Распознавание изображений разливов нефтепродуктов на основе кратномасштабной обработки гистограмм распределения их яркости

Аннотация

Особую актуальность проблема обнаружения аномалий на обрабатываемых изображениях, получаемых с аппаратуры визуального контроля, приобретает в ходе экологического мониторинга акваторий мирового океана при поиске последствий техногенных катастроф, вызванных разливами нефтепродуктов. Под аномалиями в представленном исследовании рассматриваются фрагменты изображения, характеризующие разливы нефтепродуктов. В качестве предмета исследования определены элементы теории распознавания образов, в соответствии с которыми обрабатываемые изображения представляются в виде векторов признаков. Обоснован выбор гистограмм, характеризующих распределения битов яркости обрабатываемых изображений, которые используются в качестве первичных векторов признаков. Установлено, что высокая вариативность фона изображений водных поверхностей приводит к значительной дисперсии векторов признаков, формируемых на основе гистограмм распределения яркости даже для одного общего класса объектов распознавания. Поэтому предложено подвергать первичные векторы признаков декоррелирующей обработке на основе вейвлет-преобразований. Рассмотрены виды вейвлет-преобразования и различные типы формирующих функций, среди которых обоснован выбор вейвлета Гаусса 1-го порядка, позволившего обеспечить наименьшие различия между векторами признаков обрабатываемых изображений, характеризующих один и тот же класс. Предложен подход к формированию вторичных признаков распознавания путем усреднения компонентов матриц кратномасштабного преобразования гистограмм распределения яркости изображений вдоль оси их параметра сдвига. Обоснован переход к выбору избыточного числа масштабов декомпозиции в вейвлет-преобразованиях при формировании вторичных векторов признаков. Демонстрируются результаты проведенного эксперимента, подтверждающие правомерность такого перехода. Представлены тестовые и эталонные изображения, используемые в ходе эксперимента, а также формируемые на их основе первичные и вторичные векторы признаков. Приведены численные результаты, характеризующие полученную оценку различий векторов признаков как одного класса, так и альтернативных классов. Представлена вероятностная оценка результатов распознавания аномалий на обрабатываемых изображениях. Обосновано использование коэффициента оценки различий векторов признаков в разработанной формуле вероятности правильного обнаружения аномалий в обрабатываемых изображениях. Приведены графики, характеризующие значение вероятностной оценки в зависимости от соотношения размеров аномалии к общей площади кадра для различных значений коэффициента, повышающего различия векторов признаков.

Abstract

The problem of detecting anomalies in processed images acquired from visual monitoring equipment becomes particularly relevant in the context of ecological monitoring of the world ocean's water areas, specifically when searching for the consequences of technogenic catastrophes caused by oil spills. In the present study, anomalies are understood as image fragments characterizing oil product spills. The subject of the research is defined by elements of pattern recognition theory, according to which the processed images are represented as feature vectors. The rationale for selecting histograms characterizing the brightness bit distributions of the processed images, which are used as primary feature vectors, is substantiated. It is established that the high variability of the background of water surface images leads to significant variance in the feature vectors formed on the basis of brightness distribution histograms, even for a single common class of recognition objects. Therefore, it is proposed to subject the primary feature vectors to decorrelating processing based on wavelet transforms. Types of wavelet transforms and various types of generating functions are considered, among which the rationale for selecting the first-order Gaussian wavelet is provided, as it ensures the smallest differences between the feature vectors of the processed images characterizing the same class. An approach to the formation of secondary recognition features is proposed by averaging the components of multiscale transformation matrices of image brightness distribution histograms along the axis of their shift parameter. The rationale for transitioning to the selection of a redundant number of decomposition scales in wavelet transforms when forming secondary feature vectors is substantiated. The results of the conducted experiment are demonstrated, confirming the validity of such a transition. Test and reference images used in the experiment are presented, as well as the primary and secondary feature vectors formed on their basis. Numerical results characterizing the obtained estimate of differences between feature vectors of both the same class and alternative classes are provided. A probabilistic assessment of the anomaly recognition results on the processed images is presented. The rationale for using the coefficient of estimating differences between feature vectors in the developed formula for the probability of correct anomaly detection in the processed images is substantiated. Graphs characterizing the value of the probabilistic estimate as a function of the ratio of anomaly size to the total frame area for various values of the coefficient enhancing the differences between feature vectors are presented.