обработки сигналов и изображений |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/6973 |
| work_keys_str_mv | AT gančenkovv obrabotkadannyhaérofotosʺemkivzadačahmonitoringaselʹskohozâistvennyhpolei AT gančenkovv identificationofagriculturalfiedsdiseaseonevidencederivedfromairphotography |